Browsing by Author "Цикало, Ігор Дмитрович"

Now showing 1 - 2 of 2

Визначення маршрутів передачі в мережі інформаційно-телекомунікаційної системи залізничного транспорту з використанням GWO
(Херсонський національний технічний університет, 2025) Пахомова, Вікторія Миколаївна; Цикало, Ігор Дмитрович
UKR: У даній роботі виконано дослідження можливості використання GWO щодо визначення маршрутів передачі керуючих повідомлень в мережі інформаційно-телекомунікаційної системи (ІТС) залізничного транспорту. На сучасному етапі в комп’ютерних мережах залізничного транспорту застосовується протокол OSPF, при використанні якого в реальному часі з’являється проблема завдяки змінам обсягів даних, і для вирішення якої доцільно використання методів штучного інтелекту, що підтверджує актуальність теми. Для визначення маршрутів в мережі ІТС залізничного транспорту можливо використання як нейронних мереж (мережі Хопфілда, машини Больцмана, багатошарового персептрона, мережі RBF, нейронечіткої мережі), так і багатоагентних методів інтелектуальної оптимізації (мурашиний та бджолиний алгоритми, алгоритм кажанів і алгоритм сірих вовків). Для визначення маршрутів передачі керуючих повідомлень в мережі ІТС залізничного транспорту (на магістральному рівні) створено з використанням мови Python та наступних бібліотек: NumPy; NetworkX; Matplotlib; Tkinter програмну модель «Routes_GWO», в основі якої реалізація Grey Wolf Optimizer з основними параметрами: розмір популяції – 100 вовків; максимальна кількість ітерацій – 50. На створеній програмній моделі «Routes_GWO» проведено дослідження фітнеc-функції за ітераціями (від 0 до 50). Організовано серію експериментів на створеній програмній моделі «Routes_GWO»; всі отримані результати надають коректні розв’язки, що близькі до оптимального результату (побудови мінімального остовного дерева), але займають значно менший час ніж знаходження аналогічного рішення з використанням багатошарової нейронної мережі, що потребує визначення її оптимальних параметрів (кількості прихованих нейронів, типу функції активації нейронів, алгоритму навчання), створення різних вибірок та організацію основних етапів роботи нейронної мережі: навчання; тестування; валідацію.
Визначення оптимального маршруту в комп’ютерній мережі засобами багатошарової нейронної моделі
(Дніпропетровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2018) Пахомова, Вікторія Миколаївна; Цикало, Ігор Дмитрович
UK: Мета. Класичні алгоритми пошуку найкоротшого шляху на графі, що лежать в основі наявних протоколів маршрутизації, які сьогодні використовують у комп’ютерних мережах, в умовах постійної зміни заван-таженості мережі не можуть привести до оптимального рішення в реальному часі. У зв’язку з цим метою статті є розробити методику визначення оптимального маршруту в об’єднаній комп’ютерній мережі. Методика. Для визначення оптимального маршруту в об’єднаній комп’ютерній мережі, що працює за різними технологіями, розроблено на мові Python із використанням фреймворку TensorFlow програмну модель «MLP 34-2-410-34». Вона дозволяє виконувати наступні етапи: генерацію вибірки (випадкову або збалансовану); створення нейронної мережі, на вхід якої подають масив пропускних спроможностей каналів комп’ютерної мережі; навчання й тестування нейронної мережі на відповідних вибірках. Результати. Нейронна мережа конфігурації 34-2-410-34 з функціями активації ReLU та Leaky-ReLU у прихованому шарі та лінійною функцією активації у вихідному шарі навчається за алгоритмом Adam. Цей алгоритм є комбінацією алгоритмів Adagrad, RMSprop та стохастичного градієнтного спуску з інерцією. Зазначені функції навчаються найбільш швидко на всіх обсягах навчальної вибірки, менш за інші піддаються перенавчанню, й досягають значення помилки в 0,0024 на контрольній вибірці й у 86 % визначає оптимальний шлях. Наукова новизна. Проведено дослідження параметрів нейронної мережі на основі розрахунку середнього гармонійного за різних функцій активації (Linear, Sigmoid, Tanh, Softplus, ReLU, L-ReLU) на навчальних вибірках різного обсягу (140, 1 400, 14 000, 49 000 прикладів) та за різними алгоритмами оптимізації навчання нейронної мережі (BGD, MB SGD, Adam, Adamax, Nadam). Практична значимість. Використання нейронної моделі, на вхід якої подають значення пропускних спроможностей каналів, дозволить у реальному часі визначити оптимальний маршрут в об’єднаній комп’ютерній мережі.