Газета е хмельницький робота: Є Оголошення Хмельницький public group

Abstract

В статье рассматривается обнаружение нескольких целей группой мобильных роботов, работающих в условиях неопределенности.Агенты снабжены датчиками с положительной и значительной вероятностью обнаружения целей на разных расстояниях. Цель состоит в том, чтобы определить траектории агентов, которые могут привести к обнаружению целей за минимальное время. Предлагаемое решение следует классическому подходу Купмана применительно к сетке занятости, а схемы принятия решений и управления строятся на основе теоретико-информационных критериев. Слияние сенсоров в каждом агенте и над агентами осуществляется по общей байесовской схеме.Представленные процедуры соответствуют ожидаемому подходу к получению информации с использованием алгоритмов «центра обзора» и «центра тяжести». Эти методы сравниваются с методом имитации обучения. Активность процедур анализируется с помощью численного моделирования.

Ключевые слова: поиск и обнаружение, многоагентные системы, вероятностное принятие решений, получение информации, стохастическое обучение, вероятностный поиск цели [1].Исследования в этой области были начаты в 1942 г. в рамках миссии по обнаружению подводных лодок в Атлантике [2] и в дальнейшем были распределены по различным приложениям и сценариям.

В частности, задача поиска касается деятельности искателя вплоть до охоты на цель в ее местоположении и часто приводит к оптимальной политике поиска или эффективной траектории движения искателя. Задача обнаружения, напротив, сосредоточена на распознавании местоположения цели без обязательного достижения ее физического местоположения и приводит, как правило, к экономически эффективному распределению поисковых усилий [2].Для обзора области и связанных с ней проблем см., например, [3,4,5]. В последние десятилетия, с развитием мобильных роботов и мультироботных систем, методы поиска и обнаружения были расширены для применения к группам автономных агентов, поэтому текущие исследования также включают рассмотрение коммуникации и коллективного принятия решений в условиях неопределенности [6]. ,7].

В статье рассматривается задача обнаружения множества целей группой мобильных агентов. Эта задача является прямым расширением классической постановки Купмана, направленной на обнаружение скрытых объектов [2,5,8].Однако, в отличие от формулировки Купмана, мы предполагаем, что процесс обнаружения осуществляется конечным небольшим числом неделимых агентов, которые стартуют в определенных местах, перемещаются по домену и исследуют его до обнаружения всех целей. Кроме того, мы предполагаем, что агенты оснащены датчиками, которые могут обнаруживать присутствие цели в определенных местах, но с ложноположительными и ложноотрицательными ошибками. Простая версия этой проблемы была рассмотрена в 2012 г. Исраэлем и соавт.[9] в рамках поиска в затененном пространстве. В том же году Черниховский с соавт. В [10] рассматривалась аналогичная задача поиска с ошибочными датчиками и показано, что решение алгоритма обнаружения завершается за конечное число шагов.

Задача поиска статичных или движущихся целей конечным и, как правило, небольшим числом агентов возникает в различных приложениях, как военных, так и гражданских. Стандартные таксономии этой проблемы часто основаны на способностях целей и поисковых агентов, таких как уровень их мобильности, их знания о деятельности другой стороны и уровень их сотрудничества [4,7,11].Многие алгоритмы поиска классифицируются по принципам оптимизации, управляющим движением агентов в группе. В частности, поскольку глобальная оптимизация движений агентов требует неоправданных затрат времени и вычислительных мощностей, алгоритмы поиска часто реализуются с использованием различных эвристик, в основном информационных, или имитирующих поиск пищи животными [6,7,12].

В статье рассматривается процесс обнаружения с несколькими допущениями, которые обычно рассматриваются отдельно.Следуя основной формулировке Купмана, мы рассматриваем вероятностную схему поиска, в которой поисковые агенты знают только о вероятностях местоположения целей, при этом предполагая, что применима экспоненциальная формула случайного поиска Купмана, которая определяет эти вероятности обнаружения. В то же время мы предполагаем, что группа поисковых агентов включает конечное малое число членов и что агенты неделимы; такое допущение подразумевает, что проблему нельзя рассматривать только как проблему распределения поисковых усилий, но и как проблему, требующую методов роевой навигации и управления.

На практике общение между агентами, а также обработка информации могут быть организованы на разных уровнях: от одноранговых сетей до схемы центральной станции, принимающей информацию от всех агентов группы [6,7] . В первом случае каждый агент получает информацию от своих соседей и принимает решения на основе такой локальной информации, а во втором случае центральная станция определяет движение агентов на основе глобальной информации. На практике алгоритмы управления роем используют оба подхода, тогда как на практике приложения, основанные на центральной станции, обычно ограничены вычислительной мощностью и коммуникационными ограничениями.Кроме того, в большинстве военных приложений использование центральной станции является сложной задачей из-за соображений безопасности. В предлагаемых методиках предполагается наличие центральной станции, содержащей глобальную карту вероятностей, которая, с одной стороны, может быть использована для теоретического рассмотрения эффективности предлагаемых методик, а с другой стороны, необходима. для выработки строгих критериев прекращения процесса обнаружения. Тем не менее, как мы показываем в статье, использование центральной станцией глобальной карты для навигации группы поисковых агентов менее эффективно, чем использование локальных карт в сочетании с одноранговой коммуникацией.

Наконец, мы продолжаем линию практических исследований [10,13], но в отличие от некоторых известных методов группового поиска и обнаружения мы рассматриваем более реалистичную ситуацию, в которой существуют как ложноположительные, так и ложноотрицательные ошибки обнаружения. Другое практическое допущение касается множества сенсоров, которые может использовать каждый агент.

В этом исследовании мы рассматриваем обнаружение ряда статических целей; однако разработанные алгоритмы допускают дальнейшую модификацию для обнаружения подвижных целей, что выходит за рамки данной статьи.Целью представленного исследования является внедрение методов управления мобильными агентами, действующими в составе группы, таким образом, чтобы обнаружение целей осуществлялось за минимальное время. Обратите внимание, что агентам не требуется ловить цели, то есть физически достигать их местоположения, а скорее определять местоположение целей с помощью своих бортовых датчиков.

Предлагаемое решение следует подходу сетки занятости, где карта точек-кандидатов целей создается одновременно с процессом обнаружения и движением агентов [14,15].Реализованная схема слияния датчиков соответствует общей байесовской схеме [16] с различной чувствительностью датчиков.

Алгоритм реализует три различных уровня знаний агента о местоположении целей:

• Глобальная карта, представляющая информацию, доступную группе агентов и полученную путем слияния информации, доступной каждому агенту. .

• Локальная карта, представляющая информацию, доступную каждому отдельному агенту, полученная путем слияния информации, полученной датчиками агента.

• Карта датчика, полученная одним датчиком.

Приведенные выше карты также называются вероятностными картами, поскольку они предоставляют информацию о местоположении цели с помощью распределения вероятностей, часто с использованием цветной тепловой карты для указания вероятности расположения цели в каждой сетке карты.

Алгоритм был обучен с различными целями принятия решений на основе:

• Ожидаемого получения информации на следующем шаге агента.

• Расположение центра поля зрения, указывающее местонахождение будущего агента, которое, учитывая возможности сенсоров, должно привести к максимальной модификации карты вероятностей. Формально этот подход основан на процедуре ожидаемого получения информации, которая применяется к глобальной карте вместо того, чтобы фокусироваться на ближайшем окружении агента.

• Расположение центра тяжести карты, что является первым моментом вероятностей местоположения целей.

При обнаружении одним агентом было обнаружено, что все три процедуры дают одинаковые результаты. Однако, поскольку подход по центру обзора реализует дополнительную информацию о возможностях датчиков, в некоторых случаях он демонстрирует лучшую производительность, чем два других алгоритма. Также обратите внимание, что если датчики безошибочны и равны, то сближение центра поля зрения и центра тяжести приводит к одинаковому времени обнаружения.

При коллективном обнаружении группой агентов было обнаружено, что во всех трех алгоритмах использование индивидуальной локальной карты каждым агентом приводит к меньшему времени обнаружения, чем время при использовании глобальной карты.Дальнейшие исследования этих сценариев показали, что из-за схожих решений, которые определяются использованием глобальной карты, агенты перемещаются в одни и те же области, а не распределяют усилия по пространству для одновременного исследования разных областей. Эти результаты согласуются с последними теоретическими соображениями об альтруистическом и эгоистическом поведении поисковых агентов в группах [17] и составляют основу для дальнейшего рассмотрения проблемы «разделения труда» в группах автономных агентов.

Алгоритм реализован на языке программирования Python, и код может быть непосредственно использован для решения реальных задач обнаружения целей группами мобильных агентов.

2. Сценарии совместного обнаружения

Рассматриваемая задача обнаружения следует общему сценарию Купмана [2] (см. также [5,8]) с дополнительным учетом движения агентов к местам назначения. Формально, используя подход сеток заполнения [14,15], задача определяется следующим образом.

Пусть C={c1,c2,…,cn} — конечное множество ячеек, такое что C представляет сетку над замкнутой двумерной областью, и рассмотрим набор из 1≤m≪n мобильных агентов Aj, j= 1, 2, …, m, поиск скрытых целей в домене. Для простоты предположим, что каждый агент, как и каждая цель, может занимать только одну ячейку сетки.

Состояние ячейки ci, i=1, 2, …,n, определяется как дискретная случайная величина, принимающая значения si=s(ci)∈{0,1}, такие, что si=0 означает, что ячейка ci не содержит никакой цели, а si=1 означает, что ячейка ci содержит цель.В случае, если нам нужно подчеркнуть время t зондирования, мы будем использовать обозначение sit=s(ci,t), в противном случае мы его опускаем. Заметим, что в любой момент времени t и для каждой ячейки ci вероятности этих событий исключают друг друга, т.е.

Каждый агент Aj оснащен множеством датчиков 𝕤jk, k=1,2,…l, которые предоставляют, не обязательно точную, информацию о состояниях ячеек si, i=1, 2, …,n, относительных к расстоянию агента по формуле экспоненциального случайного поиска Купмана [2],

Пр{цель обнаружена в ци | цель, расположенная в ci}=exp[−θ(d(ci,cj),τ)],

(2)

где θ(d(ci,cj),τ) представляет усилие поиска, приложенное к ячейке ci относительно расстояния d(ci,cj) между этой ячейкой ci и местоположением агента cj за период наблюдения τ. Предполагается, что чем меньше расстояние d(ci,cj) и чем больше период τ, тем выше будет вероятность обнаружения.

Чтобы формализовать возможность как ложноположительных, так и ложноотрицательных ошибок обнаружения, предположим, что домен включает в себя как истинные, так и фиктивные цели, которые транслируют сигналы, указывающие на их присутствие в ячейках домена. Сигналы, посылаемые истинными целями, считаются истинными тревогами, а сигналы, посылаемые фиктивными целями, считаются ложными тревогами, представляющими ложноположительные ошибки.

Тогда с учетом формулы поиска Купмана (2) вероятность воспринимаемой тревоги определяется следующим образом:

Pr{воспринятая тревога | тревога отправлена}=exp[−d(ci,cj)/λjk],

(3)

где λjk=λ(𝕤jk) — чувствительность датчика 𝕤jk, установленного на агенте Aj. Зависимость вероятности обнаружения на периоде наблюдения τ учитывается при обновлении карты вероятностей, как определено ниже.

Вероятности pi=p(ci)=Pr{тревога отправлена ​​из ci} отправки тревог из ячеек ci∈C, i=1,2,…,n, определяются картой вероятностей, которая представляет информацию о целях ‘ в домене. Кроме того, мы предполагаем, что агенты могут обмениваться информацией о местоположении целей, как они были восприняты датчиками.

Действие агентов описано ниже. Агенты начинают с некоторой начальной карты вероятностей

P(t)={p1(t),p2(t),…,pn(t)},

определяющее начальные вероятности pi(t) обнаружения целей в ячейках ci∈C, i=1,2,…,n, в момент времени t.

В момент времени t агенты Aj, j=1, 2, …, m, находятся в ячейках cj(t) и получают отправленные сигналы (будь то истинные или ложные тревоги) из ячеек, в которых находятся цели может быть расположен.Вероятности получения сигнала, отправленного из ячейки ci с вероятностью pi, определяются по формуле Купмана (3).

Получив сигналы, j-й агент Aj обновляет карты вероятностей датчиков, k=1, 2, …, l,

Psensor(j,k,t)={ps1=1sensor(j,k,t), ps2=1sensor(j,k,t),…,psn=1sensor(j,k,t)},

где

psi=1sensor(j,k,t)=Pr{датчик 𝕤jk определяет истинную цель в ci в момент времени t}.

Полученные карты вероятностей датчиков Psensor(j,k,t), k=1, 2, …, l, объединяются в карту вероятностей

Pagegent(j,t)={ps1=1агент(j,t), ps2=1агент(j,t),…,psn=1агент(j,t)},

где вероятности psi=1agent(j,t) местонахождения цели в ячейках ci, i=1, 2, …,n, с точки зрения агента, задаются слиянием вероятностных карт датчиков Psensor(j,k ,t), k=1, 2, …, l.

Наконец, глобальная карта вероятностей

Pglobal(t)={ps1=1global(t), ps2=1global(t),…,psn=1global(t)},

определяющее вероятности psi=1global(t) местоположений цели в ячейках ci, i=1, 2, …,n, как они известны группе агентов, получается слиянием карт вероятностей агентов Пагента (j,t) по всем агентам Aj, j=1,2,…,m.

В представленных алгоритмах карты вероятностей как на уровне датчиков, так и на уровне агентов сливаются по простой байесовской схеме.Точные уравнения для расчета каждой карты вероятностей представлены в следующих разделах.

Общий сценарий обнаружения целей группой мобильных агентов выглядит следующим образом. На каждом шаге каждый агент принимает решение о своем следующем движении. Решение агента основывается либо на локальной, либо на глобальной картах вероятностей (или на обеих), полученных на этом шаге.

Приняв решение, агент делает шаг движения в выбранном направлении.По завершении шага и прибытии в нужную ячейку агент наблюдает за ячейками домена с помощью своих сенсоров, получает истинную или ложную информацию о местоположении цели и соответственно обновляет карты вероятностей.

Затем процесс обнаружения продолжается в соответствии с обновленными картами вероятностей и текущими местоположениями агента в пошаговом режиме.

Наша цель — определить траектории агентов по домену, чтобы все цели были обнаружены за минимальное время.Обратите внимание еще раз, что мы не требуем, чтобы агенты физически прибывали в точное местонахождение целей, а скорее определяли местоположения целей с некоторым уровнем достоверности.

Ясно, что сформулированная задача следует общему сценарию Купмана [2]. Как определено в рамках вероятностного поиска [5,16]. Поскольку в общем случае вычислительная сложность поиска оптимального решения составляет O(nm), нас интересует практически вычислимое близкое к оптимальному решение. В следующем разделе мы рассмотрим несколько эвристических подходов и разумных допущений, которые приводят к такому решению.

3. Схемы объединения и обновления датчиков по картам вероятностей

Как указано выше, мы предполагаем, что каждый агент Aj оснащен несколькими датчиками 𝕤jk, k=1,2,…l, которые независимо предоставляют, не обязательно точную, информацию о состояниях ячеек si, i=1, 2, …,n. В используемой структуре сетки занятости слияние датчиков проводится следующим образом.

Пусть, например, 𝕤j1 и 𝕤j2 — два независимых датчика, установленных на агенте Aj, а s˜j1(ci,t) и s˜j2(ci,t) — сигналы, полученные этими датчиками в момент времени t.Тогда вероятность того, что цель находится в ячейке ci, то есть в состоянии si(t)=1, определяется по правилу Байеса следующим образом (см. также [15]):

Pr{si(t)=1 | s˜j1(ci,t)=1, s˜j2(ci,t)=1}=Pr{s˜j2(ci,t)=1│si(t)=1}×Pr{si(t) =1| s˜j1(ci,t)=1}∑si(t)Pr{s˜j2(ci,t)=1│si(t)}×Pr{si(t)| s˜j1(ci,t)=1},

(4)

где сумма берется по всем возможным значениям si(t). В рассматриваемом случае это значения si(t)∈{0, 1}.

Распространение этого уравнения на l бортовых датчиков агента Aj приводит к вероятностям

фунт/кв. ,к,т)),

(5)

местоположений целей в ячейках ci, i=1, 2, …,n, определяемых агентом Aj с помощью своих сенсоров.Это уравнение основано на подходе, известном как «независимый пул мнений» [15], в предположении, что датчики условно независимы и что их надежность и точность эквивалентны.

Точно так же вероятности местоположения различных агентов могут быть объединены с глобальными вероятностями,

psi=1global(t)=∏j=1mpsi=1агент(j,t)∏j=1mpsi=1агент(j,t)+∏j=1m(1−psi=1агент(j,t)),

(6)

местоположений целей в ячейках ci, i=1, 2, …,n, определяемых группой агентов.Обратите внимание, что для такого определения требуется центральный блок, который получает данные от каждого агента и вычисляет глобальную карту вероятностей, используя полученные вероятности от всех агентов.

В представленных уравнениях используются вероятности psi=1sensor(j,k,t) расположения целей в ячейках ci, i=1, 2, …,n, определяемые датчиками 𝕤jk, k=1,2, …l, установленных на агентах Aj, j=1,2,…,m. Эти вероятности формируют карты вероятностей датчика Psensor(j,k,t), которые обновляются следующим образом.

В начальный момент времени t=0 вероятности psi=1sensor(j,k,t) заданы относительно некоторого начального распределения; если информация отсутствует, эти вероятности можно изобразить с помощью равномерного распределения. Затем эти вероятности обновляются с использованием байесовского подхода следующим образом.

Как указано выше, пусть s˜jk(ci,t) — сигнал, полученный о ячейке ci по датчику 𝕤jk агента Aj в момент времени t. Напомним, что в рассматриваемом сценарии s˜jk(ci,t)=1 означает, что ячейка ci занята целью, а s˜jk(ci,t)=0 означает, что ячейка ci пуста, оба основаны на датчике 𝕤jk.

Тогда вероятности состояния ячейки ci, которые обновляются выходами датчиков, равны: ячейке в момент времени t−1, то истинная положительная вероятность равна

фунт/кв.дюйм=1датчик(j,k,t)=Pr{si(t)=1 |s˜jk(ci,t)=1}=Pr{si(t−1)=1}×Pr{s˜ jk(ci,t)=1│si(t)=1}∑si(t)Pr{si(t−1)}×Pr{s˜jk(ci,t)=1│si(t)},

(7)

Эти уравнения определяют схему обновления карты вероятностей для датчика с учетом новых наблюдений. К ним относятся вероятности Pr{s˜jk(ci,t)=1│si(t)=1} того, что датчик воспримет сигнал при условии, что цель находится в ячейке ci, и вероятность Pr{s˜jk(ci, t)=0│si(t)=1}, что датчик не воспринимает сигнал из ячейки ci при условии, что цель находится в этой ячейке.

Чтобы определить эти вероятности, обозначим через a˜(ci,t) сигнал тревоги, посылаемый в ячейку ci в момент времени t.Значение a˜(ci,t)=1 подразумевает, верно это или нет, что ячейка занята, а значение a˜(ci,t)=0 подразумевает, верно или нет, что ячейка пуста. Тогда, применяя формулу Купмана (3), получаем следующее

Pr{s˜jk(ci,t)=1│si(t)=1}=Pr{a˜(ci,t)=1│si(t)=1}×exp[−d(ci, cj)/λjk],

(9)

Pr{s˜jk(ci,t)=1│si(t)=0}=1−Pr{s˜jk(ci,t)=1│si (т)=1},

(10)

где, как и выше, d(ci,cj) — расстояние между ячейкой ci и местоположением агента cj, а λjk=λ(𝕤jk) — чувствительность датчика 𝕤jk, установленного на агенте Aj.

Эти уравнения позволяют рассчитать вероятности занятости в каждый момент времени t, учитывая вероятности в предыдущий момент времени t−1 и информацию, полученную датчиками в момент времени t. Как указано выше, в начальный момент времени t=0 вероятности определяются на основе топографических данных и априорной информации или, в худшем случае, могут быть заданы равномерным распределением сетки занятости.

Описанный выше процесс объединения датчиков показан на рис.

Процесс сплавления датчиков.

Датчики получают сигналы s˜jk(ci,t) из окружающей среды. Часть этих сигналов являются положительными сигналами от целей, указывающими на реальное местоположение целей, тогда как другие представляют собой ложные тревоги (т. е. ложноположительные ошибки), соответствующие ложным местоположениям целей. На основе полученных сигналов для каждого датчика создается локальная карта датчиков (см. уравнения (7) и (8)). Затем каждый агент интегрирует свои карты датчиков в карту локального агента (см. уравнение (5)). Наконец, глобальная карта создается путем интеграции карт агентов (см. уравнение (6)).Такая иерархическая структура позволяет рассматривать карты каждого уровня отдельно и, следовательно, определять более эффективный вычислительный процесс, использующий только те карты, которые необходимы для текущих вычислений.

4. Политики агентов и принятие решений

В этом разделе мы определяем поведение группы агентов, выполняющих действия в домене с координатной сеткой, направленные на обнаружение скрытых целей. Агенты обнаруживают цели с помощью своих бортовых датчиков, так что датчики могут идентифицировать цели с определенных ненулевых расстояний.Цель состоит в том, чтобы определить траектории движения агентов таким образом, чтобы они обнаруживали цели за минимальное время.

Формально эта задача определяется следующим образом. Обозначим через τj(T)=(cj(0),cj(1),…,cj(T)) траекторию движения агента Aj, начиная с его начальной клетки cj(0) и до занятой клетки cj(t). во время т. Находясь в ячейке cj(t), агент принимает решение о своем следующем местоположении, следуя определенной политике πj(P), предписывающей, как выбрать следующую ячейку cj(t+1) при заданной карте вероятностей P.Для простоты и удобства будем считать, что политика πj(P) для каждого агента Aj не зависит от времени и для любого t задается прикладной картой вероятностей P, которая содержит агрегированную информацию о расположении целей как функцию прошлые перемещения агентов. Результатом применения политики πj(P) является действие 𝕒j(t), управляющее перемещением агента из текущей ячейки cj(t) в следующую ячейку cj(t+1). Точнее, политика — это функция πj:P→𝕒(Aj), где 𝕒(Aj) — множество возможных действий агента Aj, а действие определяется функцией 𝕒j(t):C→C, которая определяет выбор позиций агента.Предполагая, что действия обеспечивают однозначный выбор ячеек агента, искомое решение состоит в определении функции πj.

Предположим, что имеется ξ целей, ξ Однако мы используем эти значения в качестве параметров для моделирования и анализа чувствительности, чтобы продемонстрировать, что лучшие результаты могут быть получены при отдельном использовании карт вероятностей агентов, так что использование центрального блока часто не требуется.

Обозначим через Tθ(p|π1(P),π2(P),…,πm(P)) время, необходимое для обнаружения цели θ, θ=1,2,…,ξ, с вероятностью p при данных агентах ‘ политики π1(P),π2(P),…,πm(P). Затем цель состоит в том, чтобы определить такие политики, которые приводят к минимальному времени обнаружения последней цели, то есть

(π1*(P),π2*(P),…,πm*(P))=argmin(π1(P),π2(P),…,πm(P))maxθ=1,2,… ,ξTθ(p).

(11)

Обратите внимание, что это NP-сложная задача, которую нельзя решить напрямую с помощью обычного линейного или целочисленного математического программирования [4,6]. Для аппроксимации политик π1*(P),π2*(P),…,πm*(P) приемлемым образом мы оцениваем три разных подхода:

• Максимизация ожидаемого прироста информации (EIG) локально – по клеткам, доступным каждому из агентов за один ход;

• Направление агентов к центру обзора (COV), т. е. к точке, обеспечивающей максимальный ожидаемый прирост информации по всем ячейкам домена;

• Направление агентов к центру распределения, также известному как центр тяжести (COG), который определяется первым моментом карты вероятностей.

Обратите внимание, что последний подход представляет собой жадную эвристику, требующую минимальных вычислительных усилий, тогда как первые два подхода являются более сложными эвристиками, требующими вычисления возможностей в локальных или глобальных окрестностях каждого агента.

Для целей сравнения мы также рассматриваем случай, когда статические агенты остаются на своих начальных местах, и агент, который накапливает сигналы, полученные от целей, подчиняясь правилу обучения грубой силы.Мы применяем его только для одного агента, так как этот случай чрезвычайно требователен к вычислительным ресурсам.

Ожидаемый прирост информации EIG(j,k,t) для каждого датчика 𝕤jk агента Aj в момент времени t определяется суммой мер расхождения Кульбака–Лейблера (KL) между вероятностной картой датчика Psensor(j,k ,t|𝕒j), полученное после выполнения выбранного действия 𝕒j агентом Aj, и карту вероятностей датчика Psensor(j,k,t|O), полученную без выполнения какого-либо действия; где такое нулевое действие обозначается O. Тогда ожидаемый прирост информации EIG(j,k,t) определяется как

EIG(j,k,t)=DKL(Psensor(j,k,t|𝕒j)||Psensor(j,k,t|O)),

(12)

где DKL(p||q)=∑xp(x)log(p(x)/q(x)) и логарифмирование ведется по основанию 2; таким образом, расстояние DKL представлено средним числом битов. Конечно, вместо расстояния KL, которое является псевдометрикой в ​​пространстве вероятностных распределений, можно использовать другие теоретико-информационные метрики. В частности, EIG можно определить с помощью дивергенции Дженсена–Шеннона как среднего значения расстояний KL 12DKL(p||M)+12DKL(q||M), M=12(p+q) или с помощью Метрики Орнштейна или Рохлина (применение таких метрик к поисковым задачам см. в [4]).Тем не менее, здесь мы используем обычное определение EIG, и, поскольку эвристикам не нужны метрические свойства пространства вероятностных распределений, мы не требуем, чтобы функция расстояния была формальной метрикой.

На уровне агента ожидаемый прирост информации EIG(j,t) определяется суммой ожидаемого прироста информации для каждого датчика 𝕤jk, т. е.

EIG(j,t)=∑k=1lEIG(j,k,t).

(13)

Аналогично, для группы из m агентов ожидаемый прирост информации EIG(t) в момент времени t равен

EIG(t)=∑j=1mEIG(j,t).

(14)

Обратите внимание, что вместо расчета расстояний KL для каждого агента на основе его собственной карты, а также расчета глобальных карт вероятностей для всех агентов (уравнения (5) и (6) соответственно), ожидаемая информация выигрыши более высоких уровней рассчитываются по суммам ожидаемых информационных выигрышей нижних уровней. Таким образом, EIG группы рассчитывается как сумма EIG агентов, а EIG агента рассчитывается как сумма EIG его сенсоров.Такое определение следует линии аддитивного свойства информации и приводит к существенно более простым вычислениям.

Используя EIG, агент принимает решение в соответствии с максимизацией меры EIG, т.е.

𝕒*(t)=argmax𝕒jEIG(t).

(15)

Например, находясь в любой клетке ci, агент может выбрать один из девяти вариантов движения: сделать шаг вперед, назад, влево, вправо, влево-вперед, влево-назад, вправо-вперед, вправо-назад или оставаться в текущей ячейке. Затем по уравнению (15) агент выбирает такое движение, которое приводит к получению максимального ожидаемого прироста информации о местоположении целей.

Вероятности датчиков psi=1sensor(j,k,t|𝕒j) при заданном действии агента 𝕒j можно определить либо с помощью глобальной карты вероятностей Pglobal(t), либо с помощью карты вероятностей агентов Pagent(t) . В первом случае вероятности датчика равны:

psi=1sensor(j,k,t|𝕒j)=psi=1global(t)×Pr{a˜(ci,t)=1│si(t)=1 }×exp[−d(ci,c(𝕒j))/λjk],

(16)

psi=1sensor(j,k,t|O)=psi=1global(t)×Pr{a˜( ci,t)=1│si(t)=1}×exp[−d(ci,c(O))/λjk],

(17)

а в последнем случае эти вероятности определяются следующим образом

psi=1sensor(j,k,t|𝕒j)=psi=1агент(j,t)×Pr{a˜(ci,t)=1│si(t)=1}×exp[−d(ci ,c(𝕒j))/λjk],

(18)

psi=1датчик(j,k,t|O)=psi=1агент(j,t)×Pr{a˜(ci,t)=1 │si(t)=1}×exp[−d(ci,c(O))/λjk],

(19)

где c(𝕒j) — местоположение агента после выполнения действия 𝕒j, а c(O) — местоположение агента, если он решит не выполнять какое-либо действие, т. е.д., оставаясь на прежнем месте.

Второй подход к управлению действиями агента реализует измерение центра поля зрения (COV), направленное на точку сетки, которая обеспечивает максимальный ожидаемый прирост информации по всем ячейкам домена. Другими словами, разница между информацией, которую агент получает в своем текущем положении, и информацией, которую он ожидает получить, находясь в точке COV, достигает своего максимума. Формально это означает, что в отличие от EIG, который рассчитывается по соседним местоположениям (таким образом, восемь точек вокруг текущего местоположения агента и его текущей точки), COV основан на расчетном EIG по всем точкам домена.Таким образом, вместо расчета вероятностей датчиков по уравнениям (16)–(19) с использованием расстояний d(ci,c(𝕒j)) и для расчета COV вероятности датчиков определяются с использованием расстояний d(ci,cη) между ячейкой ci и другими точками области, cη, η=1,2,…,n, которые можно рассматривать как возможные местоположения COV. Параллельно уравнениям (16) и (18) в этом случае имеем

psi=1,Gsensor(j,k,t|cη)=psi=1global(t)×Pr{a˜(ci,t)=1│si(t)=1}×exp[−d(ci ,cη)/λjk],

(20)

psi=1,Asensor(j,k,t|cη)=psi=1агент(j,t)×Pr{a˜(ci,t)=1│ si(t)=1}×exp[−d(ci,cη)/λjk].

(21)

Если агент предпочитает оставаться в своем текущем местоположении, то расстояние определяется, как указано выше, как d(ci,c(O)) и вероятности датчика рассчитываются по уравнениям (17) и (19) .

При использовании этих вероятностей датчиков EIGη определяется параллельно с EIG:

EIGη(j,k,t)=DKL(Psensor(j,k,t|cη)||Psensor(j,k ,t|O)),

(22)

EIGη(j,t)=∑k=1lEIGη(j,k,t),

(23)

EIGη(t)=∑j=1mEIGη( к,т),

(24)

а COV – точка, в которой EIGη достигает своего максимума, т.е.

COV(t)=argmaxcηEIGη(t).

(25)

Наконец, центр тяжести (COG), который является первым моментом карты вероятностей, используются следующие расчеты. В двумерной области местоположение каждой ячейки ci, i=1, 2, …,n, определяется двумя координатами, ci=(xi,yi). Кроме того, напомним, что si=s(ci)∈{0,1} обозначает состояние ячейки ci. Тогда координаты центра тяжести для осей равны

COGx(t)=∑i=1nxi×psi=1global(t)/∑i=1npsi=1global(t),.

(26)

COGy(t)=∑i=1nyi×psi=1global(t)/∑i=1npsi=1global(t),

(27)

и окончательное местоположение COG получается путем округления значений COGx(t) и COGy(t) до ближайших целых чисел, т.е.

COG(t)=([COGx(t)],[COGy(t)]).

(28)

Обратите внимание, что, поскольку мы рассматриваем только состояния si=1, сумма вероятностей в знаменателе отлична от единицы и меняется со временем и с количеством целей.

Поскольку и здесь, и в предыдущем случае искомые точки COG(t) и COV(t) могут находиться далеко от текущего местоположения агента, агент движется к этим точкам шагами и меняет свое направление относительно изменения координаты COG(t) и COV(t).

5.Управление политиками и обучение методом полного перебора

Для управления полученными политиками мы применяем простой метод ретроспективного анализа. На основе этого метода контроль политик агентов осуществляется следующим образом.

Пусть глобальная карта вероятностей в момент времени t−1 равна Pglobal(t−1), и предположим, что, следуя выбранным политикам πj(Pglobal(t−1)), j=1,2,…, m, агенты сделали решение и совершение соответствующих действий. Затем в момент времени t каждый из агентов располагается в новой ячейке и по наблюдениям из этих ячеек строится глобальная карта вероятностей Pglobal(t).Значение

Vπ(t)=DKL(Pglobal(t)||Pglobal(t−1)),

(29)

— фактический информационный прирост, полученный в результате действий, определенных политикой π=(π1,π2,…,πm).

Определенный процесс принятия решений и метод управления показаны на .

Схема агентского принятия решений и контроля.

На основе политики π в момент времени t каждый агент принимает решение относительно своих действий. После действия и соответствующего движения агент наблюдает за окружающей средой, и по полученным сенсорным картам уточняется карта агента и глобальная карта.Параллельно для контроля политики агента вычисляется значение информационного прироста Vπ(t).

Вычисленный прирост информации Vπ(t) указывает на эффективность применяемой политики и используется как сравнительная мера решений агентов: его накопленное значение до некоторого времени T становится тем больше, чем эффективнее политика агентов в смысле количества полученной информации о местоположении целей. Соответственно, наилучшую политику можно определить следующим образом:

π*(T)=argmaxπ∑t=1TVπ(t),

(30)

где π*(T) обозначает наилучшую политику среди всех комбинаций политик агентов, πj, j=1,2,…, m, которые можно применить к доступным глобальным картам до момента времени T.

Мера обучения также основана на фактическом получении информации, но в данном случае она определяется действиями 𝕒=(𝕒1,𝕒2,…,𝕒m), выбранными агентами, а именно:

V𝕒(t )=DKL(Pglobal(t|𝕒)||Pglobal(t|O)),

(31)

где Pglobal(t|𝕒) — глобальная карта вероятностей, полученная после выполнения действий всех агентов, а Pglobal(t|O) — глобальная карта вероятностей, если все агенты остаются на своих текущих позициях.

Выбор действий осуществляется следующим образом.Предположим, что в момент времени t агенты находятся в своих местах и ​​наблюдают некоторую глобальную карту вероятностей Pglobal(t). Тогда для каждой комбинации 𝕒=(𝕒1,𝕒2,…,𝕒m) их действий и для нулевого действия O=(O1,O2,…,Om) глобальные отображения Pglobal(t|𝕒) и Pglobal(t|O ) и указан средний информационный прирост V𝕒(t) для комбинации 𝕒. Наилучшее сочетание действий определяется максимальным значением V𝕒(t), т.е.

𝕒*(t)=argmax𝕒V𝕒(t).

(32)

Понятно, что это обучение методом полного перебора, требующее рассмотрения всех возможных комбинаций действий всех агентов с большим количеством итераций.Таким образом, на практике такую ​​политику невозможно выполнить для большого количества агентов и действий. Однако для одного агента этот этап обучения может быть выполнен за относительно короткое время при наличии доступных вычислительных ресурсов.

В рассматриваемой работе в качестве эталона для оценки предлагаемых методов используется обучение методом грубой силы.

6. Численное моделирование и анализ

Численное моделирование было реализовано с использованием языка программирования Python, выполняемого на обычном ПК с процессором Intel I5 8265U.Во всех случаях, если не указано иное, время выполнения алгоритмов указывается количеством итераций. Кроме того, во всех таблицах политики измеряются с учетом определенных подходов: ожидаемого прироста информации (EIG), центра обзора (COV) и центра тяжести (COG), как представлено в разделе 4.

В симуляциях поиск проводится в квадратной области с координатной сеткой размером n=nx×ny ячеек, и предполагается, что каждый агент и каждая цель могут занимать только одну ячейку в области.При моделировании разные установки включали разное количество m агентов и разное количество l целей. Также будем считать, что имеется два типа датчиков, при этом каждый агент Aj оснащен двумя датчиками 𝕤j1 и 𝕤j2 разных типов с соответствующими чувствительностью λj1 и λj2. И истинные тревоги, и ложные тревоги отправляются в зависимости от типов датчиков и воспринимаются отдельно каждым из двух типов датчиков.

Следуя цели найти такие политики, которые приводят к минимальному времени обнаружения последней цели (см. уравнение (11)), мы определили максимальное время моделирования по формуле

Tmax(p)=maxθ=1,2,…,ξTθ(p),

(33)

где, как указано выше, Tθ(p) – время, необходимое для обнаружения цели θ, θ=1,2,…,ξ, с вероятностью p.Тогда стратегии, которые приводят к минимальному времени Tmax(p) при заданной вероятности p, являются лучшими стратегиями. При моделировании мы использовали вероятность p=0,95.

Для уменьшения систематических ошибок представленные ниже результаты были получены путем усреднения результатов пяти повторных испытаний, каждое из которых содержало тридцать сессий, выполненных с одинаковыми параметрами, при одинаковых начальных положениях как искателей, так и целей. Истинные и ложные тревоги в сеансах генерировались одним и тем же равномерным распределением со случайным начальным числом для каждого испытания.

6.1. Обнаружение одним агентом

Начнем с небольшого наглядного примера обнаружения одним агентом A1. Чтобы смоделировать обучение методом грубой силы, определяемое уравнениями (31) и (32), мы рассмотрели небольшую область размером n=20×20=400 ячеек. Трансляция ложных срабатываний распределялась по домену равномерно, а частота отправки ложных срабатываний со всех 400 ячеек составляла 100 ложных срабатываний в секунду для каждого типа датчиков, то есть в среднем 1/4 срабатывания в секунду с каждой ячейки. к каждому типу датчика.Чувствительность датчиков λ11=λ12=10.

В первой настройке одиночный агент A1 обнаруживал l=3 цели, расположенные в ячейках с координатами c1=(11,16), c2=(0,14) и c3=(7,1); начальное положение агента было c(0)=(20,8). Результаты имитационных испытаний суммированы в .

Таблица 1

Время, необходимое для обнаружения последней среди l=3 целей с вероятностью p=0,95 одним агентом, реализующим разные политики.

Как и ожидалось, наилучший результат, который приводит к минимуму Tmax(0. 95) получается путем обучения методом грубой силы, в то время как времена, полученные политиками на основе ожидаемого прироста информации (EIG), центра обзора (COV) и центра тяжести (COG), близки к этому лучшему результату. Обратите внимание, что поскольку обнаружение выполняется одним агентом, результаты, полученные политиками COV и COG, равны.

иллюстрирует активность одного агента, обнаруживающего три цели с помощью политики центра обзора (COV).

Активность одного агента по обнаружению трех целей.( a ) — позиции целей (красные квадраты) и начальное местоположение агента (зеленый квадрат). ( b ) — 100 ложных срабатываний в секунду для каждого типа датчика (белый цвет означает ложную тревогу). ( c ) — траектория и конечное положение агента.

Значения накопленного прироста информации (см. уравнение (30)

Vπ(T)=∑t=1TVπ(t),

(34)

характеризующие эффективность политики для моделируемой политики, представлены в . Время T=17 — это минимальное время обнаружения последней цели на основе политики полного перебора.

Таблица 2

Накопленный прирост информации от обнаружения l=3 целей одним агентом за моменты времени T=10 и T=17.

Политика обнаружения	Накопленный информационный прирост Vπ(T)
	Т=10	T=17
Статическое средство	3,6	4.1
ЭИГ	4. 2	6.1
КОВ	4.4	6.4
COG	4.4	6.4
Обучение методом грубой силы	4,6	6.8

Что касается времени обнаружения, максимальный накопленный информационный прирост Vπ(T) получается при использовании политики обучения методом грубой силы, в то время как политики EIG, COV и COG приводят к накопленному информационному приросту, близкому к максимум.

В следующей симуляции один агент A1 обнаруживает l=5 целей, расположенных в ячейках со следующими координатами: c1=(11,16), c2=(0,14), c3=(7,1), c4=(5,3) и c5=(11,15); начальная позиция агента c(0)=(19,8). Результаты имитационных испытаний суммированы в .

Таблица 3

Время, необходимое для обнаружения последней из l=5 целей с вероятностью p=0,95 одним агентом, реализующим разные политики.

Политика обнаружения	Время обнаружения
	Первая цель	Вторая цель	Третья цель	Четвертая цель	Тмакс(0. 95)
Статическое средство	14	94	29	12	9	94
ЭИГ	9	32	20	13	7	32
КОВ	14	28	22	10	8	28
COG	14	28	21	10	8	28
Обучение методом грубой силы	14	25	17	18	11	25

Как и в предыдущем случае, наилучший результат дает обучение методом грубой силы, в то время как времена, полученные политиками, основанными на центре обзора (COV) и центре тяжести (COG), близки к это лучший результат. Однако для этого случая с большим количеством целей уже можно заметить, что политика, основанная на ожидаемом приросте информации (EIG), хуже, чем первые три политики.

Соотношения между значениями накопленного информационного прироста в этом случае снова аналогичны случаю обнаружения трех целей. Наилучший результат дает политика обучения методом грубой силы. Тогда результаты политик COV и COG становятся близкими к грубой силе, в то время как политика EIG менее эффективна.Наихудшие результаты дает статический агент.

6.2. Обнаружение несколькими агентами

Теперь давайте рассмотрим обнаружение группой агентов, которые могут обмениваться информацией и, следовательно, использовать карты вероятностей друг друга, а также глобальную карту вероятностей, которая представляет знания группы.

Поскольку в данном случае мы не учитывали обучение методом грубой силы, при моделировании мы использовали большую область размером n=40×40=1600 ячеек. Как упоминалось выше, широковещательная рассылка ложных срабатываний равномерно распределялась по домену. Однако частота отправки ложных срабатываний со всех 1600 ячеек составила 400 ложных срабатываний в секунду для каждого типа датчиков, что составляет 1/4 срабатываний в среднем от каждой ячейки к каждому типу датчиков. Предполагается, что каждый агент Aj оснащен датчиками двух типов. Чувствительности датчиков каждого типа обозначены λj1 и λj2.

Напомним, что каждый агент, находящийся в ячейке, может выбрать одну из девяти альтернатив, при этом, если агент находится на границе домена, то количество альтернатив меньше из-за граничных условий карты.

В дополнение к рассмотренным политикам, которые основаны на (i) ожидаемом приросте информации (EIG), (ii) центре обзора (COV) и (iii) центре тяжести (COG), в следующих имитациях мы также различать принятие решений по нескольким сценариям: (i) при опоре на карту вероятностей агентов и (ii) при опоре на глобальную карту вероятностей, а также (i) выбор действий каждым агентом в отдельности или (ii) выбор действий взаимно всеми агентами в группе. Использование карт и выбор действий для различных политик обобщены в .

Таблица 4

Принятие решения и выбор действия в группе из m агентов действуют в домене с n ячейками.

В таблице представлен тот факт, что при применении политики EIG агент из своей текущей ячейки может либо переместиться в одну из восьми соседних ячеек, либо остаться в своем текущем местоположении. При применении политики COV агент может выбрать одну из n ячеек в качестве желаемого центра обзора, а при применении политики COG агент может рассматривать только одну ячейку как ячейку COG.

Для согласованности начнем с той же настройки, что и в предыдущих симуляциях, а именно с обнаружения l=5 целей, расположенных в ячейках с координатами c1=(4,34), c2=(6,23), c3= (37,3), c4=(32,13) ​​и c5=(2,5). Эти моделирования проводятся для m=2 агентов, каждый из которых оснащен двумя датчиками с соответствующими чувствительностью λj1=λj2=10, j=1,2.Начальные позиции агентов c1(0)=(25,3) и c2(0)=(20,9). Результаты моделирования при использовании различных политик представлены в (см. ).

Таблица 5

Времена, необходимые для обнаружения последней среди l=5 целей с вероятностью p=0,95 m=2 агентами, реализующими разные политики.

иллюстрирует активность двух агентов, обнаруживающих пять целей при использовании ожидаемого прироста информации (EIG) с картой агента/политикой действия агента.

Активность двух агентов по обнаружению пяти целей. ( a ) — позиции целей (красные квадраты) и начальные местоположения агентов (зеленые квадраты). ( b ) — Карта 400 ложных сигналов тревоги в секунду для каждого типа датчика (белый цвет указывает на ложную тревогу). ( c ) — Траектории и конечные позиции агента.

Результаты моделирования с использованием различных политик представлены в (см. ).

Как и ожидалось, наихудшие результаты дают статические агенты.Наилучшие результаты дают политики, основанные на центре обзора (COV) и центре тяжести (COG). Как указано выше, эти политики приводят к одинаковому времени обнаружения. Наконец, политика EIG, как показано выше, приводит к более длительному поиску, чем политики COV и COG, но лучше, чем политика статического агента.

Кроме того, обратите внимание, что политики принятия решений, основанные на карте агентов, дают значительно лучшие результаты, чем политики, основанные на глобальной карте. Другими словами, в задачах обнаружения больше информации не всегда лучше, если только действия между агентами не могут быть синхронизированы. Причина такого результата заключается в следующем. Опираясь на единую глобальную карту, все агенты нацелены на одни и те же предпочтительные регионы с более высокой вероятностью обнаружения целей, игнорируя при этом регионы с более низкой вероятностью. Однако из-за наличия как ложноположительных, так и ложноотрицательных ошибок мишени могут появляться в тех игнорируемых областях, в которые агенты возвращаются только после неудачного обнаружения в предпочтительных областях.Все эти движения отнимают много времени. Напротив, при использовании карт агентов каждый агент рассматривает свой локальный регион и переходит к другим регионам только после неудачного обнаружения в ближайшем окружении. Таким образом, агенты разделяют задачу и проводят процесс обнаружения параллельно в разных регионах. При этом глобальная карта используется для прекращения обнаружения всех агентов.

Наконец, обратите внимание, что лучший выбор действий обеспечивается применением группового действия.Однако, поскольку он требует большой вычислительной мощности без значительного улучшения времени обнаружения, этот подход менее привлекателен для практических задач.

Накопленный прирост информации для этой симуляции обнаружения l=5 целей агентами m=2 представлен в ; время ЦП, необходимое для такого обнаружения, представлено в .

Таблица 6

Накопленный прирост информации при обнаружении l=5 целей агентами m=2 за моменты времени T=75 и T=100.

Политика обнаружения		Накопленный информационный прирост Vπ(T)
		Т=75	T=100
Статические агенты		4. 4	6,5
EIG	Карта агента/действие агента	9,9	13.6
	Глобальная карта/действие агента	5,7	7.9
	Глобальная карта/групповое действие	5,8	8.7
COV	Карта агента/действие агента	10,8	14. 2
	Глобальная карта/действие агента	8.4	11.7
	Глобальная карта/групповое действие	9.2	12,6
COG	Карта агента	10,9	14.2
	Глобальная карта	8.4	11,7

Таблица 7

Процессорное время (сек. ) для обнаружения целей с вероятностью p=0,95 из l=5 целей m=2 агентами.

Полученные результаты подтверждают предыдущие наблюдения. Более высокий накопленный информационный прирост получают политики COV и COG, худшие результаты дает политика EIG, а наименьший прирост получается у группы статических агентов. Также лучшие результаты дает политика принятия решений на основе карт агентов, а лучший выбор действий обеспечивается за счет использования группового действия.

Для того чтобы представить связь между эффективностью обнаружения и чувствительностью датчиков, был смоделирован аналогичный сценарий обнаружения для агентов, оснащенных датчиками с различной чувствительностью λ1k=12 и λ2k=8, k=1,2.представляет время обнаружения  Tmax(0,95) и этот накопленный информационный прирост Vπ(100) для этого сценария.

Таблица 8

Время обнаружения и накопленный информационный прирост при обнаружении l=5 целей m=2 агентами с различной чувствительностью сенсоров λ1k=12 и λ2k=8, k=1,2.

Политика обнаружения		Тмакс(р=0,95)	Vπ(T=100)
Статические агенты		300	5. 1
EIG	Карта агента/действие агента	81	13.6
	Глобальная карта/действие агента	144	6.2
	Глобальная карта/групповое действие	129	9,0
COV	Карта агента/действие агента	63	12. 9
	Глобальная карта/действие агента	109	11.7
	Глобальная карта/групповое действие	96	12.4
COG	Карта агента	67	12.9
	Глобальная карта	109	11. 9

Сравнение полученных времен и прироста информации с результатами, представленными соответственно в и , показывает, что в целом изменение чувствительности датчиков сохраняет уже рассмотренные тенденции эффективности политик. В то же время подчеркивается преимущество группового действия перед действиями каждого агента в отдельности.

Наконец, рассмотрим зависимость прироста накопленной информации от времени обнаружения.Пример таких функций показан на , где мы использовали результаты предыдущего моделирования обнаружения l=5 целей m=2 агентами с различной чувствительностью сенсоров λ1k=12 и λ2k=8, k=1,2, следуя COV политика с выбором действия агента.

Зависимость накопленного информационного прироста Vπ(T) от времени обнаружения T для политики COV с выбором действия агента; l=5 целей, m=2 агентов и чувствительности датчиков λ1k=12 и λ2k=8, k=1,2.

Видно, что в начале процесса поиска политика на основе карты агентов накапливает информацию быстрее, чем политика на основе глобальной карты. Однако по мере продолжения процесса поиска накопленный информационный прирост, полученный политикой глобальной карты, сходится к значению, которое значительно превышает значение, к которому сходится политика карты агента.

Для проверки представленных результатов было проведено дальнейшее моделирование для различных параметров. Полученные значения времени обнаружения и прироста информации демонстрируют те же тенденции эффективности политик. Кроме того, было обнаружено, что по мере увеличения числа агентов увеличивается разница между лучшей политикой COV и почти лучшими политиками COG и EIG.

7. Дискуссия

В статье представлены три эвристических метода навигации автономных агентов, осуществляющих поиск скрытых целей при наличии ложноположительных и ложноотрицательных ошибок. Две из этих эвристик основаны на ожидаемом приросте информации, рассчитанном по локальному окружению каждого агента (политика EIG) или относительно центра поля зрения (политика COV), а третья эвристика использует центр тяжести (политика COG) агента. вероятности местоположения целей. Для принятия решений относительно следующих перемещений агенты используют либо собственные карты вероятностей, либо глобальную карту вероятностей.

Моделирование показывает, что в краткосрочных процессах обнаружения политики, основанные на карте агентов, превосходят политики, основанные на глобальной карте, как при отсутствии централизованной синхронизации движений агентов (индивидуальное принятие решений), так и при действия обязательно синхронизированы (коллективное принятие решений в группе). Однако в долгосрочных обнаружениях прирост накопленной информации в процессе поиска при использовании политики глобальной карты был значительно больше, чем прирост накопленной информации в процессе поиска при использовании политики карт агентов.Вероятно, причина такого результата в следующем: при использовании глобальной карты агенты рассчитывают прирост информации также с учетом неактуальной информации на основе ложных срабатываний, а при использовании карт агентов влияние таких срабатываний меньше, а, следовательно, и накопленный информационный прирост меньше.

Обнаружение с использованием политики EIG продемонстрировало более низкую эффективность (с точки зрения времени обнаружения), чем политики COV и COG при использовании как агентов, так и глобальной карты вероятностей.Основная причина такого результата заключается в следующем. С одной стороны, политика EIG не всегда распознает, каким должен быть следующий шаг, поскольку различия в ожидаемом приросте информации, получаемом при нахождении в текущей ячейке и при переходе в соседнюю ячейку, чрезвычайно малы и не могут быть использованы для разумного использования. выбор действий. С другой стороны, чтобы выявить центр обзора, политика COV требует от агента проверки всех ячеек в домене и, следовательно, ему удается найти существенное изменение в ожидаемом приросте информации.

При использовании датчиков с одинаковой чувствительностью политики COV и COG приводят к близким или даже равным временам обнаружения. Поэтому, поскольку политика COG имеет чрезвычайно меньшую вычислительную сложность, чем политика COV, желательно, чтобы агенты были оснащены аналогичными датчиками. Однако если чувствительность датчиков разная, то политика COV значительно лучше.

Как и ожидалось, эвристика принятия решений, основанная на групповых действиях, приводит к более высокой производительности, чем та, которая опирается на действия отдельных агентов, однако первая эвристика требует гораздо больших вычислительных усилий.Чтобы сократить время выполнения, количество вычислений можно уменьшить, используя некоторый порог вероятности. Таким образом, на каждом шаге вычислений игнорируются ячейки с вероятностями ниже порога, таким образом количество вычислений сокращается без существенного влияния на качество результатов поиска.

Наконец, обратите внимание, что результаты, полученные при использовании представленных техник, близки к результатам, полученным методом оптимального обучения методом полного перебора.Такое сравнение подтверждает предлагаемые методы и демонстрирует, что для обнаружения в больших областях, где из-за неразрешимой сложности вычислений нельзя использовать обучение методом грубой силы, эти методы могут давать неоптимальные результаты при разумных вычислительных усилиях в разумное время выполнения.

8. Выводы

В работе рассмотрена задача обнаружения множественных целей группой мобильных агентов, которая напрямую расширяет классическую задачу поиска Купмана [2].В отличие от многих известных алгоритмов, мы обращались к обнаружению как с ложноположительными, так и с ложноотрицательными ошибками обнаружения.

Предлагаемое решение реализует три разных уровня знаний агента о местоположении целей: информация, доступная группе агентов, информация, доступная одному агенту, и информация, получаемая одним бортовым датчиком агента.

Для этих настроек мы рассмотрели три политики принятия решений, основанные на различных соображениях ожидаемого прироста информации, которую может получить агент на своем следующем шаге.А именно, политики учитывали локальную окрестность агента, расположение «центра обзора», из которого агенты могут получать максимальную информацию с помощью своих сенсоров, и расположение «центра тяжести» карты вероятностей целей.

Результаты, полученные с помощью предложенных политик, сравнивались с результатами, обеспечиваемыми наихудшей политикой, в которой агенты статичны, а также наилучшей политикой обучения методом прямого перебора при поддающихся обработке.

Моделирование предложенных решений показывает, что наилучшие результаты среди построенных политик дает политика, основанная на центре поля зрения.Близкие результаты дает политика, основанная на использовании центра тяжести, а худшие результаты, но иногда удовлетворительные, дает политика, основанная на ожидаемом информационном приросте над локальной окрестностью агента.

Кроме того, установлено, что в рассматриваемой задаче, включающей как ложноположительные, так и ложноотрицательные ошибки обнаружения, политики принятия решений на основе карт агентов дают значительно лучшие результаты, чем политики на основе глобальной карты.

Наилучшая политика поиска при рассмотренных настройках была получена при использовании групповых действий за счет высокой сложности вычислений без значительного улучшения времени обнаружения по сравнению с предложенной эвристикой. Это наблюдение делает этот подход менее привлекательным для реализации.

Наконец, было продемонстрировано, что политики, основанные на карте агентов, более эффективны для обнаружения за заданный короткий период времени, в то время как при долгосрочном обнаружении политики, основанные на использовании глобальной карты, дают лучшие результаты. результаты с точки зрения накопленной информации.

Построенные алгоритмы и программное обеспечение могут стать основой для дальнейшего развития предлагаемых методов, а также других методов, связанных с вероятностным поиском и обнаружением. Эти методы можно использовать непосредственно для практических приложений в различных областях, таких как умные города, военные приложения и автономные транспортные средства.

Вклад авторов

Концептуализация, I.B.-G. и Э.К.; методика, Б.М.; программное обеспечение, БМ; формальный анализ, Б.М. и Э.К.; расследование, Б.М.; написание – подготовка первоначального проекта, Б.М. и Э.К.; написание – обзор и редактирование, I.B.-G.; надзор, И.Б.-Г. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование

Это исследование не получило внешнего финансирования.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

(PDF) Интеллектуальная машина для сортировки полудрагоценных минералов

Индонезия J Elec Eng & Comp Sci ISSN: 2502-4752 

Интеллектуальная машина для сортировки полудрагоценных минералов (Михаил Полищук)

которая использует указанная технология состоит в следующем: первоначально определяется брутто-объем поступающего на сортировку минерала

, а затем его сравнивают с одним или несколькими нетто-объемами изготовленных ювелирных изделий

и вычисляют минимальную разницу между указанными объемами .Другими словами, определяется минимально возможное количество неизбежных отходов.

Разработанная установка способствует рациональному использованию полудрагоценных минералов, таких как янтарь, изумруды

, гранаты, топазы, исландский шпат, горный хрусталь и другие полудрагоценные минералы. Применение

вышеуказанной технологии способствует не только повышению производительности труда в ювелирной промышленности, но и самому

главное, экономит сырье в виде различных полудрагоценных минералов. В конечном итоге этот результат

способствует экологической чистоте при добыче природных ресурсов в виде полудрагоценных

полезных ископаемых.

Как показывают результаты эксперимента, при сортировке полудрагоценных минералов

предпочтение следует отдавать минералам, имеющим сходные длину, ширину и массу. В этом случае возможно изготовление

большего количества ювелирных изделий с минимальными отходами.Эта работа подняла несколько вопросов

, которые требуют дальнейшего изучения. Это способствует увеличению прибыли ювелирных предприятий.

ССЫЛКИ

[1] Б. Ранфт и К. Стиллер, «Роль машинного зрения для интеллектуальных транспортных средств», в IEEE Transactions on Intelligent Vehicles

, vol. 1, нет. 1, стр. 8-19, март 2016 г., doi: 10.1109/TIV.2016.2551553.

[2] Ф. Джуфей-Сюй, Д. К. Пал, К. Сингх и М. Саввидес, «Предварительное исследование чувствительности COTS-систем распознавания лиц

к обработке лица в стиле криминалистического аналитика для обнаружения окклюзии», конференция IEEE, 2015 г. на компьютере

Семинары по зрению и распознаванию образов (CVPRW), Бостон, Массачусетс, стр.25-33, 2015,

doi: 10.1109/CVPRW.2015.7301316.

[3] Т.С. Мусаб, Х. Абд Аль-Рахим Таха, М. Абд Шехаб и М.А.М. Абдулла, «Сравнение извлечения признаков

и методов нормализации для распознавания говорящих с использованием сетки аудиовизуальной базы данных», Индонезийский журнал

Электротехника и информатика (IJEECS), том. 18, нет. 2, стр. 782-789, май 2020 г.,

doi: 10.11591/ijeecs.v18.i2.pp782-789, doi: 10.11591/ijeecs.v18.i2.pp782-789.

[4] Э. Занкул., Х. О. Мартинс, Ф.П. Лопес и FATVда Сильва Нето, «Приложения машинного зрения на фабрике Learning

», Procedia Manufacturing, vol. 45, стр. 516-521, апрель 2020 г., doi: 10.1016/j.promfg.2020.04.069.

[5] Б. И. Оладапо и др., «Разработка модели и моделирование автоматической сортировочной машины с использованием датчика приближения»,

Engineering Science and Technology, International Journal, vol. 19, нет. 3, стр. 1452-1456, сентябрь 2016 г.,

doi: 10.1016/j.jestch.2016.04.007.

[6] П. Вангла, Н. Рой и М.Л. Гали, «Определение формы гранулированных материалов на основе изображений и ее влияние на

кинематику движения частиц», Granular Matter, vol. 20, нет. 6 декабря 2018 г., doi: 10.1007/s10035-017-0776-8.

[7] С. Пеллегринелли, «Конфигурация и реконфигурация роботизированных систем для макросортировки отходов», International

Journal of Advanced Manufacturing Technology, vol.102, стр. 3677-3687, февраль 2019 г., doi:10.1007/s00170-019-

03289-x.

[8] Тако П. Р. де Йонг, «Автоматическая сортировка минералов», IFAC Proceedings Volumes, vol. 37, нет. 15, стр. 441-446,

, сентябрь 2004 г., doi: 10.1016/S1474-6670(17)31064-9.

[9] Р. Адамиец, Т. Гизен Пабло, М. Эндрю, Дж. Ричард и К. Сейфарта, «Реконфигурируемая и транспортируемая контейнерно-интегрированная производственная система

», «Робототехника и компьютерно-интегрированное производство», том. 53, стр. 1–20,

, октябрь 2018 г., doi: 10.1016/j.rcim.2018.02.008.

[10] Г. Бонифази и С. Серранти, «Технологии переработки», В: Темелис Н., Бурцалас А. (ред.) Восстановление материалов

и энергии из городских отходов. Серия «Энциклопедия науки и техники в области устойчивого развития». Нью-Йорк,

Нью-Йорк: Springer, 2019, doi: 10.1007/978-1-4419-0851-3_116.

[11] Ю. Лю, Х. Ю, К. Гонг и Ю. Чен, «Экспертная система в реальном времени для обнаружения аномалий аэраторов на основе

компьютерного зрения и камер наблюдения», Журнал визуальных коммуникаций и представления изображений , том.68,

102767, апрель 2020 г., doi: 10.1016/j.jvcir.2020.102767.

[12] Р. Бисвас, Дж. Уддин и доктор медицины Джунайед Хасан, «Новый подход к обнаружению и распознаванию радужной оболочки глаза», Международный журнал электротехники и вычислительной техники

(IJECE), том 1 7, вып. 5, стр. 2530-2536, октябрь 2020 г.,

doi: 10.11591/ijece. v7i5.pp2530-2536.

[13] Б. Г. Бэтчелор, «Машинное зрение для промышленных приложений», В: Бэтчелор Б.Г. (ред.) Справочник по машинному зрению.

Лондон: Springer, 2012, doi: 10.1007/978-1-84996-169-1.

[14] И. Пархомей, Дж. Бойко и О. Ероменко, «Датчики идентификационной информации робототехнических систем», Индонезийский

Журнал электротехники и компьютерных наук (IJEECS), том. 14, нет. 3, стр. 1235-1243, июнь 2019 г.,

doi: 10.11591/ijeecs.v14.i3.pp1235-1243.

[15] М. Полищук, М. Ткач, И. Пархомей, Дж. Бойко и О. Ероменко, «Экспериментальные исследования реактивной тяги

мобильного робота произвольной ориентации», Индонезийский журнал электротехники и информатики. ,

том.8, нет. 2, стр. 340–352, июнь 2020 г., doi: 10.11591/ijeei.v8i2.1681.

[16] С. Боудра, Н.Е. Беррачед и А. Дахан, «Эффективное и безопасное сотрудничество мобильных роботов в режиме реального времени с использованием визуального сервопривода

», Международный журнал электротехники и вычислительной техники (IJECE), том 10, № 3, стр. 3022-3034,

Июнь 2020 г., doi: 10.11591/ijece.v10i3.pp3022-3034

Nuclear News Staff — ANS / Nuclear Newswire

Министр энергетики Дженнифер Гранхольм (сидит слева) и министр энергетики Украины Герман Галущенко (сидит справа) 31 августа подписать соглашение о поддержке У.С.-Украинское энергетическое сотрудничество. На заднем плане стоит президент Украины Владимир Зеленский. (Фото: Министерство энергетики)

Министр энергетики США Дженнифер Гранхольм и министр энергетики Украины Герман Галущенко на прошлой неделе подписали совместное заявление о намерениях развивать сотрудничество в области энергетики и климата в рамках американо-украинского стратегического диалога по энергетике и климату. Подписание состоялось во время визита в Вашингтон президента Украины Владимира Зеленского для встречи с президентом Байденом в Белом доме.

Во время недавнего закрытия дороги на территории Хэнфорда студенты Международного университета Флориды (слева направо) Джефф Нативидад, Джоэл Адамс и Ти Тран тестируют робота для картографирования радиации возле нефтебазы. Студенты проходят уникальную программу стажировок между Управлением экологического менеджмента Министерства энергетики США и университетом. (Фото: DOE OEM)

В рамках программы стипендий между Управлением экологического менеджмента Министерства энергетики и Международным университетом Флориды группа студентов ПФР приняла участие в летней стажировке под названием «Программа развития научно-технических кадров».Программа осуществляется совместно с компанией Washington River Protection Solutions (WRPS), подрядчиком по эксплуатации резервуаров в Хэнфорде в штате Вашингтон.

В ходе недельной миссии группа МАГАТЭ проводит практические занятия по неразрушающему контролю на специализированном оборудовании. (Фото: Абель Домато/BAC)

После разрушительного взрыва в порту Бейрута, Ливан, в августе 2020 года группа Международного агентства по атомной энергии посетила страну по запросу правительства и не обнаружила никаких признаков искусственных радионуклидов и отсутствие повышения уровня радиации. Мощный взрыв, вызванный взрывом неправильно хранившейся аммиачной селитры, унес жизни более 200 человек и сравнял с землей множество зданий, в то время как другие здания остались стоять с возможными структурными повреждениями. МАГАТЭ недавно объявило, что другая группа экспертов отправилась в Ливан с новой миссией: помочь стране в использовании неразрушающего контроля (НК) для проверки прочности конструкций зданий, пострадавших от взрыва.

Атомная электростанция Бивер-Вэлли в Энерджи-Харбор в Шиппингпорте, Пенсильвания.

В рамках действия, которое может сделать атомные электростанции Пенсильвании более конкурентоспособными с точки зрения затрат на рынках электроэнергии, Независимая комиссия по обзору регулирования штата утвердила положение, которое позволит Пенсильвании присоединиться к Региональной инициативе по выбросам парниковых газов (RGGI), совместной инициативе Северо-Востока и Среднеатлантические штаты призваны ограничить и сократить выбросы углерода электростанциями, работающими на ископаемом топливе.

Представитель NuScale проводит обучение на тренажере диспетчерской атомной электростанции для студентов и преподавателей CAES.(Фото: CAES)

Центр перспективных исследований в области энергетики (CAES) объявил об открытии Лаборатории моделирования малых модульных реакторов с Центром исследования энергии NuScale Power в своей штаб-квартире в Айдахо-Фолс, штат Айдахо. Согласно пресс-релизу CAES от 31 августа, новая лаборатория расширит возможности CAES по обучению будущих ученых, инженеров и работников энергетики и будет использоваться для информирования общественности о ядерной энергетике и реакторных технологиях.

Атомная электростанция в Дрездене

Практически не имея свободного времени, Сенат Иллинойса рано утром принял комплексный пакет экологически чистой энергии, который включает 694 миллиона долларов на помощь трем атомным электростанциям штата, испытывающим финансовые затруднения: Брейдвуд, Байрон и Дрезден. .Голосование было 39–16. (И Сенат, и Палата представителей вернулись в столицу во вторник на однодневную специальную сессию, чтобы рассмотреть вопрос о перераспределении избирательных округов. )

Ураган Ида вывел из строя все линии электропередач в Новом Орлеане, оставив без электричества более миллиона человек. (Фото: Entergy)

Комиссия по ядерному регулированию заявила, что отслеживает события на трех атомных энергетических реакторах в Луизиане и Миссисипи после того, как 29 августа ураган «Ида» обрушился на сушу. миллионов человек без электричества в двух штатах.С тех пор Ида превратилась в тропический шторм.

На этой фотографии инструмента для сборки, сделанной сверху, показана сложная система центровочных узлов, используемых для медленного поворота двух катушек тороидального поля (внизу слева и справа) в нужное положение вокруг сектора вакуумного сосуда. На заднем плане катушка полоидального поля №5 лежит на полу актового зала в ожидании установки в монтажной яме в середине сентября. (Фото: ИТЭР)

В актовом зале ИТЭР с помощью 20-метрового инструмента для сборки секторов, известного как SSAT-2, поднимается первый из девяти 40-градусных клиновидных узлов, которые составят токамак устройства. форма.30 августа Организация ИТЭР объявила, что все компоненты первой сборки установлены на SSAT-2. После того, как крылья инструмента для сборки медленно закроются, зафиксировав две вертикальные катушки на месте снаружи секции вакуумного сосуда, которая уже обернута теплозащитой, завершенный узел будет готов к размещению в сборочной яме ИТЭР в конце октября.

АЭС Северная Анна. Фото: Dominion Energy

Проект заявления Комиссии по ядерному регулированию о воздействии на окружающую среду по заявке Dominion Energy на последующее продление лицензии (SLR) для ядерных блоков Северной Анны теперь открыт для общественного обсуждения.

Vogtle-3 (слева) и -4 в июне. (Фото: Georgia Power)

Надзор за проектом нового строительства АЭС Vogtle будет усилен, если предварительные выводы специального инспекционного отчета Комиссии по ядерному регулированию от 26 августа будут завершены.

Проведенная с 21 июня по 2 июля инспекция выявила причины и масштабы проблем с качеством строительства в системе кабельных трасс, связанных с безопасностью, на Фогтле-3.

Брэд Бини из Sandia (слева) и Ларри Хамфрис изучают остатки серии экспериментов с разрушением нижней части головы.Результаты этих и других экспериментов используются для создания компьютерного кода моделирования ядерных аварий. (Фото: Рэнди Монтойя)

Исследователи из Sandia National Laboratories расширяют MELCOR — компьютерный код моделирования тяжелых аварий, используемый Комиссией по ядерному регулированию для оценки безопасности легководных реакторов — для изучения малых модульных реакторов и нелегких реакторов. усовершенствованные реакторы на воде, которые находятся в стадии разработки. В статье, опубликованной в Sandia Lab News 27 августа, подробно описывается, как MELCOR расширяется для работы с реакторами различной геометрии, типами топлива и системами теплоносителя.

АЭС Беллефонте (Фото: TVA)

На прошлой неделе федеральный суд встал на сторону администрации долины Теннесси в судебном споре с Nuclear Development LLC по поводу предполагаемой продажи недостроенной атомной электростанции Беллефонте. Однако суд также обязал коммунальное предприятие возместить компании Nuclear Development миллионы за несостоявшуюся транзакцию.

Барака-2 в ОАЭ (Фото: FANR)

Эмиратская ядерно-энергетическая корпорация объявила о запуске второго блока атомной электростанции Барака, расположенной в районе Аль-Дафра в Абу-Даби, столице Объединенных Арабских Эмиратов. .

Эта важная веха, как отметила ENEC в своем заявлении от 27 августа, была достигнута примерно через год после запуска реактора энергоблока № 1 станции и в течение пяти месяцев после ввода первого энергоблока в коммерческую эксплуатацию.

Сотрудники ядерных новостей — ANS / Nuclear Newswire

BWXT Канада, Кембридж, Онтарио, объект. (Фото: BWXT Canada)

NuScale Power объявила ранее на этой неделе, что работа по разработке производственного процесса для ее небольшого модульного реактора — силового модуля NuScale — продвигается в BWXT Canada Ltd.Кембридж, Онтарио, подготовка к производству модулей. NuScale заявила, что эта работа имеет решающее значение для разработки ее технологии SMR и является примером возможностей развития цепочки поставок для канадских компаний, обладающих необходимым опытом в области оборудования для электростанций.

Репродукция силовой установки IMSR400 в конфигурации, предложенной для площадки в Дарлингтоне. (Изображение: Terrestrial Energy)

Компания Terrestrial Energy модернизировала конструкцию своей атомной электростанции с интегральным реактором на расплавленной соли (IMSR), о чем компания объявила 14 сентября.Предлагаемый объект теперь будет иметь генерирующую мощность 390 МВт для энергоснабжения от двойных реакторов и генераторов.

Губернатор Иллинойса Дж. Б. Притцкер приветствует аплодисменты на мероприятии по подписанию нового закона штата об энергетике.

На часовой церемонии, состоявшейся вчера в чикагском аквариуме Шедд под фанфары (на ней присутствовали ящерицы, змея и пингвин), губернатор Иллинойса Дж. Б. Притцкер подписал Закон о климате и равных рабочих местах (SB 2408). ). Законопроект представляет собой радикальный пересмотр энергетической политики штата, направленный на поэтапный отказ от производства электроэнергии на ископаемом топливе и вывод Иллинойса на путь к тому, чтобы к 2050 году стать полностью безуглеродным производителем энергии.

Дон Перри (слева) из OPG и Майкл Лефевр из Laurentis Energy Partners осматривают установку для извлечения He-3, установленную на Дарлингтонской АЭС

Laurentis Energy Partners, дочерняя компания Ontario Power Generation (OPG), запустила новая программа по производству гелия-3. He-3 будет получен из трития, хранящегося на атомной электростанции OPG в Дарлингтоне, четырехблочной станции CANDU, расположенной примерно в 100 км к востоку от Торонто.

В Дарлингтоне находится один из крупнейших в мире запасов трития, который является побочным продуктом тяжелой воды, используемой в реакторах CANDU.

Министр энергетики США Дженнифер Грэнхольм и министр нефти и природного газа Индии Хардип Сингх Пури дистанционно встречаются (с другими на заднем плане) во время виртуального запуска «недавно возрожденного» американо-индийского партнерства в области экологически чистой энергии.

Министр энергетики США Дженнифер Гранхольм и министр нефти и природного газа Индии Хардип Сингх Пури на прошлой неделе председательствовали на виртуальном запуске того, что Министерство энергетики назвало «недавно возрожденным» американо-индийским стратегическим партнерством в области чистой энергии (SCEP).

Этот крупногабаритный полноразмерный высокотемпературный сверхпроводящий магнит, разработанный и изготовленный компанией Commonwealth Fusion Systems и Центром плазменной науки и термоядерного синтеза Массачусетского технологического института, является самым сильным термоядерным магнитом в мире. (Фото: Гретхен Эртл, CFS/MIT-PSFC)

Высокотемпературный сверхпроводящий магнит достиг и поддерживал магнитное поле более 20 тесла в стационарном состоянии в течение примерно пяти часов 5 сентября в Центре плазменной науки и термоядерного синтеза Массачусетского технологического института. Мало того, что этот магнит является самым сильным высокотемпературным сверхпроводящим (ВТСП) магнитом в мире, он также достаточно велик — когда он собран в кольцо из 17 одинаковых магнитов и окружающих структур — чтобы содержать плазму, которую Массачусетский технологический институт и Commonwealth Fusion Systems (CFS) надеются, что в 2025 году компактный токамак под названием SPARC будет производить чистую энергию, а в начале 2030-х годов появится коммерческая термоядерная энергия. АЭС «Байрон» Палата представителей штата Иллинойс одобрила комплексный энергетический пакет (SB 2408), который спасет завод, а также предприятия штата Брейдвуд и Дрезден, испытывающие аналогичные трудности.

Министр энергетики Дженнифер Гранхольм (сидит слева) и министр энергетики Украины Герман Галущенко (сидит справа) 31 августа подписывают соглашение о поддержке U.С.-Украинское энергетическое сотрудничество. На заднем плане стоит президент Украины Владимир Зеленский. (Фото: Министерство энергетики)

Министр энергетики США Дженнифер Гранхольм и министр энергетики Украины Герман Галущенко на прошлой неделе подписали совместное заявление о намерениях развивать сотрудничество в области энергетики и климата в рамках американо-украинского стратегического диалога по энергетике и климату. Подписание состоялось во время визита в Вашингтон президента Украины Владимира Зеленского для встречи с президентом Байденом в Белом доме.

Во время недавнего закрытия дороги на территории Хэнфорда студенты Международного университета Флориды (слева направо) Джефф Нативидад, Джоэл Адамс и Ти Тран тестируют робота для картографирования радиации возле нефтебазы. Студенты проходят уникальную программу стажировок между Управлением экологического менеджмента Министерства энергетики США и университетом. (Фото: DOE OEM)

В рамках программы стипендий между Управлением экологического менеджмента Министерства энергетики и Международным университетом Флориды группа студентов ПФР приняла участие в летней стажировке под названием «Программа развития научно-технических кадров».Программа осуществляется совместно с компанией Washington River Protection Solutions (WRPS), подрядчиком по эксплуатации резервуаров в Хэнфорде в штате Вашингтон.

В ходе недельной миссии группа МАГАТЭ проводит практические занятия по неразрушающему контролю на специализированном оборудовании. (Фото: Абель Домато/BAC)

После разрушительного взрыва в порту Бейрута, Ливан, в августе 2020 года группа Международного агентства по атомной энергии посетила страну по запросу правительства и не обнаружила никаких признаков искусственных радионуклидов и отсутствие повышения уровня радиации. Мощный взрыв, вызванный взрывом неправильно хранившейся аммиачной селитры, унес жизни более 200 человек и сравнял с землей множество зданий, в то время как другие здания остались стоять с возможными структурными повреждениями. МАГАТЭ недавно объявило, что другая группа экспертов отправилась в Ливан с новой миссией: помочь стране в использовании неразрушающего контроля (НК) для проверки прочности конструкций зданий, пострадавших от взрыва.

Атомная электростанция Бивер-Вэлли в Энерджи-Харбор в Шиппингпорте, Пенсильвания.

В рамках действия, которое может сделать атомные электростанции Пенсильвании более конкурентоспособными с точки зрения затрат на рынках электроэнергии, Независимая комиссия по обзору регулирования штата утвердила положение, которое позволит Пенсильвании присоединиться к Региональной инициативе по выбросам парниковых газов (RGGI), совместной инициативе Северо-Востока и Среднеатлантические штаты призваны ограничить и сократить выбросы углерода электростанциями, работающими на ископаемом топливе.

Представитель NuScale проводит обучение на тренажере диспетчерской атомной электростанции для студентов и преподавателей CAES.(Фото: CAES)

Центр перспективных исследований в области энергетики (CAES) объявил об открытии Лаборатории моделирования малых модульных реакторов с Центром исследования энергии NuScale Power в своей штаб-квартире в Айдахо-Фолс, штат Айдахо. Согласно пресс-релизу CAES от 31 августа, новая лаборатория расширит возможности CAES по обучению будущих ученых, инженеров и работников энергетики и будет использоваться для информирования общественности о ядерной энергетике и реакторных технологиях.

Возраст-ассоциированные особенности оксидативного стресса как маркер старения сосудов при коморбидном течении артериальной гипертензии и сахарного диабета 2 типа

Введение

смертность от основных болезней пожилого возраста – болезней сердечно-сосудистой системы, злокачественных новообразований, нейродегенеративных процессов, снижения сопротивляемости инфекциям и сахарного диабета.

По прогнозу Организации Объединенных Наций, к 2025 году число людей старше 60 лет достигнет 1,2 миллиарда человек (15% от общей численности населения мира). Поэтому концепция здорового старения, разработанная в 2001 г. Организацией Объединенных Наций, отнесена к числу наиболее приоритетных направлений медицины.

Старение считается естественным физиологическим процессом. В то же время имеются данные, свидетельствующие о том, что физиологическое старение наблюдается лишь у 3-6% населения, тогда как в остальных случаях наблюдается ускоренное старение.Старение – биологический процесс, развивающийся с возрастом и проявляющийся в постепенном снижении адаптационных возможностей организма. Эти изменения могут играть существенную роль в развитии различных патологий.

Медико-биологические исследования с участием лиц пожилого и старческого возраста и долгожителей признаны необходимыми для выявления возрастных факторов риска и специфических маркеров, позволяющих оптимизировать терапию возрастных заболеваний, особенно с учетом того, что сердечно-сосудистая смертность остается высокой, несмотря на лечебно-профилактические мероприятия. Также существует необходимость в разработке новых патофизиологических моделей для лучшего понимания сердечно-сосудистых рисков (ССР) на основе новых возрастных концепций.

Поскольку возраст является маркером кумулятивного действия факторов риска и общим интегральным показателем развития многих хронических заболеваний [сердечно-сосудистые заболевания (ССЗ), сахарный диабет 2 типа (СД2), злокачественные заболевания], Nilsson et al . ^[1] предложил концепцию «раннего сосудистого старения», которая является новой концепцией для изучения пациентов с высоким ССР или пациентов с ранними семейными проявлениями сердечно-сосудистых событий.«Сосудистый возраст» (VA) обычно включает множество детерминант, основными из которых являются: эндотелиальная дисфункция, скорость пульсовой волны (PWV), центральное артериальное давление и толщина комплекса интима-медиа сонной артерии (CIMCT). Эти параметры можно рассматривать как «тканевые биомаркеры» сосудистых поражений, которые могут быть более чувствительными, чем «циркулирующие биомаркеры» (например, С-реактивный белок, гипергликемия, дислипидемия) и в сочетании с классическими факторами риска показывать лучшие дополнительные результаты, предсказывающие сердечно-сосудистые осложнения. ^[2] .В настоящее время широко используются Фремингемская шкала и Европейская шкала оценки 10-летнего риска сердечно-сосудистой смертности (SCORE), в которых возраст является одной из важнейших детерминант ССР и связан с рядом морфофункциональных изменений в организме. суда ^[3] .

По мере накопления знаний становится все более очевидным, что старение и основные хронические возрастные заболевания имеют одни и те же основные молекулярные и клеточные механизмы ^[4] . Считается, что в первую очередь они связаны с легким хроническим системным воспалением.Для обозначения этого явления группа ученых во главе с Франчески и др. . ^[5] предложил термин «воспаление». Сегодня воспаление является общепринятой теорией старения. Глобальное возрастное системное воспаление во многих органах участвует в патогенезе большинства сопутствующих заболеваний, однако до сих пор до конца не установлено, являются ли эти состояния причиной или следствием возрастного системного воспаления. Воспаление является одним из центральных патогенетических механизмов на всех стадиях развития атеросклероза и его осложнений.Какие механизмы вовлечены в развитие возраст-ассоциированного хронического воспаления, окончательно не установлено.

Возрастное усиление окислительного стресса может способствовать развитию хронического воспаления и прогрессированию различных заболеваний. На сегодняшний день теория оксидативного стресса считается одной из самых популярных теорий, объясняющих не только старение, но и возникновение, а также прогрессирование многих современных заболеваний, в частности сердечно-сосудистых и сахарного диабета.В последнее время активно изучается окислительный стресс, чтобы лучше понять механизмы защиты и взаимосвязь между окислительным повреждением и процессом старения ^[6] .

Старение населения стало ведущей демографической характеристикой и Украины ^[7] . Гипертоническая болезнь (АГ), СД 2 типа, ишемическая болезнь сердца (ИБС), цереброваскулярная болезнь с различной выраженностью клинических симптомов и в различных сочетаниях являются наиболее распространенными у лиц пожилого возраста ^[4,7] .

Целью исследования явилась оценка параметров оксидантно-антиоксидантных систем плазмы как маркеров сосудистого старения у пациентов разных возрастных групп с сочетанным течением артериальной АГ и СД2.

Методы

126 пациентов (55 мужчин и 71 женщина) в возрасте 45–75 лет (средний возраст 57,8 ± 6,2 года) со II стадией АГ (средняя длительность заболевания 10,2 ± 3,7 года) и хорошо контролируемым СД2 (средняя продолжительность болезни: 4,1 ± 2,4 года) и согласно действующей возрастной классификации Всемирной организации здравоохранения (ВОЗ) ^[8] были разделены на 2 подгруппы: группа 2а ( n = 59) – больные АГ в сочетании с СД2 в возрасте 45-60 лет; 2б группа ( n = 97) – пациенты с сочетанным течением АГ и СД2 в возрасте 61-75 лет.В качестве группы сравнения исследованы пациенты с изолированной II стадией Н ( n = 30), идентичные по возрасту и полу с основной группой (средний возраст 53,8 ± 4,6 года). Контрольную группу составили 20 здоровых лиц, сопоставимых по возрасту и полу.

В исследование не включались пациенты с симптоматической АГ, неконтролируемой АГ, сахарным диабетом 1 типа, декомпенсированным СД2 и другими эндокринными заболеваниями, клиническими признаками ИБС или тяжелыми сопутствующими хроническими заболеваниями. Критериями исключения также были: прием препаратов йода, глюкокортикоидов, амиодарона, препаратов лития и препаратов, содержащих эстрогены, и беременность.Для отбора пациентов использовали диагностические критерии АГ, утвержденные Европейскими рекомендациями по диагностике и лечению АГ ^[9] . Диагноз СД2 устанавливали согласно утвержденному приказом МЗ Украины от 21.12.2012 № 1118 «Об утверждении и внедрении медико-технологических документов по стандартизации медицинской помощи при сахарном диабете 2 типа» ^{[10]. ]} и в соответствии с рекомендациями Американской диабетической ассоциации и Европейской ассоциации по изучению диабета ^[11] .

На фоне диетических рекомендаций все больные получали базисную терапию в соответствии с международными и национальными рекомендациями по ведению больных с соответствующей патологией ^[9-11] . До включения в исследование все пациенты получали антигипертензивную терапию не менее 6 мес в индивидуально подобранных дозах с применением ингибиторов ангиотензинпревращающего фермента (АПФ) или блокаторов рецепторов ангиотензина II (ингибиторы АПФ/БРА), диуретиков (индапамид или торасемид).Некоторые пациенты получали антагонисты кальция (амлодипин или лерканидипин). В качестве противодиабетической терапии больные СД2 получали метформин в индивидуально подобранных дозах от 1000 до 2000 мг в сутки, 49 больных (29,51%) дополнительно применяли производные сульфонилмочевины.

Уровень артериального давления (АД) оценивали у всех пациентов с помощью измерения артериального давления, полученного в результате трех измерений с двухминутными интервалами в положении сидя.

Определение общего холестерина (ОХС), триглицеридов (ТГ) и холестерина липопротеидов высокой плотности (ХС ЛПВП) проводили в сыворотке крови ферментативно фотоколориметрическим методом на наборах производства Human (Германия). Содержание холестерина в липопротеидах низкой плотности (ХС ЛПНП) рассчитывали по формуле Фридевальда В.Т. с учетом измерения в ммоль/л: ХС ЛПНП = ХС – (ХС ЛПВП + ТГ/2,22).

Определение концентрации глюкозы натощак проводили глюкозооксидазным методом на анализаторе Humolizer (производство Германия). Уровень гликированного гемоглобина (HbA1c) определяли иммуноферментным методом (ИФА) с использованием набора реактивов Hummer (США).Для определения инсулинорезистентности (ИР) использовали индекс HOMA-IR, который рассчитывали по формуле: [(Глюкоза натощак) × (инсулин натощак)] ммоль/мл/22,5.

Помимо показателей углеводного и липидного обмена всем пациентам проводилось измерение концентрации инсулина в сыворотке крови методом ИФА с использованием наборов DRG Instrument Gmbh (Германия) на полуавтоматическом ИФА-анализаторе «ImmunoChem-2100», HighTechnology , Inc. (США).

Для изучения антиоксидантной системы оценивали активность глутатионпероксидазы (ГПО) и уровень сульфгидрильных групп (SH-групп). ГПО играет важную роль в защите мембран биологических клеток от окислительного повреждения за счет увеличения концентрации восстановленного глутатиона (коэффициент окисленного глутатиона – GSSG-R) в процессе аэробного гликолиза. SH-группы – это органические соединения, содержащие сульфгидрильную группу. Среди всех антиоксидантов, доступных в организме, они составляют основную часть всех антиоксидантов организма и играют важную роль в защите от активных форм кислорода (АФК). В качестве маркера перекисного окисления липидов и активности окислительной системы использовали уровень малонового диальдегида (МДА).Активность ГПО (КФ 1.11.1.9) в гемолизате этилендиаминтетрауксусной кислоты (ЭДТА) определяли по снижению содержания восстановленного глутатиона при 5-минутной инкубации пробы гемолизата в присутствии окисляющего субстрата – гидропероксида кумола. фотометрическим методом ^[12] . SH-группы и МДА определяли в сыворотке крови фотометрическим методом ^[12] . Использовали следующие реактивы: тиобарбитуровая кислота (Organika, Германия), дитиобиснитробензойная кислота (Merck, Германия), восстановленный глутатион (Sigma-Aldrich, Германия), гидропероксид кумола (Merck, Германия). Определение 8-гидрокси-2-дезоксигуанозина (8-OH-dG) в сыворотке крови, как одного из биомаркеров окислительного повреждения, проводили методом ИФА с наборами «Bio-Vendor» (Чехия).

Ультразвуковое исследование общего ТИМКТ выполнено по стандартной методике на аппарате «LOGIQ5».

Полученные результаты представлены в виде среднего значения параметров (M) и стандартной ошибки (m). Обработку статистических данных проводили с помощью пакета программ «Статистика для Windows 8.0″. Критерий Стьюдента и критерий хи-квадрат Пирсона использовали для оценки различий между группами с нормальным распределением. Различия считали статистически значимыми при P < 0,05.

Исследование проводили с соблюдением основных положений Хельсинкская декларация Всемирной медицинской ассоциации об этических принципах научных и медицинских исследований с участием человека (1964-2000 гг.) и приказ Минздрава Украины от 23.09.2009 № 690. Статья представляет собой фрагмент научно-исследовательской работы кафедры клинической фармакологии и внутренних болезней Харьковского национального медицинского университета «Оптимизация диагностики и лечения коморбидной патологии (ГТ и сахарный диабет 2 типа) на основе оценки кардиогемодинамика, метаболизм и фармакогенетический анализ». Исследование было одобрено комиссией по биоэтике Харьковского национального медицинского университета в соответствии с принципами, изложенными в Хельсинкской декларации.

Результаты

Сравнительный анализ показателей липидного и углеводного обмена, как и ожидалось, показал наличие дислипидемии как у больных с изолированной АГ, так и при сочетанном течении АГ и СД2 по сравнению с контролем. Включение компенсированного СД2 в АГ не сопровождалось значительным усугублением нарушений липидного обмена, но увеличивало показатель ИР почти в 2 раза по сравнению с больными с изолированной АГ и в 4 раза по сравнению с контрольной группой (группа 1:4.40 ± 0,51, 2-я группа: 8,26 ± 0,68, контроль: 2,23 ± 0,36 соответственно, P < 0,05).

Распределение больных АГ и СД2 по 2 возрастным категориям не выявило существенных различий в нарушениях как липидов, кроме холестерина ЛПВП, так и углеводного обмена (рис. 1). У больных подгруппы 2б, несмотря на более высокий уровень глюкозы натощак (подгруппа 2а: 8,59 ± 0,72 ммоль/л и подгруппа 2б: 9,15 ± 0,67 ммоль/л соответственно, P > 0,05), отмечалось уменьшение признаков резистентность к инсулину (HOMA-IR: 2a: 8. 88 ± 1,15 и 2б: 7,92 ± 0,86 соответственно, P > 0,05). Считается, что увеличение ИР приводит к истощению антиоксидантной защиты. В нашей работе у больных с коморбидной патологией с увеличением возрастной группы отмечалось однонаправленное снижение признаков как ИР, так и показателей как окислительной, так и антиоксидантной систем (табл. 1). У пациентов старшей возрастной группы корреляционный анализ выявил наличие средней положительной связи между ГПО и HOMA-IR ( P = 0.046, r = 0,374).

Рис. 1. Состояние липидного обмена у больных АГ и СД2Т в зависимости от возрастной группы. ТС: общий холестерин; ТГ: триглицериды; Холестерин ЛПВП: холестерин липопротеинов высокой плотности; Холестерин ЛПНП: холестерин липопротеинов низкой плотности

Сравнительная возрастная оценка окислительно-антиоксидантных систем у больных Г и СД2Т

Индекс	2а подгруппа ( n = 59) n = 97)
8-OH-dG, нг/л	14. 07 ± 1.03	17.23 ± 0,97 *
GPO, μMol / Min / GHB	5.73 ± 0,36	5,73 ± 0,36	5,23 ± 0.23
MDA, μMol / L	7,07 ± 0,44	6,25 ± 0,33
SH-группы, μMol / l	584.38 ± 14.56	567.36 ± 15.03
CIMT RCCA, мм	0,08 ± 0,00	0,08 ± 0,00	0,08 ± 0,00	0,08 ± 0.00
Cimt LCCA, мм	0,08 ± 0,00	0,08 ± 0.00
Инсулин, мкМЕ / мл	24,55 ± 4,24	19,71 ± 2,17
HOMA-IR	8,88 ± 1,15	7,92 ± 0,86
САД, мм рт.ст.	152,92 ± 5,85	143,64 ± 2,82
ДАД, мм рт.ст.	92,50 ± 3,29	88,88 ± 1,75
ПБП, мм рт.ст.	60,42 ± 3,72	54,76 ± 2,15

При оценке сонной интимы-медии толщины (CIMT) мы руководствовались данными, полученными в исследовании Atherosclerosis Risk in Communities (ARIC), в котором было продемонстрировано, что расчет VA с учетом пола, возраста и расы может производиться на основе Измерение CIMT ^[2] . Штейн и др. . ^[13] показали, что оценка ОЗ с помощью неинвазивного измерения CIMT позволяет более точно определить возраст как один из основных показателей при оценке индивидуального риска сердечно-сосудистых заболеваний.

Как известно, наличие АГ и СД2 сами по себе характеризуются тенденцией к увеличению ТКИМ, которую мы наблюдали у наших пациентов, хотя стоит отметить, что это увеличение было по сравнению с контрольной группой, а у 67% не достичь порога европейских рекомендаций (толщина CIMT ≤ 0.9 мм) ^[14] . Подразделение больных АГ и СД2 на возрастные группы сопровождалось незначительным увеличением этого показателя, не достигшим достоверности (2а подгруппа – КИМО правой общей сонной артерии (ПКА) – 0,086 ± 0,004 мм, КИМО левой общей сонной артерии). артерия (LCCA) – 0,086 ± 0,003 мм, 2б подгруппа – CIMT RCCA – 0,088 ± 0,003 мм и CIMT LCCA – 0,087 ± 0,002 мм соответственно, P > 0,05). Ультразвуковое исследование сонных артерий выявило наличие атеросклеротических бляшек у 39 пациентов (30. 95%), из них 5 (12,82%) относятся к подгруппе 2а, а 34 пациента (87,18%) – к подгруппе 2б.

Окислительный стресс определяется как нарушение баланса между концентрацией продуктов окисления и активностью антиоксидантных процессов в организме. Окислительный стресс способствует окислению ряда молекул, таких как ДНК, липиды и белки, которые связаны с различными процессами, включая старение.

Несмотря на имеющиеся данные о положительном влиянии современной антигипертензивной ^[15] и антидиабетической ^[16] терапии на окислительный стресс, результаты нашего исследования демонстрируют наличие интенсивной ОС у больных с сочетанным течением ГТ и СД2.Это проявляется в достоверном повышении уровня МДА ( P < 0,05) и снижении уровня SH-групп ( P < 0,05) по сравнению со здоровыми добровольцами.

МДА является основным конечным продуктом в процессе перекисного окисления липидов. Данные последних лет позволяют использовать уровень МДА в качестве маркера риска осложнений у больных СД2, особенно неадекватно компенсированным ^[17] .

В исследованиях Карраседо и др. . ^[18] было показано, что у людей с возрастом наблюдается достоверное увеличение МДА.В нашей работе у пациентов старшей возрастной группы значения МДА были ниже, чем у лиц моложе 60 лет (6,25 ± 0,33 мкмоль/л и 7,07 ± 0,44 мкмоль/л соответственно, P > 0,05).

Основную роль в защите от влияния ОС играет антиоксидантная система (АОС), одним из основных компонентов которой является тиолдисульфидная система. Важным биомаркером, отражающим состояние этой системы, является тиоловый статус организма. Тиоловый статус свидетельствует об общем уровне SH-групп белков и свободных SH-групп.У больных с сочетанным течением АГ и СД2 [табл. 2] отмечено достоверное снижение тиолового статуса по сравнению с контрольной группой (573,52 ± 10,91 мкмоль/л и 712,26 ± 11,08 ммоль/л соответственно, P < 0,05).

Показатели липидного, углеводного обмена, оксидантной и антиоксидантной систем у больных с изолированной АГ, сочетанием Г и СД 2Т в сравнении с контролем

группа 1, n = 30)	Н с СД2Т (группа 2, n = 126)
ОХ, ммоль/л	4. 77 ± 0.52	5.95 ± 0.23	5.34 ± 0.21	5.34 ± 0.21
TG, MMOL / L	1,03 ± 0.30	1,63 ± 0.13	1,91 ± 0.14
VLDL Холестерин, MMOL / L	0.54 ± 0.22	0,22	0,72 ± 0,06		0,85 ± 0,08	0,85 ± 0,08	0,85 ± 0,08
HDL холестерин, MMOL / L	1,45 ± 0,30967	1,45 ± 0,30967	1,41 ± 0,06	1,18 ± 0,04 *
LDL Холестерин, MMOL / L	2,6 ± 0,33	3.7 ± 0.24	3.28 ± 0.21
глюкоз, ммоль / л	4,62 ± 1,08	5,45 ± 0.12	8,25 ± 0,30947
HBA1C,%	4,62 ± 1,08	6,22 ± 0.15	7,32 ± 0,20 *
Инсулин, мкМЕ / мл	9,84 ± 2,20	19,77 ± 2,06	22,89 ± 2,20
HOMA-IR	2,23 ± 0,36	4,40 ± 0,51	8,26 ± 0,68*
МДА, мкмоль/л	4. 07 ± 0.22	6.11 ± 0.31	6.55 ± 0.27	6.55 ± 0.27
GPO, μMol / Min / GHB	406.20 ± 31.2	31.2	31.290 ± 15.01	324.60 ± 12.01	324.60 ± 12.0947	Sh-группы, μmol / l	712,26 ± 11,08	570,54 ± 12,64	573,52 ± 10,91
8-ОН-Д.Г., нг / л	6,66 ± 0,97	16,26 ± 0,83	15,89 ± 0,76

Эта тенденция сохранялись даже при разделении больных на возрастные группы: у больных старшей возрастной группы по сравнению с более молодыми наблюдалось снижение тиолового статуса ( P > 0.05). Эти изменения наблюдались на фоне незначительного возрастного снижения ГПО, что свидетельствует о снижении антиоксидантной защитной силы (табл. 1).

Ранее было показано, что гуанин является наиболее окисляемым из четырех оснований, входящих в структуру ДНК ^[19] . Продуктом его окисления в результате воздействия АФК является 8-OH-dG, который можно определять в различных биологических тканях и жидкостях. В нашем исследовании корреляционный анализ выявил связи 8-OH-dG практически только в группе лиц до 60 лет: средняя положительная корреляция между 8-OH-dG и CIMT ( P = 0.038, r = -0,569), высокая положительная связь между 8-OH-dG и SBP ( P = 0,027, r = 0,765) 8-OH-dG и PBP ( P = 0,046, г = 0,715).

Корреляционный анализ также выявил возрастную зависимость различных корреляций между изучаемыми параметрами. Так, в группе до 60 лет выявлена ​​слабая отрицательная связь между SH-группами и уровнем ТГ ( P = 0,002, r = -0,04) и уровнем ХС ЛПВП ( P = 0.042, r = -0,206). При сочетанном течении АГ и СД2 у больных старшей возрастной группы корреляционный анализ выявил наличие средней положительной связи между уровнем 8-OH-dG и холестерином ЛПВП ( P = 0,045, r = 0,543), GPO и TC ( P = 0,026, r = 0,405), GPO и холестерин ЛПНП ( P = 0,027, r = 0,410), GPO и HOMA-IR ( P = 0,040) = 0,374).

Обсуждение

Известно, что окислительный стресс усиливается с возрастом и его прогрессирующее развитие можно рассматривать как один из маркеров старения.Принято считать, что повышение ОС при старении является следствием снижения эффективности антиоксидантной защиты. Предлагается количественное определение 8-OH-dG как одного из маркеров свободнорадикальных процессов, происходящих в организме в норме и при развитии различных патологических процессов. Считается, что повышенный уровень 8-OH-dG связан с процессом старения, а также со многими патологическими состояниями, включая сахарный диабет и АГ.В исследованиях Wua и др. . ^[19] продемонстрированы корреляции между уровнем окислительного повреждения ДНК и тяжестью диабетической нефропатии и ретинопатии.

В нашем исследовании мы наблюдали не только увеличение этого показателя у больных АГ и СД2 по сравнению с контрольной группой, но и возраст-ассоциированное увеличение среднего 8-OH-dG во 2b возрастной группе, что совпадает с результатами Wang et al . ^[20] , которые продемонстрировали достоверную связь между уровнем 8-OHdG в плазме и возрастом испытуемых.

Полученные нами результаты свидетельствуют о том, что сочетанное течение АГ и СД2 характеризуется наличием выраженного оксидативного стресса, что проявляется в достоверном повышении интенсивности перекисного окисления липидов, маркера повреждения ДНК, которая повышается на фоне сниженной активности антиоксидантной защиты.

Несмотря на то, что возрастные изменения оксидативного стресса при коморбидном течении АГ и СД2 не имели достоверных различий, наличие корреляционных связей между различными индексами, входящими в понятие «сосудистое старение», и показателями оксидант- антиоксидантной системы в разных возрастных группах позволяет сделать предположение о значительном влиянии оксидативного статуса на состояние ЖА, особенно у лиц старшей возрастной группы.

Учитывая, что пожилой возраст в целом характеризуется полиморбидностью и с возрастом увеличивается риск развития возраст-ассоциированных заболеваний, в том числе АГ и СД2 и их осложнений, одним из активных направлений исследований является изучение особенностей развития оксидативного стресса в пожилом возрасте группы.

Таким образом, на сегодняшний день концепция ВА позволяет по-новому взглянуть на оценку ССР: с одной стороны, как биологическую модель старения, с другой, дает возможность анализировать состояние многих рисков. факторов в разных возрастных группах.

Декларации

Дизайн исследования, рецензирование рукописи: Немцова В., Биловол О.

Разработка методологии: Немцова В.

Сбор данных, анализ и/или интерпретация данных, написание (без пересмотра) всех или разделов рукопись: Немцова В., Биловол О., Ильченко И., Шалимова А.

Надзор: Биловол О.

Не применимо.

Нет.

Все авторы заявили об отсутствии конфликта интересов.

Протокол исследования поддержан Этическим комитетом Харьковского национального медицинского университета, Украина.

Каждый пациент был проинформирован об исследовании и дал свое согласие.

© Автор(ы), 2018.

Цитировать эту статью

Немцова В, Биловол О, Ильченко И, Шалимова А.Возрастные особенности оксидативного стресса как маркера старения сосудов при коморбидном течении артериальной гипертензии и сахарного диабета 2 типа. Vessel Plus  2018; 2:27. http://dx.doi.org/10.20517/2574-1209.2018.48

Фабрики возвращаются из Китая благодаря роботам

Примерно в середине 2020 года, после первой сильной волны пандемии, вызвавшей удушье в международной торговле и вовлечении в цепочки поставок, многие экономисты в Германии начали обсуждать перспективу «Репатриация» части промышленной продукции .

Это обсуждение еще не закончено. Напротив, она, вероятно, усилилась после аварии на Суэцком канале, резкого роста стоимости аренды контейнеров и отсутствия полупроводников, ударившего по автопрому и другим производителям высокотехнологичной продукции. На самом деле, вопрос о быстром росте германо-европейской индустрии микрочипов уже был поднят ее ближайшим соратником Ангелой Меркель и министром экономики Петером Альтмайером.

Правительство Германии, конечно же, придает такое же значение своему вопросу инвестиций в роботов .Климат, возможно, изменился за это время, и термин «глобализация» может звучать не так модно, как когда-то в 2020 году, но стремление европейской промышленности уменьшить свою зависимость от зарубежья, особенно Азии, и стать менее уязвимой для непредвиденных событий и несбалансированные факторы остаются сильными. На самом деле, тот факт, что не происходит немедленной деэскалации в вопросе перераспределения транспортных расходов, по-видимому, придает новый импульс соответствующим дебатам.

THE Далия Марин Профессор международной экономики в P. Университет Мюнхена , уже два года настаивает в своих публичных заявлениях, называя пандемию возможностью для «возрождения немецкой промышленности» и защищая идею возвращения производственного процесса в пределах границ. В качестве союзника в таком развитии он рассматривает использование потенциала робототехники, вопрос, которым он занимается уже около десяти лет.

Ее логика проста, когда она говорит: «Компания в Германии должна платить гораздо больше немецкому рабочему, чем китайскому.«Но немецкий робот не требует даже зарплаты, не говоря уже о социальных выплатах, таких как медицинская страховка или пособие по болезни».

По мнению уроженца Австрии, профессора и научного сотрудника знаменитого Института Брейгеля в Брюсселе эта тенденция начала проявляться уже после начала кризиса 2008-2009 гг. Тогда стало понятно, насколько уязвима глобальная производственная цепочка, если одно из ее звеньев разорвется.
С начала 2010-х годов стала усиливаться тенденция прямо противоположная той, что преобладала в 1990-х.Затем, после открытия Восточной Европы и «открытия» дешевой рабочей силы, немецкая промышленность стала все больше и больше переносить производственную деятельность за границу.

За этим последовала интеграция Китая в цепочку глобальной производственной деятельности, которая была основана главным образом на очень низкой стоимости рабочей силы. Однако недавние события сводят на нет процент выгоды для производителей. Что-то отмечают многие эксперты в США .

Когда в 2008 году появились первые мысли о таком возвращении, робототехника уже активно применялась в Германии и особенно в «базовых» секторах ее экономики, таких как автомобильная промышленность.

Какие секторы выиграют

Недавний кризис, который закрыл границу на несколько месяцев и нарушил цепочку поставок, в сочетании с «дешевыми деньгами» центральных банков усилит эту тенденцию «репатриации», особенно в секторах, которые были сильно зависимы по цепочкам добавленной стоимости. Таковы их области автомобилей, электроники, текстиля, импортирующих около 12% своих полуфабрикатов из стран с низкими издержками. Тенденции к репатриации проявляют также химическая промышленность и металлургия , которые осознали опасность зависимости производственной цепочки от третьих стран. Это, конечно, повлечет за собой значительные убытки для стран, из которых будет мигрировать немецкий капитал. Теоретически это может быть хорошо для «дешевых» европейских стран.

За последний год Марин также использовала крупные стихийные бедствия, связанные с климатическим кризисом, чтобы подкрепить свои аргументы, утверждая, что торговые пути могут стать еще более небезопасными и ненадежными в будущем и пострадать от таких природных явлений, которые приведут к задержки и увеличение транспортных расходов.

В целом профессор из Мюнхена говорит о «тектонических изменениях» в мировом хозяйстве, не распространяясь, однако, на последствия, которые такое развитие будет иметь для потребления немецкой продукции за границей, то есть если бумерангом возникнет затруднение могло возникнуть. для дальнейшего увеличения немецкого экспорта.

Однако в недавнем исследовании Мюнхенский институт экономических исследований каждый пятый предприниматель заявил, что на самом деле рассматривает возможность репатриации производственного процесса своей компании.