Skip navigation
DSpace logo
  1. Електронний науковий архів Науково-технічної бібліотеки Національного університету "Львівська політехніка"
  2. Електронний архів Науково-технічної бібліотеки
  3. Вісники та науково-технічні збірники, журнали
  4. Інформаційні системи та мережі
  5. Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2020. – Випуск 7

putin IS MURDERER

Please use this identifier to cite or link to this item: https://oldena.lpnu.ua/handle/ntb/56134
Title: Методи ройового інтелекту вирішення прикладних задач в геоінформаційних системах
Other Titles: Methods of swarm algorithms solution of applied tasks in geoinformation systems
Authors: Литвин, Василь
Угрин, Дмитро
Lytvyn, Vasyl
Uhryn, Dmytro
Affiliation: Національний університет “Львівська політехніка”
Чернівецький філософсько-правовий ліцей № 2
Lviv Polytechnic National University
Chernivtsi Philosophical and Legal Lyceum № 2
Bibliographic description (Ukraine): Литвин В. Методи ройового інтелекту вирішення прикладних задач в геоінформаційних системах / Василь Литвин, Дмитро Угрин // Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2020. — № 7. — С. 87–106.
Bibliographic description (International): Lytvyn V. Methods of swarm algorithms solution of applied tasks in geoinformation systems / Vasyl Lytvyn, Dmytro Uhryn // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Informatsiini systemy ta merezhi. — Lviv : Lviv Politechnic Publishing House, 2020. — No 7. — P. 87–106.
Is part of: Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 7, 2020
Journal/Collection: Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
Issue: 7
Issue Date: 24-Feb-2020
Publisher: Видавництво Львівської політехніки
Lviv Politechnic Publishing House
Place of the edition/event: Львів
Lviv
UDC: 519.7
004.89
Keywords: ройовий інтелект
вільні параметри
оптимізаційні задачі
галузеві геоінформаційні системи
прийняття рішень
swarm intelligence
free parameters
optimization problems
branch geoinformation systems
decision making
Number of pages: 20
Page range: 87-106
Start page: 87
End page: 106
Abstract: Запропоновано для автоматизації процедур формування множини альтернативних рішень та вибору раціонального рішення у галузевих ГІС використовувати інтелектуальних агентів планування діяльності з використанням онтологічного підходу. Запропоновано використовувати розроблену базу знань у галузі методів ройового інтелекту на основі адаптивної онтології та бази даних наукових публікацій у цій галузі. Всі прикладні задачі в галузевих геоінформаційних системах поділено на класи задач: стаціонарні, квазістаціонарні, динамічні. Запропоновано визначати вільні параметри для окремих ройових алгоритмів на основі машинного навчання з підкріпленням, а саме методом Q-Learning. На основі цього методу побудовано ланцюги Маркова для ройових алгоритмів. Підкріплення полягало в аналізі отриманих результатів певним ройовим алгоритмом експертним шляхом. На прикладі адміністративно-територіального управління було знайдено оптимальні значення параметрів окремих ройових алгоритмів.
At this article proposed to use intelligent planning agents using ontological approach to automate the procedures of formation of many alternative solutions and the choice of rational decision in branch of GIS. It proposed to use the developed knowledge base in the field of methods of swarm intelligence based on adaptive ontology and a database of scientific publications in this field. All applied problems in the branch of geoinformation systems are divided into classes of problems: stationary, quasi-stationary, dynamic. It is suggested to determine the free parameters for individual swarm algorithms based on machine learning with reinforcement, namely the Q-Learning method. On the basis of this method Markov chains for the swarm algorithms were constructed. Reinforcement consisted of the expert analysis of the results obtained by a certain swarm algorithm. On the example of territorial administration, optimal values of the parameters of individual swarm algorithms were found.
URI: https://ena.lpnu.ua/handle/ntb/56134
Copyright owner: © Національний університет “Львівська політехніка”, 2020
© Литвин В., Угрин Д., 2020
URL for reference material: https://doi.org/10.1006/knac.1993.1008
https://doi.org/10.1006/ijhc.1995.1066
https://doi.org/10.1016/0898-1221(92)90137-7
https://doi.org/10.1007/978-3-540-25957-2_16
https://doi.org/10.14778/1920841.1920912
https://doi.org/10.1007/978-3-642-37996-3_16
https://doi.org/10.1145/2333112.2333115
https://papers.nips.cc/paper/4556-learned-prioritization-fortrading-off-accuracy-and-speed.pdf
References (Ukraine): 1. Gruber, T. R. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition, 5 (2), 199–220. https://doi.org/10.1006/knac.1993.1008.
2. Guarino, N. (1995). Formal ontology, conceptual analysis and knowledge representation. International Journal of Human-Computer Studies, 43 (5-6), 625–640. https://doi.org/10.1006/ijhc.1995.1066.
3. Sowa, J. F. (1992). Conceptual graphs as a universal knowledge representation. Computers & Mathematics with Applications, 23 (2-5), 75–93. https://doi.org/10.1016/0898-1221(92)90137-7.
4. Bulskov, H., & R. Knappe, T., & Andreasen, R. (2004). On Querying Ontologies and Databases. Lecture Notes in Computer Science, 191–202. https://doi.org/10.1007/978-3-540-25957-2_16.
5. Cali, A., & G. Gottlob, A. & Pieris, A. (2010). Advanced processing for ontological queries. Proceedings of the VLDB Endowment. 3 (1-2), 554–565. https://doi.org/10.14778/1920841.1920912.
6. Galopin, A., & Bouaud, J. & Pereira, S., & Seroussi, B. (2015). An Ontology-Based Clinical Decision Support System for the Management of Patients with Multiple Chronic Disorders. Stud Health Technol Inform. 216, 275–279.
7. Zhao, T. (2014). An Ontology-Based Decision Support System for Interventions based on Monitoring Medical Conditions on Patients in Hospital Wards. University of Agder. 125.
8. Ugon, A., & Sedki, K., & Kotti, A., & Seroussi, B., & Philippe, C., & Ganascia, JG., & Garda, P., & Bouaud. J., & Pinna, A. (2016). Decision System Integrating Preferences to Support Sleep Staging. Studies in health technology and informatics. 228, 514–518.
9. Rospocher, M., & Serafini L. (2013). An Ontological Framework for Decision Support. Lecture Notes in Computer Science. 239–254. https://doi.org/10.1007/978-3-642-37996-3_16.
10. Rospocher, M., & Serafini L. (2012). Ontology-centric decision support. Proceedings of the International Conferenceon Semantic Technologies Meet Recommender Systems & Big Data (SeRSy’12). 919. 61–72.
11. Wong, W., & Liu, W., & Bennamoun, M. (2012). Ontology learning from text. ACM Computing Surveys. 44 (4), 1–36. https://doi.org/10.1145/2333112.2333115.
12. Sutton, R., & Bartow, A. (1998). Reinforcement Learning: An Introduction. / MIT Press. 322.
13. Maes, F. (2009). Structured prediction with reinforcement learning. Machine Learning. 271–301.
14. Jiang, J. (2012). Learned Prioritization for Trading Off Accuracy and Speed. Inferning: Interactions between Inference and Learning. Divisions. Retrieved October 28, 2019, from https://papers.nips.cc/paper/4556-learned-prioritization-fortrading-off-accuracy-and-speed.pdf.
15. Sutton, R., & Bartow, A. (2014). Reinforcement learning. Laboratory of knowledge.42–96.
References (International): 1. Gruber, T. R. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition, 5 (2), 199–220. https://doi.org/10.1006/knac.1993.1008.
2. Guarino, N. (1995). Formal ontology, conceptual analysis and knowledge representation. International Journal of Human-Computer Studies, 43 (5-6), 625–640. https://doi.org/10.1006/ijhc.1995.1066.
3. Sowa, J. F. (1992). Conceptual graphs as a universal knowledge representation. Computers & Mathematics with Applications, 23 (2-5), 75–93. https://doi.org/10.1016/0898-1221(92)90137-7.
4. Bulskov, H., & R. Knappe, T., & Andreasen, R. (2004). On Querying Ontologies and Databases. Lecture Notes in Computer Science, 191–202. https://doi.org/10.1007/978-3-540-25957-2_16.
5. Cali, A., & G. Gottlob, A. & Pieris, A. (2010). Advanced processing for ontological queries. Proceedings of the VLDB Endowment. 3 (1-2), 554–565. https://doi.org/10.14778/1920841.1920912.
6. Galopin, A., & Bouaud, J. & Pereira, S., & Seroussi, B. (2015). An Ontology-Based Clinical Decision Support System for the Management of Patients with Multiple Chronic Disorders. Stud Health Technol Inform. 216, 275–279.
7. Zhao, T. (2014). An Ontology-Based Decision Support System for Interventions based on Monitoring Medical Conditions on Patients in Hospital Wards. University of Agder. 125.
8. Ugon, A., & Sedki, K., & Kotti, A., & Seroussi, B., & Philippe, C., & Ganascia, JG., & Garda, P., & Bouaud. J., & Pinna, A. (2016). Decision System Integrating Preferences to Support Sleep Staging. Studies in health technology and informatics. 228, 514–518.
9. Rospocher, M., & Serafini L. (2013). An Ontological Framework for Decision Support. Lecture Notes in Computer Science. 239–254. https://doi.org/10.1007/978-3-642-37996-3_16.
10. Rospocher, M., & Serafini L. (2012). Ontology-centric decision support. Proceedings of the International Conferenceon Semantic Technologies Meet Recommender Systems & Big Data (SeRSy’12). 919. 61–72.
11. Wong, W., & Liu, W., & Bennamoun, M. (2012). Ontology learning from text. ACM Computing Surveys. 44 (4), 1–36. https://doi.org/10.1145/2333112.2333115.
12. Sutton, R., & Bartow, A. (1998). Reinforcement Learning: An Introduction., MIT Press. 322.
13. Maes, F. (2009). Structured prediction with reinforcement learning. Machine Learning. 271–301.
14. Jiang, J. (2012). Learned Prioritization for Trading Off Accuracy and Speed. Inferning: Interactions between Inference and Learning. Divisions. Retrieved October 28, 2019, from https://papers.nips.cc/paper/4556-learned-prioritization-fortrading-off-accuracy-and-speed.pdf.
15. Sutton, R., & Bartow, A. (2014). Reinforcement learning. Laboratory of knowledge.42–96.
Content type: Article
Appears in Collections:Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2020. – Випуск 7

Files in This Item:
File Description SizeFormat 
2020n7_Lytvyn_V-Methods_of_swarm_algorithms_87-106.pdf2.56 MBAdobe PDFView/Open
2020n7_Lytvyn_V-Methods_of_swarm_algorithms_87-106__COVER.png403.93 kBimage/pngView/Open
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.