Распределенные нейросетевые системы коллективного управления строительными машинами: от группового взаимодействия к роевому интеллекту
Ключевые слова:
распределенные системы управления, нейронные сети, роевой интеллект, строительные машины, коллективное управление, многоагентные системы, адаптивное управление, децентрализованная оптимизацияАннотация
Настоящее исследование посвящено изучению перспектив применения распределенных нейросетевых систем для коллективного управления строительными машинами на основе принципов роевого интеллекта. Концепция роевого интеллекта, основанная на моделировании коллективного поведения децентрализованных самоорганизующихся систем, предоставляет принципиально новые возможности для повышения эффективности, безопасности и автономности строительной техники. В работе на основе системного анализа современных подходов к построению распределенных систем управления предложена многоуровневая архитектура нейросетевого управления строительной техникой, трансформирующая индивидуальные операции отдельных машин B единую самоорганизующуюся систему группового взаимодействия. Эмпирическая верификация разработанной модели проведена на основе комплексного анализа данных, полученных в ходе полевых испытаний прототипа системы на реальных строительных объектах. Результаты исследования демонстрируют повышение операционной эффективности на 37,4%, сокращение времени выполнения комплексных задач на 41,2% и снижение энергопотребления на 28,9% по сравнению с традиционными методами управления. Предложенный подход открывает новые перспективы для разработки адаптивных, отказоустойчивых и самообучающихся систем коллективного управления автономной строительной техникой, способной эффективно функционировать в сложных динамических условиях строительных площадок.Библиографические ссылки
Abbass H. The road forward with swarm systems // Philosophical transactions of the royal society. 2025. Vol. 383(2289). pp. 135-202.
Abu Kuhaiba K.F., Salamat D.S.B. Neural network - particle swarm optimization and akaike information criterion in construction: Assessment of delay factors in operation and implementation of projects // Proceedings of the 2024 7th Inter. conf. on machine learning and machine intelligence (MLMI). 2024. pp. 220- 225.
Bardhan A. A comparative analysis of hybrid computational models constructed with swarm intelligence algorithms for estimating soil compression index // Archives of computational methods in engineering. 2022. № 29(7). pp. 4735-4773.
Bila E., Pang V. DeepSwarm: optimising convolutional neural networks using swarm intelligence // arXiv:1905.07350. 2019.
Blais M., Akhlou M. Reinforcement learning for swarm robotics: An overview of applications, algorithms and simulators // Smart and sustainable intelligent systems. № 2(2). pp. 100-241.
Brambilla M., Ferrante E., Birattari M., Dorigo M. Swarm robotics: A review from the swarm engineering perspective // Swarm intelligence. 2013. № 7(1). pp. 1-41.
Huang P., Cruz P., Li T. Neural network prediction model of whole process risk management based on building information model // Advances in civil engineering. 2024. pp. 545-3113.
Kentzoglanakis K., Poole M. A swarm intelligence framework for reconstructing gene networks: searching for biologically plausible architectures // IEEE/ACM Transactions on computational biology and bioinformatics. 2012. № 9(2). pp. 358-71.
Khan A., Mandal S., Pal R.K., Saha G. Construction of gene regulatory networks using recurrent neural networks and swarm intelligence // Advances in bioinformatics. 2016. Art. 5283937.
Schumann A., Sommer J., Ujvari S. ANN-based swarm intelligence for predicting expansive soil swell pressure and compression strength // Scientific reports. 2024. № 14. pp. 82-116.
Tam C.M., Tong T.K.L., Tse S.L. Artificial neural networks model for predicting excavator productivity // Engineering, construction and architectural management. 2002. Vol. 9. № $5/6$. pp. 446-452.
Werfel J., Petersen K., Nagpal R. Designing collective behavior in a termite-inspired robot construction team // Science. 2014. № 343(6172). pp. 754-758.
Zhang R., Qiu Z. (2020). «Optimizing hyper-parameters of neural networks with swarm intelligence: A novel framework for credit scoring // PLoS ONE. 2020. № 15(6). Art. e0234254.
Zhao J., Zhang L. TaskNet: A neural task planner for autonomous excavator // Proceedings of the IEEE Inter. conf. on robotics and automation (ICRA). 2021.
Zhu H. Sliding Mode Backstepping Control of excavator bucket trajectory synovial in particle swarm optimization algorithm and neural network disturbance observer // Actuators. 2025. № 14(1). Р. 9.
