МОЖЛИВІСТЬ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОЦЕСІВ УПРАВЛІННЯ ПОЖЕЖНО-РЯТУВАЛЬНИМИ ПІДРОЗДІЛАМИ ПІД ЧАС ГАСІННЯ ПОЖЕЖ ІЗ ВИКОРИСТАННЯМ БПЛА
Анотація
Мета. Статтю присвячено аналізу можливостей упровадження штучного інтелекту для оптимізації управління пожежно-рятувальними підрозділами під час ліквідації пожеж із використанням дронів та інтелектуальних систем. Мета дослідження полягає в обґрунтуванні застосування штучного інтелекту та математичних моделей підкріплювального навчання для автоматизації управлінських процесів у сфері пожежогасіння. Під час наукового дослідження використовувалися загальнонаукові методи пізнання, зокрема аналіз і синтез, системний підхід, моделювання, узагальнення та порівняння. Результати дослідження показують, що можливість використання штучного інтелекту в управлінні пожежно-рятувальними підрозділами знаходить підтвердження в сучасній практиці, де поєднання дронів, супутникових систем і наземних сенсорів забезпечує створення комплексних інтелектуальних рішень. Досліджено, що ключовим інструментом формалізації процесу навчання дронів є використання марковських процесів прийняття рішень, що ґрунтуються на п’яти основних компонентах: просторі станів, просторі дій, функції переходів, функції винагороди та коефіцієнті дисконтування. Показано, що ця модель відображає складну динаміку розвитку пожежі та дає змогу враховувати взаємодію безпілотних літальних апаратів із навколишнім середовищем. Особливий акцент зроблено на функції винагороди, яка поєднує в собі параметри ефективності пригашення, економію ресурсів і показники безпеки, створюючи збалансовану систему прийняття рішень. Обґрунтовано, що використання марковських моделей забезпечує формування ієрархічних алгоритмів підкріплювального навчання, що стає науковим підґрунтям для практичної реалізації застосування штучного інтелекту у сфері пожежогасіння. Практичне значення дослідження полягає у можливості створення науково обґрунтованих і технічно реалізованих систем управління пожежно-рятувальними підрозділами з використанням ШІ та дронів, що сприятиме підвищенню безпеки й ефективності ліквідації пожеж.
Завантаження
Посилання
2. Bellman R. The theory of dynamic programming. Bulletin of the American Mathematical Society. 1954. Vol. 60. P. 503–515. https://doi.org/10.1090/S0002-9904-1954-09848-8.
3. Cheng Y., Li D., Wong W. E., et al. Multi-UAV collaborative path planning using hierarchical reinforcement learning and simulated annealing. International Journal of Performability Engineering. 2022. Vol. 18. P. 463–474. https://doi.org/10.23940/ijpe.22.07.p1.463474.
4. Dayan P., Hinton G. E. Feudal reinforcement learning. Advances in Neural Information Processing Systems. 1992. № 5. P. 272–278. URL: https://papers.nips.cc/paper/1992/file/d14220ee66aeec73c49038385428ec4c-Paper.pdf.
5. Dietterich T. G. Hierarchical reinforcement learning with the MAXQ value function decomposition. Journal of Artificial Intelligence Research. 2000. Vol. 13. P. 227–303. https://doi.org/10.1613/jair.639.
6. Kou K., Yang G., Zhang W., et al. Autonomous navigation of UAV in dynamic unstructured environments via hierarchical reinforcement learning. International Conference on Automation, Robotics and Computer Engineering (ICARCE), Wuhan, 2022, 1–5. https://doi.org/10.1109/ICARCE55724.2022.10046655.
7. Ren T., Niu J., Dai B., et al. Enabling efficient scheduling in large-scale UAV-assisted mobile-edge computing via hierarchical reinforcement learning. IEEE Internet of Things Journal. 2021. Vol. 9. P. 7095–7109. https://doi.org/10.1109/JIOT.2021.3071531.
8. Sutton R. S., Precup D., Singh S. Between MDPs and semi-MDPs: a framework for temporal abstraction in reinforcement learning. Artificial Intelligence. 1999. Vol. 112. P. 181–211. https://doi.org/10.1016/S0004-3702(99)00052-1.
9. Vezhnevets A. S., Osindero S., Schaul T., et al. Feudal networks for hierarchical reinforcement learning. International Conference on Machine Learning, Sydney, 2017, 3540–3549. URL: https://proceedings.mlr.press/v70/vezhnevets17a/vezhnevets17a.pdf.
10. Zhang Y., Mou Z., Gao F., et al. Hierarchical deep reinforcement learning for backscattering data collection with multiple UAVs. IEEE Internet of Things Journal. 2021. Vol. 8 (5). P. 2808–2821. URL: https://www.scribd.com/document/902432515/Hierarchical-Deep-Reinforcement-Learning-for-Backscattering-Data-Collection-With-Multiple-UAVs.
11. Даник Ю. О., Кіріченко Д. О. Застосування систем штучного інтелекту для вирішення проблем пожежної безпеки. Mechanics and mathematical methods. 2025. № 7/1. P. 152–172. URL: https://journals.indexcopernicus.com/api/file/viewByFileId/2397290.
Ця робота ліцензована відповідно доCreative Commons Attribution 4.0 Міжнародної ліцензії.
Авторські права CC-BY
