Відбір джерел з неправдивою інформацію методом бджолиної колонії
DOI:
https://doi.org/10.18372/2310-5461.52.16379Ключові слова:
моделювання, пошук, бджолина колонія, агент, фуражир, оптимізація, неправдива інформація, збіжність, евристичній алгоритмАнотація
Основною метою еволюційної оптимізації є пошук такого поєднання параметрів (незалежних змінних), яке б сприяло максимізації або мінімізації якісних, кількісних та ймовірнісних характеристик розв’язуваної задачі. Останнім часом стала вельми поширеною отримали інтегровані методи оптимізації, які запозичують основні засади своєї роботи із живої природи. Дослідники експериментують з різними типами уявлень, так, еволюційні та генетичні алгоритми використовують методи селекції та генетичні оператори, відомо велике число алгоритмів заснованих на методі рою частинок.
Штучна бджолина колонія — це метод оптимізації, що імітує поведінку бджіл, специфічне застосування кластерного інтелекту, головна особливість якого полягає в тому, що йому не потрібно розуміти спеціальну інформацію про проблему, потрібно лише оптимізувати проблему. Порівняння неповноцінності за допомогою локальної оптимізаційної поведінки кожної людини зі штучною бджолою, нарешті, призводить до появи у групі глобального оптимального значення з вищою швидкістю збіжності.
У статті розглядається метод розв’язання задачі оптимізації, на основі моделювання поведінки бджолиної колонії. Опис моделі поведінки агентів розвідників та агентів фуражиров, механізми пошуку та вибір позицій у заданій околиці. Наведено загальну структуру оптимізаційного процесу. Також наведені графічні результати, які доводять можливість методу бджолиної колонії оптимізувати результати, тобто зі всій множені джерел інформації, метод бджолиної колонії шляхом оптимізації може значно обмежувати кількість джерел інформації, виявляти вузьке коло джерел у яких може бути неправдива інформація. Що у подальшому дозволить з більшою достовірністю розпізнавати саме джерела з неправдивою інформацією та заблокувати їх.
Посилання
Лебедев В. Б. Интеграция моделей адаптивно-го поведения пчелиной колонии и эволюцион-ной адаптации. Информатика, вычислительная техника и инженерное образование. 2013. № 4 (15). С. 1–7.
Лебедев Б. К. Лебедев О. Б. Моделирование адаптивного поведения муравьиной колонии при поиске решений, интерпретируемых дере-вьями. Известия ЮФУ. 2012. № 7. С. 27–35.
Лаптєв О. А.,Савченко В. А., Савченко В. В., Мацько О. Й., Кізяк Я. О., Лазаренко С. В. Мультиагентна технологія пошуку цифрових радіозакладних пристроїв на основі класте-ризації за методом бджолиної колонії. Захист інформації. 2019. Том 21. №3. С. 194–202. DOI: 10.18372/2410-7840.21.13955
Лаптев О. А., Собчук В. В., Саланди И. П., Сачук Ю. В. Математична модель структури інформаційної мережі на основі нестаціонарної ієрархічної та стаціонарної гіпермережі. Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка. 2019. Вип. 64. С. 124–132. DOI: 10.17721/2519-481X/2019/64-12
Svynchuk O., Barabash O., Nikodem J., Kochan R., Laptiev O. Image compression using fractal functions. Fractaland Fractional. 2021.
№ 5(2). Вип. 31. Pp. 1–14. DOI: 10.3390/ frac-talfract5020031-14 Apr. 2021.
Хижняк І. А. Метод ройового інтелекту (штучної бджолиної колонії) тематичного сег-ментування багатомасштабної послідовності зображень, що отримані з бортової системи оптико-електронного спостереження. Кіберне-тика та системний аналіз. №2(56). 2018. С. 104–112.
Karaboga D. An idea based on honey bee swarm for numerical optimization Technical Report TR06, Erciyes University, Engineering Faculty, Computer Engineering Department, 2005.
Кулієв Е. В., Лежебоков А. А., Кравченко Ю. А. Ройовий алгоритм пошукової оптимізації на основі моделювання поведінки кажанів. Програмні продукти, системи таа лгоритми. Технічні науки. 2016. № 7. С. 53–62.
Kureichik V. V., Zaruba D. V., Zaporozhets D. Y. Algorithm parametric heskoyoptimizatsii nonwoven model provident aromas vetlyachkov. Parametric optimization algorithm based on the model of glowworm swarm behavior. Izvestiya SFedU. Engineering Sciences. 2015. № 6 (167), pp. 6–15.
Лаптєв О. А., Собчук В. В., Савченко В. А. Метод підвищення завадостійкості системи виявлення, розпізнавання і локалізації цифрових сигналів в інформаційних системах. Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка. 2019. Вип. 66. С. 124–132.
Лаптєв О. А. Експериментально-статистичний метод обчислення кореляційної взаємо¬залежності параметрів розпізнавання засобів негласного отримання інформації. Сучасний захист інформації. 2019. № 3(39). С. 23–29.
Lebedev B. K., Kudryakova T. Y. Mechanisms of Adaptive Ant Colony Behaviorin Placement Prob-lem. Advancesin Intelligentand Computing. Proc. оf the IIntern. Sc. Conf. IITI16. Springer, (Czech Republic, 2016). 2016. Vol.1, pp. 443–451.
ЛаптєвО. А. Новий метод спектрального аналізу визначення випадкових цифрових сиг-налів на фоні легальнихр адіосигналів. Су-часний захист інформації. 2019. № 4(40). С 25–31. DOI: 10.31673/2409-7292.2019.047081
Samoilenko A. M., Samoilenko V. G., Sobchuk V. V. On periodic solutions of the equa-tion of a nonlinear oscillator with pulse influence. Ukrainian Mathematical Journal. 1999. Вип. (51). 6 Springer New York. Р. 926–933.
Sobchuk A. V., Sobchuk V. V., Barabash O. V., Lyashenko I. O. Functionally sustainable wireless sensor network technologies aspects analysis. Sci-ence and Education a New Dimension. Natural and Technical Sciences (VII (23), Issue 193, Bu-dapest, Hungary). 2019, pp. 46–48.
