Аналіз ефективності поливу кімнатних рослин у мультиагентній системі на підставі параметрів середовища

Анотація

Встановлено актуальність розроблення інтелектуальних систем для оптимізації режимів поливу кімнатних рослин за динамічних умов закритого середовища, де параметри мікроклімату змінюються у часі та істотно впливають на стан рослин. Для вирішення цього завдання застосовано мультиагентну архітектуру системи, яка інтегрує сенсорні дані про вологість ґрунту, температуру, освітленість і вологість повітря з математичними моделями росту рослин і прогнозними алгоритмами. Додатково використано метод Монте-Карло для пошуку оптимальних сценаріїв поливу за умов невизначеності та варіативності зовнішніх факторів. Виявлено, що мультиагентна система забезпечує ефективне розподілене оброблення даних, підвищує адаптивність управління та дає змогу враховувати індивідуальні, зокрема – видоспецифічні потреби рослин. Охарактеризовано закономірності впливу температури, вологості ґрунту, освітлення та вологості повітря на інтегральний показник стану рослин, що дає змогу комплексно оцінювати ефективність різних режимів поливу. Запропоновано підхід до формування керівних впливів на основі зваженої оцінки відхилень параметрів середовища від оптимальних значень та їх взаємного впливу. Оцінено вплив координації агентів на точність прийняття рішень і раціональність використання водних ресурсів; встановлено підвищення середнього показника стану рослин порівняно із традиційними методами поливу. Показано, що застосування прогнозних моделей та алгоритмів оптимізації параметрів середовища дає змогу формувати персоналізовані рекомендації для користувача, забезпечувати стабільність рівня вологості ґрунту та своєчасну реакцію системи на зміну умов середовища. Ефективність роботи системи підтверджено шляхом експериментального моделювання режимів поливу для кількох типів рослин, що демонструє її практичну придатність. Перспективним напрямом подальших етапів дослідження є розширення системи за рахунок додаткових параметрів середовища, підвищення автономності агентів, а також інтеграція сучасних методів машинного навчання для підвищення точності прогнозування стану рослин та якості прийняття рішень.