Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів
The development of high-speed methods and algorithms for global multidimensional optimization and their modifications in various fields of science, technology, and economics is an urgent problem that involves reducing computing costs, accelerating, and effectively searching for solutions to such pro...
Gespeichert in:
| Datum: | 2024 |
|---|---|
| Hauptverfasser: | , , , , |
| Format: | Artikel |
| Sprache: | English |
| Veröffentlicht: |
General Energy Institute of the National Academy of Sciences of Ukraine
2024
|
| Schlagworte: | |
| Online Zugang: | https://systemre.org/index.php/journal/article/view/858 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System Research in Energy |
Institution
System Research in Energy| id |
oai:www.systemre.org:article-858 |
|---|---|
| record_format |
ojs |
| institution |
System Research in Energy |
| baseUrl_str |
|
| datestamp_date |
2024-07-23T14:02:24Z |
| collection |
OJS |
| language |
English |
| topic |
оптимізація ройовий інтелект математичне моделювання нелінійна регресія складні об’єкти та системи. |
| spellingShingle |
оптимізація ройовий інтелект математичне моделювання нелінійна регресія складні об’єкти та системи. Khaidurov, Vladyslav Tatenko, Vadym Lytovchenko, Mykyta Tsiupii, Tamara Zhovnovach, Tetiana Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів |
| topic_facet |
optimization swarm intelligence mathematical modelling nonlinear regression complex objects and systems. оптимізація ройовий інтелект математичне моделювання нелінійна регресія складні об’єкти та системи. |
| format |
Article |
| author |
Khaidurov, Vladyslav Tatenko, Vadym Lytovchenko, Mykyta Tsiupii, Tamara Zhovnovach, Tetiana |
| author_facet |
Khaidurov, Vladyslav Tatenko, Vadym Lytovchenko, Mykyta Tsiupii, Tamara Zhovnovach, Tetiana |
| author_sort |
Khaidurov, Vladyslav |
| title |
Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів |
| title_short |
Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів |
| title_full |
Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів |
| title_fullStr |
Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів |
| title_full_unstemmed |
Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів |
| title_sort |
методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів |
| title_alt |
METHODS AND ALGORITHMS OF SWARM INTELLIGENCE FOR THE PROBLEMS OF NONLINEAR REGRESSION ANALYSIS AND OPTIMIZATION OF COMPLEX PROCESSES, OBJECTS, AND SYSTEMS: REVIEW AND MODIFICATION OF METHODS AND ALGORITHMS |
| description |
The development of high-speed methods and algorithms for global multidimensional optimization and their modifications in various fields of science, technology, and economics is an urgent problem that involves reducing computing costs, accelerating, and effectively searching for solutions to such problems. Since most serious problems involve the search for tens, hundreds, or thousands of optimal parameters of mathematical models, the search space for these parameters grows non-linearly. Currently, there are many modern methods and algorithms of swarm intelligence that solve today's scientific and applied problems, but they require modifications due to the large spaces of searching for optimal model parameters. Modern swarm intelligence has significant potential for application in the energy industry due to its ability to optimize and solve complex problems. It can be used to solve scientific and applied problems of optimizing energy consumption in buildings, industrial complexes, and urban systems, reducing energy losses, and increasing the efficiency of resource use, as well as for the construction of various elements of energy systems in general. Well-known methods and algorithms of swarm intelligence are also actively applied to forecast energy production from renewable sources, such as solar and wind energy. This allows better management of energy sources and planning of their use. The relevance of modifications of methods and algorithms is due to the issues of speeding up their work when solving machine learning problems, in particular, in nonlinear regression models, classification, and clustering problems, where the number of observed data can reach tens and hundreds of thousands or more. The work considers and modifies well-known effective methods and algorithms of swarm intelligence (particle swarm optimization algorithm, bee optimization algorithm, differential evolution method) for finding solutions to multidimensional extremal problems with and without restrictions, as well as problems of nonlinear regression analysis. The obtained modifications of the well-known classic effective methods and algorithms of swarm intelligence, which are present in the work, effectively solve complex scientific and applied tasks of designing complex objects and systems. A comparative analysis of methods and algorithms will be conducted in the next study on this topic. |
| publisher |
General Energy Institute of the National Academy of Sciences of Ukraine |
| publishDate |
2024 |
| url |
https://systemre.org/index.php/journal/article/view/858 |
| work_keys_str_mv |
AT khaidurovvladyslav methodsandalgorithmsofswarmintelligencefortheproblemsofnonlinearregressionanalysisandoptimizationofcomplexprocessesobjectsandsystemsreviewandmodificationofmethodsandalgorithms AT tatenkovadym methodsandalgorithmsofswarmintelligencefortheproblemsofnonlinearregressionanalysisandoptimizationofcomplexprocessesobjectsandsystemsreviewandmodificationofmethodsandalgorithms AT lytovchenkomykyta methodsandalgorithmsofswarmintelligencefortheproblemsofnonlinearregressionanalysisandoptimizationofcomplexprocessesobjectsandsystemsreviewandmodificationofmethodsandalgorithms AT tsiupiitamara methodsandalgorithmsofswarmintelligencefortheproblemsofnonlinearregressionanalysisandoptimizationofcomplexprocessesobjectsandsystemsreviewandmodificationofmethodsandalgorithms AT zhovnovachtetiana methodsandalgorithmsofswarmintelligencefortheproblemsofnonlinearregressionanalysisandoptimizationofcomplexprocessesobjectsandsystemsreviewandmodificationofmethodsandalgorithms AT khaidurovvladyslav metodijalgoritmirojovogoíntelektudlâzadačnelíníjnogoregresíjnogoanalízutaoptimízacíískladnihprocesívobêktívtasistemoglâdímodifíkacíâmetodívjalgoritmív AT tatenkovadym metodijalgoritmirojovogoíntelektudlâzadačnelíníjnogoregresíjnogoanalízutaoptimízacíískladnihprocesívobêktívtasistemoglâdímodifíkacíâmetodívjalgoritmív AT lytovchenkomykyta metodijalgoritmirojovogoíntelektudlâzadačnelíníjnogoregresíjnogoanalízutaoptimízacíískladnihprocesívobêktívtasistemoglâdímodifíkacíâmetodívjalgoritmív AT tsiupiitamara metodijalgoritmirojovogoíntelektudlâzadačnelíníjnogoregresíjnogoanalízutaoptimízacíískladnihprocesívobêktívtasistemoglâdímodifíkacíâmetodívjalgoritmív AT zhovnovachtetiana metodijalgoritmirojovogoíntelektudlâzadačnelíníjnogoregresíjnogoanalízutaoptimízacíískladnihprocesívobêktívtasistemoglâdímodifíkacíâmetodívjalgoritmív |
| first_indexed |
2025-09-24T17:34:07Z |
| last_indexed |
2025-09-24T17:34:07Z |
| _version_ |
1850410288015212544 |
| spelling |
oai:www.systemre.org:article-8582024-07-23T14:02:24Z METHODS AND ALGORITHMS OF SWARM INTELLIGENCE FOR THE PROBLEMS OF NONLINEAR REGRESSION ANALYSIS AND OPTIMIZATION OF COMPLEX PROCESSES, OBJECTS, AND SYSTEMS: REVIEW AND MODIFICATION OF METHODS AND ALGORITHMS Методи й алгоритми ройового інтелекту для задач нелінійного регресійного аналізу та оптимізації складних процесів, об’єктів та систем: огляд і модифікація методів й алгоритмів Khaidurov, Vladyslav Tatenko, Vadym Lytovchenko, Mykyta Tsiupii, Tamara Zhovnovach, Tetiana optimization, swarm intelligence, mathematical modelling, nonlinear regression, complex objects and systems. оптимізація, ройовий інтелект, математичне моделювання, нелінійна регресія, складні об’єкти та системи. The development of high-speed methods and algorithms for global multidimensional optimization and their modifications in various fields of science, technology, and economics is an urgent problem that involves reducing computing costs, accelerating, and effectively searching for solutions to such problems. Since most serious problems involve the search for tens, hundreds, or thousands of optimal parameters of mathematical models, the search space for these parameters grows non-linearly. Currently, there are many modern methods and algorithms of swarm intelligence that solve today's scientific and applied problems, but they require modifications due to the large spaces of searching for optimal model parameters. Modern swarm intelligence has significant potential for application in the energy industry due to its ability to optimize and solve complex problems. It can be used to solve scientific and applied problems of optimizing energy consumption in buildings, industrial complexes, and urban systems, reducing energy losses, and increasing the efficiency of resource use, as well as for the construction of various elements of energy systems in general. Well-known methods and algorithms of swarm intelligence are also actively applied to forecast energy production from renewable sources, such as solar and wind energy. This allows better management of energy sources and planning of their use. The relevance of modifications of methods and algorithms is due to the issues of speeding up their work when solving machine learning problems, in particular, in nonlinear regression models, classification, and clustering problems, where the number of observed data can reach tens and hundreds of thousands or more. The work considers and modifies well-known effective methods and algorithms of swarm intelligence (particle swarm optimization algorithm, bee optimization algorithm, differential evolution method) for finding solutions to multidimensional extremal problems with and without restrictions, as well as problems of nonlinear regression analysis. The obtained modifications of the well-known classic effective methods and algorithms of swarm intelligence, which are present in the work, effectively solve complex scientific and applied tasks of designing complex objects and systems. A comparative analysis of methods and algorithms will be conducted in the next study on this topic. Розробка швидкісних методів й алгоритмів глобальної багатовимірної оптимізації і їх модифікацій у різних сферах науки, техніки, економіки є актуальним завданням, яке передбачає зменшення обчислювальних затрат, прискорення і ефективний пошук розв’язків такого роду задач. У зв’язку з тим, що більшість серйозних завдань передбачають пошук десятків, сотень або тисяч оптимальних параметрів математичних моделей, простір пошуку цих параметрів зростає нелінійно. Нині існує багато сучасних методів й алгоритмів ройового інтелекту, які вирішують науково-прикладні завдання сьогодення, але вони потребують модифікацій у зв’язку з великими просторами пошуку оптимальних параметрів моделей. Сучасний ройовий інтелект має значний потенціал для застосування в енергетичній галузі через свою здатність до оптимізації та розв’язання складних проблем. За допомогою нього можна вирішувати науково-прикладні задачі оптимізації споживання енергії в будівлях, промислових комплексах та міських системах, зменшуючи втрати енергії та підвищуючи ефективність використання ресурсів, а також задачі для побудови різних елементів енергетичних систем загалом. Відомі методи й алгоритми ройового інтелекту також активно застосовують для прогнозування виробництва енергії від відновлюваних джерел, таких як сонячна та вітрова енергія. Це дозволяє краще управляти джерелами енергії та планувати їхнє використання. Актуальність модифікацій методів й алгоритмів обумовлена питаннями прискорення швидкості їх роботи під час розв’язання задач машинного навчання, зокрема у моделях нелінійної регресії, задачах класифікації, кластеризації, де кількість спостережуваних даних може сягати десяти і сотні тисяч або більше. У роботі розглянуті й модифіковані відомі ефективні методи й алгоритми ройового інтелекту (алгоритм оптимізації роєм частинок, бджолиний алгоритм оптимізації, метод диференціальної еволюції) для пошуку розв’язків багатовимірних екстремальних задач з обмеженнями і без обмежень, а також задач нелінійного регресійного аналізу. Отримані модифікації відомих класичних ефективних методів й алгоритмів ройового інтелекту, які присутні у роботі, ефективно розв’язують складні науково-прикладні задачі конструювання складних об’єктів і систем. Порівняльний аналіз методів General Energy Institute of the National Academy of Sciences of Ukraine 2024-07-01 Article Article application/pdf https://systemre.org/index.php/journal/article/view/858 10.15407/srenergy2024.03.046 System Research in Energy; No. 3 (79) (2024): System Research in Energy; 46-61 Системні дослідження в енергетиці; № 3 (79) (2024): Системні дослідження в енергетиці; 46-61 2786-7102 2786-7633 en https://systemre.org/index.php/journal/article/view/858/768 |