Use of swarm intelligence in unmanned vehicles

Abstract

Досліджено використання алгоритмів ройового інте- лекту в безпілотних апаратах (БПА), акцентовано увагу на їх значних перевагах для підвищення ефективності та продуктивності цих систем. Безпілотні апарати, які можуть функціонувати автономно або під дистанційним керуван- ням, відіграють ключову роль у таких сферах, як спо- стереження, пошуково-рятувальні операції, сільське госпо- дарство та військові дії. Основний фокус статті зосереджено на таких алгоритмах, як оптимізація мурашиних колоній (ACO), штучна бджолина колонія (ABC), оптимізація рою частинок (PSO), оптимізація рою світлячків (GSO), алгоритм світлячка (FA), алгоритм кажана (BA), оптимізація сірого вовка (GWO) та алгоритм оптимізації китів (WOA). Ґрунтовно проаналізовано принципи роботи кожного алгоритму, їхнє застосування у БПА, а також оцінено їхню ефективність у динамічних умовах. Також простежено ключові переваги кожного алгоритму та їхні обмеження, такі як потреба в обчислювальних ресурсах і відповідність певному середовищу. Алгоритми розглянуто з точки зору управління критично важливими функціями БПА, такими як розподіл ресурсів і координація дій у багатоагентних системах, що є важливим для виконання складних місій. Особливу увагу зосереджено на адаптивності кожного алгоритму, особливо в умовах непередбачуваного та складного середовища, де швидка зміна поведінки БПА може визначати успіх місії. Окрім цього, зосереджено увагу на здатності кожного алгоритму адаптуватися до нової інформації в режимі реального часу, що відкриває перспективи для підвищення продуктивності та надійності БПА у складних умовах. Окремий акцент зроблено на координації завдань у ройовому інтелекті, підкреслюючи його здатність покращувати групову взаємодію безпілотних апаратів (БПА) та ухвалення рішень для ефективної роботи у складних і динамічних умовах. Запропоновано глибокий аналіз алгоритмів ройового інтелекту та надано реко- мендації щодо вибору найбільш ефективного підходу залежно від специфіки завдання і типу БПА. Крім того, створено порівняльну таблицю ключових властивостей алгоритмів та зроблено огляд аналогічних досліджень, що порівнюють ройові алгоритми. Майбутні дослідження будуть зосереджені на вдосконаленні масштабованості, адаптивності та інтеграції цих алгоритмів із новітніми технологіями для розв’язання складних завдань у місіях БПА.

This article explores the use of swarm intelligence algorithms in unmanned vehicles (UVs), focuses on their main advantages for improving the efficiency and productivity of systems. Unmanned vehicles, which can operate autonomously or under remote control, play a significant role in such areas as surveillance, search and rescue, agriculture and military operations. The main focus of the article is on algorithms such as ant colony optimisation (ACO), artificial bee colony (ABC), particle swarm optimization (PSO), glow-worm swarm optimization (GSO), firefly algorithm (FA), bat algorithm (BA), grey wolf optimizer (GWO), and whale optimization algorithm (WOA). Each of these algorithms is discussed in detail, particularly their core principles, specific applications in UVs, and their levels of effectiveness in different environments. Each algorithm has been examined to highlight its operational strengths and its limitations, such as computational demands and environmental suitability. This paper discusses the algorithms in terms of managing critical functions of UVs, such as resource allocation and multi-agent coordination, which are essential for complex mission scenarios. Particular attention is paid to the adaptability of each algorithm, especially in unpredictable or hostile environments, where rapid recalibration of UV behaviour is necessary for mission success. By analysing each algorithm capacity to adjust the UV to new data in real-time, the article highlights their potential to optimize UV performance and reliability in challenging contexts. Special attention is given to collaborative task management in swarm intelligence, emphasizing its ability to enhance unmanned aerial vehicle (UAV) group coordination and decision-making for efficient operation in complex and dynamic scenarios. In general, the article provides deep analysis of swarm intelligence algorithms, and the information that will help choose the most effective algorithm to help solve specific tasks using different types of UVs. Future research will focus on improving the scalability, adaptability, and integration of these algorithms with latest technologies in order to enhance their effectiveness in solving complex UV missions. In addition, a comparative table of the main characteristics of the algorithms was created and a review of similar studies comparing swarm algorithms was made.