Конденсация графов для больших факторных моделей

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе разработан оригинальный метод обработки больших факторных моделей на основе конденсации графа с применением моделей машинного обучения и искусственных нейронных сетей. Созданный математический аппарат может быть использован в задачах планирования и управления сложными организационно-техническими системами, при оптимизации крупных социально-экономических объектов масштаба отраслей государства, для решения задач здоровьесбережения нации (поиск совместимостей при приеме лекарственных средств, оптимизация ресурсного обеспечения здравоохранения).

Об авторах

Б. Н. Четверушкин

Федеральное государственное учреждение “Федеральный исследовательский центр Институт прикладной математики имени М.В. Келдыша Российской академии наук”

Автор, ответственный за переписку.
Email: office@keldysh.ru

академик РАН

Россия, Москва

В. А. Судаков

Федеральное государственное учреждение “Федеральный исследовательский центр Институт прикладной математики имени М.В. Келдыша Российской академии наук”

Email: sudakov@ws-dss.com
Россия, Москва

Ю. П. Титов

Федеральное государственное бюджетное образовательное учреждение высшего образования “Московский авиационный институт (национальный исследовательский университет)”

Email: kalengul@mail.ru
Россия, Москва

Список литературы

  1. Четверушкин Б.Н., Судаков В.А. Факторная модель для исследования сложных процессов // Доклады Академии наук. 2019. Т. 489. № 1. С. 17–21.
  2. Forrester J.W. Policies, decisions and information sources for modeling // European Journal of Operational Research. 1992. V. 59. № 1. P. 42–63.
  3. Honti G., Dörgő G., Abonyi J. Network analysis dataset of system dynamics models // Data in Brief. 2019. V. 27. P. 104723.
  4. Jain A., Murty M., Flynn P. Data Clustering: A Review // ACM Computing Surveys. 1999. V. 31. № 3.
  5. Lance G.N., Williams W.T. A general theory of classification sorting strategies in hierarchical system // Comp. J. 1967. № 9. P. 373–380.
  6. Kohonen T. Essentials of the self-organizing map // Neural Networks. 2013. V. 37. P. 52–65.
  7. Alam A., Ahamad M.K. K-Means Hybridization with Enhanced Firefly Algorithm for High-Dimension Automatic Clustering // Journal of Advanced Research in Applied Sciences and Engineering Technology. 2023. V. 33. № 3. P. 137–153.
  8. Reynolds D. Gaussian Mixture Models // Encyclopedia of Biometrics. Boston, MA: Springer, 2009.
  9. Нестеров В.А., Судаков В.А., Сыпало К.И., Титов Ю.П. Матрица нечетких корреспонденций модели авиационных перевозок // Известия Российской академии наук. Теория и системы управления. 2022. Т. 6. № 6. С. 95–102.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2024