JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT 2782-4586 2949-1851 111991 10.26118/2782-4586.2025.77.23.028 Научные статьи SCIENTIFIC ARTICLES Научные статьи The use of neural networks in solving optimization problems Использование нейросетей при решении задач оптимизации Мурлин Алексей Георгиевич Murlin Aleksey Georgievich

кандидат технических наук;

candidate of technical sciences;

 Колесников Даниил Сергеевич Kolesnikov Daniil Sergeevich Бгане Аскер Асланович Bgane Asker Aslanovich Кубанский государственный технологический университет Kuban State University of Technology 18 01 2026 18 01 2026 12 229 234 12 01 2026 https://zhpi.ru/en/nauka/article/111991/view

Данная статья посвящена актуальным методам использования нейронных сетей для решения задач оптимизации. Особо отмечается прямая экономическая выгода от их применения: нейросети позволяют значительно сокращать издержки, повышать эффективность использования ресурсов и максимизировать ключевые финансовые показатели. Выделяются их главные достоинства: способность работать с огромными массивами данных, находить сложные, нелинейные связи и приспосабливаться к меняющейся среде. Исследуются различные архитектуры нейросетей, включая многослойные перцептроны, сверточные, рекуррентные и комбинированные модели. Особое внимание уделяется процессам обучения и методам регуляризации. Приводятся примеры успешного внедрения в логистике, финансах и промышленности. Подчеркивается эффективность нейросетевых подходов и их потенциал для дальнейшего развития в практических сферах.

This article is devoted to current methods of using neural networks to solve optimization problems. The direct economic benefits of their use are highlighted: neural networks can significantly reduce costs, increase resource efficiency, and maximize key financial indicators. Their main advantages stand out: the ability to work with huge amounts of data, find complex, nonlinear relationships, and adapt to a changing environment. Various architectures of neural networks are being investigated, including multilayer perceptrons, precise, recurrent and combined models. Special attention is paid to learning processes and regularization methods. Examples of successful implementation in logistics, finance and industry are given. The effectiveness of neural network approaches and their potential for further development in practical areas is emphasized.

 нейронные сети градиентный спуск машинное обучение искусственный интеллект стохастическая оптимизация многокритериальные задачи обучение модели глубинное обучение адаптивные алгоритмы neural networks gradient descent machine learning artificial intelligence stochastic optimization multi-criteria tasks model learning deep learning adaptive algorithms

Антонов, В. В. Интеллектуальный метод поддержки принятия решений в типовой ситуации / В. В. Антонов, К. А. Конев // Онтология проектирования. – 2021. – Т. 11, No 1(39). – С. 126–136. – DOI 10.18287/2223-9537-2021-11-1-126-136. Antonov, V. V. Intellektual'nyy metod podderzhki prinyatiya resheniy v tipovoy situacii / V. V. Antonov, K. A. Konev // Ontologiya proektirovaniya. – 2021. – T. 11, No 1(39). – S. 126–136. – DOI 10.18287/2223-9537-2021-11-1-126-136. Сегаран, Т. Программируем коллективный разум. – Пер. с англ. / Т. Сегаран. – СПб.: Символ-Плюс, 2008. – 368 с. Segaran, T. Programmiruem kollektivnyy razum. – Per. s angl. / T. Segaran. – SPb.: Simvol-Plyus, 2008. – 368 s. Дилигенский, Н. В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология / Н. В. Дилигенский, Л. Г. Дымова, П. В. Севастьянов. – М. : Изд-во Машино-строение – 1, 2004. – 397 с. Diligenskiy, N. V. Nechetkoe modelirovanie i mnogokriterial'naya optimizaciya proizvodstvennyh sistem v usloviyah neopredelennosti: tehnologiya, ekonomika, ekologiya / N. V. Diligenskiy, L. G. Dymova, P. V. Sevast'yanov. – M. : Izd-vo Mashino-stroenie – 1, 2004. – 397 s. Ярушкина, Н. Г. Интеллектуальный анализ временных рядов. / Н. Г. Ярушкина, Т. В. Афанасьева, И. Г. Перфильева. – Ульяновск : УлГТУ, 2010. – 320 с. Yarushkina, N. G. Intellektual'nyy analiz vremennyh ryadov. / N. G. Yarushkina, T. V. Afanas'eva, I. G. Perfil'eva. – Ul'yanovsk : UlGTU, 2010. – 320 s. Гладков, Л. А. Генетические алгоритмы / Л. А. Гладков, В. В. Курейчик, В. М. Курейчик. – 2010. Gladkov, L. A. Geneticheskie algoritmy / L. A. Gladkov, V. V. Kureychik, V. M. Kureychik. – 2010.