http://dspace.tnpu.edu.ua/handle/123456789/8641 Tue, 12 May 2026 22:12:09 GMT 2026-05-12T22:12:09Z http://dspace.tnpu.edu.ua/handle/123456789/40600 Назва: Цифрові інструменти штучного інтелекту в сучасній біологічній освіті: практичні аспекти та методичні рекомендації Автори: Москалюк, Наталія Володимирівна Короткий огляд (реферат): У статті розкрито актуальність та практичні засади інтеграції технологій штучного інтелекту (ШІ) у процес підготовки майбутніх фахівців природничих спеціальностей. Доведено, що стрімка діджиталізація та автоматизація професійної діяльності висувають нові вимоги до педагогічних компетентностей, зокрема в контексті використання генеративного ШІ та систем інтелектуального аналізу даних. На основі аналізу останніх досліджень McKinsey Global Institute та наукометричних даних Web of Science обґрунтовано стратегічне значення ШІ для персоналізації навчання та підвищення його інтерактивності. Основну увагу зосереджено на систематизації інноваційних цифрових ресурсів, адаптованих для біологічної освіти. Детально проаналізовано функціональні можливості ШІ-тьютора Khanmigo для опанування складних молекулярних процесів, спеціалізованої мовної моделі BioGPT для верифікації біомедичних даних та застосунку Seek для ідентифікації біорізноманіття за допомогою комп’ютерного зору. Розглянуто роль таких платформ, як Wildlife Insights, PlantVillage та Global Forest Watch, у розвитку дослідницьких навичок студентів під час польових практик та екологічного моніторингу. Висвітлено потенціал системи PAWS як прикладу застосування алгоритмічного мислення для охорони навколишнього середовища. Автором розроблено та обґрунтовано комплекс методичних рекомендацій для викладачів щодо ефективного впровадження ШІ. Акцентовано на важливості промпт-інжинірингу, критичного оцінювання результатів роботи нейромереж, верифікації фактів та суворого дотримання принципів академічної добро- чесності. Зроблено висновок, що впровадження ШІ сприяє трансформації студента-біолога у фахівця з біоінформатики, здатного працювати з Big Data. Водночас наголошується, що ШІ виступає адаптивним помічником, тоді як ключова роль у контролі якості освітнього процесу та етичному вихованні залишається за викладачем.; The article reveals the relevance and practical principles of integrating artificial intelligence (AI) technologies into the process of training future natural science specialists. It is proved that rapid digitalization and automation of professional activities pose new requirements for pedagogical competencies, particularly in the context of using generative AI and intelligent data analysis systems. Based on the analysis of recent research by the McKinsey Global Institute and scientometric data from Web of Science, the strategic importance of AI for personalizing learning and increasing its interactivity is substantiated. The primary focus is placed on the systematization of innovative digital resources adapted for biological education. The functional capabilities of the AI tutor Khanmigo for mastering complex molecular processes, the specialized language model BioGPT for verifying biomedical data, and the Seek application for biodiversity identification using computer vision are analyzed in detail. The role of platforms such as Wildlife Insights, PlantVillage, and Global Forest Watch in developing students' research skills during fieldwork and environmental monitoring is considered. The potential of the PAWS system is highlighted as an example of applying algorithmic thinking for environmental protection. The author has developed and substantiated a complex of methodological recommendations for educators regarding effective AI implementation. Emphasis is placed on the importance of prompt engineering, critical evaluation of neural network outputs, fact verification, and strict adherence to the principles of academic integrity. It is concluded that the implementation of AI contributes to the transformation of a biology student into a bioinformatics specialist capable of working with Big Data. At the same time, it is emphasized that AI acts as an adaptive assistant, while the key role in quality control of the educational process and ethical upbringing remains with the teacher. Thu, 01 Jan 2026 00:00:00 GMT http://dspace.tnpu.edu.ua/handle/123456789/40600 2026-01-01T00:00:00Z http://dspace.tnpu.edu.ua/handle/123456789/39568 Назва: Продуктивність квасолі звичайної (Phaseolus vulgaris (L.) Merr.) за впливу рекультиванту композиційного TREVITAN® полікомплекс Автори: Пида, Світлана Василівна; Конончук, Олександр Борисович; Дзендзель, Андрій Юрійович; Сем'янів, М. В. Wed, 14 Jan 2026 00:00:00 GMT http://dspace.tnpu.edu.ua/handle/123456789/39568 2026-01-14T00:00:00Z http://dspace.tnpu.edu.ua/handle/123456789/39326 Назва: Математичне моделювання впливу розширення транспортної мережі на оптимізацію ефективності доставки «Останнього кілометра» в міських логістичних системах Автори: Романюк, Леонід Антонович; Чихіра, Ігор Вікторович; Тулайдан, Галина Миколаївна; Головко, Андрій Дмитрович Короткий огляд (реферат): У цьому дослідженні представлено структуру для автомати- зації польотних процесів безпілотних літальних апаратів (БПЛА) з основним фокусом на точному плануванні траєкторії для забезпечення ефективної взаємодії з навколишнім середовищем. Запропонована система включає в себе тривимірну модель руху, яка динамічно коригує траєкторії на основі факторів навколишнього середовища, підвищуючи адаптивність БПЛА до мінливих умов. У структурі було використано систему нечіткого висновку, для усунення невизначеностей, спричинених шумом датчиків, зовнішніми перешкодами та обмеженнями керування. Цей підхід обробляє неточні вхідні дані, такі як помилки позиції та швидкості, використовуючи лінгвістичні змінні та прийняття рішень на основі правил. Перетворюючи точні вхідні дані в нечіткі набори та застосовуючи експертні правила, система ефективно пом’якшує нелінійність і дестабілізуючі впливи, забезпечуючи надійні стратегії керування операціями БПЛА. У структуру також було інтегровано нейронні мережі довгої коротко- часної пам’яті (long short-term Memory – LSTM) для прогнозування майбутніх змін навколишнього середовища та дестабілізуючих факторів. Використовуючи історичні дані, архітектура LSTM моделює довго- строкові тимчасові залежності, уможливлюючи проактивне коригування траєкторії. Ця здатність прогнозування є критично важливою для підтримки стабільності та точності в динамічних середовищах. Щоб підвищити екологічну обізнаність у реальному часі, у систему було включено технологію радіочастотної ідентифікації (RFID). Активні та пасивні RFID-мітки надають дані про контекстну локалізацію, підтримують уникнення перешкод і оптимізацію траєкторії. Поєднуючи локалізацію на основі RFID з фільтром Калмана, система забезпечує точне просторове визначення та рекурсивне прийняття рішень, зменшуючи помилки передбачення та покращуючи точність навігації. Експериментальна перевірка була проведена за допомогою БПЛА DJI Matrice 210, оснащеного вдосконаленими датчиками та вбудованим обчислю- вальним модулем NVIDIA Jetson TX2. Безпілотний літальний апарат успішно долав середовище з чисельними перешкодами, позначене мітками RFID, за різних умов вітру. Система продемонструвала високу точність відстеження траєкторії, зберігаючи середньоквадратичну похибку 0,22 метра, безпечну дистанцію проходження перешкоди 2,8 метра та швидкий час реакції 0,5 секунди для початку превентивних маневрів. Ця комплексна структура поєднує в собі нечітку логіку, нейронні мережі та локалізацію на основі RFID для створення надійної архітектури керування БПЛА. Незважаючи на такі проблеми, як високі обчислювальні вимоги та залежність від інфраструктури RFID, дослідження підкреслює значні досягн- ення в автоматизації БПЛА. Майбутні дослідження спрямовані на покращення координації кількох БПЛА та оптимізацію операцій за допомогою покращеної інтеграції апаратного забезпечення та методів паралельної обробки даних.; This study presents an advanced framework for automating the flight processes of unmanned aerial vehicles (UAVs), with a primary focus on precise trajectory planning to ensure effective interaction with the environment. The proposed system incorporates a three-dimensional motion model that dynamically adjusts trajectories based on environmental factors such as wind, enhancing UAV adaptability to changing conditions. To address uncertainties caused by sensor noise, external disturbances, and control limitations, the framework employs a fuzzy inference system. This approach processes imprecise input data, such as positional and velocity errors, using linguistic variables and rule-based decision-making. By converting precise inputs into fuzzy sets and applying expert-defined rules, the system effectively mitigates nonlinearities and destabilizing influences, providing robust control strategies for UAV operations. The framework also integrates Long Short-Term Memory (LSTM) neural networks to predict future environmental changes and destabilizing factors. Leveraging historical data, the LSTM architecture models long-term temporal dependencies, enabling proactive trajectory adjustments. This predictive capability is critical for maintaining stability and accuracy in dynamic environments. To enhance real-time environmental awareness, the system incorporates Radio Frequency Identification (RFID) technology. Active and passive RFID tags provide contextual localization data, supporting obstacle avoidance and trajectory optimization. By combining RFID-based localization with a Kalman filter, the system achieves precise spatial awareness and recursive decision-making, reducing prediction errors and improving navigation accuracy. Experimental validation was conducted using a DJI Matrice 210 UAV equipped with advanced sensors and an onboard NVIDIA Jetson TX2 computing module. The UAV successfully navigated obstacle-rich environments marked with RFID tags under varying wind conditions. The system demonstrated high trajectory tracking precision, maintaining a root mean square error of 0.22 meters, a safe obstacle clearance distance of 2.8 meters, and a rapid response time of 0.5 seconds for initiating preventive maneuvers. This comprehensive framework combines fuzzy logic, neural networks, and RFID-based localization to create a robust UAV control architecture. Despite challenges such as high computational requirements and reliance on RFID infrastructure, the study highlights significant advancements in UAV automation. Future research aims to enhance multi-UAV coordination and optimize operations through improved hardware integration and parallel data processing techniques. Wed, 01 Jan 2025 00:00:00 GMT http://dspace.tnpu.edu.ua/handle/123456789/39326 2025-01-01T00:00:00Z http://dspace.tnpu.edu.ua/handle/123456789/39323 Назва: INTEGRATING SWARM INTELLIGENCE AND EDGE COMPUTING FOR AUTONOMOUS MULTI-DRONE OPERATIONS Автори: Romaniuk, Leonid; Chykhira, Ihor; Tulaidan, Halyna; Holovko, Andrii Короткий огляд (реферат): This study presents an adaptive PSO (Particle Swarm Optimization) algorithm as the foundation for a swarm intelligence approach in multi-UAV operations. The traditional PSO formula for particle velocity and position updates was modified to incorporate a variation strategy from Differential Evolution (DE), enabling UAVs to dynamically adjust their trajectories. The integration of deep reinforcement learning (DRL) further enhances the model's ability to optimize task offloading and computational distribution, ensuring that UAVs function as efficient edge nodes. An experimental evaluation was conducted to assess the proposed PSO-Edge method compared to other machine learning techniques, specifically Random Forest and Support Vector Machine (SVM). The experimental setup involved a simulation environment where UAVs were tasked to monitor data and execute missions over a defined area. The hardware included an Intel Xeon Gold 6248R CPU, 128 GB RAM, and an NVIDIA Tesla V100 GPU, with the simulation executed using Python 3.8. The proposed PSO-Edge algorithm demonstrated superior performance across multiple metrics: reducing task completion time by 42.1 minutes compared to Random Forest and SVM; achieving the lowest energy consumption per task at 28.9 Wh; demonstrating efficient communication with the least latency at 0.15 seconds; and achieving the highest task accuracy at 96%. The results confirm that the PSO-Edge method outperforms traditional machine learning approaches in task efficiency, energy consumption, communication latency, and accuracy. This highlights the benefits of integrating edge computing with the PSO algorithm, establishing it as a robust solution for multi-UAV operations. The findings have significant implications for optimizing UAV-based applications, particularly in environments requiring dynamic adaptation and efficient resource management.; Представлено адаптивний алгоритм PSO (Particle Swarm Optimization – оптимізація роїв частинок) як основу для підходу до ройового інтелекту в операціях з кількома БПЛА. Традиційну формулу PSO для оновлення швидкості та положення частинок було змінено, щоб включити стратегію варіації від Differential Evolution (DE), що дозволяє БПЛА динамічно коригувати свої траєкторії. Інтеграція глибокого навчання з підкріпленням (DRL) додатково підвищує здатність моделі оптимізувати розвантаження завдань і розподіл обчислень, гарантуючи, що БПЛА функціонують як ефективні периферійні вузли. Проведено експериментальне оцінювання запропонованого методу PSO-Edge порівняно з іншими методами машинного навчання, зокрема випадковим лісом (RF) і методом опорних векторів (SVM). Експериментальна установка включала симуляційне середовище, де БПЛА було поставлено завдання контролювати дані та виконувати місії над визначеною територією. Апаратне забезпечення включало процесор IntelXeonGold 6248R, 128 ГБ оперативної пам’яті та графічний процесор NVIDIATeslaV100 із моделюванням, виконаним за допомогою Python 3.8. Запропонований алгоритм PSO-Edge продемонстрував високу продуктивність за кількома показниками: скорочення часу виконання завдання на 42,1 хвилини порівняно з RandomForest і SVM; досягнення найнижчого енергоспоживання на завдання – 28,9 Wh; демонстрація ефективного зв'язку з найменшою затримкою в 0,15 секунди; досягнення найвищої точності виконання завдання в 96%. Результати підтверджують, що метод PSO-Edge перевершує традиційні підходи машинного навчання за ефективністю виконання завдань, енергоспоживанням, затриманням зв’язку та точністю. Це підкреслює переваги інтеграції периферійних обчислень з алгоритмом PSO, створюючи його як надійне вирішення для операцій з кількома БПЛА. Отримані результати мають значні наслідки для оптимізації додатків на основі БПЛА, особливо в середовищах, що вимагають динамічної адаптації та ефективного управління ресурсами. Wed, 01 Jan 2025 00:00:00 GMT http://dspace.tnpu.edu.ua/handle/123456789/39323 2025-01-01T00:00:00Z