Прогнозування потреб у ресурсах та оптимізація логістичних маршрутів на основі нейронних мереж

Abstract

Дана робота досліджує шляхи підвищення ефективності управління військо-вою логістикою шляхом переходу від детермінованих моделей до гібридних інте-лектуальних систем підтримки прийняття рішень. У ній висвітлюються основні проблеми традиційних методів планування, зокрема їхня залежність від статичних даних, низька адаптивність до динамічних змін оперативної обстановки та нездат-ність ефективно працювати в умовах невизначеності ресурсного забезпечення. Звіт деталізує архітектуру розробленої гібридної системи, що поєднує потужність гли-бокого навчання для аналізу даних та гнучкість методів багатокритеріальної опти-мізації. Описуються ключові технологічні інструменти реалізації, такі як мова про-грамування Python, бібліотеки TensorFlow та Keras для побудови нейронних мереж, бібліотека scikit-fuzzy для роботи з нечіткою логікою, а також фреймворк Streamlit для створення інтерактивного інтерфейсу користувача. Особлива увага приділя-ється розробці та тренуванню моделі на основі рекурентних нейронних мереж для високоточного прогнозування часових рядів споживання ресурсів. Також аналізу-ється застосування гібридного методу Fuzzy SAW для оптимізації тактичних мар-шрутів, що дозволяє враховувати як кількісні показники, так і якісні експертні оці-нки та пріоритети місії. Нарешті, наводяться результати апробації системи у симу-ляційному середовищі Arma 3, які підтверджують здатність розробленого рішення динамічно адаптуватися до змінних умов та надавати обґрунтовані рекомендації. Актуальність теми зумовлена критичною необхідністю забезпечення боє-здатності підрозділів в умовах сучасних конфліктів, що вимагає впровадження ада-птивних інструментів для оперативного планування та мінімізації ризиків при пос-тачанні ресурсів. Метою дослідження є підвищення ефективності та адаптивності логістич-ного планування шляхом розробки гібридної СППР, яка інтегрує динамічні про-гнози потреб у ресурсах з механізмами багатокритеріального прийняття рішень. Об'єкт дослідження – процеси прогнозування споживання логістичних ре-сурсів та оптимізації тактичних маршрутів пересування у військових умовах. Предмет дослідження – методи та алгоритми глибокого навчання для про-гнозування часових рядів, а також гібридні методи багатокритеріальної оптимізації маршрутів. This work investigates the enhancement of military logistics management effi-ciency through the transition from deterministic models to hybrid intelligent Decision Support Systems. It highlights the fundamental limitations of traditional planning meth-ods, particularly their reliance on static data, low adaptability to dynamic changes in the operational environment, and inability to operate effectively under conditions of resource supply uncertainty. The report details the architecture of the developed hybrid system, which combines the computational power of Deep Learning for data analysis with the flexibility of multi-criteria optimization methods. Key technological implementation tools are described, including the Python programming language, TensorFlow and Keras libraries for constructing neural networks, the scikit-fuzzy library for fuzzy logic opera-tions, and the Streamlit framework for creating an interactive user interface. Particular attention is given to the development and training of a model based on Gated Recurrent Units for high-precision forecasting of resource consumption time series. The application of the hybrid Fuzzy SAW method for tactical route optimization is also analyzed, ena-bling the consideration of both quantitative indicators and qualitative expert assessments as well as mission priorities. Finally, the results of system validation within the Arma 3 simulation environment are presented, confirming the developed solution's capability to dynamically adapt to changing conditions and provide substantiated recommendations. The relevance of the topic is driven by the critical need to ensure unit combat readiness in modern conflict conditions, necessitating the implementation of adaptive tools for operational planning and risk minimization in resource supply. The purpose of the research is to enhance the efficiency and adaptability of lo-gistical planning by developing a hybrid DSS that integrates dynamic resource demand forecasts with multi-criteria decision-making mechanisms. The object of the research is the processes of forecasting logistics resource con-sumption and optimizing tactical movement routes in military conditions. The subject of the research comprises Deep Learning methods and algorithms for forecasting time series, as well as hybrid methods for multi-criteria route optimization.