АДАПТАЦІЯ ГЕНЕТИЧНИХ АЛГОРИТМІВ ДО ЗАДАЧІ ОПТИМІЗАЦІЇ РУХУ НАЗЕМНИХ РОБОТІВ ДЛЯ КЕРУВАННЯ ГРУПОЮ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ

Я. А. Кулик; А. Ю. Барановська; М. В. Барабан

doi:10.31649/1997-9266-2024-177-6-103-112

Автор(и)

Я. А. Кулик

Вінницький національний технічний університет ROR

А. Ю. Барановська

Вінницький національний технічний університет ROR

М. В. Барабан

Вінницький національний технічний університет ROR

DOI https://doi.org/10.31649/1997-9266-2024-177-6-103-112

Ключові слова

генетичні алгоритми безпілотні літальні апарати алгоритми оптимізації оптимізація руху машинне навчання екологічні проблеми

Анотація

Досліджено можливості використання генетичних алгоритмів для оптимізації траєкторії руху безпілотних літальних апаратів (БПЛА) з метою підвищення точності та ефективності оцінки якості повітря в різних умовах. Одним з головних завдань є забезпечення адаптивної автономної навігації БПЛА в динамічних середовищах, де параметри, пов’язані з забрудненням повітря, можуть змінюватися в реальному часі під впливом зовнішніх чинників, таких як погодні умови, географічні особливості або рівень антропогенного навантаження.

Генетичні алгоритми завдяки своїй здатності шукати оптимальні рішення в складних просторах даних можуть ефективно використовуватись для визначення оптимальних маршрутів збору інформації про забруднення повітря. Вони дозволяють БПЛА адаптувати свої траєкторії під поточні умови навколишнього середовища, враховуючи такі фактори, як напрямок і швидкість вітру, рівень забруднення у різних ділянках, наявність природних чи штучних перешкод у міській або сільській місцевості. Завдяки цьому підходу, алгоритми забезпечують злагоджену роботу в групі БПЛА, що дозволяє розподілити зони моніторингу, зібрати точніші дані і швидше реагувати на зміни в середовищі. Проаналізовано як генетичні алгоритми можуть поліпшити процес збирання й оброблення даних для подальшого аналізу якості повітря. Оптимізація траєкторій дозволяє зменшити витрати енергії БПЛА, збільшити обсяг і якість зібраних даних, що зі свого боку підвищує точність оцінок концентрацій шкідливих речовин у повітрі. Через це генетичні алгоритми використовуються як перспективний і ефективний інструмент для підвищення рівня автономності та загальної ефективності безпілотних систем у контексті моніторингу стану повітря в різних середовищах, таких як великі міста, промислові зони, сільськогосподарські території або природні заповідники.

269 159

Як цитувати

[1]

«АДАПТАЦІЯ ГЕНЕТИЧНИХ АЛГОРИТМІВ ДО ЗАДАЧІ ОПТИМІЗАЦІЇ РУХУ НАЗЕМНИХ РОБОТІВ ДЛЯ КЕРУВАННЯ ГРУПОЮ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ», Вісник ВПІ, вип. 6, с. 103–112, Груд 2024, doi: 10.31649/1997-9266-2024-177-6-103-112.

Завантажити посилання

Біографії авторів

автор Я. А. Кулик, афіліація Вінницький національний технічний університет

канд. техн. наук, доцент кафедри автоматизації та інтелектуальних інформаційних технологій

автор А. Ю. Барановська, афіліація Вінницький національний технічний університет

студентка факультету інтелектуальних інформаційних технологій та автоматизації

автор М. В. Барабан, афіліація Вінницький національний технічний університет

канд. техн. наук, доцент кафедри автоматизації та інтелектуальних інформаційних технологій

Посилання

“Using a Unmanned Aerial Vehicle to Assess Air Pollution and Identify Dominant Emission Sources,” Journal of Ecological Engineering. [Electronic resource]. Available: http://www.jeeng.net/Using-a-Unmanned-Aerial-Vehicle-to-Assess-Air-Pollution-and-Identify-Dominant-Emission,154880,0,2.html . Accessed 30.08.2024.

“An enhanced genetic algorithm for path planning of autonomous UAV in target coverage problems,” Science Direct. [Electronic resource]. Available: https://www.sciencedirect.com/science/article/abs/pii/S1568494621007171 . Accessed: 30.08.2024.

J. Jonca, M. Pawnuk, Y. Bezyk, A. Arsen, and I. Sowka, “Drone-Assisted Monitoring of Atmospheric Pollution,” MDPI. [Electronic resource]. Available: https://www.mdpi.com/2071-1050/14/18/11516 . Accessed: 02.09.2024.

H. Xu, et al., ERRT-GA: Expert Genetic Algorithm with Rapidly Exploring Random Tree Initialization for Multi-UAV Path Planning.[Electronic resource]. Available: https://www.mdpi.com/2504-446X/8/8/367 . Accessed: 02.09.2024.

K. Xiao, J. Lu, Y. Nie, L. Ma, X. Wang and G. Wang, “A Benchmark for Multi-UAV Task Assignment of an Extended Team Orienteering Problem,” in 2022 China Automation Congress (CAC), Xiamen, China, 2022, pp. 6966-6970, https://doi.org/10.1109/CAC57257.2022.10054991 . ArXiv preprint arXiv: 2003.09700. https://arxiv.org/abs/2009.00363 Accessed: 01.09.2024.

R. Sarkar, D. Barman, and N. Chowdhury, “Domain knowledge based genetic algorithms for mobile robot path planning having single and multiple targets,” Science Direct. [Electronic resource]. Available:

https://www.sciencedirect.com/science/article/pii/S1319157820304900 . Accessed: 01.09.2024.

Multi-Objective Genetic Algorithms: Combining CS and Evolution. [Electronic resource]. Available: https://medium.com/@jordanstorms/multi-objective-genetic-algorithms-combining-cs-and-evolution-4ac111ef98a4 . Accessed: 02.09.2024.

“Using Numerical Optimization Methods, ” Webots Guide. Cyberbotics. [Electronic resource]. Available: https://www.cyberbotics.com/doc/guide/using-numerical-optimization-methods#using-numerical-optimization-methods , Accessed: 03.09.2024.

C. Ramirez-Atencia, G. Bello-Orgaz, M. D. R-Moreno, and D. Camacho, “Problems using Multi-objective Genetic Algorithms. Springer,” [Electronic resource]. Available: https://link.springer.com/article/10.1007/s00500-016-2376-7 , Accessed: 04.09.2024.

H. Choi, Y. Kim, and H. Jin Kim, “Genetic Algorithm Based Decentralized Task Assignment for Multiple Unmanned Aerial Vehicles in Dynamic Environments,” Research Gate. [Electronic resource]. Available: https://www.researchgate.net/publication/228451002_Genetic_Algorithm_Based_Decentralized_Task_Assignment_for_Multiple_Unmanned_Aerial_Vehicles_in_Dynamic_Environments . Accessed: 04.09.2024.

H. Shorakei, M. Vahdani, B. Imani, and A. Gholami, “Optimal cooperative path planning of unmanned aerial vehicles by a parallel genetic algorithm,” Research Gate. [Electronic resource]. Available:

https://www.researchgate.net/publication/263494098_Optimal_cooperative_path_planning_of_unmanned_aerial_vehicles_by_a_parallel_genetic_algorithm . Accessed: 04.09.2024.

“Genetic Algorithm for Path Planning,” GitHub. [Electronic resource]. Available: https://github.com/rofe-dl/genetic-algorithm-shortest-path . Accessed: 07.12.2024.