No abstract

Для вирішення задач апроксимації широко використовуються математичні моделі у вигляді штучних нейронних мереж (ШНМ). Використання цієї технології передбачає двох етапний підхід. На першому етапі визначається структура моделі ШНМ, а на другому етапі здійснюється навчання для отримання максимального наближення до еталонної моделі. Максимальне значення наближення до еталону визначається складністю архітектури ШНМ. Тобто, підвищення складності моделі ШНМ дозволяє підвищувати точність апроксимації, а, відповідно, і результату навчання. При цьому визначення структури моделі ШНМ, що здійснює апроксимацію із заданою точністю, визначається як процес оптимізації. Однак підвищення складності ШНМ призводить не тільки до підвищення точності, а і до підвищення часу обчислювального процесу. Таким чином, показник «задана точність» не може використовуватися в задачах визначення оптимальної архітектури нейронної мережі. Це пов'язано з тим, що результат вибору структури моделі і процесу її навчання, котрий базується на забезпеченні необхідної точ ності апроксимації, може зайняти неприйнятний для користувача часовий проміжок. Для вирішення завдання структурної ідентифікації нейронної мережі використовується підхід, у рамках якого здійснюється визначення конфігурації моделі за критерієм ефективності. У про цесі реалізації розробленого методу узгоджується часовий чинник вирішення завдання і точністю апроксимації. Запропонований підхід дозволяє обґрунтувати принцип вибору структури і параметрів нейронної мережі, спираючись на максимальне значення показника ефективності використання ресурсів Ключові слова: штучна нейронна мережа, оптимізація структури, апроксимація функцій, критерій ефективності UDC 007.5

Оптимізація процесу управління запасами пов'язана з пошуком моделі прогнозування, методу побудови часового ряду прогнозування, моделі логістичної операції, визначення обґрунтованого рівня страхового запасу і визначення критерію оптимізації. Успішного вирішення оптимізаційної задачі в цілому можна домогтися тільки в тому випадку, якщо буде успішно вирішене весь комплекс локальних задач управління. При цьому метод побудови коінтегрованого часового ряду прогнозування попиту є центральною ланкою технології оптимального управління запасами. Це пов'язано з тим, що імовірнісний характер попиту є основним фактором зниження ефективності управління в системах цього класу. Показано, що запропонований метод підвищення ефективності управління може бути використаний в будь-яких економічних системах, зважаючи на можливість створення єдиної логістичної моделі операції. Пропонований підхід заснований на формуванні часового ряду, спеціально призначеного для вирішення завдання оперативного прогнозування попиту в системах буферизації запасів. Такий ряд містить у собі як інформацію про обсяги реалізованої продукції, так і дані пов'язані зі споживчим попитом. Оскільки споживча активність випереджає процес фізичного споживання продукції, з'являється можливість використання випереджальних маркерів в задачах прогнозування. Дослідження операційних процесів з використанням веріфіцированного показника ефективності підтвердили гіпотезу наявності попереджувальних маркерів в рамках сформованого тимчасового ряду прогнозування. Встановлено, що максимальна ефективність управління може досягатися в разі більш низьку точність побудови моделі прогнозу. Це пов'язано з тим, що логістична модель операції враховує витрати переміщення продукції та її вартісні оцінки на вході і виході операції Ключові слова: прогнозування попиту, оперативне прогнозування, коінтегрований ряд попиту, ефективність використання ресурсів UDC 007.5