сотрудник
студент
студент
Данная статья посвящена актуальным методам использования нейронных сетей для решения задач оптимизации. Особо отмечается прямая экономическая выгода от их применения: нейросети позволяют значительно сокращать издержки, повышать эффективность использования ресурсов и максимизировать ключевые финансовые показатели. Выделяются их главные достоинства: способность работать с огромными массивами данных, находить сложные, нелинейные связи и приспосабливаться к меняющейся среде. Исследуются различные архитектуры нейросетей, включая многослойные перцептроны, сверточные, рекуррентные и комбинированные модели. Особое внимание уделяется процессам обучения и методам регуляризации. Приводятся примеры успешного внедрения в логистике, финансах и промышленности. Подчеркивается эффективность нейросетевых подходов и их потенциал для дальнейшего развития в практических сферах.
нейронные сети, градиентный спуск, машинное обучение, искусственный интеллект, стохастическая оптимизация, многокритериальные задачи, обучение модели, глубинное обучение, адаптивные алгоритмы
1. Антонов, В. В. Интеллектуальный метод поддержки принятия решений в типовой ситуации / В. В. Антонов, К. А. Конев // Онтология проектирования. – 2021. – Т. 11, No 1(39). – С. 126–136. – DOIhttps://doi.org/10.18287/2223-9537-2021-11-1-126-136.
2. Сегаран, Т. Программируем коллективный разум. – Пер. с англ. / Т. Сегаран. – СПб.: Символ-Плюс, 2008. – 368 с.
3. Дилигенский, Н. В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология / Н. В. Дилигенский, Л. Г. Дымова, П. В. Севастьянов. – М. : Изд-во Машино-строение – 1, 2004. – 397 с.
4. Ярушкина, Н. Г. Интеллектуальный анализ временных рядов. / Н. Г. Ярушкина, Т. В. Афанасьева, И. Г. Перфильева. – Ульяновск : УлГТУ, 2010. – 320 с.
5. Гладков, Л. А. Генетические алгоритмы / Л. А. Гладков, В. В. Курейчик, В. М. Курейчик. – 2010.
