Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

ПЛАНИРОВАНИЕ ИННОВАЦИОННОГО РАЗВИТИЯ РАДИОЭЛЕКТРОННОЙ ПРОМЫШЛЕННОСТИ В РЕГИОНАХ С ПРИМЕНЕНИЕМ МНОГОЦЕЛЕВОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА

Тип статьи	научная статья	Коды УДК	332.144
Страницы	76-86	Ключевые слова	радиоэлектронная промышленность, инновационное развитие, многоцелевой генетический алгоритм, поиск по шаблону

Авторы

Яшин С.Н.Кошелев Е.В.Иванов А.А.Борисов С.А.

Место работы

Яшин С.Н. Нижегородский государственный университет им. Н.И. ЛобачевскогоLobachevsky State University of Nizhny Novgorod
Кошелев Е.В. Нижегородский государственный университет им. Н.И. ЛобачевскогоLobachevsky State University of Nizhny Novgorod
Иванов А.А. Нижегородский государственный университет им. Н.И. ЛобачевскогоLobachevsky State University of Nizhny Novgorod
Борисов С.А. Нижегородский государственный университет им. Н.И. ЛобачевскогоLobachevsky State University of Nizhny Novgorod

Аннотация

Целью является планирование инновационного развития промышленных регионов, имеющих отрасль радиоэлектронной промышленности (РЭП). Для этого предлагается применять многоцелевой генетический алгоритм (MGA) как один из методов глобальной оптимизации. А именно, предлагается применять двухцелевой и трехцелевой алгоритмы, дополняя их поиском по шаблону с целью проверки граничных решений. Это позволяет получить достаточное подробное представление о перспективах инновационного развития регионов с отраслью РЭП, поскольку максимизируются одновременно сразу несколько целевых переменных в зависимости от нескольких входных параметров. Также в данном случае получается набор решений в виде парето-фронта, что упрощает подбор плановых входных параметров модели. Рассматривая сальдированный финансовый результат в зависимости от научного потенциала (цель 1) как приоритетную цель, а объем инновационных товаров в зависимости от производственного потенциала (цель 2) и разработанные передовые производственные технологии в зависимости от научного потенциала (цель 3) как дополняющие цели, для Москвы получено, что по факторам цель почти достигнута с превышением затрат на НИР по прикладным исследованиям и разработкам, что сказалось на недостаточном достижении целевого значения финансового результата. Полученные результаты могут быть полезны инвесторам и государственным структурам с целью планирования инвестиций и инновационного развития радиоэлектроники в регионах страны.

Загрузить статью

Библиографический список

1 . Доброва К.Б., Сахненко С.С. Предприятия ра- диоэлектронной промышленности в структуре высо- котехнологичного сектора экономики // Экономика: вчера, сегодня, завтра. 2022. № 12 (10А). С. 240-246. https://doi.org/10.34670/AR.2022.91.63.054.
2 . Shi W.L. Industrial Electronics: Its Importance in the Manufacturing Industries // J. Ind. Electron. Appl. 2023. Vol. 7 (1).
3 . Балычев С.Ю., Батьковский М.А., Кравчук П.В., Судаков В.А. Оптимизация программ диверсификации предприятий радиоэлектронной промышленности // Наука без границ. 2020. № 2 (42). С. 27-32.
4 . Selcuklu S.B. Multi-objective Genetic Algorithms // In: Kulkarni A.J., Gandomi A.H. (eds) Handbook of Formal Optimization. Springer, Singapore, 2023. P. 1-37. https://doi.org/10.1007/978-981-19-8851-6_31-1.
5 . Zolpakar N.A., Lodhi S.S., Pathak S., Sharma M.A. Application of Multi-objective Genetic Algorithm (MOGA) Optimization in Machining Processes // In: Gupta K., Gupta M. (eds) Optimization of Manufactur- ing Processes. Springer Series in Advanced Manufactur- ing. Springer, Cham, 2020. P. 185-199. https://doi. org/10.1007/978-3-030-19638-7_8.
6 . Guariso G., Sangiorgio M. Improving the Perfor- mance of Multiobjective Genetic Algorithms: An Elit- ism-Based Approach // Information. 2020. Vol. 11 (12). P. 587. https://doi.org/10.3390/info11120587.
7 . Mangai G.A., Leelavathy T. A Binary Coded Ge- netic Algorithm for Multi Objective Routing Problem // AIP Conf. Proc. 31 August 2023. Vol. 2852 (1). https:// doi.org/10.1063/5.0164922.
8 . Li J.-Y., Zhan Z.-H., Li Y., Zhang J. Multiple Tasks for Multiple Objectives: A New Multiobjective Optimization Method via Multitask Optimization // In: IEEE Transactions on Evolutionary Computation. 2023. https://doi.org/10.1109/TEVC.2023.3294307.
9 . Carvalho I.A., Ribeiro M.A. An exact approach for the Minimum-Cost Bounded-Error Calibration Tree problem // Ann. Oper. Res. 2020. Vol. 287. P. 109-126. https://doi.org/10.1007/s10479-019-03443-4.
10 . Wang P., Ye K., Hao X. et al. Combining Multi- objective Genetic Algorithm and Neural Network Dy- namically for the Complex Optimization Problems in Physics // Sci. Rep. 2023. Vol. 13 (880). https://doi.org/ 10.1038/s41598-023-27478-7.
11 . Lahlouh I., Khouili D., Elakkary A., Sefiani N. Pareto Optimality Based Multi-objective Genetic Algo- rithm: Application for Livestock Building System Using an Independent PID Controller // Engineering and Ap- plied Science Research. 2021. Vol. 48 (1). P. 83-91. URL: https://ph01.tci-thaijo.org/index.php/easr/article/ view/240279 (дата обращения: 11.04.2024).
12 . Alioui Y., Acar R. An Evaluation of a Con- strained Multi-objective Genetic Algorithm // Journal of Scientific Perspectives. 2020. Vol. 4 (2). P. 137-146. https://doi.org/10.26900/jsp.4.011.
13 . Ngo S.T., Jafreezal J., Nguyen G.H., Bui A.N. A Genetic Algorithm for Multi-Objective Optimization in Complex Course Timetabling // In: Proceedings of the 2021 10th International Conference on Software and Computer Applications (ICSCA ‘21). Association for Computing Machinery, New York, NY, USA, 2021. P. 229-237. https://doi.org/10.1145/3457784.3457821.
14 . Satri M.Y., Lombardi A.M., Zimmermann F. Multiobjective Genetic Algorithm Approach to Optimize Beam Matching and Beam Transport in High-intensity Hadron Linacs // Phys. Rev. Accel. Beams. 2019. Vol. 22. https://doi.org/10.1103/PhysRevAccelBeams.22.054201.
15 . Yulia F., Chairina I., Zulys A., Nasruddin. Multi- objective Genetic Algorithm Optimization with an Arti- ficial Neural Network for CO2/CH4 Adsorption Predic- tion in Metal-organic Framework // Thermal Science and Engineering Progress. 2021. Vol. 25. https://doi.org/ 10.1016/j.tsep.2021.100967.
16 . Xu Z., Xu Q., Lv J. et al. An Adaptive Multi- objective Genetic Algorithm with Multi-Strategy Fusion for Resource Allocation in Elastic Multi-Core Fiber Networks // Applied Sciences. 2022. Vol. 12 (14). P. 7128. https://doi.org/10.3390/app12147128.
17 . Van Ho H., Nguyen T.H., Ho L.H. et al. Upgrad- ing Urban Drainage Systems for Extreme Rainfall Events Using Multi-objective Optimization: Case Study of Tan Hoa-Lo Gom Drainage Catchment, HCMC, Vi- etnam // In: Lecture Notes on Data Engineering and Com- munications Technologies. Vol. 140. Springer, 2022. P. 51-61. https://doi.org/10.1007/978-981-19-2948-9_6.
18 . Zanin P.S.Jr., Garces Negrete L.P., Brigatto G.A.A., Lopez-Lezama J.M. A Multi-Objective Hybrid Genetic Algorithm for Sizing and Siting of Renewable Dis- tributed Generation // Applied Sciences. 2021. Vol. 11 (16). P. 7442. https://doi.org/10.3390/app11167442.
19 . Chen J., Zhong P., Liu W. et al. A Multi- objective Risk Management Model for Real-time Flood Control Optimal Operation of a Parallel Reservoir Sys- tem // Journal of Hydrology. 2020. Vol. 590. https://doi. org/10.1016/j.jhydrol.2020.125264.
20 . Gupta R.S., Hamilton A.L., Reed P.M., Charack- lis G.W. Can Modern Multi-objective Evolutionary Al- gorithms Discover High-dimensional Financial Risk Portfolio Tradeoffs for Snow-dominated Water-energy Systems? // Advances in Water Resources. 2020. Vol. 145. https://doi.org/10.1016/j.advwatres.2020.103718.