Автоматизация размещения антенн на летательном аппарате на основе нейронных сетей

Марсель Фахимович Амануллин

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Автоматизация размещения антенн на летательном аппарате на основе нейронных сетей

М. Ф. Амануллин

2025-12-01

https://doi.org/10.24108/preprints-3113971

В работе представлена методика автоматизированного размещения антенн на летательном аппарате с использованием нейронных сетей и суррогатного моделирования. Основная задача исследования заключается в повышении эффективности процесса проектирования антенных систем за счёт сокращения количества дорогостоящих электромагнитных расчётов и повышения качества найденных конфигураций. В качестве ключевого инструмента применяется графовая нейронная сеть (GNN), обученная на выборке конфигураций, полученной с использованием ЭМ-симулятора. Модель позволяет быстро предсказывать основные радиотехнические показатели (усиление, диаграммы направленности, взаимная связь), выступая в роли высокоскоростного суррогата для оценки кандидатов. В сочетании с эволюционным алгоритмом оптимизации GNN обеспечивает эффективный поиск оптимальных позиций и ориентаций антенных модулей на поверхности фюзеляжа. Проведённые эксперименты показали значительное ускорение процесса оптимизации (сокращение числа вызовов ЭМ-солвера более чем в 10 раз) при сохранении точности оценки ключевых характеристик. Полученные решения демонстрируют улучшение усиления и уменьшение взаимных помех по сравнению с базовыми конфигурациями. Предложенный подход подтверждает перспективность использования машинного обучения в задачах инженерного проектирования и может быть расширен для более сложных типов антенн, широкополосных систем и различных летательных платформ.

Ссылка для цитирования:

Амануллин М. Ф. 2025. Автоматизация размещения антенн на летательном аппарате на основе нейронных сетей. PREPRINTS.RU. https://doi.org/10.24108/preprints-3113971

Список литературы

1. Bishop C. M. Neural Networks for Pattern Recognition. – Oxford: Oxford University Press, 1995. – 482 p.

2. CST Studio Suite [Электронный ресурс]. – URL: https://www.3ds.com/products-services/simulia/products/cst-studio-suite/ (дата обращения: 15.05.2025).

3. Goodfellow I., Bengio Y., Courville A. Deep Learning. – Cambridge: MIT Press, 2016. – 775 p.

4. Mitchell M. An Introduction to Genetic Algorithms. – Cambridge, MA: MIT Press, 1998. – 221 p.

5. Open Cascade Technology [Электронный ресурс]. – URL: https://www.opencascade.com (дата обращения: 18.05.2025)

6. Skobtsov Yu. A. Genetic Algorithms for CAE Problems.

7. Simon D. Evolutionary Optimization Algorithms. – Hoboken, NJ: Wiley, 2013. – 514 p.

8. Sultanov A. M. Electromagnetic Compatibility in UAV Control Blocks.

9. Szewczyk J. Difficulties with CAD interface understanding // Journal of Engineering Design. – 2003. – Vol. 14. – P. 169-185.

10. Unmanned Aerial Vehicle (UAV) Drones Market Size, Share, and Trends 2025 to 2034 // Precedence Research [Электронный ресурс]. – URL: https://www.precedenceresearch.com/unmanned-aerial-vehicle-drones-market (дата обращения: 14.04.2025).

11. Voronova V. V. CAD for Radioelectronic Equipment.

12. Wang Z.-S. et al. Efficient Chaotic Imperialist Competitive Algorithm // Symmetry. – 2020. – Vol. 12, no. 4.

13. Автоматизированное размещение антенных систем на фюзеляже ЛА // Современные материалы, техника и технология. Курск: Юго-Западный гос. ун-т, 2022. – С. 164–167.

14. Алгоритмы и структуры данных. Учебное пособие / под ред. А. В. Кузнецова. – М.: БХВ-Петербург, 2019. – 416 с.

15. Белоусов А. О. Подходы к обеспечению ЭМС РЭС в составе БПЛА // Системы управления, связи и безопасности. – 2023. – № 3. – С. 134–196.

16. Булдаков В. Н. Методы оптимизации в интеллектуальных системах. – М.: Радио и связь, 2015. – 272 с.

17. Веденькин Д. А., Латышев В. Е., Седельников Ю. Е. Оценка коэффициентов связи антенн для задач ЭМС БПЛА // Журнал радиоэлектроники. – 2014. – № 12.

18. Воронова В. В. Информационные технологии проектирования электронных вычислительных средств. – Казань: КГТУ, 2007. – 207 с.

19. Гаркавый А. Жадные алгоритмы // Algorithmica: науч.-образоват. портал. – 2018. – URL: https://ru.algorithmica.org/cs/combinatorial-optimization/greedy/ (дата обращения: 04.06.2025).

20. Гизатуллин З. М., Гизатуллин Р. М., Нуриев М. Г. Математические модели задач ЭМС // Изв. вузов. Проблемы энергетики. – 2015. – № 1-2. – С. 115-122.

21. Гладков Л. А. Интеллектуальные системы. – Чебоксары: Среда, 2024.

22. Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы. – 2-е изд., испр. и доп. – М.: Физматлит, 2010. – 368 с.

23. ГОСТ 23611-79. Совместимость радиоэлектронных средств электромагнитная. Термины и определения. – Введ. 1980-07-01. – М.: Изд-во стандартов, 1980.

24. ГОСТ 24375-80. Радиосвязь. Термины и определения. – Введ. 1982-01-01. – М.: Изд-во стандартов, 1987.

25. ГОСТ Р 55898-2013. Технические средства радиосвязи. Взаимные радиопомехи в локальной группировке. Методы расчета. – Введ. 2014-07-01. – М.: Стандартинформ, 2013.

26. ГОСТ Р 57258-2016. Системы беспилотные авиационные. Термины и определения. – Введ. 2017-06-01. – М.: Стандартинформ, 2016.

27. ГОСТ Р 59751-2021. Беспилотные авиационные системы. Требования к летной годности. – Введ. 2022-01-01. – М.: Стандартинформ, 2021.

28. Гришин А. А., Карпенко А. П. Исследование эффективности метода пчелиного роя // Наука и образование. – 2010. – № 8.

29. Дворянкин А. М., Тапе Ж. М. Х. Алгоритм полного перебора для задачи одномерной упаковки объектов // Международный науч.-исслед. журн. – 2021. – № 6(108).

30. Еремеева О. С. Алгоритмы эволюционного моделирования. – Новосибирск: Сибирское университетское изд-во, 2017. – 304 с.

31. Жадные алгоритмы // Algorithmica: науч.-образоват. портал. – 2018.

32. З. М. Гизатуллин и др. Математические модели задач ЭМС // Изв. вузов. Проблемы энергетики. – 2015.

33. Карпенко А. П. Современные алгоритмы поисковой оптимизации. – М.: МГТУ им. Баумана, 2014.

34. Кулиев Э. В., Запорожец Д. Ю., Терещенко Д. Ю. Модифицированный алгоритм волчьей стаи // Известия ЮФУ. Техн. науки. – 2019. – № 4. – С. 187-195.

35. Курейчик В. В. Анализ и обзор моделей эволюции // Изв. РАН. Теория и системы управления. – 2007. – № 5. – С. 114–126.

36. Курейчик В. В., Сороколетов П. В. Эволюционные алгоритмы разбиения графов и гиперграфов // Изв. ТРТУ. – 2004. – № 3(38). – С. 23-32.

37. Курейчик Вл. Вл., Курейчик В. В. Биоинспирированный поиск при проектировании и управлении // Известия ЮФУ. Техн. науки. – 2012. – № 11(136). – С. 178-183.

38. Лебедев Б. К. и др. Муравьиный алгоритм планирования СБИС // Вестн. МГТУ им. Баумана. Приборостроение. – 2019. – № 5(128). – С. 49-63.

39. Махонина Ю. В., Неймарк Е. А. Решение задачи раскроя-упаковки с помощью эволюционного алгоритма // Труды НГТУ им. Р. Е. Алексеева. – 2021. – № 2. – С. 24-31.

40. Полупанова Е. Е. и др. Алгоритм последовательной гибридизации для задачи коммивояжера // Известия ЮФУ. Техн. науки. – 2023. – № 3. – С. 108-118.

41. Родзин С. И., Родзина О. Н. Машинное обучение: метаэвристики дифференциально-векторного движения. – Чебоксары: ИД «Среда», 2024. – 137 с.

42. Седельников Ю. Е. Электромагнитная совместимость РЭС. – Казань: Новое знание, 2006. – 304 с.

43. Скобцов Ю. А., Сперанский Д. В. Генетические алгоритмы многокритериальной оптимизации [Электронный ресурс]. – URL: https://intuit.ru/studies/courses/14227/1284/lecture/24176 (дата обращения: 05.05.2025).

44. Тайк А. М., Лупин С. А., Балабаев С. А. Полный перебор для квадратичного назначения // INJOIT. – 2023. – Т. 11, № 7. – С. 60-68.

45. Умные системы: модели и методы метаэвристической оптимизации. – Чебоксары: Среда, 2024.

46. Хайнеман Д., Поллис Г., Селков С. Алгоритмы: справочник разработчика. – М.: ДМК Пресс; O'Reilly, 2017. – 704 с.

47. Хашпер Б. Л., Кантор О. Г. Методы случайного поиска и машинного обучения для оптимизации // Информ. и матем. технологии. – 2023. – № 3(31). – С. 15-26.

48. Частикова В. А., Жерлицын С. А. Исследование алгоритма серых волков // Науч. труды КубГТУ. – 2016. – № 16. – С. 136–142.

49. Штовба С. Д. Муравьиные алгоритмы // Exponenta Pro. – 2003. – № 4. – С. 70-75.

50. Шулаева Е. А., Маштанов Н. М., Иванов А. Н. Многокритериальная оптимизация методом имитации отжига // Электротехн. и информ. комплексы и системы. – 2020. – Т. 16, № 1. – С. 89-96.

ПРЕПРИНТ

ИНФОРМАЦИЯ

Использование куки-файлов