Применение нейронных сетей и методов регрессионного анализа для решения проблемы оптимизации использования предприятием ресурсов в производстве

Введение. Статья содержит информацию о проблемах в работе нейронных сетей и методов регрессионного анализа для поиска оптимальных путей доставки ресурсов производственному предприятию с учетом их качества и стоимости, а также скорости поступления информации на обработку, где разрабатываемые методологии являются актуальными за счет постоянного получения данных.

Цель. Изучить основные способы применения нейронных сетей и методов регрессионного анализа для решения проблемы оптимизации использования предприятием ресурсов при про­изводстве продукции.

Материалы и методы. Исследование основано на систематизации научных прикладных и теоретических исследований в обла­сти применения нейронных сетей и методов регрессионного анализа для решения проблем управления ресурсами промышленных предприятий. Обоб­щение, анализ и интерпретация полученных результатов осуществлялись с использованием методов общенаучного характера.

Результаты и обсужде­ние. Проблемы управления производственными ресурсами предприятия влияют на решение таких задач, как эффективность производства, экономное использование ресурсов. Действует принцип качественные ресурсы дорогие. Подбор качественных источников ресурсов влияет на стоимость достав­ки в зависимости от расстояния предприятия до места приобретения, соотношение цены и качества определяется в виде количества единиц ресурса на единицу стоимости, такое соотношение достаточно сильно может влиять на предпочтении производства для учета собственной логистики. Использова­ние нейронных сетей и методов регрессии позволит определить территориальное размещение наиболее оптимальных для данного предприятия ресур­сов. В статье рассматриваются и оцениваются положительные и отрицательные стороны методов для достижения, методы регрессионного анализа, виды и методы использования алгоритмов для обучения нейронных сетей, способы и преимущества машинного обучения.

Заключение. Как результат исследования можно рассматривать развитие направления в области оптимизации ресурсов, что дает альтернативные решения проблем в сфере произ­водства продукции и обеспечивает достижение максимума прибыли на основе применения современных тенденций развития в области информацион­ных технологий, например, построения своих моделей машинного обучения нейронных сетей, что также даст производству экономию и безопасность в работе с большими объемами данных и повысит верификацию результатов.

1. Формирование единой технологии управления производственными процессами СУПЖЦ ВВСТ в цифровой экосистеме интеллектуальных систем адаптивного управления ресурсами / С. А. Овчинников, В. Ф. Шпилевой, В. Б. Ларюхин, П. О. Скобелев // Системы управления полным жизненным циклом высокотехнологичной продукции в машиностроении: новые источники роста : материалы III Всероссийской научно-практической конференции, Москва, 06 октября 2020 года. М.: Первое экономическое издательство, 2020. С. 245–251. http://doi.org/10.18334/9785912923258.245-251. – EDN EAJZEI.

2. Zidi S., Hamani N. & Kermad L. New metrics for measuring supply chain reconfigurability // Intell Manuf. 2022. № 33. P. 2371–2392. https://doi.org/10.1007/s10845-021-01798-9

3. Пономарев Д. С. Нейросетевые методы прогнозирования в производственном секторе: MLP или RNN? // Информатика. Экономика. Управление – Informatics. Economics. Management. 2025. № 4(2). С. 3001–3006. https://doi.org/10.47813/2782-5280-2025-4-2-3001-3006

4. Эльбиева Л. Р. Анализ зарубежного опыта производства научной продукции и управления производственными ресурсами // ФГУ Science. 2020. № 1(17). С. 192–200. EDN XIGHAQ.

5. Фалалеев А. В. Сравнительный анализ регрессионного метода и метода комплаенс-стратегирования при управлении рисками организации // Эффективное управление экономикой: проблемы и перспективы : сборник трудов IX Всероссийской научно-практической конференции, Симферополь, 18 апреля 2024 года. Симферополь: Ариал, 2024. С. 185–189. EDN FVSLSZ.

6. Яшин А. А. Разработка методов и алгоритмов предсказания стоимости ноутбуков с применением методов регрессии // Информатика, моделирование, автоматизация проектирования (ИМАП-2024) : сборник научных трудов XVI Международной научно-технической конференции аспирантов, студентов и молодых ученых, Ульяновск, 25 декабря 2024 года. Ульяновск: Ульяновский государственный технический университет, 2025. С. 286–291. EDN NFXXRF.

7. Ногин В. Д. Алгоритм сужения множества Парето при помощи набора квантов нечеткой информации // Искусственный интеллект и принятие решений. 2022. № 4. С. 3–12. http://doi.org/10.14357/20718594220401. – EDN HNEVZR.

8. Hanrui Wu, Andy Yip, Jinyi Long, Jia Zhang, and Michael K. Ng. Simplicial Complex Neural Networks // IEEE Trans. Pattern Anal. Mach. Intell. 2024. No. 46. 1 (Jan. 2024). P. 561–575. https://doi.org/10.1109/TPAMI.2023.3323624

9. Колчин А. М., Шиков А. Н. Особенности прогнозирование закупок предприятия на основе искусственных нейронных сетей // Научное обозрение: актуальные вопросы теории и практики : сборник статей Международной научнопрактической конференции, Пенза, 25 января 2022 года. Пенза: Наука и Просвещение (ИП Гуляев Г. Ю.), 2022. С. 70–73. – EDN NKUHPX.

10. Mnkandla E., & Mulongo Y. Application of Artificial Neural Network into Manufacturing Processes // Indonesian Journal of Computer Science. 2022. No. 11(2). P. 3022. https://doi.org/10.33022/ijcs.v11i2.3022

11. Rakhimov Z., Rahimova N.Linear regression with data missing not at random: bootstrap approach // Economic Development and Analysis. 2024. Vol. 2. No. 4. P. 492–502. EDN FTAWXV.