No abstract

Актуальність. У сучасному світі є потреба у застосуванні автоматизованих систем в області транспортної логістики, з метою заощадження ресурсів. При побудові шляху переміщення транспорту виникають проблеми знаходження оптимального маршруту з врахуванням додаткових обмежень, таких як вантажопідйомність транспортних засобів або часові вікна клієнтів. У зв’язку з цим є необхідність вдосконалення існуючих засобів вирішення задачі маршрутизації транспорту. Метою даної роботи є створення гібридного методу рішення задачі маршрутизації транспорту з урахуванням додаткових обмежень. Об’єктом дослідження є процес пошуку оптимальних маршрутів в умовах обмеження вантажопідйомності та врахування часових вікон. Предметом дослідження є алгоритми для рішення задач маршрутизації транспорту з урахуванням заданих обмежень. Результати. У даній роботі розглядаються особливості застосування гібридного підходу, заснованого на використанні генетичного та класичних алгоритмів, для вирішення задачі маршрутизації транспорту з урахуванням додаткових обмежень. Представлені результати експериментальних досліджень, що демонструють переваги та недоліки кожного з розглянутих алгоритмів для рішення поставленої задачі. Висновок. Найбільшу точність та швидкодію забезпечує запропонований гібридний підхід на основі генетичного алгоритму та модифікованого жадібного алгоритму.

Актуальність. Рішення завдання прогнозування відіграє важливу роль у процесах стратегічного планування та оперативного управління у різних сферах господарчої діяльності. Формою прогнозування є прогнозування часових рядів, при якому актуальною проблемою залишається вибір доцільного методу серед сучасних засобів обчислювального інтелекту, таких як штучні нейронні мережі. Проблема вибору обумовлена великою кількістю параметрів та налаштувань, які залежать від особливостей прогнозованого часового ряду, та суттєво впливають на якість отриманого прогнозу. Метою даної роботи є аналіз методів короткострокового прогнозування нестаціонарних часових рядів з використанням моделей штучних нейронних мереж, таких як багатошаровий персептрон та довга короткострокова пам’ять. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей штучних нейронних мереж для короткострокового прогнозування. Результати. Експериментальні дослідження показали, що середня помилка при прогнозуванні за допомогою запропонованих засобів на 2-6% нижче у порівнянні з використанням поширених традиційних моделей. Висновок. Отримані результати підтверджують перевагу використання моделей MLP та LSTM перед прогнозуванням на основі методів, обраних для аналізу у M3-Competition.

No abstract