SELECTION OF SOURCES WITH FALSE INFORMATION USING THE BEE COLONY METHOD
DOI:
https://doi.org/10.18372/2310-5461.52.16379Keywords:
modeling, search, bee colony, agent, forager, optimization, fake information, convergence, heuristic algorithmAbstract
The main purpose of evolutionary optimization is to find a combination of parameters (independent variables) that would help maximize or minimize the qualitative, quantitative, and probabilistic characteristics of the problem. Recently, integrated optimization methods have become very common, borrowing the basic principles of their work from wildlife. Researchers are experimenting with different types of representations, for example, evolutionary and genetic algorithms use selection methods and genetic operators. A large number of algorithms based on the swarm method are known.The artificial bee colony is an optimization method that mimics the behavior of bees, a specific application of cluster intelligence, the main feature of which is that it does not need to understand specific information about the problem, you just need to optimize the problem. Comparing inferiority with the help of the local optimization behavior of each person with an artificial bee finally leads to the appearance in the group of a global optimal value with a higher rate of convergence. The paper considers the method of solving the optimization problem based on modeling the behavior of the bee colony. Description of the model of the behavior of intelligence agents and forage agents, search mechanisms, and selection of positions in a given neighborhood. The general structure of the optimization process is given. Graphical results are also presented, which prove the possibility of the bee colony method to optimize the results, from all multiple sources of information, the bee colony method by optimization can significantly limit the number of information sources, identify a narrow range of sources that may be false information. Which in the future will allow you to more accurately identify sources with false information and block them.
References
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.
