Модель нечіткого керування з автоматизованою генерацією бази правил для артилерійських систем в ігрових симуляторах

2025;
: с. 157 – 168
https://doi.org/10.23939/jeecs2025.02.157
Надіслано: Жовтень 07, 2025
Переглянуто: Листопад 12, 2025
Прийнято: Листопад 19, 2025

O. Kozlov, O. Maksymov, M. Maksymov, R. Riaboshapka. (2025). Fuzzy control model with automated rule base generation for artillery systems in game simulators. Energy Engineering and Control Systems, Vol. 11, No. 2, pp. 157 – 168. https://doi.org/10.23939/jeecs2025.02.157

1
Чорноморський національний університет ім. П. Могили
2
Національний університет «Одеська морська академія»
3
Національний університет «Одеська політехніка»
4
Національний університет «Одеська політехніка»

У даній статті представлено розробку та валідацію нечіткої моделі керування з автоматизованою генерацією бази правил для виконавчих механізмів артилерійських систем у ігрових симуляторах. Запропонована модель інтегрує біоінспірований механізм оптимізації на основі алгоритму мурашиної колонії, що дозволяє автоматично синтезувати ефективні бази правил без використання експертних знань. Такий підхід забезпечує адаптивність та автономність за невизначених умов, а також демонструє логічну прозорість, що дозволяє детально аналізувати стратегії керування. Модель може бути використана для симуляцій поведінки прийняття рішень віртуальними союзниками або противниками, представляючи їхні різні рівні кваліфікації шляхом коригування еталонних моделей та цільових функцій на стадії проєктування, що підвищує реалізм у моделюванні бойових сценаріїв. Експериментальні дослідження, проведені на прикладі імітаційної моделі електроприводу підйому ствола артилерійської установки, продемонстрували перевагу нечіткої моделі над традиційним ПД-контролером з точки зору робастності, ефективності та точності. Представлена методологія також може бути застосована для гідравлічних та інших типів виконавчих механізмів.

  1. N. Świętochowski. (2024). Field Artillery in the defensive war of Ukraine 2022-2023. Part II. Methods of task implementation. SJMULF, Vol. 211(1), pp. 57-76. https://doi.org/10.5604/01.3001.0054.4136
  2. V. Bartulović, Z. Trzun, M. Hoić. (2023). Use of Unmanned Aerial Vehicles in Support of Artillery Operations. Strategos, Vol. 7 (1), pp. 71–92. 10.1007/s00371-023-02940-9
  3. M. Khalil. (2022). Study on modeling and production inaccuracies for artillery firing. Archive of mechanical engineering, Vol. 69, No. 1, pp. 165–183. https://doi.org/10.24425/ame.2021.139802
  4. V.E. Demydenko, M.V. Maksymov, V.O. Boltenkov. (2024). Combat operations model of a single self-propelled artillery system for the computer game ARMA 3. Applied Aspects of Information Technology, Vol. 7, No. 3, pp. 207–218. https://doi.org/10.15276/aait.07.2024.14
  5. M. Kutyło, M. Pluciński, M. Laskowska. (2015). Application of the reinforcement learning for selecting fuzzy rules representing the behavior policy of units in RTS-type games. PRZEGLĄD ELEKTROTECHNICZNY, Vol. 91(2), pp. 142-146. https://doi.org/10.15199/48.2015.02.33
  6. Y. Sun, et al. (2022). Research on a Simulation Algorithm for Artillery Firepower Assignment According to Region. 3rd International Conference on Computer Science and Management Technology (ICCSMT), Shanghai, China, pp. 353-356. https://doi.org/10.1109/ICCSMT58129.2022.00082
  7. M. Mady, M. Khalil, M. Yehia. (2020). Modelling and production of artillery firing-tables: case-study. Journal of Physics: Conference Series, No. 1507 (8), pp. 082043. https://doi.org/10.1088/1742-6596/1507/8/082043
  8. V. Boltenkov, et al. (2021). Devising a method for improving the efficiency of artillery shooting based on the Markov model. Eastern-European Journal of Enterprise Technologies, Vol. 6, No. 3 (114), pp. 6–17. https://doi.org/10.15587/1729-4061.2021.245854
  9. O.B. Maksymova, et al. (2023). Development and Optimization of Simulation Models and Methods for Controlling Virtual Artillery Units in Game Scenarios. Herald of Advanced Information Technology, Vol. 6, No. 4, pp. 320–337. https://doi.org/10.15276/hait.06.2023.21
  10. M. Grishyn, et al. (2025). Development of methods of artillery control for suppression of an enemy amphibious operation in video game simulations. Technology Audit and Production Reserves, Vol. 1(2(81), pp. 26–33. https://doi.org/10.15587/2706-5448.2025.321797
  11. O. Toshev, et al. (2025). Optimization of ammunition preparation strategies for modern artillery operations in computer simulation. Technology Audit and Production Reserves, Vol. 2(2(82), pp. 50–57. https://doi.org/10.15587/2706-5448.2025.326225
  12. M.V. Maksymov, et al. (2023). Verification of artillery fire under the influence of random disturbances for the computer game ARMA 3. Applied Aspects of Information Technology, Vol. 6, No. 4, pp. 362–375. https://doi.org/10.15276/aait.06.2023.24
  13. N. Peng, Y. Bai, H. Luo, J. Bai. (2013). Artillery Position Control through Auto Disturbance Rejection Controller Based on Fuzzy Control. 5th International Conference on Intelligent Human-Machine Systems and Cybernetics, Hangzhou, China, pp. 496-499, https://doi.org/10.1109/IHMSC.2013.124
  14. J. Y. Bae, Y. Badr, A. Abraham. (2009). A Takagi-Sugeno Fuzzy Model of a Rudimentary Angle Controller for Artillery Fire. 11th International Conference on Computer Modelling and Simulation, Cambridge, UK, pp. 59-64, https://doi.org/10.1109/UKSIM.2009.105
  15. Y. Zhou, C. Pan. (2010). A control method for the naval artillery servo system based on the grading fuzzy sliding mode control with the interference observer. 2nd International Conference on Advanced Computer Control, Shenyang, China, pp. 83-87, https://doi.org/10.1109/ICACC.2010.5487053
  16. O.V. Kozlov, Y.P.  Kondratenko. (2021). Bio-Inspired Algorithms for Optimization of Fuzzy Control Systems: Comparative Analysis. “Advanced Control Systems: Theory and Applications”, Series in Automation, Control and Robotics, Yuriy P. Kondratenko, Vsevolod M. Kuntsevich, Arkadiy A. Chikrii, Vyacheslav F. Gubarev (Eds.), River Publishers, Denmark, pp. 83-128. https://doi.org/10.1201/9781003337010-5
  17. Y.P.  Kondratenko, O.V. Kozlov. (2019). Generation of Rule Bases of Fuzzy Systems Based on Modified Ant Colony Algorithms. Journal of Automation and Information Sciences, Volume 51, Issue 3, pp. 4-25. https://doi.org/10.1615/JAutomatInfScien.v51.i3.20
  18. O.V. Kozlov, et al. (2022). Fuzzy Systems Design: Optimal Selection of Linguistic Terms Number. “Recent Developments in Automatic Control Systems”, Series in Automation, Control and Robotics, Yuriy P. Kondratenko, Vsevolod M. Kuntsevich, Arkadiy A. Chikrii, Vyacheslav F. Gubarev (Eds.), River Publishers, Gistrup, Denmark, pp.  197-239. https://doi.org/10.1201/9781003339229-11
  19. Y. Kondratenko, D. Simon. (2018). Structural and parametric optimization of fuzzy control and decision making systems. Recent developments and the new direction in soft-computing foundations and applications. Selected Papers from the 6th World Conference on Soft Computing. Berkeley, USA, 2016. Series: Studies in Fuzziness and Soft Computing. 361. Springer International Publishing. pp. 273-289. https://doi.org/10.1007/978-3-319-75408-6_22
  20. O.V. Kozlov, Y.P. Kondratenko, O.S. Skakodub. (2022). Information Technology for Parametric Optimization of Fuzzy Systems Based on Hybrid Grey Wolf Algorithms. SN Computer Science, Volume 3, issue 6, 463. https://doi.org/10.1007/s42979-022-01333-4