Штучний інтелект

Анотація: У статті досліджуються проблеми та існуючі методи оптимізації фінансових показників мережевих аптек. Запропоновано генетичний метод з модифікацією оператора мутації для вирішення даної проблеми. Принципова відмінність розробленого генетичного алгоритму, порівняно з існуючими аналогами, полягає в можливості керування математичним розподілом значень рішення, що дозволяє запобігти передчасній збіжності генетичного алгоритму та використати всі запропоновані гени у долях згідно з обраною моделлю розподілу. Крім цього, запропоновано три модифікації генетичного оператора мутацій. Перша модифікація полягає у виборі значень замін для мутації не випадковим чином, а з ряду, що підкоряється закону нормального розподілу. Друга модифікація служить для визначення доцільності мутації хромосоми, спираючись на знання ретроспективних та прогнозних даних з використанням прогнозної моделі штучної нейронної мережі (ШНМ). Третя модифікація полягає у комбінації двох зазначених модифікацій. Застосування розроблених методів призведе до більш ефективного використання площі аптек, зменшення незадоволеного попиту та, в кінцевому результаті, до зменшення роздрібної вартості ліків за рахунок зменшення видатків на зберігання та обслуговування неоптимально завантажених площ аптеки.

Ключові слова: генетичний алгоритм, еволюційний алгоритм, оптимізація фінансових показників, мінімізація часу перебування товару на складі

Посилання:

1. Sak, H., Senior, A., Beaufays, F., 2014. LongShort-Term Memory Based Recurrent NeuralNetwork Architectures for Large VocabularySpeech Recognition. Cornell University Library.
2. On some extensions to GA package. [online]Availabe at: https://arxiv.org/pdf/1605.01931.pdf
3. Swingler, K., 2001. Applying Neural Networks:A Practical Guide, Morgan Kaufman Publishers,pp. 1-301.
4. Broomhead, D.S., 1988. Radial Basis Functions,Multi-Variable Functional Interpolation andAdaptive Nеtworks. RSRE Memorandum, 4148,pp. 1-35.
5. Hopfield, J.J., 1982. Neural networks andphysical systems with emergent collectivecomputational abilities. Proc. Natl. Acad. Sci.USA, 79, pp. 2554 – 2558.
6. Rosenblatt, F., 1958. The perceptron: aprobabilistic model for information storage andorganization in the brain. Cornell AeronauticalLaboratory, 65, 6.
7. Bourlard, H., 1988. Auto-Association byMultilayer Perceptrons and Singular Value.Biologycal Cybernetics, 59, pp. 291 – 294.
8. Baker J., 1987. Reducing Bias and Inefficieny inthe Selection Algorithm. Genetic Algorithms andTheir Applications. Proc. Second InternationalConf. J. Grefenstette.
9. Michalewicz Z., Schoenauer M., 1996.Evolutionary algorithms for constrained parameteroptimization problems. Evolutionary Computation,4 (1), pp. 1–32.
10. Дубровин В.И., Федорченко Е.Н., 2009.Модификация оператора мутации. Складнісистеми та процеси. Матеріалознавство,електроніка, інформатика. Науковий журнал,2(16), с.86.
11. Gen M., Cheng R., 1997. Genetic algorithms andengineering. John Wiley & Sons, New Jersey,pp. 352.
12. Haupt, R., Haupt l., 2004. Practical geneticalgorithms. John Wiley & Sons, 2, pp. 261.
13. Willach Pharmacy Solutions. [online] Availabeat: https://www.willach-pharmacy-solutions.com/EN/index.php
14. Stepanenko, A., Oliinyk, A., Deineha, L.,Zaiko, T., 2018. Development of the method fordecomposition of superpositions of unknownpulsed signals using the se-condorder adaptivespectral analysis. Eastern-European Journal ofEnterprise Technologies, 2, 9(92), pp 48-54.DOI: 10.15587/1729-4061.2018.126578
15. Oliinyk, A., Leoshchenko, S., Lovkin, V.,Subbotin, S., Zaiko, T., 2018. Parallel datareduction method for complex technical objectsand processes. IEEE: The InternationalConference on Dependable Systems, Services andTechnologies (DESSERT), Kyiv, Ukraine,pp. 496-501.DOI: 10.1109/DESSERT.2018.8409184
16. Oliinyk, A., Fedorchenko, I., Stepanenko, A.,Rud, M., Goncharenko, D., 2018. Evolutionarymethod for solving the traveling salesman problem.Problems of Infocommunications. IEEE: 5thInternational Scientific-Practical Conference,Science and Technology (PICST2018), Kharkiv,Kharkiv National University of Radioelectronics,pp. 331 – 339.
17. Alsayaydeh, J.A., Shkarupylo, V., Hamid, M.S.,Skrupsky, S., Oliinyk, A., 2018. Stratified Modelof the Internet of Things Infrastructure. Journal ofEngineering and Applied Sciences, 13, 20,pp. 8634-8638.DOI: 10.3923/jeasci.2018.8634.8638
18. Dopico, J.R., Calle, J.D., Sierra, A.P., 2009.Encyclopedia of artificial intelligence. InformationScience Reference, New York, 1-3, pp. 1677.
19. Nagata Y.A, Kobayashi, S., 2012. Powerful GeneticAlgorithm Using Edge Assembly Crossover for theTraveling Salesman Problem. INFORMS Journal onComputing, 25, 2, pp. 346-363.DOI: 10.1287/ijoc.1120.0506
20. Hoffman, K., Padberg, M., Rinaldi, G., 2013.Traveling Salesman. Encyclopedia of OperationsResearch and Management Science, pp. 1573-1578. DOI: 10.1007/978-1-4419-1153-7_1068
21. Wang, Y., 2014. The hybrid genetic algorithm withtwo local optimization strategies for travelingsalesman problem. Computers & IndustrialEngineering, 70, pp. 124-133.DOI: 10.1016/j.cie.2014.01.015
22. Sanches, D., Whitley, D., 2017. Improving an exactsolver for the traveling salesman problem usingpartition crossover. Proceedings of the Genetic andEvolutionary Computation Conference, pp. 337-344.DOI: 10.1145/3071178.3071304
23. Hussain, A., Muhammad, Y., 2017. GeneticAlgorithm for Traveling Salesman Problem withModified Cycle Crossover Operator. ComputationalIntelligence and Neuroscience, 7.DOI: 10.1155/2017/7430125
24. Tsai, C., Tseng, S., 2014. High-Performance GeneticAlgorithm: Using Traveling Salesman Problem as aCase. The Scientific World Journal, 14.DOI: 10.1155/2014/178621
25. Yarymbash, D., Yarymbash, S., Kotsur, M.,Divchuk, T., 2018. Enhancing the effectiveness ofcalculation of parameters for short circuit ofthreephase transformers using field simulationmethods. Eastern-European Journal of EnterpriseTechnologies, 4, 5 (94), pp. 22-28.DOI: 10.15587/1729-4061.2018.140236.
26. Shkarupylo V. Development of stratified approachto software defined networks simulation /V. Shkarupylo,S. Skrupsky,A. Oliinyk,T. Kolpakova // EasternEuropean Journal ofEnterprise Technologies. – 2017. – Vol. 89, Issue5/9. – P. 67–73.DOI: 10.15587/1729-4061.2017.110142.
27. Kolpakova, T., Oliinyk, A., Lovkin, V., 2017.Improved method of group decision making inexpert systems based on competitive agentsselection. IEEE: First Ukraine Conference onElectrical and Computer Engineering (UKRCON),Kyiv, pp. 939–943.DOI: 10.1109/UKRCON.2017.8100388
28. Yarymbash, D., Kotsur, M., Subbotin, S.,Oliinyk A., 2017. New Simulation Approach of theElectromagnetic Fields in Electrical Machines.Information and Digital Technologies (IDT'2017),Zilina, pp. 429–434.DOI: 10.1109/DT.2017.8024332
29. Kotsur, M., Yarymbash, D, Kotsur, I.,Bezverkhnia Yu., 2018. Speed SynchronizationMethods of the Energy-Efficient Electric DriveSystem for Induction Motors. IEEE: 14-thInternational Conference on Advanced Trends inRadioelectronics,TelecommunicationsandComputer Engineering (TCSET 2018), Lviv-Slavske, Ukraine, pp. 304-307DOI:10.1109/TCSET.2018.8336208
30. Oliinyk, A., Zaiko, T., Subbotin, S., 2014. Factoranalysis of transaction data bases. AutomaticControl and Computer Sciences, 48, 2, pp. 87-96.
31. Oliinyk, A., Subbotin, S., 2016. A stochasticapproach for association rule extraction. PatternRecognition and Image Analysis, 26, 2, pp. 419-426.
32. Oliinyk, A., Zayko, T., Subbotin, S., 2014.Synthesis of Neuro-Fuzzy Networks on the Basisof Association Rules. Cybernetics and SystemsAnalysis, 50, 3, pp. 348-357.