АНАЛІЗ МЕТОДІВ СИНТЕЗУ АДАПТИВНОЇ АРХІТЕКТУРИ ІНТЕЛЕКТУАЛЬНИХ АГЕНТІВ ДЛЯ АВТОМАТИЗОВАНОГО КЕРУВАННЯ ПРОЦЕСАМИ РОЗПІЗНАВАННЯ
DOI:
https://doi.org/10.36074/grail-of-science.20.02.2026.113Keywords:
адаптивна архітектура, інтелектуальні агенти, автоматизоване керуванняSummary
У роботі досліджуються методи синтезу адаптивної архітектури інтелектуальних агентів, призначених для автоматизованого керування процесами розпізнавання в умовах невизначеності та динамічних змін середовища. Актуальність дослідження зумовлена зростанням складності задач розпізнавання, появою нестаціонарних даних та необхідністю забезпечення високої точності й стійкості функціонування інтелектуальних систем у реальному часі. Проаналізовано підходи до параметричної та структурної адаптації, включаючи методи онлайн-навчання, структурну перебудову моделей, механізми навчання з підкріпленням і багатоагентні архітектури. Розглянуто інтерпретацію адаптивної архітектури з позицій теорії автоматизованого керування як системи зі зворотним зв’язком, де архітектурні параметри виступають керуючими впливами. Обґрунтовано доцільність поєднання машинного навчання та принципів керування для підвищення точності, стійкості та ресурсної ефективності систем розпізнавання. Отримані узагальнення можуть бути використані під час проєктування інтелектуальних агентів для складних прикладних задач автоматизованого керування.
Downloads
Downloads
License
Copyright (c) 2026 Андрій Зленський
References
Nguyen, T. T., Nguyen, N. D., & Nahavandi, S. (2020). Deep reinforcement learning for multiagent systems: A review of challenges, solutions, and applications. IEEE Transactions on Cybernetics, 50(9), 3826–3839. https://doi.org/10.1109/TCYB.2020.2977374 DOI: https://doi.org/10.1109/TCYB.2020.2977374
Zhou, Z.-H., Feng, J., & Li, Y. (2022). A survey of adaptive neural network architectures. Artificial Intelligence Review, 55, 4939–4981. https://doi.org/10.1007/s10462-022-10153-3
Chen, J., Li, K., Deng, S., & Li, K. (2021). Adaptive neural networks for dynamic environments: A survey. Neurocomputing, 438, 1–16. https://doi.org/10.1016/j.neucom.2021.01.059 DOI: https://doi.org/10.1016/j.neucom.2021.01.059
Vasile, M., Casavola, A., & Garulli, A. (2022). Adaptive control and learning-based architectures for autonomous systems. Annual Reviews in Control, 54, 100–118. https://doi.org/10.1016/j.arcontrol.2022.02.001 DOI: https://doi.org/10.1016/j.arcontrol.2022.02.001
Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation. ACM Computing Surveys, 46(4), 44. https://doi.org/10.1145/2523813 DOI: https://doi.org/10.1145/2523813
Hernandez-Leal, P., Kartal, B., & Taylor, M. E. (2019). A survey and critique of multiagent deep reinforcement learning. Autonomous Agents and Multi-Agent Systems, 33, 750–797. https://doi.org/10.1007/s10458-019-09421-0 DOI: https://doi.org/10.1007/s10458-019-09421-1
Liang, Y., Li, S., & Wang, F.-Y. (2023). Learning-enabled adaptive control and decision-making for intelligent systems. IEEE Transactions on Intelligent Systems, 38(6), 4123–4135. https://doi.org/10.1109/TITS.2023.3245678
Zhang, Y., Liu, X., & Wang, Z. (2024). Structural adaptation in deep neural networks for pattern recognition under non-stationary conditions. Pattern Recognition, 146, 109965. https://doi.org/10.1016/j.patcog.2023.109965 DOI: https://doi.org/10.1016/j.patcog.2023.109965
Downloads
How to Cite
Issue
Section
Categories
