Формализация механизмов самоорганизации семантических связей в СУБД на основе модели Physarum polycephalum
Д. А. Рыбаков
Аннотация. Рост объема и неоднородности данных в информационных системах усложняет автоматическое выявление и поддержание семантических связей, а детерминированные методы и подходы машинного обучения часто требуют предварительной разметки данных.
Цель исследования – разработка биоинспирированного метода семантической самоорганизации данных в СУБД на основе принципов поведения миксомицета Physarum polycephalum.
Материалы и методы исследования. Метод основан на принципах поведения миксомицета Physarum polycephalum и включает три ключевых механизма: инициализацию связей на основе нечеткого сравнения атрибутов, усиление востребованных связей через положительную обратную связь и испарение неиспользуемых связей с экспоненциальным затуханием весов.
Результаты. Предложен семантический слой для колоночной СУБД ClickHouse, включающий таблицу семантических связей, журнал активаций и фоновые процессы. Разработанное решение формирует и обновляет интерпретируемые семантические связи без размеченных обучающих выборок, устраняя проблему «холодного старта» и поддерживая адаптацию к изменяющимся данным.
Заключение. Метод может применяться для интеграции гетерогенных данных в городских информационных системах и построения семантических графов.
Ключевые слова: семантическая интеграция, самоорганизация данных, биоинспирированные алгоритмы, Physarum polycephalum, ClickHouse, семантический граф, городские информационные системы, связанные данные
Для цитирования. Рыбаков Д. А. Формализация механизмов самоорганизации семантических связей в СУБД на основе модели Physarum polycephalum // Известия Кабардино-Балкарского научного центра РАН. 2026. Т. 28. № 5. С. 137–153. DOI: 10.35330/1991-6639-2026-28-5-137-153
© Рыбаков Д. А., 2026

Контент доступен под лицензией Creative Commons Attribution 4.0 License
Список литературы
- Даниленко О. И. Теоретико-множественная модель интеграции гетерогенных информационных систем университета в условиях цифровой трансформации // Программные системы и вычислительные методы. 2025. № 4. С. 67–76. DOI: 10.7256/2454-0714.2025.4.77100
- Курейчик В. В., Заруба Д. В. Биоинспирированный алгоритм приобретения новых знаний на основе классификации информационных ресурсов // Известия ЮФУ. Технические науки. 2024. № 5. С. 15–26. DOI: 10.23683/2311-3103-2019-2-15-26
- Нурутдинов А. Р., Латыпов Р. Х. Перспективы биоинспирированного подхода в разработке систем искусственного интеллекта (обзор тенденций) // Ученые записки Казанского университета. Серия: физико-математические науки. 2022. Т. 164. № 2-3. С. 244–265. DOI: 10.26907/2541-7746.2022.2-3.244-265
- Ганчерёнок И. И., Горбачев Н. Н. «Умный город» как объект управления информационными ресурсами // Механика и технология. 2021, Т. 67. № 2. С. 89–96.
- Бурый А. С., Ловцов Д. А. Информационные структуры умного города на основе киберфизических систем // Правовая информатика. 2022. № 4. С. 15–26. DOI: 10.21681/1994-1404-2022-4-15-26
- РаченкоО.Л., Кириченко Е. А., Гаязова Е.Э. Цифровая трансформация городского управления //Вестник Академии знаний. 2021. № 45(4). С. 252–256. DOI: 10.24412/2304-6139-2021-11368
- Wei Y., Othman Z., Daud K.M. et al. Advances in slime mould algorithm: a comprehensive survey // Biomimetics. 2024. Vol. 9. No. 1. p. 31. DOI: 10.3390/biomimetics9010031
- Yang J., Zhang Y., Jin T. Maximum Lyapunov exponent-based multiple chaotic slime mold algorithm for real-world optimization // Scientific Reports. 2023. Vol. 13. No. 1. DOI: 10.1038/s41598-023-40080-1
- Qiu F., Heidari A., Chen Y. Advancing forensic-based investigation incorporating slime mould search for gene selection of high-dimensional genetic data // Scientific Reports. 2024. Vol. 14. No. 1. p. 8599. DOI: 10.1038/s41598-024-59064-w
- Tang A., Tang S., Han T. et al. A Modified slime mould algorithm for global optimization // Computational Intelligence and Neuroscience. 2021. No. 1. p. 22. DOI: 10.1155/2021/2298215
- Ribeiro B., Braghetto M., Braghetto R. A Scalable data integration architecture for smart cities: implementation and evaluation // Journal of Information and Data Management. 2022. Vol. 13. No. 2. DOI: 10.5753/jidm.2022.2485
- Feng Q., Ran G., Huiling C., Guoxi L. Boosting slime mould algorithm for highdimensional gene data mining: diversity analysis and feature selection // Computational and Mathematical Methods in Medicine. 2022. Article 8011003. 27 p. DOI: 10.1155/2022/8011003
- Christen P., Kirielle N., Nanayakkara C. et al. Unsupervised graph-based entity resolution for accurate and scalable ER // Proceedings of CIDR 2022. 10th Biennial Conference on Innovative Data Systems Research. 2022. Pp. 86–95. DOI: 10.48786/EDBT.2022.44
- Jabrane M., Tabbaa H., Hadri A., Hafidi I. Enhancing entity resolution with a hybrid active machine learning framework: Strategies for optimal learning in sparse datasets // Information Systems. 2024. Vol. 125. Article 102410. ISSN 0306-4379. DOI: 10.1016/j.is.2024.102410
- Cai Z., Li G., Zhang J., Xiong S. Using an artificial physarum polycephalum colony for threshold image segmentation // Applied Sciences. 2023. Vol. 13. Article 11976. DOI: 10.3390/app132111976
Информация об авторе
Рыбаков Даниил Александрович, аспирант кафедры информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
rybakov.daniel99@gmail.com, ORCID: https://orcid.org/0009-0005-8959-4427, SPIN-код: 7155-6461
Финансирование
Работа выполнена в рамках научной работы аспиранта.










