МОДЕЛЬ ОПТИМІЗАЦІЇ ТА ПРОГНОЗУВАННЯ ДИНАМІЧНИХ ПРОЦЕСІВ НА ОСНОВІ ГЕНЕТИЧНОГО ОПТИМАЙЗЕРА І ФІЛЬТРА КАЛМАНА ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ РІШЕНЬ

<jats:p>У сучасних інформаційних та кіберфізичних системах процеси прогнозування та підтримки прийняття рішень функціонують в умовах динамічної зміни параметрів, невизначеності, неповноти даних та значного впливу шумів, що ускладнює забезпечення високої точності оцінювання стану системи. За таких умов традиційні методи прогнозування часто характеризуються недостатньою адаптивністю та зниженням ефективності при роботі в режимі реального часу. У роботі запропоновано інтегровану модель оптимізації та прогнозування динамічних процесів на основі поєднання фільтра Калмана та генетичного оптимайзера. Запропонований підхід орієнтований на підвищення точності прогнозування, адаптивне налаштування параметрів моделі та забезпечення стійкості роботи системи в умовах зашумленості та нестабільності середовища функціонування. Розроблена модель поєднує механізми рекурсивного оцінювання стану системи з еволюційними методами оптимізації параметрів. Фільтр Калмана використовується для прогнозування стану системи та уточнення оцінених параметрів відповідно до нових вимірювань, тоді як генетичний оптимайзер забезпечує адаптивне налаштування коефіцієнтів моделі та мінімізацію похибки прогнозування. Архітектура запропонованої моделі включає модулі збору та попередньої обробки даних, прогнозування стану системи, оцінювання похибки, адаптивної оптимізації та циклічного коригування параметрів. Для оцінювання ефективності оптимізації використано функцію пристосованості, засновану на мінімізації середньоквадратичної похибки прогнозування. Експериментальне дослідження проведено для декількох сценаріїв моделювання динамічних процесів із різним рівнем шумів та нестабільності параметрів системи. Запропоновану модель порівняно з класичним фільтром Калмана та традиційними методами оптимізації. Отримані результати підтвердили зменшення похибки прогнозування, підвищення стійкості до шумових впливів та покращення адаптивності моделі до зміни параметрів процесу. Інтегрований підхід забезпечив вищу точність прогнозування при збереженні прийнятного рівня обчислювальної складності. Практична цінність розробленої моделі полягає у можливості її застосування в системах підтримки прийняття рішень, інтелектуальних системах моніторингу, автономних платформах, сенсорних мережах та вбудованих інформаційних системах. Наукова новизна дослідження полягає у розробленні адаптивної інтегрованої моделі прогнозування, що поєднує рекурсивне оцінювання стану системи та еволюційну оптимізацію параметрів у режимі реального часу.</jats:p>