Сравнение методов оптимизации в имитационных моделях сложных организационно-технических систем

Актуальность исследования обусловлена необходимостью повышения эффективности принимаемых управленческих решений в сложных организационно-технических системах. Проблема настоящего исследования заключается в выборе наиболее подходящего метода оптимизации для конкретных задач организационных систем. Целью статьи является сравнение современных методов оптимизации сложных организационно-технических систем, в частности, в модели транспортной системы. Особое внимание уделено минимизации целевой функции, учитывающей такие параметры, как пассажиропоток, время ожидания пассажиров, загрузка транспортного средства и влияние на дорожную ситуацию. В исследовании был проведен анализ подходящих методов оптимизации и выполнена программная реализация подходов к оптимизации для транспортной системы на языке программирования Python. Практическая часть позволяет оценить эффективность каждого метода с точки зрения результатов целевой функции, адекватности подобранных параметров модели и времени выполнения алгоритма. Результаты показали, что методы роя частиц и дифференциальной эволюции обеспечивают наилучшую минимизацию целевой функции с оптимально подобранными параметрами интервала движения, скорости движения и вместимости транспортного средства, однако данные методы оптимизации требуют большого времени на вычисления. Материалы статьи представляют практическую ценность для специалистов в области оптимизации процессов и транспортного планирования, предлагая рекомендации по выбору методов оптимизации в зависимости от целей и условий задачи.

1. Pospelov K.N., Burlutskaya Z.V., Gintciak A.M., Troshchenko K.D. Multiparametric Optimization of Complex System Management Scenarios Based on Simulation Models. International Journal of Technology. 2023;14(8):1748–1758. https://doi.org/10.14716/ijtech.v14i8.6832

2. Xin L., Xu P., Manyi G. Logistics Distribution Route Optimization Based on Genetic Algorithm. Computational Intelligence and Neuroscience. 2022;2022. https://doi.org/10.1155/2022/8468438

3. Rebentrost P., Lloyd S. Quantum Computational Finance: Quantum Algorithm for Portfolio Optimization. KI – Künstliche Intelligenz. 2024. https://doi.org/10.1007/s13218-024-00870-9

4. Beketov S.M., Pospelov K.N., Redko S.G. A Human Capital Simulation Model in Innovation Projects. Control Sciences. 2024;(3):16–25. https://doi.org/10.25728/cs.2024.3.2

5. Mencarelli L. et al. A review on superstructure optimization approaches in process system engineering. Computers & Chemical Engineering. 2020;136. https://doi.org/10.1016/j.compchemeng.2020.106808

6. Родзин С.И., Курейчик В.В. Теоретические вопросы и современные проблемы развития когнитивных биоинспирированных алгоритмов оптимизации (обзор). Кибернетика и программирование. 2017;(3):51–79.

7. Дианов С.В., Калашников К.Н., Ригин В.А. Поиск путей оптимального пространственного размещения объектов инфраструктуры здравоохранения: обзор методического инструментария. Проблемы развития территории. 2021;25(2):108–127. https://doi.org/10.15838/ptd.2021.2.112.7

8. Курейчик В.В., Родзин С.И. Биоэвристики, инспирированные фауной (обзор). Информационные технологии. 2023;29(11):559–573. https://doi.org/10.17587/it.29.559-573

9. Чернышев Ю.О., Кубил В.Н. Обзор динамических задач маршрутизации транспорта. Программные продукты и системы. 2020;(3):491–501. https://doi.org/10.15827/0236-235X.131.491-501

10. He Z., Liu Q., Zhao P. Challenges of passenger and freight transportation in mega-city regions: A systematic literature review. Transportation Research Interdisciplinary Perspectives. 2022;16. https://doi.org/10.1016/j.trip.2022.100730

11. Чернышев Ю.О., Кубил В.Н., Требухин А.В. Обзор нечетких задач маршрутизации транспорта. Advanced Engineering Research. 2020;20(3):325–331. https://doi.org/10.23947/2687-1653-2020-20-3-325-331

12. De La Torre R., Corlu C.G., Faulin J., Onggo B.S., Juan A.A. Simulation, Optimization, and Machine Learning in Sustainable Transportation Systems: Models and Applications. Sustainability. 2021;13(3). https://doi.org/10.3390/su13031551

13. Wu D., Lisser A. A deep learning approach for solving linear programming problems. Neurocomputing. 2023;520:15–24. https://doi.org/10.1016/j.neucom.2022.11.053

14. Sangeetha V., Vijayarangam J., Thirisangu K., Elumalai P. Simplex based solution for a fuzzy transportation problem. Malaya Journal of Matematik. 2021;S(1):393–396.

15. Алехин P.A., Кубарьков Ю.П., Закамов Д.В., Умяров Д.В. Обзор метаэвристических методов оптимизации, применяемых при решении электроэнергетических задач. Вестник Самарского государственного технического университета. Серия: Технические науки. 2019;(3):6–19.

16. Wei L., Zhang Z., Zhang D., Leung S.C.H. A simulated annealing algorithm for the capacitated vehicle routing problem with two-dimensional loading constraints. European Journal of Operational Research. 2018;265(3):843–859. https://doi.org/10.1016/j.ejor.2017.08.035

17. Lee J., Perkins D. A simulated annealing algorithm with a dual perturbation method for clustering. Pattern Recognition. 2021;112. https://doi.org/10.1016/j.patcog.2020.107713

18. Viazovychenko Y., Larin O. Stochastic Optimization Algorithms for Data Processing in Experimental Self-heating Process. In: Integrated Computer Technologies in Mechanical Engineering 2020 – Synergetic Engineering, 28–30 October 2020, Kharkiv, Ukraine. Cham: Springer; 2021. pp. 644–653. https://doi.org/10.1007/978-3-030-66717-7_55

19. Opara K.R., Arabas J. Differential Evolution: A survey of theoretical analyses. Swarm and Evolutionary Computation. 2019;44:546–558. https://doi.org/10.1016/j.swevo.2018.06.010

20. Пацей Н.Е., Рябычина О.П. Применение эволюционных алгоритмов для поиска оптимального маршрута. Проблемы инфокоммуникаций. 2020;(1-1):38–43.

21. Gad A.G. Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review. Archives of Computational Methods in Engineering. 2022;29(5):2531–2561. https://doi.org/10.1007/s11831-021-09694-4

22. Yan F., Wang Y. Modeling and Solving the Vehicle Routing Problem with Multiple Fuzzy Time Windows. In: ICMSEM 2017: Proceedings of the Eleventh International Conference on Management Science and Engineering Management, 28–31 July 2017, Kanazawa, Japan. Cham: Springer; 2017. pp. 847–857. https://doi.org/10.1007/978-3-319-59280-0_69

23. Смоленцева Т.Е. Методы определения целевой функции организационных систем. Моделирование, оптимизация и информационные технологии. 2018;6(3):143–152. https://doi.org/10.26102/2310-6018/2018.22.3.011

24. Буйлова М.В. Формирование маршрутных сетей городского общественного транспорта. Технико-технологические проблемы сервиса. 2022;(1):45–52.

25. Ермошин Н.А., Романчиков С.А. Минимизация автотранспортных издержек в условиях неопределенности состояния дорожной сети. В сборнике: Автомобили, транспортные системы и процессы: настоящее, прошлое и будущее: Сборник статей 2-й Международной научно-технической конференции, 22 мая 2020 года, Курск, Россия. Курск: Юго-Западный государственный университет; 2020. С. 119–122.