НЕЙРОННО-КЕРОВАНИЙ ГІБРИДНИЙ МЕТОД ДЛЯ ОПТИМАЛЬНОГО ПОКРИТТЯ ТЕРИТОРІЇ ІЗ ОБМЕЖЕННЯМ НА РОЗТАШУВАННЯ

Анотація

У статті представлено інноваційний підхід до розв’язання задачі максимального покриття території з урахуванням об’єктів довільної форми, їх ротації та наявності заборонених зон для розміщення центрів об’єктів. Ця задача формулюється як нелінійна оптимізаційна проблема, де для забезпечення виконання обмежень застосовується динамічно налаштовувана штрафна функція, керована нейронною мережею. Для прискорення обчислень використовується сурогатна нейронна мережа, яка апроксимує ресурсомістку цільову функцію, що дозволяє значно зменшити час виконання складних геометричних обчислень. Запропонована гібридна стратегія оцінки поєднує точні обчислення за допомогою бібліотеки Shapely для обробки геометричних об’єктів із апроксимаціями Монте-Карло, що забезпечує баланс між точністю та швидкодією. Алгоритми ройового інтелекту, зокрема оптимізація роєм частинок (PSO), та меметичні алгоритми, які поєднують глобальний і локальний пошук, застосовуються для ефективного дослідження багатовимірного простору рішень. Адаптивний механізм штрафів, реалізований через нейронну мережу, дозволяє автоматично налаштовувати параметри обмежень, уникаючи ручного втручання та підвищуючи стійкість методу до змін умов задачі. Цей підхід демонструє високу ефективність у задачах із складною геометрією, де традиційні методи зазнають труднощів через багатоекстремальний характер цільової функції та обмеження на розміщення. Метод є масштабованим і може бути адаптований до різних типів об’єктів і конфігурацій заборонених зон, що робить його придатним для практичного використання в таких сферах, як телекомунікації (наприклад, оптимальне розташування базових станцій), охорона здоров’я (розміщення мобільних медичних пунктів у кризових ситуаціях), екологія (моніторинг лісів чи природоохоронних зон) та містобудування (планування інфраструктури з урахуванням зон із обмеженим доступом). Перспективи практичного впровадження охоплюють автоматизацію планування в реальному часі, інтеграцію з системами геоінформаційного аналізу та подальше вдосконалення за рахунок використання глибоких нейронних мереж із активним навчанням для підвищення точності сурогатних моделей. Запропонований підхід відкриває нові можливості для оптимізації складних систем із геометричними обмеженнями, забезпечуючи надійність і ефективність у реальних сценаріях.