ВИКОРИСТАННЯ НЕЙРОННОЇ МЕРЕЖІ КОХОНЕНА ТА TABOOSEARCH ДЛЯ ВИБОРУ ПОСТАЧАЛЬНИКА СИРОВИНИ
А. О. Лопатін

DOI: 10.32702/2307-2105-2022.4.151

УДК: 338.1

А. О. Лопатін

ВИКОРИСТАННЯ НЕЙРОННОЇ МЕРЕЖІ КОХОНЕНА ТА TABOOSEARCH ДЛЯ ВИБОРУ ПОСТАЧАЛЬНИКА СИРОВИНИ

Анотація

Обґрунтовано доцільність використання нейронної мережі Кохонена та TabooSearch для вибору постачальника сировини. Систематизовано основні положення порядку використання нейронних мереж Кохонена та TabooSearch в процесі прийняття управлінських рішень. Узагальнено порядок використання нейронних мереж Кохонена та TabooSearch в процесі вибору постачальників сировини. При цьому вирішено науково-практичне завдання об’єднання даного інструментарію із класичним методом побудови усередненої лінії кластерного аналізу. Удосконалено такий підхід за допомогою об’єднання нейронної мережі Кохонена із усередненою лінією позиціювання потенційних постачальників сировини. Обґрунтовано ефективність застосування даного інструментарію при виборі постачальника сировини на конкретному умовному прикладі. Запропонована модель вибору постачальників сировини в цілому відбиває існуючу ситуацію діючих на ринку суб’єктів господарювання та дозволяє допомогти її проаналізувати з боку обрання постачальників сировини, що в цілому розширює арсенал інструментів вибору постачальників сировини, що й складає наукову новизну даного дослідження.

Ключові слова: кластерний аналіз; нейронна мережа Кохонена; TabooSearch; постачальник сировини; усереднена лінія позиціювання.

Література

1. Бригадир В.О. Теоретичні засади кластерного аналізу країн ЄС. Глобальні та національні проблеми економіки. Випуск 7, 2015. DOI: http://global-national.in.ua/archive/7-2015/06.pdf
2. Козін І. В., Селютін Є. К. Особливості пошуку оптимальних класифікацій: еволюційні алгоритми. Вісник Запорізького національного університету. Фізико-математичні науки. Запоріжжя, 2019. №2. С. 62–68.
3. Кохонен Т. Самоорганизующиеся карты / Т. Кохонен; пер. с англ. В. Агеев; под ред. Ю. Тюменцева. – М.: Бином, 2008. – 656 с.
4. Кривохата А. Г., Кудін О. В., Чопоров С. В. Нейромережеві математичні моделі у задачах обробки звукових сигналів: монографія. Херсон: Видавничий дім «Гельветика», 2020. 120 с.
5. Лещинський О. Л. , Іщенко А. О. Використання нейромереж у процесі інтелектуального (кластерного) аналізу даних. Економіка і суспільство. Випуск № 11, 2017. DOI: https://economyandsociety.in.ua/journals/11_ukr/93.pdf
6. М’ячин В. Г. Кластерний аналіз інноваційно-активних підприємств за допомогою карт Кохонена як передумова стратегічного планування. Modern Economics. 2019. № 14(2019). С. 180-185. DOI: https://doi.org/10.31521/modecon.V14(2019)-28.
7. Синько А. І., Пелещишин А. М. Застосування кластеризації на основі самоорганізаційних карт Кохонена для розподілу користувачів на групи. Вісник Хмельницького національного університету. 2020, № 1. DOI: http://journals.khnu.km.ua/vestnik/wp-content/uploads/2021/01/21.pdf
8. Субботін С. О. Нейронні мережі: теорія та практика: навч. посіб. / С. О. Субботін. – Житомир: Вид. О. О. Євенок, 2020. – 184 с.
9. Amir Hossein Azadniaetal Neural networks / Procedia-Socialand Behavioral Sciences, № 65 (2012), рр. 879 – 884.
10. Braido, G. M. etal. Supplychain network optimization using a Tabu Search based heuristic \\ Gest. Prod., SãoCarlos, 2016. V. 23, n. 1, p. 3-17.

A. Lopatin

USING THE KOHONEN NEURAL NETWORK AND TABOOSEARCH TO SELECT THE SUPPLIER OF RAW MATERIALS

Summary

The expediency of using the Kohonen neural network and TabooSearch to select a raw material supplier is substantiated. The main provisions of the order of use of Kohonen neural networks and TabooSearch in the process of making managerial decisions are systematized. The procedure for using Kohonen and TabooSearch neural networks in the process of selecting raw material suppliers is summarized. The scientific and practical problem of combining this toolkit with the classical method of constructing an average line of cluster analysis is solved. This approach has been improved by combining the Kohonen neural network with the average positioning line of potential raw material suppliers. The efficiency of application of this toolkit at a choice of the supplier of raw materials on a concrete conditional example is proved. The proposed model of selection of suppliers of raw materials in general reflects the current situation of market entities operating in the market and allows to help analyze it from the choice of suppliers of raw materials. This definition is generalized on the basis of consideration of the functional dependence of the constructed average line of positioning of potential suppliers of raw materials. Thus, the difference between the proposed model and the common model for constructing the Kohonen neural network and TabooSearch based on determining the distance to the average line of their positioning is: first, in a different approach to determining the positioning of potential suppliers of raw materials, namely the angle of inclination of the average line of such positioning; secondly, in the analysis of interaction not only of a group of economic entities of one branch, but also of different economic entities by branches; thirdly, in the selection of such features of the phase space, which contribute to the analysis of different business entities. In general, the proposed model in general expands the arsenal of tools for choosing suppliers of raw materials, which is the scientific novelty of this study. Thus as a direction of the further researches it is expedient to specify necessity of development of the mechanism of application of methods of the cluster analysis for selection of volumes of necessary raw materials at alternative deliveries.

Keywords: cluster analysis; Kohonen neural network; TabooSearch; raw material supplier; average positioning line.

References

1. Bryhadyr, V.O. (2015), Theoretical principles of cluster analysis of EU countries. Hlobal'ni ta natsional'ni problemy ekonomiky. vol. 7, DOI: http://global-national.in.ua/archive/7-2015/06.pdf
2. Kozin, I. V., Seliutin, Ye. K. (2019) Features of the search for optimal classifications: evolutionary algorithms. Visnyk Zaporiz'koho natsional'noho universytetu. Fizyko-matematychni nauky. Zaporizhzhia, vol. 2. рр. 62–68.
3. Kokhonen, T. (2008), Samoorhanyzuiuschyesia karty [Self-organizing cards] / T. Kokhonen; per. s anhl. V. Aheev; pod red. Yu. Tiumentseva. Binom, Moscow, Russia.
4. Kryvokhata, A. H., Kudin, O. V., Choporov, S. V. (2020), Nejromerezhevi matematychni modeli u zadachakh obrobky zvukovykh syhnaliv: monohrafiia. [Neural network mathematical models in problems of sound signal processing: monograph] Kherson, Ukraine.
5. Leschyns'kyj, O. L. , Ischenko, A. O. (2017), Use of neural networks in the process of intellectual (cluster) data analysis. Ekonomika i suspil'stvo. vol. 11,. DOI: https://economyandsociety.in.ua/journals/11_ukr/93.pdf
6. M'iachyn, V. H. (2019). Cluster analysis of innovation-active enterprises with the help of Kohonen maps as a prerequisite for strategic planning. Modern Economics. vol. 14(2019). рр. 180-185. DOI: https://doi.org/10.31521/modecon.V14(2019)-28.
7. Syn'ko, A. I., Peleschyshyn, A. M. (2020) Application of clustering based on self-organizing Kohonen maps to divide users into groups. Visnyk Khmel'nyts'koho natsional'noho universytetu. vol. 1. DOI: http://journals.khnu.km.ua/vestnik/wp-content/uploads/2021/01/21.pdf
8. Subbotin, S. O. (2020) Nejronni merezhi: teoriia ta praktyka [Neural networks: theory and practice], Zhytomyr, Ukraine.
9. Amir Hossein Azadniaetal (2012) “Neural networks” Procedia-Socialand Behavioral Sciences, vol. 65, рр. 879 – 884.
10. Braido, G. M. (2016) “Supplychain network optimization using a Tabu Search based heuristic” Gest. Prod., SãoCarlos, V. 23, n. 1, pр. 3-17.

№ 4 2022

Дата публікації: 2022-04-29

Кількість переглядів: 12641