МОДЕЛИРОВАНИЕ ПРОМЫШЛЕННЫХ АГЛОМЕРАЦИЙ И ИХ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ В ОТРАСЛИ РАДИОЭЛЕКТРОНИКИ С ПРИМЕНЕНИЕМ МУРАВЬИНОГО АЛГОРИТМА |
| научная статья | 332.142.2 | ||
| 60-71 |
| Целью исследования является моделирование промышленных агломераций и их инновационной деятельности в радиоэлектронной промышленности (РЭП) с применением муравьиного алгоритма. Основная идея представленной методологии заключается в том, что сначала определяются оптимальные центры промышленных агломераций в отрасли РЭП в рамках территории страны, а затем для полученных агломераций оцениваются результаты их инновационной деятельности для того, чтобы спланировать наиболее эффективное развитие структурных подразделений агломераций в виде региональных инновационно-индустриальных кластеров. Это проводится в несколько этапов: 1) сбор данных о географической локации центров кластеров РЭП, 2) решение квадратичной задачи о назначениях для нахождения центров промышленных агломераций, 3) сбор данных об объемах инновационных товаров и сальдированных финансовых результатах регионов промышленных агломераций, 4) решение задачи о рюкзаке для оценки результатов деятельности агломераций, 5) разработка рекомендаций по инновационному развитию промышленных агломераций. Согласно полученному списку наиболее ценных кластеров выясняется, в каких регионах объем производимых инновационных товаров, действительно, приносит ценность региону в виде высокого сальдированного финансового результата по отрасли «Информатизация и связь». Эти регионы в будущем будут приносить эффект для инновационного развития соответствующей промышленной агломерации. Остальные регионы такого эффекта иметь не будут, а следовательно, их производственные мощности и человеческие ресурсы, возможно, в будущем перетекут в более эффективные регионы данной агломерации. Полученные результаты могут быть полезны государственным структурам в плане поощрения инновационного развития именно тех регионов, которые планируется объединять в промышленные агломерации отрасли радиоэлектроники. |
 |
| 1 . Thike A.M., Lupin S.A. Accelerate Assessment Calculations for Quadratic Assignment Problem Solution // 2024 Conference of Young Researchers in Electrical and Electronic Engineering (ElCon). Saint Petersburg, Russian Federation. 2024. P. 118-122. https://doi.org/10.1109/ElCon61730.2024.10468348 2 . Silva A., Coelho L.C., Darvish M. Quadratic Assignment Problem Variants: A Survey and an Effective Parallel Memetic Iterated Tabu Search // European Journal of Operational Research. 2021. Vol. 292(3). P. 1066-1082. https://doi.org/10.1016/j.ejor.2020.11.035 3 . Wang Y., Yang W., Punnen A.P., Tian J., Yin A., L? Zh. The Rank-One Quadratic Assignment Problem // INFORMS Journal on Computing. 2020. Vol. 33(3). P. 979-996. https://doi.org/10.1287/ijoc.2020.1003 4 . Xueyuan L.I., Congying H.A.N. Solving Quadratic Assignment Problem Based on Actor-Critic Framework // Journal of University of Chinese Academy of Sciences. 2024. Vol. 41(2). P. 275-284. 5 . L?zaro T., Guimer? R., Sales-Pardo M. Probabilistic Alignment of Multiple Networks // Nat Commun. 2025. Vol. 16. https://doi.org/10.1038/s41467-025-59077-7 6 . Waldo I., Fabrizio G., Salvatore I., Sandy H., Arindam Kh., Andreas W. Approximating Geometric Knapsack via L-packings // In: Association for Computing Machinery. 2021, October 2021. Vol. 17 (4). New York, NY, USA. https://doi.org/10.1145/3473713 7 . Bo?ejko W., Burduk A., Pempera J., Uchro?ski M., Wodecki M. Optimal Solving of a Binary Knapsack Problem on a D-Wave Quantum Machine and Its Implementation in Production Systems // Ann Oper Res. 2024. https://doi.org/10.1007/s10479-024-06025-1 8 . Sch?fer L.E., Dietz T., Barbati M., Figueira J.R., Greco S., Ruzika S. The Binary Knapsack Problem with Qualitative Levels // European Journal of Operational Research. 2021. Vol. 289(2). P. 508-514. https://doi.org/10.1016/j.ejor.2020.07.040 9 . Agrawal P., Ganesh T., Mohamed A.W. Solving Knapsack Problems using a Binary Gaining Sharing Knowledge-Based Optimization Algorithm // Complex Intell. Syst. 2022. Vol. 8, P. 43-63. https://doi.org/10.1007/s40747-021-00351-8 10 . Dang B.T., Truong T.K. Binary Salp Swarm Algorithm for Discounted {0-1} Knapsack Problem // PLoS ONE. 2022. Vol. 17 (4). https://doi.org/10.1371/journal.pone.0266537 11 . Blum Ch. Ant Colony Optimization: A Bibliometric Review // Physics of Life Reviews. 2024. Vol. 51. P. 87-95. https://doi.org/10.1016/j.plrev.2024.09.014 12 . Rezvanian A., Mehdi Vahidipour S., Sadollah A. An Overview of Ant Colony Optimization Algorithms for Dynamic Optimization Problems // IntechOpen. 2024. https://doi.org/10.5772/intechopen.111839 13 . Li P., Wei L., Wu D. An Intelligently Enhanced Ant Colony Optimization Algorithm for Global Path Planning of Mobile Robots in Engineering Applications // Sensors. 2025. Vol. 25 (5). https://doi.org/10.3390/s25051326 14 . Mahawar K., Rattan P., Jalamneh A., Shukri Ab Yajid M., Abdeljaber O., Kumar R., Lasisi A., Imam Ammarullah M. Employing Artificial Bee and Ant Colony Optimization in Machine Learning Techniques as a Cognitive Neuroscience Tool // Sci Rep. 2025. Vol. 15. https://doi.org/10.1038/s41598-025-94642-6 15 . Li S., Wei Y., Liu X., Zhu H., Yu Z. A New Fast Ant Colony Optimization Algorithm: The Saltatory Evolution Ant Colony Optimization Algorithm // Mathematics. 2022. Vol. 10 (6). https://doi.org/10.3390/math10060925 16 . Prado-Rodr?guez R., Gonz?lez P., Banga J.R., Doallo R. Improved Cooperative Ant Colony Optimization for the Solution of Binary Combinatorial Optimization Applications // Expert Systems. 2024. Vol. 41 (8). https://doi.org/10.1111/exsy.13554 17 . Mavrovouniotis M., Anastasiadou M.N., Hadjimitsis D. Measuring the Performance of Ant Colony Optimization Algorithms for the Dynamic Traveling Salesman Problem // Algorithms. 2023. Vol. 16 (12). https://doi.org/10.3390/a16120545 18 . Oliazadeh A., Bozorg-Haddad O., Arefinia A., Ahmad S. Ant Colony Optimization Algorithms: Introductory Steps to Understanding // In: Bozorg-Haddad, O., Zolghadr-Asli, B. (eds) Computational Intelligence for Water and Environmental Sciences. Studies in Computational Intelligence. 2022. Vol. 1043. Springer, Singapore. https://doi.org/10.1007/978-981-19-2519-1_7 19 . Liu Y., Cao B., Li H. Improving Ant Colony Optimization Algorithm with Epsilon Greedy and Levy Flight // Complex Intell. Syst. 2021. Vol. 7. P. 1711-1722. https://doi.org/10.1007/s40747-020-00138-3 20 . Liang S., Jiao T., Du W., Qu S. An Improved Ant Colony Optimization Algorithm Based on Context for Tourism Route Planning // PLoS ONE. 2021. Vol. 16(9). https://doi.org/10.1371/journal.pone.0257317 |