Аннотация:
Предложена концепция построения факторной модели на основе фреймов. Факторы рассматриваются как значения слотов у соответствующих фреймов, что позволяет уменьшить сложность разрабатываемой модели. Предложена методика вычисления значений факторов через поиск собственных значений матриц парных сравнений степени влияния слотов. Разработана процедура, позволяющая увидеть распространение влияния факторов по всем возможным маршрутам графа влияний. В результате расчетов определяются факторы, в наибольшей степени влияющие на эффективность функционирования всей моделируемой системы. Показана возможность применения факторной модели при оценке деятельности инновационно-активных предприятий и при выборе электронного планшета пилота. Данная модель может быть применена для прогнозирования развития сложных динамических систем с обратными связями, а также для оценки и выбора управленческих решений в рамках инновационной деятельности предприятий в условиях слабоструктурированной информации.
Ключевые слова:
факторная модель, фрейм, слот, собственный вектор, собственные значения, инновационно-активное предприятие.
Поступила в редакцию: 15.07.2019 Исправленный вариант: 15.07.2019 Принята в печать: 21.10.2019
Образец цитирования:
Б. Н. Четверушкин, В. А. Судаков, “Факторное моделирование для инновационно-активных предприятий”, Матем. моделирование, 32:3 (2020), 115–126; Math. Models Comput. Simul., 12:6 (2020), 907–914
М. Х. Нгуен, В. А. Судаков, “Улучшение модели MobileNetV2 для обнаружения и анализа лесных пожаров по спутниковым снимкам”, Препринты ИПМ им. М. В. Келдыша, 2025, 004, 15 с.
В. И. Балута, С. С. Варыханов, В. П. Осипов, Ю. Г. Рыков, Б. Н. Четверушкин, “Анализ сложных слабоформализуемых природно-технических систем при помощи технологии когнитивного моделирования”, Матем. моделирование, 37:2 (2025), 111–127
В. А. Судаков, А. Д. Шаблий, “Разрешение циклических зависимостей графовой модели взаимосвязи требований к программному обеспечению”, Препринты ИПМ им. М. В. Келдыша, 2024, 031, 13 с.
С. А. Колесник, Е. М. Стифеев, “Численное моделирование обратных ретроспективных задач для нелинейного уравнения теплопроводности”, Матем. моделирование, 35:6 (2023), 109–122; S. A. Kolesnik, E. M. Stifeev, “Numerical simulation of inverse retrospective problems for a nonlinear heat equation”, Math. Models Comput. Simul., 15:6 (2023), 1123–1131
В. А. Судаков, И. А. Белозеров, Е. С. Прудкова, “Модель машинного обучения с подкреплением для планирования развития спортивной инфраструктуры”, Матем. моделирование, 34:12 (2022), 103–115; V. A. Sudakov, I. A. Belozerov, E. S. Prudkova, “Reinforcement machine learning model for sports infrastructure development planning”, Math. Models Comput. Simul., 15:4 (2023), 608–614
B. N. Chetverushkin, M. V. Yakobovskiy, “The prospects of development in Russia of high-performance computing and predictive modeling in modern technologies”, Her. Russ. Acad. Sci., 91:6 (2021), 661–666
Ю. Г. Рыков, “Технология использования нечетких когнитивных карт с математической точки зрения”, Препринты ИПМ им. М. В. Келдыша, 2021, 073, 22 с.
В. П. Осипов, Ю. Г. Рыков, Б. Н. Четверушкин, “Математические аспекты понятия влияния в концепции когнитивного моделирования”, Искусственный интеллект и принятие решений, 2021, № 2, 3–10; V. P. Osipov, Yu. G. Rykov, B. N. Chetverushkin, “Mathematical aspects of the concept of influence in the cognitive simulations”, 2022, no. 5, 350–355
Цитирование в формате AMSBIB
Обратная связь: