Атуля Нагар

Атуля К. Нагар
Род занятий	Физик-математик, академик и автор
Супруг	Джьоти Нагар
Академическое образование
Образование	Бакалавр математики и физики Магистр, Математика Магистр философии, релятивистская космология Доктор фил., Математика
Альма-матер	Университет Аджмера Йоркский университет
Академическая работа
Учреждения	Ливерпульский университет Хоуп

Атуля К. Нагар — физик-математик, академик и писатель. Он возглавляет Фонд в качестве профессора математики и является проректором по исследованиям в Ливерпульском университете Хоуп .

Исследования Нагара охватывают нелинейный математический анализ , теоретическую информатику и системную инженерию , а также решение сложных проблем в научной, инженерной и промышленной областях с помощью математических и вычислительных методов. Его публикации включают более 550 исследовательских статей и одиннадцать книг, в том числе «Вдохновленный природой подход к криптологии» , «Цифровая устойчивость: преодоление нарушений и защита конфиденциальности данных» , «Синус-косинусный алгоритм для оптимизации» и « Справочник по исследованиям мягких вычислений и природных алгоритмов» . Он получил Премию Содружества, а также несколько наград за лучшую бумагу.

Нагар является научным сотрудником Института математики и ее приложений и Академии высшего образования . В рамках своей редакционной деятельности он работал главным редактором Международного журнала искусственного интеллекта и мягких вычислений (IJAISC) и соредактировал серию из двух книг: Алгоритмы для интеллектуальных систем (AIS). и Инновации в области устойчивых технологий и вычислений (ISTC).

Нагар имеет число Эрдеша 3, что указывает на близкую академическую близость к известному математику Полу Эрдешу, установленную в результате сотрудничества.

Образование и ранняя карьера

Нагар получил степень бакалавра математики и физики с отличием в 1988 году, степень магистра чистой и прикладной математики в 1990 году и степень магистра релятивистской космологии в 1992 году в Университете MDS в Аджмере (Правительственный колледж Аджмера (GCA)) в Индии. В 1991 году он был назначен научным сотрудником Индийского технологического института . В 1993 году ему была присуждена стипендия Содружества для продолжения учебы в докторантуре, а в 1996 году он получил степень доктора философии по математике в Йоркском университете , где одновременно работал научным сотрудником. Его научным руководителем был Арнольд М. Артурс.

Карьера

Нагар работал в Университете Брунеля в Лондоне на факультетах математических наук и системной инженерии. В 2001 году он поступил в Ливерпульский университет Хоуп, сначала в качестве преподавателя, затем назначен доцентом, а с 2008 года занимает должность профессора.

Нагар возглавил создание Школы математики, информатики и инженерии, а позже основал факультет естественных наук, выступая в качестве первого декана и курируя развитие дисциплин STEM . Впоследствии, в 2019 году, он был назначен проректором по исследованиям.

Благодаря своему участию в органах стратегических исследований в Великобритании, Нагар участвовал в работе различных групп и выполнял консультативные функции, в том числе в Группе исследовательской стратегии JISC , Великобритании (TPC) по исследованиям и инновациям (UKRI Колледже талантов ) и Содружестве Стипендиальная комиссия (CSC).

Исследовать

Нагар внес свой вклад в область математической физики и вычислительных наук , изучая моделирование и оптимизацию , релятивистскую космологию и дифференциальные формы , нелинейные дифференциальные уравнения , решения нелинейных краевых задач , теоретическую информатику , графическую грамматику, мембранные вычисления или P-системы . нейронные сети , вычислительный интеллект , электроэнцефалография , эволюционные вычисления , естественные вычисления , нечеткие системы управления , компьютерное моделирование , дифференциальная эволюция , нечеткие множества , теория систем управления , гемодинамика , анализ изображений , оптимизация роя частиц и искусственный интеллект .

Будучи индуистским священником (Пурохит или брамин), он знает санскрит и исследовал математическое моделирование в ведической литературе, а также является автором статей на английском, хинди и санскрите по этим темам.

Работает

Нагар опубликовал книги по вычислительной технике и алгоритмам . В его первой книге « Справочник по исследованиям новых технологий планирования, анализа и оптимизации электроэнергетики» рассматриваются новые методы и исследования по оптимизации функционирования электрических систем, удовлетворяющие растущий спрос на эффективные источники энергии во всем мире. В последующем издании « Справочника по исследованиям мягких вычислений и природных алгоритмов » он исследовал пересечение мягких вычислений и природных вычислений, показав приложения в области роевого интеллекта, распознавания речи и решения электромагнитных проблем. Он также был соредактором трех книг из Инновации в области связи и вычислений» серии « ; Достижения в области вычислений и приложений, основанных на природе , Достижения в области аналитики кибербезопасности и систем принятия решений , а также Достижения в области кибербезопасности и устойчивости, основанных на природе .

Работая вместе с Джагдишем К. Бансалом, Пратху Баджпаем и Анджали Раватом, Нагар опубликовал «Синус-косинусный алгоритм для оптимизации» , изучая синус-косинусный алгоритм (SCA), его принципы, приложения и код MATLAB для базового SCA. Далее он проанализировал вдохновленные природой алгоритмы и их применение в современной криптографии , а также подходы к повышению безопасности в книге «Вдохновленный природой подход к криптологии» , которую он написал в соавторстве с Шиширом Кумаром Шандильей и Агни Даттой. В 2024 году он вместе с Шандильей, Даттой и Яшем Картиком написал книгу « Цифровая устойчивость: решение проблем и защита конфиденциальности данных» , в которой подробно описаны такие методы, как квантовые вычисления и системы нулевого доверия, для противодействия цифровым угрозам, а также дана оценка роли искусственного интеллекта в кибербезопасности и серьезных киберинцидентах.

Дополнительные бивариационные принципы

Нагар, как соавтор, внес вклад в разработку нового метода решения нелинейных краевых задач с использованием дополнительных бивариационных принципов. Этот подход фокусируется на методах получения поточечных границ решений для интегральных уравнений. Переформулировав задачи дифференциальных уравнений в интегральные уравнения типа Хаммерштейна, в его исследованиях были применены бивариационные методы для получения дополнительных поточечных оценок для функций решения. Он показал, что метод эффективен для решения нелинейных задач математической физики, химической кинетики и биологических систем. Его работа также продемонстрировала повышенную точность решений по сравнению с предыдущими методами.

Системы управления и моделирование неопределенности

Нагар разработал подход, использующий дробно-линейные преобразования (LFT) и полуопределенное программирование (SDP) для анализа неопределенности в оценке состояния систем водоснабжения. Его метод превратил проблему LFT в проблему SDP для получения границ эллипсоида уверенности. Он применил его к водопроводной сети с двенадцатью узлами, показав, что этот метод повышает точность управления неопределенностями в оценках состояния системы, продемонстрировав свою эффективность посредством моделирования с использованием MATLAB.

Теоретическая информатика и мембранные вычисления

Нагар в сотрудничестве с К.Г. Субраманианом и его коллегами внес вклад в теоретическую информатику и мембранные вычисления. Их работа включает разработку систем Pure 2D Eilenberg P. и исследование систем массивов P на основе двумерных контекстно-свободных грамматик. Они также исследовали матрицы Париха и их применение при создании массивов изображений с использованием операций плоского сращивания.

Вычислительная оптимизация

Работа Нагара по вычислительной оптимизации включала разработку усовершенствованных алгоритмов. В широко цитируемом исследовании он представил Rat Swarm Optimizer (RSO), биологический алгоритм, смоделированный на поведении крыс, демонстрирующий его эффективность посредством сравнительного анализа, сравнения с восемью алгоритмами и тестирования реальных инженерных задач. Он также предложил MOSOA, расширение SOA для многокритериальных задач, проверенное на соответствие существующим алгоритмам. Кроме того, он сравнил дифференциальную эволюцию (DE), оптимизацию роя частиц (PSO) и гибридный алгоритм (HPSDE) для оптимизации размещения скважин для углеводородных пластов, продемонстрировав превосходную эффективность гибридного подхода в максимизации добычи и устранении геологической неопределенности.

В статье, опубликованной в журнале IEEE Transactions on Systems, Man и Cybernetics: Systems , Нагар продемонстрировал адаптивный меметический алгоритм (AMA), сочетающий в себе дифференциальную эволюцию (DE) и Q-обучение для оптимизации, превосходящий традиционные алгоритмы в моделировании и реальных путях. планирование задач.

Машинное обучение

Нагар изучал искусственный интеллект и машинное обучение, разрабатывая методы улучшения обучения с подкреплением. Он представил детерминированный алгоритм Q-обучения, который использует дистанционные знания для эффективного обновления Q-таблицы, сокращая временную сложность и потребности в хранении, а также демонстрирует превосходную производительность при планировании пути мобильного робота по сравнению с классическим и расширенным Q-обучением. Кроме того, он продемонстрировал роботизированную систему, которая обучается и имитирует действия опытного игрока в простой игре в помещении с использованием обучения с подкреплением, достигая высоких показателей успеха в обучении детей младшего возраста.

Нечеткие системы управления

Нагар использовал нечеткие множества и системы управления для улучшения различных когнитивных процессов, включая обнаружение нагрузки, распознавание эмоций и прогнозирование дофамина. В статье, получившей награду за лучшую статью на Международной конференции IEEE по нечетким системам, он представил метод определения уровней когнитивной нагрузки во время задач ассоциативного обучения по значению символов с использованием данных fNIR и нечеткого классификатора типа 2, достигнув точности более 89%. . Он также решил проблему неопределенности в распознавании эмоций, используя нечеткие множества типа 2, построив нечеткое пространство лица на основе черт лица и достигнув точности классификации 98,333%.

Сотрудничая с Мадхулиной Дасгуптой и Амитом Конаром, Нагар предложил новый метод онлайн-прогноза уровней концентрации дофамина у взрослых с использованием нечетких правил типа 2 и данных ЭЭГ, который может применяться для повышения концентрации внимания и помощи в лечении заболеваний головного мозга. Кроме того, он использовал сигналы ЭЭГ для выявления когнитивных нарушений при вождении, используя специализированные нечеткие нейронные классификаторы и машины опорных векторов для повышения безопасности водителя.

Награды и почести

• 1993 – Премия стипендии Содружества, Йоркский университет
• 2017 – Премия за лучшую статью, Международная конференция IEEE по нечетким системам

Библиография

Избранные книги

• Справочник по исследованиям новых технологий планирования, анализа и оптимизации электроэнергетики (2016 г.) ISBN   978-1-4666-9911-3
• Достижения в области кибербезопасности и устойчивости, основанных на природе (2022 г.) ISBN   978-3-030-90707-5
• Алгоритм синус-косинус для оптимизации (2023 г.) ISBN   978-981-19-9721-1
• Вдохновленный природой подход к криптологии (2023) ISBN   978-981-99-7081-0
• Цифровая устойчивость: преодоление сбоев и защита конфиденциальности данных (2024 г.) ISBN   978-3-031-53289-4

Избранные статьи

• Конар А., Чакраборти И.Г., Сингх С.Дж., Джайн Л.К. и Нагар А.К. (2013). Детерминированное улучшенное Q-обучение для планирования пути мобильного робота. Транзакции IEEE о системах, человеке и кибернетике: системы, 43 (5), 1141–1153.
• Нванквор Э., Нагар А.К. и Рид Округ Колумбия (2013). Гибридная дифференциальная эволюция и оптимизация роя частиц для оптимального размещения скважин. Вычислительные науки о Земле, 17, 249–268.
• Ракшит П., Конар А., Бхоумик П., Госвами И., Дас С., Джайн Л.К. и Нагар А.К. (2013). Реализация адаптивного меметического алгоритма с использованием дифференциальной эволюции и Q-обучения: пример планирования пути с участием нескольких роботов. Транзакции IEEE о системах, человеке и кибернетике: системы, 43 (4), 814–831.
• Диман Г., Гарг М., Нагар А., Кумар В. и Дегани М. (2021). Новый алгоритм глобальной оптимизации: оптимизатор крысиного роя. Журнал окружающего интеллекта и гуманизированных вычислений, 12, 8457–8482.
• Диман Г., Сингх К.К., Сони М., Нагар А., Дегани М., Словик А., ... и Ченгиз К. (2021). MOSOA: новый многокритериальный алгоритм оптимизации «чайка». Экспертные системы с приложениями, 167, 114150.
• Шринги С., Шарма Х., Нараян Рати П., Чанд Бансал Дж., Нагар А. и Лал Сутар Д. (2024). Прогнозирование вспышки COVID-19 в Индии с использованием модифицированной модели SIRD. Прикладная математика в науке и технике, 32 (1), 2305191.