У статті запропоновано для автоматизації процедур формування множини альтернативних рішень та вибору раціонального рішення у галузевих ГІС використовувати інтелектуальних агентів планування діяльності з використанням онтологічного підходу. Запропоновано використовувати розроблену базу знань в галузі методів ройового інтелекту на основі адаптивної онтології та бази даних наукових публікацій у цій галузі. Всі прикладні задачі в галузевих геоінформаційних системах поділено на класи задач: стаціонарні, квазістаціонарні, динамічні. Запропоновано визначати вільні параметри для окремих ройових алгоритмів на основі машинного навчання з підкріпленням, а саме методом Q-Learning. На основі цього методу побудовано ланцюги Маркова для ройових алгоритмів. Підкріплення полягало в аналізі отриманих результатів певним ройовим алгоритмом експертним шляхом. На прикладі адміністративно-територіального управління було знайдено оптимальні значення параметрів окремих ройових алгоритмів.
1. Gruber, T. R. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition, 5 (2), 199–220. https://doi.org/10.1006/knac.1993.1008.
2. Guarino, N. (1995). Formal ontology, conceptual analysis and knowledge representation. International Journal of Human-Computer Studies, 43 (5-6), 625–640. https://doi.org/10.1006/ijhc.1995.1066.
3. Sowa, J. F. (1992). Conceptual graphs as a universal knowledge representation. Computers & Mathematics with Applications, 23 (2-5), 75–93. https://doi.org/10.1016/0898-1221(92)90137-7.
4. Bulskov, H., & R. Knappe, T., & Andreasen, R. (2004). On Querying Ontologies and Databases. Lecture Notes in Computer Science, 191–202. https://doi.org/10.1007/978-3-540-25957-2_16.
5. Cali, A., & G. Gottlob, A. & Pieris, A. (2010). Advanced processing for ontological queries. Proceedings of the VLDB Endowment. 3 (1-2), 554–565. https://doi.org/10.14778/1920841.1920912.
6. Galopin, A., & Bouaud, J. & Pereira, S., & Seroussi, B. (2015). An Ontology-Based Clinical Decision Support System for the Management of Patients with Multiple Chronic Disorders. Stud Health Technol Inform. 216, 275–279.
7. Zhao, T. (2014). An Ontology-Based Decision Support System for Interventions based on Monitoring Medical Conditions on Patients in Hospital Wards. University of Agder. 125.
8. Ugon, A., & Sedki, K., & Kotti, A., & Seroussi, B., & Philippe, C., & Ganascia, JG., & Garda, P., & Bouaud. J., & Pinna, A. (2016). Decision System Integrating Preferences to Support Sleep Staging. Studies in health technology and informatics. 228, 514–518.
9. Rospocher, M., & Serafini L. (2013). An Ontological Framework for Decision Support. Lecture Notes in Computer Science. 239–254. https://doi.org/10.1007/978-3-642-37996-3_16.
10. Rospocher, M., & Serafini L. (2012). Ontology-centric decision support. Proceedings of the International Conferenceon Semantic Technologies Meet Recommender Systems & Big Data (SeRSy’12). 919. 61–72.
11. Wong, W., & Liu, W., & Bennamoun, M. (2012). Ontology learning from text. ACM Computing Surveys. 44 (4), 1–36. https://doi.org/10.1145/2333112.2333115.
12. Sutton, R., & Bartow, A. (1998). Reinforcement Learning: An Introduction. / MIT Press. 322.
13. Maes, F. (2009). Structured prediction with reinforcement learning. Machine Learning. 271-301.
14. Jiang, J. (2012). Learned Prioritization for Trading Off Accuracy and Speed. Inferning: Interactions between Inference and Learning. Divisions. Retrieved October 28, 2019, from https://papers.nips.cc/paper/4556- learned-prioritization-fortrading-off-accuracy-and-speed.pdf.
15. Sutton, R., & Bartow, A. (2014). Reinforcement learning. Laboratory of knowledge.42-96.