ВИЗНАЧЕННЯ МАРШРУТІВ ПЕРЕДАЧІ В МЕРЕЖІ ІНФОРМАЦІЙНО-ТЕЛЕКОМУНІКАЦІЙНОЇ СИСТЕМИ ЗАЛІЗНИЧНОГО ТРАНСПОРТУ З ВИКОРИСТАННЯМ GWO
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.1.2.24Ключові слова:
мережа, маршрутизатор, затримка, мінімальне остовне дерево, GWO, популяція вовків, кількість ітерацій, фітнес-функціяАнотація
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.
Посилання
Бриндас А. М., Рожак П. І., Семенишин Н. О., Курка Р. Р. Реалізація задачі вибору оптимального авіамаршруту нейронною мережею Хопфілда. Науковий вісник НЛТУ України: збірник науково-технічних праць. Львів, 2016. Вип. 26.1. С. 357–363.
Колесніков К. В., Карапетян А. Р., Баган В. Ю. Аналіз результатів дослідження реалізації задачі маршрутизації на основі нейронних мереж та генетичних алгоритмів. Вісник Черкаського державного технологічного університету. Серія: Технічні науки. 2016. № 1. C. 28–34.
Пахомова В. М., Лепеха Р. О. Аналіз методів з природними механізмами визначення оптимального маршруту в комп’ютерній мережі Придніпровської залізниці. Інформаційно-керуючі системи на залізничному транспорті. 2014. № 4. С. 82–91.
Пахомова В. М., Опрятний А. О. Програмна модель для визначення оптимальних маршрутів у комп’ютерній мережі за двоколоніальним мурашиним алгоритмом. Наука та прогрес транспорту. 2021. № 3(93). С. 38–49. DOI: https://doi.org/10.15802/stp2021/242046
Пахомова В. М., Федоренко Ю. О. Рішення задачі маршрутизації в комп’ютерній мережі Придніпровської залізниці на основі нейронної моделі Хопфілда. Інформаційно-керуючі системи на залізничному транспорті. 2012. № 4. С. 76–84.
Long W., Cai S., Jiao J., Tang M. An efficient and robust grey wolf optimizer algorithm for large-scale numeration optimization. Soft Computing. 2020. No. 24(2). Vol. 24. pp. 997–1026. DOI: https://doi.org/10.1007/s00500-019-03939-y
Mirjalili S., Mirjalili S. M., Lewis A. Grey Wolf Optimizer. Advances in Engineering Software. 2014. Vol. 69. pp. 46–61. DOI: https://doi.org/10.1016/j.advengsoft.2013.12.007
Pakhomova V. M., Skaballanovich T. I., Bondareva V. S. Intelligent routing in the network of information and telecommunication system of railway transport. Science and Transport Progress. 2019. No. 2(80). pp. 77–90. DOI: https://doi.org/10.15802/stp2019/166092
Pakhomova V. M., Mandybura Y. S. Optimal route definition in the railway information network using neural-fuzzy models. Science and Transport Progress. 2019. No. 5(83). pp. 81–98. DOI: https://doi.org/10.15802/stp2019/184385
Pakhomova V. M., Tsykalo I. D. Optimal route definition in the network based on the multilayer neural model. Science and Transport Progress. 2018. No. 6(78). pp. 126–142. DOI: https://doi.org/10.15802/stp2018/154443
