Автоматизация обработки аэронавигационной информации на основе многоагентных технологий

Прогресс в развитии средств вычислительной техники обеспечивает возможность решать все более широкий класс задач с помощью программных систем, к числу таких задач относится задача автоматической обработки аэронавигационной информации. Это обусловливает необходимость использования новых подходов к проектированию и разработке таких систем. Один из этих подходов основан на применении идеи коллективной деятельности совокупности агентов – многоагентных технологий. В связи с этим цель статьи заключается в рассмотрении особенностей реализации автоматизированной обработки аэронавигационной информации на основе многоагентных технологий. Для достижения обозначенной цели была выбрана проблемно-структурная методология синтеза гибридных систем, которая позволяет создавать самоорганизующиеся модели, каждый элемент которых развивается, получая данные и знания от других элементов. В процессе исследования представлено формальное определение многоагентной системы автоматической обработки аэронавигационной информации, которое включает в себя множество агентов; среду функционирования агентов; совокупность допустимых взаимоотношений между агентами; описание правил формирования сети агентов; набор индивидуальных и совместных действий, коммуникационных взаимодействий, стратегий поведения и поступков; возможность эволюции системы. Также детальное внимание уделено описанию каждого агента, для чего авторами предложено использовать четыре элемента: множество переменных, входы и выходы, автономный метод, который выполняет соответствующие изменения над множеством переменных. В качестве агентов предложено использовать следующие: агент уведомления для летчиков, агент предполетных информационных бюллетеней, агент создания данных, агент авиационных процессов, агент формирования авиационной базы данных, агент создания аэронавигационных карт, агент экспорта (импорта) набора аэронавигационных данных, агент публикаций и справочников. Кроме того, в статье представлено схематическое изображение многоагентной системы автоматизированной обработки аэронавигационной информации и в математическом выражении подробно описан процесс обработки заявки в агенте. Полученные в процессе исследования результаты могут использоваться для повышения эффективности аналитической составляющей в структуре системы формирования прямых и обратных координационных связей при решении задач аэронавигации.

1. Masloboev A.V. A technology for dynamic synthesis and configuration of multi-agent systems of regional security network-centric control // Reliability & Quality of Complex Systems. 2020. No. 3 (31). P. 112–120. DOI: 10.21685/2307-4205-2020-3-13

2. Wang Q. Improved multi-agent reinforcement learning for path planning-based crowd simulation / Q. Wang, H. Liu, K. Gao, L. Zhang // IEEE access: practical innovations, open solutions, 2019. Vol. 7. P. 73841–73855. DOI: 10.1109/ACCESS.2019.2920913

3. Nejati A., Soudjani S., Zamani M. Compositional abstraction-based synthesis for continuous- time stochastic hybrid systems // European Journal of Control. 2021. Vol. 57. P. 82–94. DOI: 10.1016/j.ejcon.2020.04.001

4. Pasaoglu C. Hybrid systems modeling and automated air traffic control for threedimensional separation assurance / C. Pasaoglu, B. Baspinar, N.K. Ure, G. Inalhan // Proceedings of the Institution of Mechanical Engineers. Part G. Journal of aerospace engineering. 2016. Vol. 230, no. 9. P. 1788–1809. DOI: 10.1177/0954410015619443

5. Liu D. Deep reinforcement learning aided packet-routing for aeronautical ad-hoc networks formed by passenger planes / D. Liu, J. Cui, J. Zhang, Ch. Yang, L. Hanzo // IEEE Transactions on Vehicular Technology. 2021. Vol. 70, no. 5. P. 5166–5171. DOI: 10.1109/TVT.2021.3074015

6. Самойлов В.А., Степанов Ф.М. Перспективные методы построения вылетного потока в автоматизированных системах управления воздушным движением // Вестник Санкт-Петербургского государственного университета гражданской авиации. 2020. № 4 (29). С. 108–120.

7. Sun F., Lei C., Kurths J. Consensus of heterogeneous discrete-time multi-agent systems with noise over Markov switching topologies // International Journal of Robust and Nonlinear Control. 2021. Vol. 31, no. 5. P. 1530–1541. DOI: 10.1002/rnc.5360

8. Chao Y., Ji Zh. Necessary and sufficient conditions for multi-agent controllability of path and star topologies by exploring the information of second-order neighbours // IMA Journal of Mathematical Control and Information. 2021. Vol. 38, no. 1. P. 1–14. DOI: 10.1093/imamci/dnw013

9. Горященко А.С. Применение мультиагентной системы для решения задачи формирования групп агентов // Искусственный интеллект и принятие решений. 2019. № 4. С. 70–77. DOI: 10.14357/20718594190408

10. Luo Q., Wang J., Liu Sh. AeroMRP: a multipath reliable transport protocol for aeronautical ad hoc networks // IEEE Internet of Things Journal. 2019. Vol. 6, no. 2. P. 3399–3410. DOI: 10.1109/JIOT.2018.2883736

11. Durak U. Advances in aeronautical informatics: technologies towards Flight 4.0. / U. Durak, J. Becker, S. Hartmann, N.S. Voros. 1st ed. Cham: Springer, 2018. 345 р. DOI: 10.1007/978-3-319-75058-3