Яшин С.Н.доктор экономических наук, профессор, заведующий кафедрой менеджмента и государственного управления, Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация jashinsn@yandex.ru https://orcid.org/0000-0002-7182-2808 SPIN-код: 4191-7293
Кошелев Е.В.кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация ekoshelev@yandex.ru https://orcid.org/0000-0001-5290-7913 SPIN-код: 8429-5702
Предмет. Эволюционное нейросетевое моделирование возможностей импортозамещения в отрасли радиоэлектронной промышленности (РЭП) в регионах России. Цели. Определить регионы-лидеры в плане возможности импортозамещения, а также регионы, которые имеют перспективы будущего развития отрасли РЭП в рамках своей территории. Методология. Разработана методология эволюционного нейросетевого моделирования. Применены общенаучные методы. Результаты. Проведено нейросетевое моделирование: сбор, корректировка на инфляцию и стандартизация данных, построение и обучение нейронной сети с помощью алгоритма адаптивной нейро-нечеткой системы вывода (ANFIS) и алгоритма роя частиц (PSO), верификация обученной сети на данных нового периода наблюдения, определение регионов-лидеров и сегментов планируемых входов и целей сети, оценка соответствия регионов планируемым входам и целям сети. Получено, что алгоритм ANFIS + PSO позволяет получить меньшую среднюю относительную ошибку (MAPE) на новых данных 2021 г. по сравнению с обычным ANFIS и методом Лавенберга — Марквардта. Сравнение графиков целевых и предсказанных значений для обеих целевых функций также иллюстрирует хорошее качество прогноза сетей. Выводы. Полученные результаты могут быть полезны государственным структурам для планирования процесса импортозамещения в отрасли РЭП в указанных регионах. Также данные результаты могут использовать инвесторы для выбора направлений капитальных вложений.
Трофимов О.В., Ганин А.Н. Разработка акселерационной программы стартапов в радиоэлектронной промышленности // Креативная экономика. 2019. Т. 13. № 3. С. 553—558. URL: Link
Клушанцев Д.В. Эволюция производственной специализации в радиоэлектронной промышленности Санкт-Петербурга // МИР (Модернизация. Инновации. Развитие). 2020. Т. 11. № 1. С. 59—71. URL: Link
Балычев С.Ю., Батьковский М.А., Кравчук П.В., Судаков В.А. Оптимизация программ диверсификации предприятий радиоэлектронной промышленности // Наука без границ. 2020. № 2. С. 27—32. URL: Link
Kamal M.B., Mendis G.J., Wei J. Intelligent Soft Computing-Based Security Control for Energy Management Architecture of Hybrid Emergency Power System for More-Electric Aircrafts. IEEE Journal of Selected Topics in Signal Processing, 2018, vol. 12, iss. 4, pp. 806–816. URL: Link
Rajab S. Handling Interpretability Issues in ANFIS Using Rule Base Simplification and Constrained Learning. Fuzzy Sets and Systems, 2019, vol. 368, pp. 36–58. URL: Link
Yaseen Z.M., Ghareb M.I., Ebtehaj I., Bonakdar H. et al. Rainfall Pattern Forecasting Using Novel Hybrid Intelligent Model Based ANFIS-FFA. Water Resources Management, 2018, vol. 32, pp. 105–122. URL: Link
Kalyanmoy D. Multi-Objective Optimization Using Evolutionary Algorithms. New York, John Wiley & Sons, Inc., 2001, 536 p.
Karaboga D., Kaya E. Adaptive Network Based Fuzzy Inference System (ANFIS) Training Approaches: A Comprehensive Survey. Artificial Intelligence Review, 2019, vol. 52, pp. 2263–2293. URL: Link
Bui D.T., Khosravi D., Li S. et al. New Hybrids of ANFIS with Several Optimization Algorithms for Flood Susceptibility Modeling. Water, 2018, vol. 10, iss. 9. URL: Link
Ahmadlou M., Karimi M., Alizadeh S. et al. Flood Susceptibility Assessment Using Integration Of Adaptive Network-Based Fuzzy Inference System (ANFIS) and Biogeography-Based Optimization (BBO) and BAT Algorithms (BA). Geocarto International, 2019, vol. 34, iss. 11, pp. 1252–1272. URL: Link
Elaziz M.A., Elsheikh A.H., Sharshir S.W. Improved Prediction of Oscillatory Heat Transfer Coefficient for a Thermoacoustic Heat Exchanger Using Modified Adaptive Neuro-Fuzzy Inference System. International Journal of Refrigeration, 2019, vol. 102, pp. 47–54. URL: Link
Jaafari A., Panahi M., Pham B.T. et al. Meta Optimization of an Adaptive Neuro-Fuzzy Inference System with Grey Wolf Optimizer and Biogeography-Based Optimization Algorithms for Spatial Prediction of Landslide Susceptibility. Catena, 2019, vol. 175, pp. 430–445. URL: Link
Lazreg M., Benamrane N. Intelligent System For Robotic Navigation Using ANFIS and ACOr. Applied Artificial Intelligence, 2019, vol. 33, iss. 5, pp. 399–419. URL: Link
Abdullah N.A., Abd Rahim N., Gan C.K., Nor Adzman N. Forecasting Solar Power Using Hybrid Firefly and Particle Swarm Optimization (HFPSO) for Optimizing the Parameters in a Wavelet Transform-Adaptive Neuro Fuzzy Inference System (WT-ANFIS). Applied Sciences, 2019, vol. 9, iss. 16. URL: Link
Karaboga D., Kaya E. Training ANFIS by Using an Adaptive and Hybrid Artificial Bee Colony Algorithm (aABC) for the Identification of Nonlinear Static Systems. Arabian Journal for Science and Engineering, 2019, vol. 44, pp. 3531–3547. URL: Link
Kumar N.S., Mahil J., Shiji A.S., Joshua K.P. Detection of Autism in Children by the EEG Behavior Using Hybrid Bat Algorithm-Based ANFIS Classifier. Circuits, Systems, and Signal Processing, 2020, vol. 39, pp. 674–697. URL: Link
Farzaneh J. A Hybrid Modified FA-ANFIS-P&O Approach for MPPT in Photovoltaic Systems under PSCs. International Journal of Electronics, 2020, vol. 107, iss. 5, pp. 703–718. URL: Link
Azad A., Farzin S., Sanikhani H., Karami H., Kisi O., Singh V.P. Approaches for Optimizing the Performance of Adaptive Neuro-Fuzzy Inference System and Least-Squares Support Vector Machine in Precipitation Modeling. Journal of Hydrologic Engineering, 2021, vol. 26, no. 4. URL: LinkHE.1943-5584.0002069
Adhikari M., Srirama S.N. Multi-Objective Accelerated Particle Swarm Optimization with a Container-Based Scheduling for Internet-of-Things in Cloud Environment. Journal of Network and Computer Applications, 2019, vol. 137, pp. 35–61. URL: Link
Al-Thanoon N.A., Qasim O.S., Algamal Z.Y. A New Hybrid Firefly Algorithm and Particle Swarm Optimization for Tuning Parameter Estimation in Penalized Support Vector Machine with Application in Chemometrics. Chemometrics and Intelligent Laboratory Systems, 2019, vol. 184, pp. 142–152. URL: Link
Gad A.G. Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review. Archives of Computational Methods in Engineering, 2022, vol. 29, pp. 2531–2561. URL: Link
