Гладка, Юлія АнатоліївнаHladka, YuliiaОстапенко, Вероніка О.Ostapenko, VeronikaЧугаєва, Олена ВолодимирівнаChuhaieva, Olena2025-01-292025-01-292023Гладка Ю. А. Оптимізація транспортних задач за допомогою нейронних мереж / Гладка Ю. А., Остапенко В. О., Чугаєва О. В. // Моделювання та інформаційні системи в економіці : зб. наук. пр. / М-во освіти і науки України, Київ. нац. екон. ун-т ім. Вадима Гетьмана ; голов. ред. О. Є. Камінський. – Київ : КНЕУ, 2023. – Вип. 103. – С. 58–70.2616-6437https://ir.kneu.edu.ua/handle/2010/48359В сфері логістичних систем дуже мінливий характер навколишнього середовища вносить невизначеність щодо його стану. Як наслідок, виникає необхідність вдосконалення традиційних математичних інструментів. Стаття присвячена застосуванню нейронних мереж у вирішенні логістичних задач та підбору поправкових коефіцієнтів у класичних транспортних задачах. Розглянуто вплив зовнішніх факторів на логістичні процеси. Описано використання багатошарової нейронної мережі з використанням бібліотеки Keras мови програмування Python для автоматизованого підбору необхідних параметрів на основі історичних даних та стандартних розрахунків. У статті представлено структуру та параметри нейронної мережі, досліджено її ефективність. Описується процес тренування та використання мережі для прогнозування поправкових коефіцієнтів. In the field of logistics systems, the very minimal nature of the excessive middle ground will introduce insignificance to the point where I will become. As a result, there is a need to thoroughly modernize traditional mathematical tools. The article is devoted to the establishment of neural measures in major logistics problems and the selection of correction coefficients in classical transport problems. The influx of external factors on logistics processes is examined. We describe the use of a multi-ball neural network using the Keras library and Python programming for the automated selection of necessary parameters based on historical data and standard layouts. The article presents the structure and parameters of the neural network and monitors its effectiveness. The process of training and calculating measures for predicting correction coefficients is described.ukнейронна мережалогістична задачатранспортна задачааналізлогістичні викликиефективність методів оптимізаціїбагатошарова нейронна мережатренування нейронної мережіпоправкові коефіцієнтиneural networklogistics problemtransport taskanalysislogistics callseffectiveness of optimization methodsrich-ball neural networkneural network trainingcorrection coefficientsArticle004.89http://doi.org/10.33111/mise.103.5