A multivariate method of forecasting the nonlinear dynamics of production network based on multilayer neural models

Abstract

Розглянуто проектування виробничої мережі на основі багатошарових нейронних моделей. Проектування виробничої мережі має вирішальне значення, оскільки визначає оптимальне розміщення виробничих і логістичних потужностей, впливає на ефективність витрат, рівень обслуговування клієнтів та загальну конкурентоспроможність на світовому ринку. Багатошарові нейронні мережі відіграють важливу роль у цьому процесі, використовуючи передові алгоритми, моделі машинного навчання та методи оптимізації для аналізу величезної кількості даних. Зосереджено увагу на якісному аналізі динамічної поведінки, динамічної решітчастої моделі. Модель включає константи швидкості та початкові умови, що впливають на траєкторії моделі, які можна класифікувати як стабільний вузол, граничний цикл або хаотичний атрактор. Проблему якісної поведінки моделі прагнемо вирішити як проблему багатошарових нейронних моделей. Для побудови навчального набору даних використано багатоваріаційний метод прогнозування нелінійної динаміки. Проаналізовано та проведено порівняння нейромереж, які задані відповідними архітектурами, з лінійними та нелінійними виходами. В результаті аналізу виявлено, що архітектури з лінійними виходами демонструють кращу відповідність між очікуваними та прогнозованими значеннями. Архітектури з нелінійними виходами, незважаючи на свою складність, проявляють меншу точність та більше відхилення порівняно з лінійними. Найкращу точність показує одношарова архітектура з лінійними виходами, хоча двошарова архітектура з лінійними виходами має найменшу середньоквадратичну похибку. Архітектури з нелінійними виходами характеризуються швидшим часом навчання, але й поганою точністю, в той час як архітектури з лінійними виходами вимагають більше часу для навчання, але мають менші похибки. Отримані результати вказують на важливість вибору правильної архітектури нейронної мережі залежно від поставлених завдань та вимог до точності та часу навчання моделі

Design of production network based on multilayer neural models is considered in this paper. Design of production network is crucial because it determines the optimal location of production and logistics facilities, affects cost efficiency, customer service level and overall competitiveness in the global market. Multi-layer neural networks play an important role in this process, using advanced algorithms, machine learning models and optimization techniques to analyze huge amounts of data. Special attention is focused on qualitative analysis of dynamic behavior, dynamic lattice model. The model includes rate constants and initial conditions affecting the model trajectories, which can be classified as a stable site, limit cycle, or chaotic attractor. We aim to solve the problem of qualitative behavior of the model as a problem of multilayer neural models. A multivariate method of predicting nonlinear dynamics was used to construct the training data set. Neural networks defined by regenerative architectures with linear and non-linear outputs were analyzed and compared. As a result of the analysis, it was found that architectures with linear outputs show better correspondence between expected and predicted values. Architectures with non-linear outputs, despite their complexity, exhibit less accuracy and more deviation compared to linear ones. The single-layer architecture with linear outputs shows the best accuracy, although the two-layer architecture with linear outputs has the lowest rms error. Architectures with non-linear outputs have faster training times but poor accuracy, while architectures with linear outputs require more training time but have lower errors. The results obtained in the work indicate the importance of choosing the right architecture of the neural network depending on the tasks and requirements for accuracy and training time of the model