Тенденция развития умных ферм направлена на их становление полностью автономными, роботизированными предприятиями. Перспективы интеллектуализации сельскохозяйственного производства и умных ферм, в частности, сегодня связываются с развитием технологий систем, применяемых для обнаружения, распознавания сложных производственных ситуаций и поиска эффективных решений в этих ситуациях. В статье рассмотрены вопросы создания ситуационных систем поддержки принятия решения на умных фермах с применением вывода решений на основе рассуждений по прецедентам (case-based reasoning). Для разработки таких систем требуется выполнение ряда нетривиальных задач, к которым относятся, прежде всего, задачи формализации представления ситуаций и построения на этой основе способов сравнения и отбора ситуаций в базах знаний. В данном исследовании умная ферма представлена как сложный технологический объект, состоящий из взаимосвязанных компонентов, которыми являются технологические подсистемы умной фермы, производимая продукция, объекты операционного окружения, а также отношения между ними. Для реализации алгоритмов ситуационного вывода решений на основе прецедентов предложено формализованное представление ситуации в виде мультивектора, который содержит информацию о состояниях этих компонентов. Это позволило разработать ряд моделей обучаемой функции схожести между ситуациями. Проведенные эксперименты показали работоспособность предложенных моделей, на основе чего разработана ансамблевая архитектура нейросети для сравнения ситуаций и их отбора из базы знаний в процессах вывода решений. Практический интерес представляет мониторинг состояния растений по их видео-, фото- изображениям, что позволяет обнаруживать нежелательные состояния растений (болезни), которые могут служить сигналом для активизации процесса поиска решений в базе знаний.
Рассматривается использование различных типов эвристических алгоритмов на основе технологий мягких вычислений для распределения задач в группах мобильных роботов, выполняющих односложные операции в едином рабочем пространстве: генетические алгоритмы, муравьиные алгоритмы и искусственные нейронные сети. Показано, что данная задача является NP-сложной и ее решение прямым перебором для большого числа заданий невозможно. Исходная задача сведена к типовым NP-полным задачам: обобщенной задаче поиска оптимальной группы замкнутых маршрутов от одного депо и задаче коммивояжера. Представлены описание каждого из выбранных алгоритмов и сравнение их характеристик. Приводится пошаговый алгоритм работы с учетом выбранных генетических операторов и их параметров при заданном объеме популяции. Представлена общая структура разработанного алгоритма, позволяющего достаточно эффективно решить многокритериальную оптимизационную задачу с учетом временных затрат и интегрального критерия эффективности роботов, учитывающего энергетические затраты, функциональную насыщенность каждого агента группы и т.д. Показана возможность решения исходной задачи с использованием муравьиного алгоритма и обобщенного поиска оптимальной группы замкнутых маршрутов. Для многокритериальной оптимизации показана возможность линейной свертки полученного векторного критерия оптимальности за счет введения дополнительных параметров, характеризующих групповое управление: общее КПД функционирования всех роботов, затраты энергии на функционирование группы поддержки и энергия на размещение одного робота на рабочем поле. Для решения задачи распределения заданий с использованием нейронной сети Хопфилда произведено ее представление в виде графа, полученного в ходе перехода от обобщенной задачи поиска оптимальной группы замкнутых маршрутов от одного депо к задаче коммивояжера. Показателем качества выбран суммарный путь, пройденный каждым из роботов группы.
1 - 2 из 2 результатов