Multilevel ecosystems for adaptive agents: from modelling to practical applications
ID елемента: 22376
2026/05/05
Цитування
eNUPPIR (). Multilevel ecosystems for adaptive agents: from modelling to practical applications. https://enuppir.politeh.duckdns.org/item/22376
eNUPPIR. "Multilevel ecosystems for adaptive agents: from modelling to practical applications." Web. . <https://enuppir.politeh.duckdns.org/item/22376>.
eNUPPIR. "Multilevel ecosystems for adaptive agents: from modelling to practical applications." Accessed . https://enuppir.politeh.duckdns.org/item/22376.
Скопійовано в буфер обміну
Властивості
Назва
Англійська
Multilevel ecosystems for adaptive agents: from modelling to practical applications
Українська
БАГАТОРІВНЕВІ ЕКОСИСТЕМИ ДЛЯ АДАПТИВНИХ АГЕНТІВ: ВІД МОДЕЛЮВАННЯ ДО ПРАКТИЧНИХ ЗАСТОСУВАНЬ
Опис
Англійська
The article considers the development of multilevel ecosystems that provide training for autonomous systems in complex and changing conditions. The main goal of the research is to create environments with different levels of complexity, which allows autonomous agents to adapt to dynamic scenarios, overcome obstacles and effectively use resources. This approachis aimed at improving training methods that can be used to prepare artificial intelligence systems for work in real conditions. The work focuses on modelling multilevel ecosystems that include static and dynamic obstacles, competitive interactions between agents and limited resources. For this purpose, the use of reinforcement learning algorithms is proposed, which allow agents to optimize their behavioural strategies in a constantly changing environment. The developed models contribute to a better understanding of how agents can adapt to complex conditions and what factors affect the effectiveness of their behaviour. Special attention is paid to the analysis of the possibilities of practical application of such approaches in robotics. In particular, multi-level ecosystem models can be used to train autonomous robots operating in complex environments, for example, during rescue operations, exploration of unexplored territories or performing tasks in urban conditions. These models allow creating more adaptive and reliable autonomous systems that are able to effectively respond to changing environmental factors. The results of the study show that multi-level ecosystems are an effective tool for preparing autonomous systems for operation in real conditions. The proposed approaches not only contribute to increasing the adaptability and efficiency of agents, but also open up new opportunities for their application in various industries, including industry, logistics and scientific research. The use of multi-level environments provides autonomous systems with an advantage in complex and unpredictable conditions, which is an urgent task of modern science and technology.
Українська
У статті розглядається розробка багаторівневих екосистем, які забезпечують навчання автономних систем у складних і змінних умовах. Основна мета дослідження полягає у створенні середовищ із різними рівнями складності, що дозволяє автономним агентам адаптуватися до динамічних сценаріїв, долати перешкоди та ефективно використовувати ресурси. Такий підхід спрямований на вдосконалення методів навчання, які можуть бути застосовані для підготовки систем штучного інтелекту до роботи в реальних умовах. У роботі акцентується увага на моделюванні багаторівневих екосистем, що включають статичні та динамічні перешкоди, конкурентні взаємодії між агентами та обмежені ресурси. Для цього запропоновано використання алгоритмів навчання з підкріпленням, які дозволяють агентам оптимізувати свої стратегії поведінки в умовах постійно змінюваного середовища. Розроблені моделі сприяють кращому розумінню того, як агенти можуть адаптуватися до складних умов та які фактори впливають на ефективність їхньої поведінки. Особливу увагу приділено аналізу можливостей практичного застосування таких підходів у робототехніці. Зокрема, моделі багаторівневих екосистем можуть бути використані для навчання автономних роботів, які працюють у складних середовищах, наприклад, під час рятувальних операцій, дослідження незвіданих територій або виконання завдань у міських умовах. Ці моделі дозволяють створювати більш адаптивні та надійні автономні системи, здатні ефективно реагувати на змінні фактори зовнішнього середовища. Результати дослідження показують, що багаторівневі екосистеми є ефективним інструментом для підготовки автономних систем до роботи в реальних умовах. Запропоновані підходи не лише сприяють підвищенню адаптивності та ефективності агентів, але й відкривають нові можливості для їхнього застосування в різних галузях, включаючи промисловість, логістику та наукові дослідження. Використання багаторівневих середовищ забезпечує автономним системам перевагу в складних і непередбачуваних умовах, що є актуальним завданням сучасної науки та технологій.
Автор
Англійська
Zachepylo, M. O.
Українська
Зачепило, М. О.
Тематика
Англійська
adaptive agent
Англійська
multi-level ecosystem
Англійська
reinforcement learning
Українська
адаптивний агент
Українська
багаторівнева екосистема
Українська
навчання з підкріпленням
Видавництво
Українська
Національний університет «Полтавська політехніка імені Юрія Кондратюка»
Тип
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Українська
Рецензована Стаття
Формат
application/pdf
Ідентифікатор
https://journals.nupp.edu.ua/sunz/article/view/3676
10.26906/SUNZ.2025.1.87-90
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 1 No. 79 (2025): Control, Navigation and Communication Systems; 87-90
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 1 № 79 (2025): Системи управління, навігації та зв’язку; 87-90
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 1 № 79 (2025): Системи управління, навігації та зв’язку; 87-90
2073-7394
10.26906/SUNZ.2025.79
2025. №1 (79)
Мова
uk
Відношення
https://journals.nupp.edu.ua/sunz/article/view/3676/3014
Права
Українська
http://creativecommons.org/licenses/by-nc/4.0
Інформація про метадані
Створено
2026-5-5 11:56
Остання зміна
2026-5-5 11:56
ID елемента
#22376