آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,988,734
تعداد دریافت فایل اصل مقاله4,032,597
اسدی قنبری, عبدالرضا, ساداتی‌نژاد, سیدعباس, محمدنیا, موسی, علایی, حسین. (1401). مدیریت نبردهای پویا با استفاده از الگوریتم‌های فوق‌یافتاری، سیستم‌های استنتاج فازی و درخت تصمیم. پدافند الکترونیکی و سایبری, 13(1), 1-11.
عبدالرضا اسدی قنبری; سیدعباس ساداتی‌نژاد; موسی محمدنیا; حسین علایی. "مدیریت نبردهای پویا با استفاده از الگوریتم‌های فوق‌یافتاری، سیستم‌های استنتاج فازی و درخت تصمیم". پدافند الکترونیکی و سایبری, 13, 1, 1401, 1-11.
اسدی قنبری, عبدالرضا, ساداتی‌نژاد, سیدعباس, محمدنیا, موسی, علایی, حسین. (1401). 'مدیریت نبردهای پویا با استفاده از الگوریتم‌های فوق‌یافتاری، سیستم‌های استنتاج فازی و درخت تصمیم', پدافند الکترونیکی و سایبری, 13(1), pp. 1-11.
اسدی قنبری, عبدالرضا, ساداتی‌نژاد, سیدعباس, محمدنیا, موسی, علایی, حسین. مدیریت نبردهای پویا با استفاده از الگوریتم‌های فوق‌یافتاری، سیستم‌های استنتاج فازی و درخت تصمیم. پدافند الکترونیکی و سایبری, 1401; 13(1): 1-11.

مدیریت نبردهای پویا با استفاده از الگوریتم‌های فوق‌یافتاری، سیستم‌های استنتاج فازی و درخت تصمیم

علوم و فناوریهای پدافند نوین
مقاله 1، دوره 13، شماره 1 - شماره پیاپی 47، خرداد 1401، صفحه 1-11    اصل مقاله (1.09 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
عبدالرضا اسدی قنبری1؛ سیدعباس ساداتی‌نژاد2؛ موسی محمدنیا3؛ حسین علایی* 4
1آکادمی هوش مصنوعی و فناوری‌های نوین ،تهران، ایران
2دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران
3آکادمی هوش مصنوعی و فناوری‌های نوین، تهران، ایران
4گروه مدیریت، دانشگاه جامع امام حسین (ع)، تهران، ایران
تاریخ دریافت: 25 آذر 1400،  تاریخ بازنگری: 19 فروردین 1400،  تاریخ پذیرش: 17 خرداد 1401 
چکیده
امروزه تهدیدات ناشی از اهداف هوایی از مهم‌ترین چالش‌ها به شمار می‌آیند. دو مؤلفه اصلی در مدیریت این تهدیدات، تصویرسازی و تصمیم‌گیری بر اساس تصاویر ترسیم شده از آن‌ها است. در این فرآیند، تصمیمات بر اساس مدل‌سازی انجام شده از ارزیابی تهدیدات و تخصیص منابع اتخاذ می‌شوند. در همین راستا، به‌منظور تصویرسازی دقیق‌تر شرایط، ماهیت دنباله‌ای تخصیص منابع درنظر گرفته می‌شود. از این رو مدلی چند هدفه چند مرحله‌ای بر اساس سامانه استنتاج فازی و درخت تصمیم ارائه شده است. مهم‌ترین مزیت سامانه استنتاج فازی در قابلیت کار کردن آن با مقادیر زبانی نهفته است. مزیت اصلی درخت‌های تصمیم نیز ساختار گرافیکی و توانایی کار کردن آن‌ها با داده‌ها غیر کامل یا غیر استاندارد است. همچنین، از دو الگوریتم NSGA-II و SPEA-II برای یافتن راه‌حل‌های پارتو استفاده می‌شود. هر دو الگوریتم‌ با استفاده سه معیار فاصله نسلی به‌عنوان معیار همگرایی، گستردگی به‌عنوان معیار تنوع و زمان محاسبات واقعی مقایسه می‌گردند. در پایان از روش TOPSIS جهت انتخاب تصمیم نهایی استفاده می‌شود، در حالی که نتایج با استفاده از یک سناریو شبیه‌سازی شده مورد تحلیل و بررسی قرار خواهند گرفت. نتایج شبیه‌سازی نشان می‌دهد که SPEA-II دارای همگرایی و تنوع بهتری است، درحالی‌که NSGA-II سریع‌تر بوده و زمان اجرای آن دارای میزان انحراف از معیار کمتری است. ما معتقد هستیم که استفاده از سیستمسامانه استنتاج فازی برای کاربردهای عملی این حوزه‌ مناسب‌تر از درخت‌‌ تصمیم است. قطعاً در مواردی که با کمبود یا عدم‌هماهنگی در داده‌های ورودی روبه‌رو هستیم، درخت‌ تصمیم می‌تواند انتخاب ارجح باشد.
کلیدواژه‌ها
تخصیص پویای منابع؛ الگوریتم ژنتیک با مرتب‌سازی غیر مغلوب؛ الگوریتم‌ تکاملی قدرت پارتو؛ سامانه‌های استنتاج فازی؛ درخت تصمیم
عنوان مقاله [English]
Dynamic Battle Management Using Meta-Heuristic Algorithms, Fuzzy Inference Systems and the Decision Tree
نویسندگان [English]
Abdolreza AsadiGhanbari1؛ Seyed Abbas Sadatinejad2؛ Mousa Mohammadnia3؛ Hossein Alaei4
1Academy of Artificial Intelligence and New Technologies, Tehran, Iran
2School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran.
3Academy of Artificial Intelligence and New Technologies, Tehran, Iran
4Faculty of Management, Imam Hossein University, Tehran, Iran.
چکیده [English]
Nowadays, the threats caused by aerial targets are among the most critical challenges. Two main components in threat management are visualization and decision-making based on compiled pictures. In this process, the decisions are made based on threat evaluation and resource allocation modelling. To do so, the sequential nature of resource allocation is considered to provide a more accurately visualized situation. Here, a multi-stage multi-objective model is constructed based on the fuzzy inference system and the decision tree. Also, NSGA-II and SPEA-II are used to find Pareto solutions. Both Algorithms have been compared based on generational distance as a convergence measure, spread as a diversity measure, and the actual computational time. Ultimately, the TOPSIS method is used to make the final decision while the results are reported using a simulated scenario. The simulation results show that the SPEA-II has better convergence and spread, while NSGA-II is faster and has less standard deviation in the execution time. We believe that the fuzzy inference system is more suitable than the decision tree in practical applications. Nevertheless, when facing data shortage or incompatibility, the decision tree would be the preferred choice.
کلیدواژه‌ها [English]
Dynamic Resource Allocation (DRA), Non-dominated Sorting Genetic Algorithm-II (NSGA-II), Strength Pareto Evolutionary Algorithm-II (SPEA-II), Fuzzy Inference Systems, Decision Tree
مراجع
  1. Naseem, A.; Shah, S. T. H.; Khan, S. A.; Malik, A. W. “Decision Support System for Optimum Decision Making Process in Threat Evaluation and Weapon Assignment: Current Status, Challenges and Future Directions”; Annu. Rev. Control. 2017, 43, 169–187.
  2. Manne, A. S. “A Target-Assignment Problem”; Oper. Res. 1958, 6, 346–351.
  3. Ejaz, W.; Sharma, S. K.; Saadat, S.; Naeem, M.; Chughtai, N. A. “A Comprehensive Survey on Resource Allocation for CRAN in 5G and Beyond Networks. Journal of Network and Computer Applications”; J. Netw. Comput. Appl. 2020, 16, 102638.
  4. Ghanbari, A. A.; Alaei, H.; Mohammadnia, M. “A Multi-Stage Modelling Approche for Allocation of Defense Resources to Invading Targets”; Adv. Defence Sci. & Technol. 2020, 2, 167-173 (In Persian).
  5. Rudek, R.; Heppner, L. “Efficient Algorithms for Discrete Resource Allocation Problems under Degressively Proportional Constraints”; Expert Syst. Appl. 2020, 149, 113293.
  6. Hocaoğlu, M. F. “Weapon Target Assignment Optimization for Land Based Multi-Air Defense Systems: A Goal Programming Approach”; Comput. Ind. Eng. 2019, 128, 681-689.
  7. Hosein, P. A.; Athans, M. “Preferential Defense Strategies. Part II: The Dynamic Case”; Cambridge (US): MIT Laboratory for Information and Decision Systems, Report No.: LIDS-P 2003.Technical Report, 1990.
  8. Gülpınar, N.; Çanakoğlu, E.; Branke, J. “Heuristics for the Stochastic Dynamic Task-resource Allocation Problem with Retry Opportunities”; Eur. J. Oper. Res. 2018, 266, 291-303.
  9. Davis, M. T.; Robbins, M. J.; Lunday, B. J. “Approximate Dynamic Programming For Missile Defense Interceptor Fire Control”; Eur. J. Oper. Res. 2017, 259, 873-886.
  10. Kalyanam, K.; Rathinam. S.; Casbeer, D.; Pachter, M. “Optimal Threshold Policy for Sequential Weapon Target Assignment”; IFAC-PapersOnLine 2016, 49, 7-10.
  11. Ahner, D. K.; Parson, C. R. “Optimal Multi-Stage Allocation of Weapons to Targets Using Adaptive Dynamic Programming”; Optim. Lett. 2015, 9, 1689-1701.
  12. Ghanbari, A. A.; Alaei, H. “Meta-Heuristic Algorithms for Resource Management in Crisis Based on OWA Approach”; Appl Intell. Appl Intell 51, 646-657 (2021).
  13. Kline, A. G.; Ahner, D. K.; Hill, R. “The Weapon-Target Assignment Problem”; Comput. Oper. Res. 2019, 105, 226-236.
  14. Chachi, J.; Taheri, S. M.; Arghami, N. R. “A Hybrid Fuzzy Regression Model and its Applicationin Hydrology Engineering”; Appl. Soft Comput. 2014, 25, 149-158.
  15. Ross, T. J. “Fuzzy Logic with Engineering Application Second Edition”; Wiely, Singapore, 2005.
  16. Dahan, H.; Cohen, S.; Rokach, L.; Maimon, O. “Proactive Data Mining with Decision Trees”; Springer-Verlag, New York, 2014.
  17. Hwang, C. L.; Yoon, K. “Multiple Attribute Decision Making: Methods and Applications”; CRC Press, 2011.
  18. Runqvist, A. “Threat Evaluation. An Application for Air Surveillance Systems”; Master’s Thesis, Uppsala University, 2004.
  19. Kong, D.; Chang, T.; Wang, Q.; Sun, H.; Dai, W. “A Threat Assessment Method of Group Targets Based on Interval-Valued Intuitionistic Fuzzy Multi-Attribute Group Decision-Making”; Appl. Soft Comput. 2018, 67, 350-369.
  20. Lee, H.; Choi, B. J.; Kim, C. O.; Kim, J. S.; Kim, J. E. “Threat Evaluation of Enemy Air Fighters via Neural Network-Based Markov Chain Modeling”; Knowl Based Syst. 2017, 116, 49-57.
  21. Johansson, F. “Evaluating the Performance of TEWA Systems”; Ph.D Thesis, University of Skövde, Skövde, 2010.
  22. Liu, B.; Zhu, Q.; Zhu, H. “Trajectory Optimization and Resource Allocation for UAV-Assisted Relaying Communications”; Wirel. Netw. 2020, 26, 739-749.
  23. Bogdanowicz, Z. R.; Tolano, A.; Patel, K.; Coleman, N. P. “Optimization of Weapon–Target Pairings Based on Kill Probabilities”; IEEE Trans. Cybern. 2013, 43, 1835-1844.
  24. Coello, C. A. C.; Lamont, G. B.; Veldhuizen, D. A. V. “Evolutionary Algorithms for Solving Multi-Objective Problems Second Edition”; Springer, New York, 2007.
  25. Deb, K.; Pratap, A.; Agarwal, S.; Meyarivan, T. “A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II”; IEEE Trans. Evol. Comput. 2002, 6, 182-197.
  26. Zitzler, E.; Thiele, L. “Multiobjective Evolutionary Algorithms: A Comparative Case Study and the Strength Pareto Approach”; IEEE Trans. Evol. Comput. 1999, 3, 257-271.
  27. Curry, D. M.; Dagli, C. H. “Computational Complexity Measures for Many-objective Optimization Problems”; Procedia Comput. Sci. 2014, 36, 185-191
  28. Laszczyk, M.; Myszkowski, P. B. “Survey of Quality Measures for Multi-Objective Optimization: Construction of Complementary Set of Multi-objective Quality Measures”; Swarm Evol. Comput. 2019, 48, 109-133.
آمار
تعداد مشاهده مقاله: 147
تعداد دریافت فایل اصل مقاله: 95