У статті розглядаються теоретичні основи алгоритму подвійного контролю в контексті машинного навчання, акцентуючи увагу на його застосуванні для інтелектуальних агентів у мультиагентних інформаційно-вимірювальних системах. Розроблений алгоритм, який поєднує виявлення аномалій у даних і телеметричне калібрування сенсорів, що відкриває нові можливості для підвищення точності й надійності вимірюваних даних у складних і динамічних середовищах. Аналізуються переваги алгоритму в аспектах адаптивності, прогнозування та інтеграції даних, порівнюючи його з іншими алгоритмами машинного навчання. Представлено схему програмного алгоритму модуля отримання даних сенсорів. Розроблено модель машинного навчання алгоритму подвійного контролю та здійснено порівняння з моделлю ізольованого лісу, що підкреслює переваги застосування алгоритму подвійного контролю при побудові мультиагентних інформаційно-вимірювальних систем.
- Y. Li, Q. Liu, X. Li, L. Gao, “Manufacturing resource- based self-organizing scheduling using multi-agent system and deep reinforcement learning”, Journal of Manufacturing Systems, Vol. 79, 2025, pp. 179-198, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2025.01.004.
- R. Erol, C. Sahin, A. Baykasoglu, V.t Kaplanoglu, “A multi- agent based approach to dynamic scheduling of machines and automated guided vehicles in manufacturing systems”, Appli- ed Soft Computing, Vol. 12, Issue 6, 2012, pp. 1720-1732,ISSN 1568-4946, https://doi.org/10.1016/j.asoc.2012.02.001.
- O. Serediuk, M. Trufan, A. Vynnychuk, “The Double Control Method in Information and Measurement Technologies and Prospects for Its Application”, in Proc. VI International Scientific Practical Conference “Quality Management in Education and Industry: Experience, Problems, and Perspectives”, November 16-17, 2023, Lviv, Ukraine, 2023, pp. 270-271.
- P. Spychalski, R. Arendt, “Machine Learning in Multi- Agent Systems using Associative Arrays”, Parallel Computing, Vol. 75, 2018, pp. 88-99, ISSN 0167-191, https://doi.org/10.1016/j.parco.2018.03.006.
- E. Alonso, M. dʼInverno, D. Kudenko, M. Luck, J.Noble, Learning in multi-agent systems. The Knowledge Engineering Review. (2001). [Online]. Available: https://www.researchgate.net/publication/33038108_Learni ng_in_multi-agent_systems
- K.M. Khalil, M. Abdel-Aziz, T. T. Nazmy, A-B. M. Salem, “MLIMAS: A Framework for Machine Learning in Interactive Multi-agent Systems”, Procedia Computer Science, Vol. 65, 2015, pp. 827-835, ISSN 1877-0509,https://doi.org/10.1016/j.procs.2015.09.035.
- I. Basheer, M Hajmeer, “Artificial neural networks: fundamentals, computing, design, and application”, Journal of Microbiological Methods, Vol. 43, Issue 1, 2000, pp. 3-31, ISSN 0167-7012, https://doi.org/10.1016/S0167-7012(00)00201-3
- V. Chandola, A. Banerjee, V. Kumar, “Anomaly Detection: A Survey,” ACM Comput. Surv., vol. 41, no. 3, 2009, P. 58, http://doi.acm.org/10.1145/1541880.1541882.
- W. Fang, Y. Shao, P. E.D. Love, T. Hartmann, W. Liu, “Detecting anomalies and de-noising monitoring data from sensors: A smart data approach”, Advanced Engineering Informatics, Vol. 55, 2023, 101870, ISSN 1474-0346,https://doi.org/10.1016/j.aei.2022.101870.
- Y. LeCun, Y. Bengio, and G. Hinton, “Deep Learning,” Nature, vol. 521, no. 7553, 2015, pp. 436–444 .
- V. Kotsovskyi, Theory of Parallel Computing. A Textbook. Uzhhorod, 2021.
- S. Gavrin, D. Murzagulov, A. Zamyatin, “Anomaly Detection in Process Signals within Machine Learning and Data Augmentation Approach”, Machine Learning and Data Mining in Pattern Recognition. MLDM 2019: in 15th International Conference on Machine Learning and Data Mining, New York, 20-25 July 2019: Vol. 2. Leipzig: Ibai-publishing, 2019. pp. 585–598.
- R. Lebid, I. Zhukov, M. Huziy, Mathematical Methods in System Modeling: A Textbook for University Students. Kyiv, 2000.
- V. Aschepkov, “The use of the Isolation Forest model for anomaly detection in measurement data”, Innovative technologies and scientific solutions for industries, no 1 (27), 2024, pp. 236–245-, doi:10.30837/ITSSI.2024.27.236.