Повышение оперативности обнаружения нарушителя агентами роевых робототехнических систем в условиях недетерминированной среды функционирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Гурчинский Михаил Михайлович

• Гурчинский Михаил Михайлович
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Гурчинский Михаил Михайлович

ВВЕДЕНИЕ

ГЛАВА 1 СИСТЕМНЫЙ АНАЛИЗ ПРОЦЕССОВ, ВЛИЯЮЩИХ НА ОПЕРАТИВНОСТЬ ОБНАРУЖЕНИЯ НАРУШИТЕЛЕЙ СИСТЕМАМИ ОХРАНЫ ПЕРИМЕТРА ОБЪЕКТОВ С ПРОТЯЖЕННЫМИ ГРАНИЦАМИ С ИСПОЛЬЗОВАНИЕМ РОБОТОТЕХНИЧЕСКИХ СРЕДСТВ

1.1 Анализ практических решений в области эксплуатации робототехнических средств в составе существующих систем охраны периметра объектов с протяженными границами

1.2 Анализ научно-методического аппарата распределения и планирования выполнения задач при использовании робототехнических средств в системах охраны периметра объектов с протяженными границами

1.3 Выбор критериев и показателей, обеспечивающих требуемую оперативность обнаружения нарушителя

1.4 Формализация и постановка общей научной задачи и частных научных задач исследования

1.5 Обоснование последовательности решения научной задачи и логической взаимосвязи научных результатов

1.6 Выводы по главе

ГЛАВА 2 МОДЕЛИ И МЕТОД РАСПРЕДЕЛЕНИЯ И ПЛАНИРОВАНИЯ ВЫПОЛНЕНИЯ ДИНАМИЧЕСКОГО МНОЖЕСТВА ЗАДАЧ АГЕНТАМИ РОЕВЫХ РОБОТОТЕХНИЧЕСКИХ СИСТЕМ ДЛЯ ПОВЫШЕНИЯ ОПЕРАТИВНОСТИ ОБНАРУЖЕНИЯ НАРУШИТЕЛЯ НА ТЕРРИТОРИИ ОБЪЕКТА С ПРОТЯЖЕННЫМИ ГРАНИЦАМИ

2.1 Модели описания процесса распределения и планирования выполнения задач между агентами РРТС для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами

2.1.1 Разработка моделей описания распределения и планирования задач в роевых робототехнических системах

2.1.2 Разработка критериев оценки эффективности распределения и планирования задач в роевых робототехнических системах

2.1.3 Оценка эффективности разработанных моделей

2.2 Метод распределения и планирования выполнения динамического множества задач агентами роевых робототехнических систем для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами

2.2.1 Аналитический метод планирования последовательности выполнения задач агентами роевых робототехнических систем

2.2.2 Нейросетевой метод распределения и планирования последовательности выполнения задач агентами роевых робототехнических систем

2.2.3 Оценка эффективности разработанных методов

2.3 Выводы по главе

ГЛАВА 3 МЕТОДЫ СИНТЕЗА СИСТЕМЫ РАСПРЕДЕЛЕНИЯ И ПЛАНИРОВАНИЯ ВЫПОЛНЕНИЯ ДИНАМИЧЕСКОГО МНОЖЕСТВА ЗАДАЧ АГЕНТАМИ РОЕВЫХ РОБОТОТЕХНИЧЕСКИХ СИСТЕМ, ОБЕСПЕЧИВАЮЩЕЙ ПОВЫШЕНИЕ ОПЕРАТИВНОСТИ ОБНАРУЖЕНИЯ НАРУШИТЕЛЯ НА ТЕРРИТОРИИ ОБЪЕКТА С ПРОТЯЖЕННЫМИ ГРАНИЦАМИ

3.1 Метод трансферного обучения агентов роевых робототехнических систем для обеспечения масштабируемости по критериям количества агентов и протяженности границ территории охраняемого объекта путем миграции знаний об успешных вариантах распределения и планирования выполнения динамического множества задач

3.1.1 Описание предлагаемого метода

3.1.2 Экспериментальная оценка эффективности

3.2 Метод синтеза системы распределения и планирования выполнения

динамического множества задач агентами роевых робототехнических систем на основе коллективного принятия решения, обеспечивающей повышение оперативности обнаружения нарушителя на территории объекта с протяженными границами

3.2.1 Структура системы распределения и планирования выполнения задач в роевых робототехнических системах

3.2.2 Метод синтеза системы распределения и планирования выполнения задач в роевых робототехнических системах

3.3 Выводы по главе

ГЛАВА 4 ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ И СРАВНИТЕЛЬНЫЕ ХАРАКТЕРИСТИКИ ПОВЫШЕНИЯ ОПЕРАТИВНОСТИ ОБНАРУЖЕНИЯ НАРУШИТЕЛЯ С ИСПОЛЬЗОВАНИЕМ РОЕВЫХ РОБОТОТЕХНИЧЕСКИХ СИСТЕМ В СОСТАВЕ СИСТЕМЫ ОХРАНЫ ПЕРИМЕТРА ОБЪЕКТОВ С ПРОТЯЖЕННЫМИ ГРАНИЦАМИ

4.1 Практические рекомендации по интеграции системы распределения и планирования выполнения задач агентами роевых робототехнических систем в составе системы охраны периметра объектов с протяженными границами

4.2 Сравнительная характеристика оперативности обнаружения нарушителя при использовании системы распределения и планировании выполнения задач агентами роевых робототехнических систем

4.3 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. КОПИИ АКТОВ О РЕАЛИЗАЦИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

Введение диссертации (часть автореферата) на тему «Повышение оперативности обнаружения нарушителя агентами роевых робототехнических систем в условиях недетерминированной среды функционирования»

ВВЕДЕНИЕ

Актуальность темы исследования и степень ее разработанности.

Одним из перспективных направлений развития науки и техники является робототехника. Робототехнические средства применяются для эффективного решения многих сложных задач, к которым относятся:

- задачи, которые могут быть решены робототехническими средствами более эффективно, чем человеком (например, сборочное производство электронных приборов, автомобилей и т.п.);

- задачи, которые не могут быть решены человеком из-за опасности для жизни и здоровья, такие как исследование опасных объектов и местности, обезвреживание взрывоопасных предметов, разминирование местности и др.

С помощью робототехнических средств могут быть эффективно решены задачи охраны и мониторинга транспортных, оборонных, энергетических и химических объектов [1]. Анализ существующих систем защиты периметра показал, что существенная протяженность границ территории охраняемых объектов (например, аэродромы, пограничные зоны, промышленные или военные объекты и т.д.) характеризуется труднодоступностью и опасностью для человека, что делает применение робототехнических средств в составе систем защиты периметра таких объектов целесообразным и экономически обоснованным. Так, при решении подобных задач становится актуальным применение мультиагентных робототехнических систем (МРТС).

Преимуществами МРТС по сравнению с одиночными робототехническими средствами являются:

- экономическая эффективность применения большого количества технически более простых робототехнических средств вместо одного с сопоставимыми показателями результативности;

- возможность достижения необходимой результативности за счет варьирования численности агентов МРТС в зависимости от сложности решаемой задачи;

- более высокая надежность и устойчивость к внешним возмущениям.

Агенты МРТС могут различаться по структурному исполнению

(габаритные размеры, наличие нескольких вычислительных платформ, и т.д.) и функциональному назначению (наличие на борту агентов МРТС специализированных исполнительных устройств, датчиков и сенсоров). В этом случае МРТС следует рассматривать как гетерогенные [2]. Для решения простой задачи или конкретной подзадачи сложной задачи, например, создания карты местности большой территории, целесообразно использовать агентов с одинаковыми структурными и функциональными характеристиками - гомогенные МРТС. Необходимо отметить, что частным случаем гомогенной МРТС является роевая робототехническая система (РРТС) [3]. Характерными особенностями систем подобного рода являются [4]:

- полностью децентрализованная система управления. Ожидаемое поведение агентов РРТС достигается за счет использования принципов самоорганизации агентов;

- ограниченные возможности вычислительных устройств агентов, а также бортовых датчиков и сенсоров.

Однако, в настоящее время системы управления робототехническими средствами, используемые в составе систем защиты периметра, имеют преимущественно централизованный характер, что не обеспечивает устойчивости робототехнических средств к изменениям или воздействиям среды функционирования, что в свою очередь приводит к уменьшению оперативности обнаружения нарушителей при проникновении на территорию охраняемого объекта. Анализ систем управления робототехническими средствами, используемых в составе существующих систем защиты периметра, показал, что важным фактором, влияющим на эффективность функционирования робототехнических средств, являются процедуры

распределения и планирования выполнения задач, которые в централизованной системе управления реализуются на центральном вычислительном устройстве, что не позволяет робототехническим средствам оперативно подстраиваться под изменения или воздействия среды функционирования в процессе выполнения задач.

Указанные выше факторы формируют противоречие в практике -существующие системы защиты периметра с использованием робототехнических средств не обеспечивают требуемой оперативности обнаружения нарушителя в условиях недетерминированной среды функционирования. В существующих системах защиты периметра с использованием робототехнических средств среда функционирования является недетерминированной, так как одновременно функционирует множество агентов, а список задач изменяется динамически в процессе их функционирования. Также необходимо отметить неполноту информационного обеспечения агентов РРТС о работоспособности других агентов и статусе выполнения назначенных им задач вследствие ограниченных возможностей (коммуникационных, сенсорных и вычислительных) агентов, а также специфики децентрализованного управления (ограниченная область видимости агентов). Здесь и далее указанные особенности среды функционирования РРТС будем называть «условиями недетерминированной среды функционирования».

Значительный научный вклад в исследования в области групповой робототехники, в том числе РРТС, внесли такие выдающиеся отечественные и зарубежные исследователи, как Поспелов Д.А., Юревич Е.И., Каляев И.А., Капустян С.Г., Гайдук А.Р., Павловский В.Е., Городецкий В.И., Истомин В.В., Карпов В.Э., Меркулов В.И., Пшихопов В.Х., Веселов Г.Е., К. Рейнольдс (C.W. Reynolds), М. Дориго (M. Dorigo), М.А. Льюис (M.A. Lewis), Ф. Хиггинсу (F. Higgins) и другие.

Анализ известных публикаций и исследований в рассматриваемой предметной области, а также научно-методического аппарата, используемого

для распределения и планирования выполнения задач, показал, что вопросы повышения эффективности распределения и планирования задач в РРТС по критерию оперативности их выполнения в условиях недетерминированной среды функционирования исследованы недостаточно глубоко. Известные методы и алгоритмы распределения и планирования выполнения задач не учитывают ограниченные возможности агентов РРТС (сенсорные и вычислительные), а также специфику децентрализованного управления, заключающуюся в ограниченной области видимости агентов, в результате чего их применение в реальных сценариях использования РРТС сопряжено со значительными проблемами. Проведенный анализ ранее опубликованных работ в исследуемой предметной области позволил сформулировать противоречие в науке - существующие математическое и алгоритмическое обеспечение, методы и алгоритмы распределения и планирования выполнения задач не позволяют обеспечить требуемую эффективность функционирования РРТС в составе системы защиты периметра по критерию оперативности выполнения задач в условиях недетерминированной среды функционирования.

Объектом исследования являются РРТС, используемые в составе системы охраны периметра объектов с протяженными границами для обнаружения нарушителя.

Целью исследования является повышении оперативности обнаружения нарушителя агентами РРТС, используемых в составе системы охраны периметра объектов с протяженными границами, в условиях изменяющегося множества задач в ходе поиска нарушителя и фиксации его местоположения до прибытия группы реагирования на основе роевых методов распределения и планирования выполнения задач с использованием искусственных нейронных сетей и распределенного реестра.

Предметом исследования является научно-методический аппарат роевого распределения и планирования выполнения задач агентами роевых робототехнических систем в условиях изменяющегося множества задач в ходе

поиска нарушителя и фиксации его местоположения до прибытия группы реагирования.

Научная задача исследования состоит в разработке научно-методического аппарата роевого распределения и планирования выполнения задач агентами РРТС, обеспечивающего повышение оперативности обнаружения нарушителя агентами РРТС, функционирующих в составе системы охраны периметра объектов с протяженными границами, при динамическом множестве задач в рамках поиска нарушителя и фиксации его местоположения до прибытия группы реагирования.

Для решения общей научной задачи проведена ее декомпозиция и определены частные задачи исследований:

1. Разработать модели описания процесса распределения и планирования выполнения задач между агентами РРТС для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами.

2. Разработать метод распределения и планирования выполнения динамического множества задач агентами РРТС для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами.

3. Разработать метод трансферного обучения агентов РРТС для обеспечения масштабируемости по критериям количества агентов и протяженности границ территории охраняемого объекта путем миграции знаний об успешных вариантах распределения и планирования выполнения динамического множества задач.

4. Разработать метод синтеза системы распределения и планирования выполнения динамического множества задач агентами РРТС на основе коллективного принятия решения, обеспечивающей повышение оперативности обнаружения нарушителя на территории объекта с протяженными границами.

Положения, выносимые на защиту:

1. Модели описания процесса распределения и планирования выполнения задач между агентами РРТС для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами обеспечивают более точную оценку значения доли выполненных задач и осведомлённости РРТС обо всех задачах по сравнению с известными моделями.

2. Метод распределения и планирования выполнения динамического множества задач агентами РРТС обеспечивает в сравнении с известными методами повышение оперативности обнаружения нарушителя на территории охраняемого объекта с протяженными границами.

3. Метод трансферного обучения агентов РРТС путем миграции знаний об успешных вариантах распределения и планирования выполнения динамического множества задач обеспечивает в сравнении с известными методами масштабируемость по критериям количества агентов и протяженности границ территории охраняемого объекта.

4. Метод синтеза системы распределения и планирования выполнения динамического множества задач агентами РРТС на основе коллективного принятия решения обеспечивает в сравнении с известными методами повышение оперативности обнаружения нарушителя на территории охраняемого объекта с протяженными границами за счет отсутствия коллизий при распределении задач между агентами РРТС.

Соответствие паспорту научной специальности. Область исследования соответствует паспорту специальности 2.3.1 Системный анализ, управление и обработка информации, статистика по пунктам:

- п. 3 «Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации»;

- п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации»;

- п. 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации».

Научная новизна:

1. Разработаны модели описания процесса распределения и планирования выполнения задач между агентами РРТС для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами, которые включают в себя следующие особенности в отличие от известных решений:

- множество задач, возникающих в процессе функционирования РРТС, рассматривается как динамическое;

- в набор переменных состояния РРТС помимо физических характеристик её агентов включены состояния их информационной обеспеченности;

- процесс распространения информации, ограниченный свойствами динамически изменяющейся топологии и пропускной способности каналов связи, рассматривается как общее киберфизическое пространство РРТС в ходе принятия решения о выборе той или иной задачи для дальнейшего выполнения;

- обеспечены более точные оценки значений доли выполненных задач и осведомлённости РРТС обо всех задачах в рамках решения задачи обнаружения нарушителя на территории охраняемого объекта с протяженными границами.

Применение разработанных моделей позволяет повысить доли выполненных задач на 38,8% и осведомлённости РРТС обо всех задачах на 25,4% по сравнению с существующими моделями описания при использовании одного и того же алгоритма распределения и планирования выполнения задач.

2. Разработан метод распределения и планирования выполнения динамического множества задач агентами РРТС, который включает в себя следующие особенности в отличие от известных решений:

- предложен новый алгоритм сортировки приоритета выполнения задач в виде связного списка, что дает возможность осуществлять масштабирование численности агентов РРТС, а также динамически изменять актуальный набор задач, закрепленных за агентом;

- предложен новый алгоритм поиска транзитных задач, который позволяет агентам находить промежуточные задачи для выполнения, что обеспечивает уменьшение общего времени выполнения динамического множества задач;

- обеспечена более высокая оперативность обнаружения нарушителя на территории охраняемого объекта с протяженными границами.

Применение разработанного метода обеспечивает повышение оперативности обнаружения нарушителя на территории охраняемого объекта с протяженными границами на 12,1% по сравнению с методом-аналогом.

3. Разработан метод трансферного обучения агентов РРТС путем миграции знаний об успешных вариантах распределения и планирования выполнения динамического множества задач, который включает в себя следующие особенности в отличие от известных решений:

- трансферное обучение реализовано путем построения модели искусственной нейронной сети на базе ранее обученной модели с последующим обучением только добавленных слоев, в качестве которых выступает автоэнкодер;

- обеспечение масштабируемости по критериям количества агентов и протяженности границ территории охраняемого объекта;

- обеспечена более высокая оперативность обнаружения нарушителя на территории охраняемого объекта с протяженными границами.

Применение разработанного метода обеспечивает повышение оперативности обнаружения нарушителя при изменении размеров территории

охраняемого объекта и количества агентов РРТС до 4,51% по сравнению с исходными параметрами.

4. Разработан метод синтеза системы распределения и планирования выполнения динамического множества задач агентами РРТС на основе коллективного принятия решения, который включает в себя следующие особенности в отличие от известных решений:

- в соответствии с особенностями процесса распределения и планирования выполнения динамического множества задач в РРТС модифицирована процедура выбора наилучшей альтернативы алгоритма коллективного принятия решения;

- обеспечение отсутствия коллизий (выбор одной и той же задачи двумя и более агентами РРТС);

- обеспечена более высокая оперативность обнаружения нарушителя на территории охраняемого объекта с протяженными границами.

Применение разработанного метода обеспечивает повышение оперативности обнаружения нарушителя на территории охраняемого объекта с протяженными границами на 16,57% по сравнению с аналогом.

Теоретическая значимость заключается в развитии методов роевого распределения и планирования выполнения задач агентами РРТС в условиях недетерминированной среды функционирования, обеспечивающих повышение оперативности обнаружения нарушителя на территории охраняемого объекта с протяженными границами.

Практическая значимость. Разработанный в рамках диссертационной работы научно-методический аппарат позволяют уменьшить время выполнения задачи при функционировании РРТС в условиях недетерминированной среды функционирования Представленные методы реализованы в виде программного обеспечения на высокоуровневом языке программирования Python, которое могут быть использовано при моделировании и исследовании РРТС.

Достоверность и обоснованность полученных в диссертационной работе теоретических результатов и формулируемых на их основе выводов подтверждается проведенными вычислительными экспериментами, корректным использованием положений системного анализа и математического моделирования, а также рецензированием печатных работ.

Методы исследования. Для решения поставленных в диссертационной работе научных задач использованы методы системного анализа, оптимизации, математический аппарат искусственных нейронных сетей и технология распределенного реестра.

Моделирование и вычислительный эксперимент проведены с использованием языка программирования высокого уровня Python, а также с применением симулятора мультиагентных робототехнических систем ARGoS.

Внедрение. Результаты диссертационного исследования использованы при выполнении следующих научно-исследовательских работ:

- проект в рамках региональной научно-практической конференции «Инновационные идеи молодежи Ставропольского края - развитию экономики России» (программа УМНИК-2019) по теме: «Разработка интеллектуальной системы управления робототехнической платформой автоматического сбора тепличных культур для снижения себестоимости производства овощных культур», договор 14889ГУ/2019 от 18.12.2019.

- проект РФФИ «Аспиранты», №20-37-90026 по теме «Разработка методов и алгоритмов распределения задач в роевых робототехнических системах на основе искусственных нейронных сетей и технологии распределенного реестра».

Результаты диссертационной работы внедрены в следующие организации:

1. В образовательный процесс программы магистратуры по специальности 15.04.02 «Технологические машины и оборудование» специализация «Мехатроника и агрокибернетика» факультета пищевой инженерии и биотехнологий Северо-Кавказского федерального университета.

Полученные результаты использованы в учебном процессе при разработке учебно-методических материалов и проведении занятий по дисциплинам:

- Интеллектуальные системы управления робототехническими комплексами;

- Программное обеспечение и технологии управления беспилотными летательными аппаратами.

2. В процесс разработки программного обеспечения беспилотных летательных аппаратов ООО «Стилсофт». Предложенные научные результаты позволяют:

- моделировать процесс распределения и планирования выполнения задач в рое беспилотных летательных аппаратов с учетом общего киберфизического пространства;

- осуществлять распределение и планирование выполнения задач между роем беспилотных летательных аппаратов при переменном количестве задач;

- осуществлять автоматическое управление роем беспилотных летательных аппаратов при отсутствии командного радиоканала дистанционного управления;

3. В процесс разработки программного обеспечения робототехнических средств ООО «ЭксРоботикс». Научные результаты позволяют:

- осуществлять распределение и планирование задач в рое робототехнических средств с необходимой оперативностью их выполнения;

- осуществлять распределение и планирование задач между роем робототехнических средств при изменении их количества и параметров среды функционирования с требуемым показателем оперативности выполнения задач;

- осуществлять децентрализованное распределение и планирование задач между роем робототехнических средств при переменном количестве задач.

Акты о внедрении результатов диссертационной работы представлены в Приложении А.

Апробация работы. Основные результаты работы докладывались, обсуждались и получили положительную оценку на 4 международных и межрегиональной научно-практических конференциях:

- 27-я международная конференция «International conference on artificial life and robotics, ICAROB» (г. Беппу, Оита, Япония, 2022);

- международная конференция «International scientific forum on computer and energy sciences, WFCES 2021» (Алматы, Казахстан, 2021);

- VIII Всероссийская научная конференция (с приглашением зарубежных ученых) «Информационные технологии интеллектуальной поддержки принятия решений» (г. Уфа, 2020);

- V Международная научно-практическая конференция «Развитие современной науки и технологий в условиях трансформационных процессов» (г. Москва, 2022).

Публикации по теме диссертации. Основные результаты исследования отражены в 10 работах, среди которых 4 статьи в научных изданиях, входящих в перечень ВАК при Министерстве науки и высшего образования РФ, а также 3 статьи, входящих в систему индексирования научных работ Scopus и Web of Science. Получено 1 свидетельство о государственной регистрации программ для ЭВМ.

Структура и объем диссертации. Диссертационная работа состоит из введения, 4-х разделов, заключения, списка литературы. К диссертационной работе прилагается Приложение А, содержащее копии актов о реализации результатов диссертационного исследования.

В первой главе проведен системный анализ роли и места РРТС в системе охраны периметра объекта с протяженными границами. Проведен анализ факторов, влияющих на оперативность обнаружения нарушителя. Установлено, что в существующих системах охраны периметра используемые в настоящее время робототехнические средства не обеспечивают требуемой оперативности обнаружения нарушителя. Проведенный анализ известного научно-методического аппарата показал, что известный научно-методический

аппарат для распределения и планирования выполнения задач затруднительно использовать без модификации для РРТС ввиду таких особенностей систем данного типа, как ограниченные возможности агентов РРТС (сенсорные и вычислительные), а также специфика децентрализованного управления.

Сформулирована научная задача исследования. Для решения общей научной задачи выполнена ее декомпозиция на 4 частные научные задачи исследования, обоснована последовательность решения научной задачи и логическая взаимосвязь частных научных задач.

Вторая глава диссертации посвящена решению первой и второй частных задач исследования. Первая частная задача исследования посвящена разработке моделей описания процесса распределения и планирования выполнения задач в РРТС. Выявлено, что модель описания процесса распределения и планирования выполнения задач в РРТС должна включать в себя следующие компоненты:

- вектор 5 6 5 состояния модели, однозначно описывающий состояние внешней среды и РРТС, где 5 - множество возможных значений вектора состояния;

- функцию перехода /, позволяющую определить вектор $'(£') состояния РРТС и внешней среды в следующий момент времени на основе вектора $(£) состояния в текущий момент времени £.

Для решения выявленных проблем существующих моделей описания модель описания процесса распределения и планирования выполнения задач в РРТС дополнена следующим образом.

1. Введен учет распределения изначально неизвестных задач.

2. Включены в состояния агентов не только их физические характеристики, такие как способность выполнять ту или иную задачу или наличие некоторого количественного ресурса, но также и состояние их информационной обеспеченности. Под информационной обеспеченностью понимается информация об изначально неизвестных задачах, состоянии завершенности задач, о состоянии других агентов и др.

3. Учтен процесс распространения информации, ограниченный свойствами динамически изменяющейся топологии и пропускной способности каналов связи. Для этого предложена модель описания киберфизического пространства РРТС.

4. Включены в модель описания не только количественные показатели, описывающие наличие некоторых ресурсов у агентов РРТС, но также и качественные характеристики, описывающие возможность выполнения агентами РРТС некоторых операций, зависящих от наличия/исправности необходимого бортового оборудования.

Результатом решения первой частной задачи исследования являются модели описания процесса распределения и планирования выполнения задач между агентами РРТС в киберфизическом пространстве, обеспечивающие по сравнению с известными моделями более высокие значения доли выполненных задач и осведомлённости РРТС обо всех задачах в рамках решения задачи обнаружения нарушителя на территории охраняемого объекта с протяженными границами. Разработанные модели описания процесса распределения и планирования выполнения задач между агентами РРТС в киберфизическом пространстве включают в себя следующие особенности в отличии от известных решений:

- функционирование РРТС при переменном количестве задач с обеспечением более высоких значений доли выполненных задач и осведомлённости РРТС обо всех задачах в рамках решения задачи обнаружения нарушителя на территории охраняемого объекта с протяженными границами;

- включение в набор переменных состояния РРТС не только физических характеристик её агентов, но также и состояния их информационной обеспеченности;

- моделирование процесса распространения информации, ограниченного свойствами динамически изменяющейся топологии и пропускной способности каналов связи, как общего киберфизического

пространства РРТС в процессе принятия решения о выборе той или иной задачи для дальнейшего выполнения.

Список литературы диссертационного исследования кандидат наук Гурчинский Михаил Михайлович, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. Cho, J. Safety and Security Management with Unmanned Aerial Vehicle (UAV) in Oil and Gas Industry / J. Cho, G. Lim, T. Biobaku, S. Kim, H. Parsaei // Procedia Manufacturing. - 2015. - Vol. 3. - P. 1343-1349. DOI: 10.1016/j.promfg.2015.07.290.

2. Каляев, И. А. Модели и алгоритмы коллективного управления в группах роботов / И. А. Каляев, А. Р. Гайдук, С. Г. Капустян. - Москва : ФИЗМАТЛИТ, 2009. - 278 c.

3. Mahmoud-Zadeh, S. State-of-the-art in UVs autonomous mission planning and task managing approach / S. Mahmoud-Zadeh, D. M. W. Powers, R. Bairam Zadeh // Cognitive Science and Technology. - 2019. - P. 17-30. DOI: 10.1007/978-981-13-2245-7_2.

4. Петренко, В. И. Анализ рисков нарушения информационной безопасности в роевых робототехнических системах при масштабировании численности агентов / В. И. Петренко, Ф. Б. Тебуева, А. С. Павлов, И. В. Стручков // Прикаспийский журнал: управление и высокие технологии. - 2022.

- Т. 2. - C. 92-109. DOI: https://doi.org/10.54398/20741707_2022_2_92.

5. Casbeer, D. W. Forest fire monitoring with multiple small UAVs / D. W. Casbeer, R. W. Beard, T. W. McLain, S. M. Li, R. K. Mehra // Proceedings of the American Control Conference. - Portland, Oregon, 2005. - P. 3530-3535.

6. Merino, L. A cooperative perception system for multiple UAVs: Application to automatic detection of forest fires / L. Merino, F. Caballero, J. R. Martínez-de Dios, J. Ferruz, A. Ollero // Journal of Field Robotics. - 2006. - Vol. 3.

- № 26. - P. 165-184.

7. Sujit, P. B. Cooperative forest fire monitoring using multiple UAVs / P. B. Sujit, D. Kingston, R. Beard // 46th IEEE Conference on Decision and Control.

- New Orleans, LA, USA, 2007. - P. 4875-4880. DOI: https://doi.org/10.1109/CDC.2007.4434345.

8. Kalyaev, I. A novel method for distribution of goals among UAVs for oil field monitoring / I. Kalyaev, S. Kapustyan, D. Ivanov, I. Korovin, L. Usachev, G. Schaefer // 2017 6th International Conference on Informatics, Electronics and Vision 2017 7th International Symposium in Computational Medical and Health Technology (ICIEV-ISCMHT). - Himeji, Japan, 2017. - P. 1-4. DOI: 10.1109/ICIEV.2017.8338554.

9. Chen, X. A cluster first strategy for distributed multi-robot task allocation problem with time constraints* / X. Chen, P. Zhang, F. Li, G. Du // 2018 WRC Symposium on Advanced Robotics and Automation (WRC SARA). - Beijing, China, 2018. - P. 102-107. DOI: 10.1109/WRC-SARA.2018.8584210.

10. Жаринов, Д. А. О возможности применения беспилотных летательных аппаратов для охраны военных аэродромов / Д. А. Жаринов // Воздушно-космические силы. Теория и практика. - 2018. - Т. 5. - C. 54-59.

11. Аралбаев, Т. З. Мониторинг транспортных средств в охраняемой зоне промышленных объектов нефтегазодобычи на основе глубокой нейронной сети Yolo / Т. З. Аралбаев, Р. М. Алиев, Р. Р. Галимов, А. Д. Коннов // Прогрессивные технологии в транспортных системах : сборник материалов XIV Международной научно-практической конференции. - Оренбург, 2019. -C. 22-29.

12. Игнатенко, М. А. Анализ эффективности систем защиты периметра / М. А. Игнатенко, И. В. Лащенко // Современные проблемы радиоэлектроники и телекоммуникаций. - 2022. - Т. 5. - C. 194.

13. Плющ, А. А. Структура построения перспективных охранных периметров систем физической защиты потенциально опасных объектов / А. А. Плющ, А. В. Маринин // Актуальные проблемы защиты и безопасности: Труды XXII Всероссийской научно-практической конференции РАРАН, Санкт-Петербург, 01-04 апреля 2019 года. - Санкт-Петербург, 2019. - C. 4449.

14. Истомин, А. Л. Математическая модель задачи определения оптимальной структуры системы защиты периметра охраняемого объекта / А.

Л. Истомин, А. В. Бадеников, А. А. Истомина // Современные наукоемкие технологии. - 2019. - Т. 3. - № 1. - C. 38-42.

15. Multi-Robot Control System [Электронный ресурс]: SMP Robotics Systems Corp. URL: https://smprobotics.com/products_autonomous_ugv/multi-robot-control-system/ (дата обращения: 01.03.2022).

16. Интеллектуальная система мониторинга территорий и объектов на основе автономной беспилотной авиационной системы [Электронный ресурс] : Си-Норд. URL: https://www.cnord.ru/uas (дата обращения: 07.05.2022).

17. Стоянов, Ю. П. Применение БЛА для охраны объектов / Ю. П. Стоянов, А. Н. Евдокимов // Сборник докладов и статей по материалам II научно-практической конференции: Перспективы развития и применения комплексов с беспилотными летательными аппаратами. - Коломна, 2017. - C. 311-315.

18. Цвырко, О. Л. Распознавание маршрутов злоумышленников при помощи технологии искусственного интеллекта на базе нейросетей / О. Л. Цвырко, Н. И. Цвырко, С. О. Цвырко // Сборник материалов Международной научно-практической конференции «Современный учитель дисциплин естественнонаучного цикла». - Ишим, 2018. - C. 173-180.

19. Цвырко, О. Л. Методика разработки программного комплекса AMNP мониторинга действий нарушителя на охраняемой территории / О. Л. Цвырко, С. О. Цвырко, А. И. Литвиненко, О. В. Черкасов // Сборник материалов Международной научно-практической конференции «Проблемы и перспективы технологического образования в России и за рубежом». - Ишим, 2019. - C. 85-89.

20. Koubaa, A. Performance Analysis of the MRTA Approaches for Autonomous Mobile Robot / A. Koubaa, H. Bennaceur, I. Chaari, S. Trigui, A. Ammar, M.-F. Sriti, M. Alajlan, O. Cheikhrouhou, Y. Javed // Computational Intelligence. - Cham, UK, 2018. - P. 169-188. DOI: 10.1007/978-3-319-77042-

21. Orfanidis, G. A modified Single-Shot multibox Detector for beyond Real-Time Object Detection / G. Orfanidis, K. Ioannidis, S. Vrochidis, A. Tefas, I. Kompatsiaris // 25th International Conference on Pattern Recognition (ICPR). -Milan, Italy, 2021. - P. 3977-3984.

22. Orfanidis, G. Border surveillance using computer vision enabled robotic swarms for semantically enriched situational awareness / G. Orfanidis, S. Apostolidis, G. Prountzos, M. Riga, A. Kapoutsis, K. Ioannidis, E. Kosmatopoulos, S. Vrochidis, I. Kompatsiaris // Mediterranean Security Event 2019 (MSE2019). -Heraklion, Greece, 2019. - P. 235-241.

23. Леус, А. В. Оценка эффективности систем безопасности с помощью моделирования перемещения субъектов движения по охраняемому объекту: диссертация на соискание ученой степени канд. тех. наук / А. В. Леус. - 2011. - 129 c.

24. Vaatanen, A. Development of a Concept of Operations for Autonomous Systems / A. Vaatanen, J. Laarni, M. Hoyhtya // Advances in Human Factors in Robots and Unmanned Systems. - Cham, UK, 2020. - P. 208-216.

25. Skeyetech Drone [Электронный ресурс]: Mercury.net. URL: https://www.azurdrones.com (дата обращения: 02.02.2022).

26. Комплекс контроля прилегающей территории на основе беспилотного летательного аппарата «Альбатрос П2» [Электронный ресурс]: Стилфсофт. Российский разработчик и производитель комплексных систем безопасности. URL: https://stilsoft.ru/products/albatros-2-p/ (дата обращения: 11.02.2022).

27. Прометей [Электронный ресурс]: Сетевое издание «Эксперт-Урал». URL: https://npo-elektromashina.inni.info/ (дата обращения: 11.02.2022).

28. Roborder [Электронный ресурс]: Roborder.eu. URL: https://roborder.eu/ (дата обращения: 02.11.2022).

29. Zakiev, A. Swarm Robotics: Remarks on Terminology and Classification / A. Zakiev, T. Tsoy, E. Magid // Interactive Collaborative Robotics

(ICR 2018). - Cham, UK, 2018. - P. 291-300. DOI: https://doi.org/10.1007/978-3-319-99582-3_30.

30. Petrenko, V. I. Predictive assessment of operator's hand trajectory with the copying type of control for solution of the inverse dynamic problem / V. I. Petrenko, F. B. Tebueva, M. M. Gurchinsky, V. O. Antonov, A. S. Pavlov // SPIIRAS Proceedings. - 2019. - Vol. 18. - № 1. - P. 123-147. DOI: https://doi.org/10.15622/sp.18.1.123-147.

31. Kovács, G. Resource management simulation using multi-agent approach and semantic constraints / G. Kovács, N. Yussupova, D. Rizvanov // Pollack Periodica. - 2017. - Vol. 12. - № 1. - P. 45-58. DOI: https://doi.org/10.1556/606.2017.12.1.4.

32. Tebueva, F. A method for planning the trajectory of a mobile robot in an unknown environment with obstacles / F. Tebueva, A. Pavlov, D. Satybaltina // E3S Web of Conferences. - Almaty, Kazakhstan, 2021. - P. 1-6. DOI: https://doi.org/10.1051/e3sconf/202127001035.

33. Васильев, И. А. Организация группового управления мобильными роботами для задач специальной робототехники / И. А. Васильев, С. А. Половко, Е. Ю. Смирнова // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. - 2013. - Т. 1. - № 164. - C. 119-123.

34. Ismail, Z. H. Systematic Literature Review of Swarm Robotics Strategies Applied to Target Search Problem with Environment Constraints / Z. H. Ismail, G. M. Mohd // Applied Sciences. - 2021. - Vol. 11. - № 5. - P. 2383-2389. DOI: 10.3390/app11052383.

35. Khamis, A. Multi-robot Task Allocation: A Review of the State-of-the-Art / A. Khamis, A. Hussein, A. Elmogy // Cooperative Robots and Sensor Networks 2015. - 2015. - P. 31-51. DOI: https://doi.org/10.1007/978-3-319-18299-5_2.

36. Dai, W. Multi-Robot Dynamic Task Allocation for Exploration and Destruction / W. Dai, H. Lu, J. Xiao, Z. Zeng, Z. Zheng // Journal of Intelligent and

Robotic Systems: Theory and Applications. - 2020. - Vol. 98. - № 2. - P. 455-479. DOI: 10.1007/s10846-019-01081-3.

37. Пшихопов, В. Х. Групповое управление движением мобильных роботов в неопределенной среде с использованием неустойчивых режимов / В. Х. Пшихопов, М. Ю. Медведев // Труды СПИИРАН. - 2018. - Т. 60. - № 5. - C. 39-63.

38. Petrenko, V. I. Consensus achievement method for a robotic swarm about the most frequently feature of an environment / V. I. Petrenko, F. B. Tebueva, S. S. Ryabtsev, M. M. Gurchinsky, I. V. Struchkov // IOP Conference Series: Materials Science and Engineering. - Krasnoyarsk, Russia, 2020. - P. 1-6. DOI: https://doi.org/10.1088/1757-899X/919/4/042025.

39. Yusupova, N. Cyber-Physical Systems and Reliability Issues / N. Yusupova, D. Rizvanov, D. Andrushko // Proceedings of the 8th Scientific Conference on Information Technologies for Intelligent Decision Making Support (ITIDS 2020). - 2020. - P. 133-137. DOI: https://doi.org/10.2991/aisr.L201029.026.

40. Петренко, В. И. Анализ технологий обеспечения информационной безопасности мультиагентных робототехнических систем с роевым интеллектом / В. И. Петренко, Ф. Б. Тебуева, М. М. Гурчинский, С. С. Рябцев // Наука и бизнес пути развития. - 2020. - Т. 4. - № 106. - C. 96-99.

41. Lohani, D. Perimeter Intrusion Detection by Video Surveillance: A Survey / D. Lohani, C. Crispim-Junior, Q. Barthelemy, S. Bertrand, L. Robinault, L. Tougne Rodet // Sensors. - 2022. - Т. 22. - № 9. DOI: 10.3390/s22093601.

42. Uctu, G. Perimeter Network Security Solutions: A Survey / G. Uctu, M. Alkan, t. Dogru, M. Dörterler. - 2019. - 1-6 p. DOI: 10.1109/ISMSIT.2019.8932821.

43. Fatkieva, R. Assessment of Violations of Information Security Perimeter in the Cloud / R. Fatkieva, R. Ryzhkov // INFORMACIONNYE TEHNOLOGII. - 2018. - Vol. 24. - P. 791-798. DOI: 10.17587/it.24.791-798.

44. Жуков, А. О. Распределение задач в группе гетерогенных роботов на основе принципа «аукциона Викри» / А. О. Жуков, А. К. Куликов, И. В. Суровцева // Робототехника и техническая кибернетика. - 2018. - Т. 4. - № 21. - C. 36-40. DOI: 10.31776/RTCJ.6405.

45. Motes, J. Multi-Robot Task and Motion Planning With Subtask Dependencies / J. Motes, R. Sandstrom, H. Lee, S. Thomas, N. M. Amato // IEEE Robotics and Automation Letters. - 2020. - Vol. 5. - № 2. - P. 3338-3345. DOI: 10.1109/LRA.2020.2976329.

46. Schneider, E. Mechanism selection for multi-robot task allocation / E. Schneider, E. I. Sklar, S. Parsons // Annual Conference Towards Autonomous Robotic Systems. - 2017. - P. 421-435. DOI: 10.1007/978-3-319-64107-2_33.

47. Luo, L. Distributed algorithms for multirobot task assign-ment with task deadline constraints / L. Luo, N. Chakraborty, K. Sycara // IEEE Transactions on Automation Science and Engineering. - 2015. - Vol. 12. - № 3. - P. 876-888.

48. Saravanan, S. Review on state-of-the-art dynamic task allocation strategies for multiple-robot systems / S. Saravanan, K. C. Ramanathan, M. M. Ramya, M. N. Janardhanan // Industrial Robot. - 2020. - Vol. 47. - № 6. - P. 929942. DOI: https://doi.org/10.1108/IR-04-2020-0073.

49. Безумнов, Д. Н. О распределении задач в групповой робототехнике / Д. Н. Безумнов, Л. И. Воронова // Инновационное развитие: потенциал науки и современного образования. - 2021. - C. 155-170.

50. Белоглазов, Д. А. Групповое управление подвижными объектами в неопределенных средах / Д. А. Белоглазов, А. Р. Гайдук, Е. Ю. Косенко, М. Ю. Медведев, В. Х. Пшихопов, В. В. Соловьев, А. Е. Титов, В. И. Финаев, И. О. Шаповалов. - Москва : ООО Издательская фирма «Физико-математическая литература», 2015. - 305 c.

51. Антонов, В. О. Метод планирования траектории движения точки в пространстве с препятствием на основе итеративной кусочно-линейной аппроксимации / В. О. Антонов, М. М. Гурчинский, В. И. Петренко, Ф. Б.

Тебуева // Системы управления, связи и безопасности. - 2018. - Т. 1. - C. 168182.

52. Павлов, А. С. Методика планирования траектории движения группы мобильных роботов в неизвестной замкнутой среде с препятствиями / А. С. Павлов // Системы управления, связи и безопасности. - 2021. - Т. 3. - C. 38-59. DOI: https://doi.org/10.24412/2410-9916-2021-3-38-59.

53. Luo, L. Distributed algorithms for multirobot task assignment with task deadline constraints / L. Luo, N. Chakraborty, K. Sycara // IEEE Transactions on Automation Science and Engineering. - 2015. - Vol. 12. - № 3. - P. 876-888.

54. Kowalczyk, W. Target Assignment Strategy for Scattered Robots Building Formation / W. Kowalczyk // Proceedings of the Third International Workshop on Robot Motion and Control, 2002 (RoMoCo '02). - Bukowy Dworek, Poland, 2002. - P. 181-185. DOI: https://doi.org/10.1109/ROMOCO.2002.1177105.

55. Ni, M. A Lagrange Relaxation Method for Solving Weapon-Target Assignment Problem / M. Ni, Z. Yu, F. Ma, X. Wu // Hindawi Publishing Corporation Mathematical Problems in Engineering. - 2011. - Vol. 1. - P. 1-10. DOI: https://doi.org/10.1155/2011/873292.

56. Zavlanos, M. A distributed auction algorithm for the assignment problem / M. Zavlanos, L. Spesivtsev, G. Pappas // 47th IEEE Conference on Decision and Control. - Cancun, Mexico, 2008. - P. 1212-1217. DOI: https://doi.org/10.1109/CDC.2008.4739098.

57. Bertsekas, D. Parallel synchronous and asynchronous implementations of the auction algorithm / D. Bertsekas, D. Castanon // Intern. J. of Parallel Computing. - 1991. - Vol. 17. - P. 707-732. DOI: https://doi.org/10.1016/S0167-8191(05)80062-6.

58. Zavlanos, M. Dynamic assignment in distributed motion planning with local coordination / M. Zavlanos, G. Pappas // IEEE Transactions on Robotics. -2008. - Vol. 24. - № 1. - P. 232-242. DOI: https://doi.org/10.1109/MMAR49549.2021.9528468.

59. Zavlanos, M. Sensor-based dynamic assignment in distributed motion planning / M. Zavlanos, G. Pappas // Proc. of the IEEE Intern. Conf. on Robotics and Automation. - Rome, Italy, 2007. - P. 3333-3338. DOI: https://doi.org/10.1109/ROBOT.2007.363987.

60. Azad, M. M. Efficient Heuristic Approaches to the Weapon Target Assignment Problem / M. M. Azad, A. Mircea // AIAA Journal of Aerospace Computing, Information, and Communication. - 2009. - Vol. 6. - P. 405-415. DOI: https://doi.org/10.2514/L34254.

61. Berman, S. Optimized Stochastic Policies for Task Allocation in Swarms of Robots / S. Berman, A. Halasz, M. A. Hsieh, V. Kumar // IEEE Transactions on Robotics. - 2009. - Vol. 25. - № 4. - P. 927-937. DOI: https://doi.org/10.1109/TRO.2009.2024997.

62. Mouton, H. Applying Reinforcement Learning to the Weapon Assignment Problem in Air Defense / H. Mouton, J. Roodt, H. Roux // Scientia Militaria, South African Journal of Military Studies. - 2011. - Vol. 39. - № 2. - P. 1-15. DOI: https://doi.org/10.5787/39-2-115.

63. Zhao, H. General Dynamic Neural Networks for the Adaptive Tuning of an Omni-Directional Drive System for Reactive Swarm Robotics / H. Zhao, M. Dorigo, M. Allwright // 2021 25th International Conference on Methods and Models in Automation and Robotics (MMAR). - Miçdzyzdroje, Poland, 2021. - P. 79-84. DOI: https://doi.org/10.1109/MMAR49549.2021.9528468.

64. Mukhedkar, R. Weapon Target Allocation Problem Using Fuzzy Model / R. Mukhedkar, S. Naik // International Journal of Application or Innovation in Engineering & Management. - 2013. - Vol. 2. - № 6. - P. 279-289.

65. Oliveira, S. Analysis of the population-based ant colony optimization algorithm for the TSP and the QAP / S. Oliveira, M. S. Hussin, A. Roli, M. Dorigo, T. Stützle // 2017 IEEE Congress on Evolutionary Computation (CEC). - Donostia, Spain, 2017. - P. 1734-1741. DOI: https://doi.org/10.1109/CEC.2017.79.

66. Liao, T. Ant Colony Optimization for Mixed-Variable Optimization Problems / T. Liao, K. Socha, M. A. M. de Oca, T. Stützle, M. Dorigo. // IEEE

Transactions on Evolutionary Computation. - 2014. - Vol. 18. - №2 4. - P. 503-518. DOI: https://doi.org/10.1109/TEVC.2013.2281531.

67. Murphy, R. Target-Based Weapon Target Assignment Problems / R. Murphy // Nonlinear Assignment Problems: Algorithms and Applications. - 1999.

- Vol. 7. - P. 39-53. DOI: https://doi.org/10.1007/978-1-4757-3155-2_3.

68. Sikanen, T. Solving Weapon Target Assignment Problem with Dynamic Programming / T. Sikanen // Independent research projects in applied mathematics. - 2008. - P. 1-32.

69. Shimaa, T. Multiple task assignments for cooperating uninhabited aerial vehicles using genetic algorithms / T. Shimaa, S. Rasmussena, A. Sparksa, K. Passino // Computers & Operations Research 33. - 2006. - Vol. 33. - № 11. - P. 3252-3269. DOI: https://doi.org/10.1016Zj.cor.2005.02.039.

70. Zhang, J. ACGA Algorithm of Solving Weapon Target Assignment Problem / J. Zhang, X. Wang, C. Xu // Open Journal of Applied Science. - 2012. -Vol. 2. - № 4B. - P. 74-77. DOI: https://doi.org/10.4236/ojapps.2012.24B018.

71. Chen, X. A cluster first strategy for distributed multi-robot task allocation problem with time constraints* / X. Chen, P. Zhang, F. Li, G. Du // 2018 WRC Symposium on Advanced Robotics and Automation (WRC SARA). - 2018.

- P. 102-107. DOI: 10.1109/WRC-SARA.2018.8584210.

72. Sarkar, C. A Scalable Multi-Robot Task Allocation Algorithm / C. Sarkar, H. S. Paul, A. Pal // 2018 IEEE International Conference on Robotics and Automation (ICRA). - Brisbane, Australia, 2018. - P. 5022-5027. DOI: 10.1109/ICRA.2018.8460886.

73. Choi, H.-L. Consensus-based decentralized auctions for robust task allocation / H.-L. Choi, L. Brunet, J. P. How // IEEE Trans. Robot. - 2009. - Vol. 25. - № 4. - P. 912-926.

74. Zhao, W. A heuristic distributed task allocation method for multivehicle multitask problems and its application to search and rescue scenario / W. Zhao, Q. Meng, P. W. H. Chung // IEEE Trans. Cybern. - 2016. - Vol. 46. - № 4. - P. 902915.

75. Dutta, A. Correlation Clustering Based Coalition Formation For MultiRobot Task Allocation / A. Dutta, V. Ufimtsev, A. Asaithambi // Proceedings of the 34th ACM/SIGAPP Symposium on Applied Computing. - New York, NY, USA, 2019. - P. 906-913. DOI: https://doi.org/10.1145/3297280.3297369.

76. Sarkar, C. A Scalable Multi-Robot Task Allocation Algorithm / C. Sarkar, H. S. Paul, A. Pal // 2018 IEEE International Conference on Robotics and Automation (ICRA). - 2018. - P. 5022-5027. DOI: 10.1109/ICRA.2018.8460886.

77. Lu, Q. Multiple-place swarm foraging with dynamic depots / Q. Lu, J. Hecker, M. Moses // Autonomous Robots. - 2018. - Vol. 42. - P. 909-926. DOI: 10.1007/s10514-017-9693-2.

78. Nam, C. An empirical study of task bundling for sequential stochastic tasks in multi-robot task allocation [Электронный ресурс]: Dylan A. Shell. 2016. P. 1-26. URL: https://cse-robotics.engr.tamu.edu/dshell/papers/tr2016_bundle.pdf (дата обращения: 06.10.2022).

79. Mitiche, H. Iterated Local Search for Time-extended Multi-robot Task Allocation with Spatio-temporal and Capacity Constraints / H. Mitiche, D. Boughaci, M. Gini // Journal of Intelligent Systems. - 2018. - Vol. 28. - № 2. - P. 347-360. DOI: 10.1515/jisys-2018-0267.

80. Shenoy, M. DTTA - Distributed, time-division multiple access based task allocation framework for swarm robots / M. Shenoy, A. K.R. // Defence Science Journal. - 2017. - Vol. 67. - P. 316-324. DOI: 10.14429/dsj.67.10995.

81. Whitbrook, A. Addressing robustness in time-critical, distributed, task allocation algorithms / A. Whitbrook, Q. Meng, P. W. H. Chung // Applied Intelligence. - 2019. - Vol. 49. - № 1. - P. 1-15. DOI: 10.1007/s10489-018-1169-3.

82. Zhou, L. A Balanced Heuristic Mechanism for Multirobot Task Allocation of Intelligent Warehouses / L. Zhou, Y. Shi, J. Wang, P. Yang // Mathematical Problems in Engineering. - 2014. - P. 13-19. DOI: 10.1155/2014/380480.

83. Tkach, I. A Modified Distributed Bees Algorithm for Multi-Sensor Task Allocation / I. Tkach, A. Jevtic, S. Nof, Y. Edan // Sensors. - 2018. - Vol. 18.

- P. 759. DOI: https://doi.org/10.3390/s18030759.

84. Zhou, L. A Balanced Heuristic Mechanism for Multirobot Task Allocation of Intelligent Warehouses / L. Zhou, Y. Shi, J. Wang, P. Yang // Mathematical Problems in Engineering. - 2014. - Vol. 2014. DOI: 10.1155/2014/380480.

85. Karaboga, D. An Idea Based on Honey Bee Swarm for Numerical Optimization, Technical Report - TR06 / D. Karaboga // Technical Report, Erciyes University. - 2005.

86. Eijyne, T. Development of a task-oriented, auction-based task allocation framework for a heterogeneous multirobot system / T. Eijyne, G. Rishwaraj, S. Onnambalam // Indian Academy of Sciences. - 2020. - Vol. 45. - № 115. - P. 1-13. DOI: https://doi.org/10.1007/s12046-020-01330-4.

87. Jingyu, R. Research on a hybrid neural network task assignment algorithm for solving multi-constraint heterogeneous autonomous underwater robot swarms / R. Jingyu, H. Dongqiang, Z. Xiangyue, X. Hongli, J. Zixi // Frontiers in Neurorobotics. - 2023. - Vol. 16. - P. 1-12. DOI: 10.3389/fnbot.2022.1055056.

88. Ayari, A. ACD3GPSO: automatic clustering-based algorithm for multirobot task allocation using dynamic distributed double-guided particle swarm optimization / A. Ayari, S. Bouamama // Assembly Automation. - 2020. - Vol. 40.

- № 2. - P. 235-247. DOI: https://doi.org/10.1108/AA-03-2019-0056.

89. Скайрон СО [Электронный ресурс]: Стилсофт. URL: https://stilpost.ru/download/catalog/pdf/polnoe-opisanie-skyron-p2.pdf (дата обращения: 13.09.2021).

90. Петренко, В. И. Модели описания и критерии оценки эффективности распределения и планирования задач в роевых робототехнических системах / В. И. Петренко, Ф. Б. Тебуева, А. С. Павлов, М. М. Гурчинский // Известия Кабардино-Балкарского научного центра РАН. -

2022. - Т. 5. - № 109. - C. 58-72. DOI: https://doi.org/10.35330/1991-6639-2022-5-109-58-72.

91. Petrenko, V. Multi-agent deep reinforcement learning concept for mobile cyber-physical systems control / V. Petrenko, M. Gurchinskiy // E3S Web of Conferences. - Almaty, Kazakhstan, 2021. - P. 1-6.

92. Петренко, В. И. Метод управления робототехническим комплексом на основе глубокого обучения с подкреплением рекуррентных нейронных сетей для автоматического сбора тепличных культур / В. И. Петренко, Ф. Б. Тебуева, М. М. Гурчинский, В. О. Антонов // Труды VIII Всероссийской научной конференции (с приглашением зарубежных ученых) «Информационные технологии интеллектуальной поддержки принятия решений». - Уфа, 2020. - C. 78-85.

93. Sarkar, C. Cannot avoid penalty? Let's minimize / C. Sarkar, M. Agarwal // 2019 International Conference on Robotics and Automation (ICRA). -Montreal, QC, Canada, 2019. - P. 1052-1058. DOI: 10.1109/ICRA.2019.8794338.

94. Mikolov, T. Distributed Representations of Words and Phrases and their Compositionality / T. Mikolov, I. Sutskever, K. Chen, G. . Corrado, J. Dean // Advances in Neural Information Processing Systems. - 2013. - Vol. 26. - P. 1-9.

95. Юдинцев, Б. С. Синтез нейросетевой системы планирования траекторий для группы мобильных роботов / Б. С. Юдинцев // Системы управления, связи и безопасности. - 2019. - Т. 4. - C. 163-186. DOI: https://doi.org/10.24411/2410-9916-2019-10406.

96. Петренко, В. И. Алгоритм планирования последовательности выполнения задач агентами роевых робототехнических систем в условиях неполноты информации / В. И. Петренко, Ф. Б. Тебуева, М. М. Гурчинский, А. С. Павлов // Сборник материалов V Международной научно-практической конференции «Развитие современной науки и технологий в условиях трансформационных процессов». - Москва, 2022. - C. 160-169.

97. Петренко, В. И. Метод распределения и планирования выполнения задач агентами роевых робототехнических систем в условиях

недетерминированной среды / В. И. Петренко, Ф. Б. Тебуева, А. С. Павлов, М. М. Гурчинский // Прикаспийский журнал: управление и высокие технологии.

- 2022. - Т. 3. - C. 25-43. DOI: https://doi.org/10.54398/20741707_2022_3_25.

98. Ryabtcsev, S. Feature importance evaluation method for multi-agent deep reinforcement learning in advanced robotics task allocation / S. Ryabtcsev, M. Gurchinskiy, F. Tebueva, I. Struchkov, V. Petrenko, S. Makarenko // Proceedings of International conference on artificial life and robotics (ICAROB). - Beppu, Oita, Japan, 2022. - P. 695-698.

99. Свидетельство о регистрации программы для ЭВМ RU 2021668454. Программа для распределения задач в группе роботов в условиях информационной недостаточности : № 2021666869 : заявл. 27.10.2021 : опубл. 16.11.2021 / В. И. Петренко, Ф. Б. Тебуева, М. М. Гурчинский, В. О. Антонов, А. С. Павлов, С. С. Рябцев. - 14,9 Кб.

100. Raffel, C. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer / C. Raffel, N. Shazeer, A. Roberts, K. Lee, S. Narang, M. Matena, Y. Zhou, W. Li, P. J. Liu // Journal of Machine Learning Research. - 2020.

- Vol. 21. - № 140. - P. 1-67.

101. Wang, C. Heterogeneous domain adaptation using manifold alignment / C. Wang, S. Mahadevan // Proceedings of the twenty-second international joint conference on artificial intelligence. - 2011. - Vol. 2. - P. 1541-1546.

102. Kulis, B. What you saw is not what you get: domain adaptation using asymmetric kernel transforms / B. Kulis, K. Saenko, T. Darrell // IEEE 2011 conference on computer vision and pattern recognition. - 2011. - P. 1785-1792.

103. Zhou, J. Hybrid Heterogeneous Transfer Learning through Deep Learning / J. Zhou, S. Pan, I. Tsang, Y. Yan // Proceedings of the AAAI Conference on Artificial Intelligence. - Québec City, Québec, Canada, 2014. - P. 2213-2219. DOI: https://doi.org/10.1609/aaai.v28i1.8961.

104. Гурчинский, М. М. Метод трансферного обучения агентов роевых робототехнических систем для миграции знаний об успешных вариантах распределения и планирования выполнения задач / М. М. Гурчинский //

Электронный сетевой политематический журнал «Научные труды КубГТУ». - 2022. - Т. 5. - C. 78-91.

105. Hamann, H. Swarm Robotics: A Formal Approach / H. Hamann. -Lübeck, Germany : Springer Cham, 2018. - 210 p. DOI: 10.1007/978-3-319-745282.

106. Strobel, V. Managing byzantine robots via blockchain technology in a swarm robotics collective decision making scenario: Robotics track / V. Strobel, E. C. Ferrer, M. Dorigo // Proceedings of the International Joint Conference on Autonomous Agents and Multiagent Systems, AAMAS. - Stockholm, Sweden, 2018. - Vol. 1. - P. 541-549.

107. Strobel, V. Blockchain Technology Secures Robot Swarms: A Comparison of Consensus Protocols and Their Resilience to Byzantine Robots / V. Strobel, E. Castello Ferrer, M. Dorigo // Frontiers in Robotics and AI. - 2020. - Vol. 7. - P. 1-22. DOI: https://doi.org/10.3389/frobt.2020.00054.

108. Castello Ferrer, E. The blockchain: A new framework for robotic swarm systems / E. Castello Ferrer // Advances in Intelligent Systems and Computing. - 2019. - Vol. 881. - P. 1037-1058. DOI: 10.1007/978-3-030-02683-7_77.

109. Odelu, V. Blockchain and Applications / V. Odelu // International Congress on Blockchain and Applications. - 2020. - Vol. 1010. - P. 1-10. DOI: 10.1007/978-3-030-23813-1.

110. Valentini, G. Collective Perception of Environmental Features in a Robot Swarm / G. Valentini, D. Brambilla, H. Hamann, M. Dorigo // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - 2016. - Vol. 9882 LNCS. - P. 65-76. DOI: 10.1007/978-3-319-44427-7_6.

111. Valentini, G. Self-Organized Collective Decision Making: The Weighted Voter Model / G. Valentini, H. Hamann, M. Dorigo, G. Valentini, H. Hamann, M. Dorigo // Proceedings of the 13th International Conference on

Autonomous Agents and Multiagent Systems (AAMAS 2014). - Paris, France, 2014. - P. 1-6.

112. Valentini, G. Efficient Decision-Making in a Self-Organizing Robot Swarm: On the Speed Versus Accuracy Trade-Off / G. Valentini, H. Hamann, M. Dorigo // Proceedings of the 14th InternationalConference on Autonomous Agents and MultiagentSystems (AAMAS 2015). - Istanbul, Turkey, 2015. - P. 1-6.

113. Петренко, В. И. Система распределения и планирования выполнения задач агентами роевых робототехнических систем на основе коллективного принятия решения / В. И. Петренко, Ф. Б. Тебуева, А. С. Павлов, С. С. Рябцев, М. М. Гурчинский // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2023. - Т. 1. - C. 114-127. DOI: 10.17308/sait/1995-5499/2023/1/114-127.

114. Pinciroli, C. ARGoS: A modular, parallel, multi-engine simulator for multi-robot systems / C. Pinciroli // Swarm Intelligence. - 2012. - Vol. 6. - № 4. -P. 271-295. DOI: 10.1007/s11721-012-0072-5.

Приложение А. Копии актов о реализации результатов диссертационного исследования

УТВЕРЖДАЮ

т)ьный директор О«Стилсофт» }.П. Стоянов июля 2023 г.

айоты

АКТ

о внедрении резульIагов диссерчапнотг Гурчинского Михаила Михайловича «Повышение оперативности обнаружения нарушителя агентами роевых робототехнических систем в условиях недетерминированной среды функционирования»

Комиссия в составе: Председатель комиссии Члены комиссии

Технический директор ООО Шипулин A.B.

«Стилсофт»

Руководитель ОКБ БЛА к.т.н. Исаев A.M.

Заместитель руководителя ОКБ БЛА Куликов В.В.

составили настоящий акт о том, что результаты диссертационной работы «Повышение оперативности обнаружения нарушителя агентами роевых робототехнических системг в условиях недетерминированной среды функционирования», представленной на соискание ученой степени кандидата технических наук, внедрены в процесс разработки программного обеспечения БЛА ООО «Стилсофт». Предложенные автором научные результаты позволяют:

- моделировать процесс распределения и планирования выполнения задач в рое БЛА с учетом общего киберфизического пространства;

- осуществлять распределение и планирование выполнения задач между роем БЛА при переменном количестве задач;

- осуществлять автоматическое управление роем БЛА при отсутствии командного радиоканала дистанционного управления.

Председатель комиссии:

Технический директор ООО «Стилсофт*С-р»

Члены комиссии:

Руководитель ОКБ БЛА к.т.н.

Заместитель руководителя ОКБ БЛА

_ Шипулин A.B.

саев A.M. Куликов В.В.

июля 2023 г.

Рисунок А.1 - Акт внедрения результатов диссертационной работы в ООО

«Стилсофт»

УТВЕРЖДАЮ

факультета пищевой грии и биотехнологий V ВО «Северо-Кавказский ьный университет»

снических наук, доцент Оботурова Н.П. _» __ 2023 г.

АКТ

о внедрении результатов диссертационной работы Гурчинского Михаила Михайловича «Повышение оперативности обнаружения нарушителя агентами роевых робототехнических систем в условиях недетерминированной среды функционирования»

Комиссия в составе: Председатель комиссии:

Члены комиссии:

Борисенко Александр Алексеевич

Профессор, и.о. зам. декана ФПИБ по научной

работе, доктор технических наук, доцент

Стаценко Елена Николаевна

Доцент, кандидат технических наук, доцент

Нагдалян Андрей Агиотович

Доцент, кандидат технических наук

составили настоящий акт о том, что результаты научной работы соискателя ученой степени кандидата технических наук Гурчинского Михаила Михайловича на тему: «Повышение оперативности обнаружения нарушителя агентами роевых робототехнических систем в условиях недетерминированной среды функционирования», представленные в работах:

- Петренко, В. И. Модели описания и критерии оценки эффективности распределения и планирования задач в роевых робототехнических системах /

B. И. Петренко, Ф. Б. Тебуева, А. С. Павлов, М. М. Гурчинский // Известия Кабардино-Балкарского научного центра РАН. - 2022. - Т. 5. - № 109. -

C. 58-72;

- Петренко, В. И. Метод распределения и планирования выполнения задач агентами роевых робототехнических систем в условиях недетерминированной среды / В. И. Петренко, Ф. Б. Тебуева, А. С. Павлов, М. М. Гурчинский // Прикаспийский журнал: управление и высокие технологии. - 2022. - Т. 3. - С. 25-43;

- Гурчинский, М. М. Метод трансферного обучения агентов роевых робототехнических систем для миграции знаний об успешных вариантах

распределения и планирования выполнения задач / М. М. Гурчинский // Электронный сетевой политематический журнал «Научные труды КубГТУ». -2022.-Т. 5.-С. 78-91;

- Петренко, В. И. Система распределения и планирования выполнения задач агентами роевых робототехнических систем на основе коллективного принятия решения / В. И. Петренко, Ф. Б. Тебуева, А. С. Павлов. С. С. Рябцев, М. М. Гурчинский // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. -2023.-Т. 1.-С. 114-127.

внедрены в образовательный процесс программы магистратуры по специальности 15.04.02 «Технологические машины и оборудование» специализация «Мехатроника и агрокибернетика» факультета пищевой инженерии и биотехнологий Северо-Кавказского федерального университета.

Рассмотренные материалы использованы в учебном процессе при разработке учебно-методических материалов и проведении занятий по дисциплинам:

- Интеллектуальные системы управления робототехническими комплексами;

- Программное обеспечение и технологии управления беспилотными летательными аппаратами.

Председатель комиссии:

Профессор, и.о. зам. декана ФПИБ по научной работе, доктор технических наук, доцент

Члены комиссии:

Доцент, кандидат технических наук, доцент

Доцент, кандидат технических наук

«$-8 » ССЮиЛ. 2023 г.

Рисунок А.2 - Акт внедрения результатов диссертационной работы в ФГАОУ ВО «Северо-кавказский федеральный университет»

АКТ

УТВЕРЖДАЮ

ьный директор ;<ЭксРоботикс» В.О. Антонов 2023 г.

о внедрении результатов диссертациошггт работы Гурчинского Михаила Михайловича «Повышение оперативности обнаружения нарушителя агентами роевых робототехничееких систем в условиях недетерминированной среды функционирования»

Комиссия в составе:

Председатель Директор по развитию

комиссии

Члены комиссии Главный инженер

Инженер-программист

Максимов М. М.

Чернобровкин А.Д. Чернобровкин Р.А.

составили настоящий акт о том, что результаты диссертационной работы «Повышение оперативности обнаружения нарушителя агентами роевых робототехничееких систем в условиях недетерминированной среды функционирования», представленной на соискание ученой степени кандидата технических наук, внедрены в процесс разработки программного обеспечения робототехничееких средств ООО «ЭксРоботикс». Предложенные автором научные результаты позволяют:

- осуществлять распределение и планирование задач в рое робототехничееких средств с необходимой оперативностью их выполнения;

- осуществлять распределение и планирование задач между роем робототехничееких средств при изменении их количества и параметров среды функционирования с требуемым показателем оперативности выполнения задач;

- осуществлять децентрализованное распределение и планирование задач между роем робототехничееких средств при переменном количестве задач.

Председатель комиссии:

Директор по развитию

Члены комиссии:

Главный инженер

Инженер-программист

Максимов М М.

Чернобровкин АД. Чернобровкин Р.А. « » 2023 г.

Рисунок А.3 - Акт внедрения результатов диссертационной работы в ООО

«ЭксРоботикс»