Визначення маршрутів передачі в мережі інформаційно-телекомунікаційної системи залізничного транспорту з використанням GWO
| dc.contributor.author | Пахомова, Вікторія Миколаївна | uk_UA |
| dc.contributor.author | Цикало, Ігор Дмитрович | uk_UA |
| dc.date.accessioned | 2025-06-03T09:39:13Z | |
| dc.date.available | 2025-06-03T09:39:13Z | |
| dc.date.issued | 2025 | |
| dc.description | В. Пахомова: ORCID 0000-0002-0022-099X; І. Цикало: ORCID: 0000-0002-1629-5873 | uk_UA |
| dc.description.abstract | UKR: У даній роботі виконано дослідження можливості використання GWO щодо визначення маршрутів передачі керуючих повідомлень в мережі інформаційно-телекомунікаційної системи (ІТС) залізничного транспорту. На сучасному етапі в комп’ютерних мережах залізничного транспорту застосовується протокол OSPF, при використанні якого в реальному часі з’являється проблема завдяки змінам обсягів даних, і для вирішення якої доцільно використання методів штучного інтелекту, що підтверджує актуальність теми. Для визначення маршрутів в мережі ІТС залізничного транспорту можливо використання як нейронних мереж (мережі Хопфілда, машини Больцмана, багатошарового персептрона, мережі RBF, нейронечіткої мережі), так і багатоагентних методів інтелектуальної оптимізації (мурашиний та бджолиний алгоритми, алгоритм кажанів і алгоритм сірих вовків). Для визначення маршрутів передачі керуючих повідомлень в мережі ІТС залізничного транспорту (на магістральному рівні) створено з використанням мови Python та наступних бібліотек: NumPy; NetworkX; Matplotlib; Tkinter програмну модель «Routes_GWO», в основі якої реалізація Grey Wolf Optimizer з основними параметрами: розмір популяції – 100 вовків; максимальна кількість ітерацій – 50. На створеній програмній моделі «Routes_GWO» проведено дослідження фітнеc-функції за ітераціями (від 0 до 50). Організовано серію експериментів на створеній програмній моделі «Routes_GWO»; всі отримані результати надають коректні розв’язки, що близькі до оптимального результату (побудови мінімального остовного дерева), але займають значно менший час ніж знаходження аналогічного рішення з використанням багатошарової нейронної мережі, що потребує визначення її оптимальних параметрів (кількості прихованих нейронів, типу функції активації нейронів, алгоритму навчання), створення різних вибірок та організацію основних етапів роботи нейронної мережі: навчання; тестування; валідацію. | uk_UA |
| dc.description.abstract | ENG: In this work, the study of the possibility of using GWO to determine the routers for transmitting control messages in the network of the information and telecommunication system (ITS) of railway transport is carried out. At the present stage, the OSPF protocol is used in the computer networks of railway transport, when using which a problem appears in real time due to changes in data volumes, and for the solution of which it is advisable to use artificial intelligence methods, which confirms the relevance of the topic. To determine routes in the ITS network of railway transport, it is possible to use both neural networks (Hopfield network, Boltzmann machine, multilayer perceptron, RBF network, neurofuzzy network) and multi-agent methods of intelligent optimization (ant and bee algorithms, the bat algorithm and the grey wolves algorithm). To determine the routes for transmitting control messages in the ITS network of railway transport (at the backbone level), it was created using the Python language and the following libraries: NumPy; NetworkX; Matplotlib; Tkinter software model “Routes_GWO”, which is based on the implementation of Grey Wolf Optimizer with the main parameters: wolf population – 100; the maximum number of iterations is 50. On the created software model “Routes_GWO”, a study of the fitness function by iterations was conducted (from 0 to 50). A series of experiments was organized on the created software model “Routes_GWO”; all the results obtained provide correct solutions result (building a minimal spanning tree), but take much less time than finding a similar solution using a multilayer neural network, which requires determining its optimal parameters (number of hidden neurons, type of neuronal activation function, learning algorithm), creating various samples and organizing the main stages of the neural network: training; testing; validation. | en |
| dc.identifier.citation | Пахомова В.М., Цикало І.Д. Визначення маршрутів передачі в мережі інформаційно-телекомунікаційної системи залізничного транспорту з використанням GWO. Вісник Херсонського національного технічного університету. Видавничий дім “Гельветика”. № 1(92), Ч. 2. 2025. С. 179-184. DOI: 10.35546/kntu2078-4481.2025.1.2.24 | uk_UA |
| dc.identifier.doi | 10.35546/kntu2078-4481.2025.1.2.24 | |
| dc.identifier.issn | 2078-4481 (Print) | |
| dc.identifier.uri | https://journals.kntu.kherson.ua/index.php/visnyk_kntu/article/view/880 | |
| dc.identifier.uri | https://doi.org/10.35546/kntu2078-4481.2025.1.2.24 | |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/20433 | |
| dc.language.iso | uk | |
| dc.publisher | Херсонський національний технічний університет | uk_UA |
| dc.subject | мережа | uk_UA |
| dc.subject | маршрутизатор | uk_UA |
| dc.subject | затримка | uk_UA |
| dc.subject | мінімальне остовне дерево | uk_UA |
| dc.subject | GWO | en |
| dc.subject | популяція вовків | uk_UA |
| dc.subject | кількість ітерацій | uk_UA |
| dc.subject | фітнес-функція | uk_UA |
| dc.subject | network | en |
| dc.subject | router | en |
| dc.subject | latency | en |
| dc.subject | minimum spanning tree | en |
| dc.subject | wolf population | en |
| dc.subject | number of iterations | en |
| dc.subject | fitness function | en |
| dc.subject | КЕОМ | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.title | Визначення маршрутів передачі в мережі інформаційно-телекомунікаційної системи залізничного транспорту з використанням GWO | uk_UA |
| dc.title.alternative | Determination of transmission routes in the network of the information and telecommunication system of railway transport using GWO | en |
| dc.type | Article | en |