Материал: Оптимизация и моделирование в автоматизированных системах. труд. ФГБОУ В.О., Воронежский г.т.и

логистического профиля с похожей структурой, его гибкость можно применять к задачам широкого плана. Результаты исследований показывают преимущество данного подхода в долгосрочной перспективе, а относительная простота реализации и низкие вычислительные затраты являются существенными критериями при использовании его в качестве основного алгоритма [1]. Таким образом, его можно рекомендовать в решении задач классификации.

Литература

1.Романов Д. В., Рындин А. А., Скворцов Ю. С. Методика управления антифрод-системой в логистической отрасли на основе байесовского классификатора // Вестник ВГТУ, 2020. Т. 16. № 1. С. 23-32

2.Баженов Д. Наивный байесовский классификатор. Режим доступа: http://bazhenov.me/blog/2012/06/11/naive-bayes.html

Воронежский государственный технический университет

УДК 681.3

Б. А. Чернышов

ЭКСПЕРТНО-ОПТИМИЗАЦИОННЫЙ ПОДХОД К РЕЙТИНГОВОМУ УПРАВЛЕНИЮ РЕСУРСНЫМ ОБЕСПЕЧЕНИЕМ РАЗВИТИЯ ОБЪЕКТОВ ОРГАНИЗАЦИОННОЙ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОЙ СИСТЕМЫ

Особое место среди объектов организационной системы, управленческие действия, администрации которых ориентированы на активизацию режима развития, занимают объекты, потенциально готовые к повышению своей конкурентоспособности среди аналогичных объектов других организационных систем по результатам внешнего рейтингового оценивания. Такие объекты

75

получают дополнительное ресурсное обеспечение и образуют группу объектовлидеров.

Поскольку дополнительное ресурсное обеспечение выделяется на определенное число календарных сроков, первичное распределение необходимо корректировать на последующие сроки с учетом динамики изменения рейтингового состояния объектов-лидеров. В этом случае управляющий центр предоставляет возможность объектам проявить свой потенциал в течение определенного числа календарных сроков инерционного развития и наблюдает по внешним рейтинговым оценкам динамику изменения [1]. На основе этих наблюдений на экспертном уровне удается провести кластеризации объектов и формировать распределение ресурсного обеспечения с учетом особенностей динамики улучшения рейтинговых оценок в каждом кластере.

Первое распределение ресурсного обеспечения заданного управляющим

инерционным трендом развития, обусловленным существенным улучшением

- коэффициенты распределения ресурсного обеспечения на уровне подмножеств объектов-лидеров,

ǡ ǡ дополнительное ресурсное обеспечение, выделяемое управляющим центром для изменения состояния объектов, которые вошли соответственно в первое, второе и третье подмножества.

На втором уровне примем равномерную схему распределения:

С целью учета динамики изменения состояния объектов ǡ ǡ сформируем следующие выборки, включающие период инерционного развития

переменные подставим выражения (1), (2) в модели регрессии (6) при фиксированном значении календарного срока ݐ

77

дополнительное ресурсное обеспечение объектам, принадлежащим всем трем нумерационным подмножествам.

Задача (8) является задачей нелинейного программирования с линейным ограничением типа равенство. Сведем ее к задаче без ограничений путем замены переменных

Условия экстремума функции (9) по оптимизируемым переменным ǡ определяются равенством ее частных производных [3]:

78

Из уравнения (10) определяем оптимальное решение כǡ из (11) – оптимальное решение כ. Отсюда оптимальное решение задачи (8) имеет вид

На основании формул (1), (3) и оптимального решения (12) вычисляем оптимальные объемы дополнительного ресурсного обеспечения в группе объектов-лидеров для каждого календарного срока периода ускоренного

развития ݐ ǡ :

כݐ ǡ ǡ Ǣ כݐ ǡ Ǣ כݐ ǡ

Литература

1.Дуканич В. В. Рейтинговое управление экономическими системами и процессами: концепция и некоторые результаты применения / В. В.Дуканич, А. С. Тимченко // Экономический вестник Ростовского государственного университета.–2005.–Т.3.–№№. –С.83-91.

2.Львович Я. Е. Принятие решений в экспертно-виртуальной среде / Я. Е. Львович, И. Я.Львович. – Воронеж: ИПЦ «Научная книга», 2010. – 140 с.

3.Львович И. Я. Информационные технологии моделирования и оптимизации: краткая теория и приложения / И. Я.Львович, Я. Е.Львович, В. Н.Фролов. – Воронеж: ИПЦ «Научная книга», 2016. – 444 с.

Воронежский институт высоких технологий

УДК 681.3

Е. В. Кащенко, С. Ю. Белецкая

СЕГМЕНТАЦИЯ КЛИЕНТСКИХ СРЕД С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

В современном мире просто предлагать покупателю продукты и услуги надлежащего качества будет уже мало. Сегодня, чтобы подняться выше конкурентов на рынке, необходимо построить эффективные и долгосрочные отношения со своей клиентской базой. При этом в большей степени лучше акцентироваться на самых доходных клиентов. Модель работы с клиентами обычно заключается в сборе статистики по клиентской базе, далее разделение её на группы, составления прогнозной модели, то есть выявления вероятности использования услуг компании каждой группой в зависимости от

79