Журнал публiкує статтi, якi мiстять новi теоретичнi та практичнi результати в галузі технiчних наук. Публiкуються також огляди сучасного стану розробки важливих наукових проблем, матеріали міжнародних науково-технічних конференцiй, якi вiдбулися у ВНТУ https://ir.lib.vntu.edu.ua//handle/123456789/2041 2026-04-07T07:00:36Z 2026-04-07T07:00:36Z Шевчук, О. Ф. Козловський, А. В. Паночишин, Ю. М. Сімончук, С. В. Пяста, М. В. Shevchuck, O. Kozlovsky, A. Panochyshyn, Y. Simonchuk, S. https://ir.lib.vntu.edu.ua//handle/123456789/51079 2026-04-06T12:53:42Z 2026-01-01T00:00:00Z

Порівняльний аналіз методів кластеризації маршрутів доставки з обмеженою вантажопідйомністю на основі імітаційних датасетів Шевчук, О. Ф.; Козловський, А. В.; Паночишин, Ю. М.; Сімончук, С. В.; Пяста, М. В.; Shevchuck, O.; Kozlovsky, A.; Panochyshyn, Y.; Simonchuk, S. Статтю присвячено порівняльному аналізу найвідоміших методів кластеризації маршрутів доставки (K-means, Sweep та Clarke–Wright) з обмеженою вантажопідйомністю транспортних засобів на основі імітаційних сценарних датасетів: Uniform (рівномірний розподіл пунктів доставки), Clustered (мережа, що імітує скупченість торговельних точок у спальних районах міста), Mixture (комбінована мережа з кластерами та окремими віддаленими пунктами доставки). Для маршрутизації усередині кластерів малої розмірності застосовано точний алгоритм динамічного програмування Held–Karp та евристичний алгоритм найближчого сусіда з подальшою оптимізацією 2-opt для великих наборів даних. Результати числових експериментів показали, що для Uniform-датасету всі алгоритми демонструють порівнянні показники щодо приросту довжини маршруту після кластеризації. Для Clustered- та Mixture-датасетів виявлено значні відмінності: алгоритм Clarke–Wright забезпечує мінімальний приріст довжини маршруту та високий рівень завантаження транспортних засобів, метод Sweep демонструє помірну ефективність, а K-means у складних сценаріях призводить до істотного збільшення довжини маршрутів і кількості задіяних транспортних засобів. Час виконання алгоритмів залишається прийнятним для задач середньої розмірності, при цьому K-means забезпечує найвищу швидкодію, але ціною втрати контролю над балансом навантаження. Проведене дослідження підтверджує, що запропонована методика є ефективним інструментом оцінювання алгоритмів кластеризації маршрутів доставки в умовах обмеженої вантажопідйомності та різної просторової структури пунктів доставки. Вона дозволяє не лише порівнювати продуктивність алгоритмів, а й обґрунтовано обирати найбільш доцільні методи для конкретних логістичних сценаріїв. Подальші дослідження можуть бути спрямовані на удосконалення наявних алгоритмів шляхом інтеграції динамічних обмежень, аналізу великих та географічно складних мереж, а також застосування гібридних методів, що комбінують переваги кількох кластеризаційних підходів для підвищення економічної ефективності та зменшення операційних витрат.

2026-01-01T00:00:00Z Бондаренко, І. О. Катаєв, В. С. Павловський, П. В. Гуменюк, В. В. Гладка, В. Bondarenko, I. Kataiev, V. Pavlovskiy, P. https://ir.lib.vntu.edu.ua//handle/123456789/51069 2026-04-01T12:43:08Z 2026-01-01T00:00:00Z

Захищена система оцінювання знань із мультимодальним моніторингом та модулем автоматизованого прийняття рішень Бондаренко, І. О.; Катаєв, В. С.; Павловський, П. В.; Гуменюк, В. В.; Гладка, В.; Bondarenko, I.; Kataiev, V.; Pavlovskiy, P. У статті досліджено проблему забезпечення об`єктивності та надійності контролю знань у сучасних освітніх середовищах. Автори запропонували вдосконалену модель оцінювання, що поєднує механізми моніторингу дій користувача з технологіями відстеження рухів  та погляду. Ці технології дозволяють автоматично виявляти порушення, наприклад, відведення погляду під час відповідей або зайві рухи, що можуть вказувати на використання сторонніх джерел під час онлайн-іспиту. Актуальність дослідження зумовлена зростанням популярності дистанційного навчання та пов`язаною через це проблемою порушення академічної доброчесності, що загрожує достовірності та надійності онлайн-іспитів. У зв`язку з цим, авторами запропонована модель системи, яка інтегрує мультимодальний моніторинг із процесом тестування. Ця модель забезпечує можливість виявляти підозрілі дії в режимі реального часу та автоматично мінімізувати їхній вплив на результати оцінювання. Використання відповідних інструментів забезпечує відстеження дій користувача під час складання іспиту й своєчасне реагування на можливі порушення академічної доброчесності. Такий підхід передбачає комплексне застосування засобів моніторингу, аналізу поведінкових показників і використання модуля автоматизованого прийняття рішень. Розроблена структурно-функціональна модель системи поєднує модуль тестування з підсистемою поведінкового моніторингу в режимі реального часу. Запропонований алгоритм оброблення поведінкових індикаторів дає змогу виявляти аномальні закономірності в діях користувачів, визначати потенційний рівень їхньої підозрілості та автоматично реагувати на несанкціоновані дії під час онлайн-іспитів. Модуль автоматизованого прийняття рішень виконує багатокритеріальний аналіз характеристик поведінки користувачів, ураховуючи інтенсивність, тривалість, частоту та контекст їхніх дій. На основі цього аналізу система класифікує поведінку за рівнем ризику та ініціює відповідні дії реагування – від звичайного журналювання подій до блокування тестування й надсилання сповіщення про порушення адміністратору для подальшого аналізу.

2026-01-01T00:00:00Z Карпінець, В. В. Присяжний, Д. П. Безпалий, К. В. Білоус, В. М. Тельнік, Д. В. Karpinets, V. Prysiazhnyi, D. Bezpalyi, K. Bilous, V. https://ir.lib.vntu.edu.ua//handle/123456789/51068 2026-04-01T12:51:31Z 2026-01-01T00:00:00Z

Удосконалений підхід до формування стеганоконтейнерів із застосуванням штучного інтелекту Карпінець, В. В.; Присяжний, Д. П.; Безпалий, К. В.; Білоус, В. М.; Тельнік, Д. В.; Karpinets, V.; Prysiazhnyi, D.; Bezpalyi, K.; Bilous, V. Роботу присвячено підвищенню стійкості стеганографічних систем до пасивних атак шляхом удосконалення підходу до формування стеганоконтейнерів. Актуальність дослідження зумовлена тим, що більшість наявних методів приховування даних використовують готові цифрові зображення, статистичні характеристики яких не враховують подальше вбудовування інформації. У результаті модифікація частотних коефіцієнтів може призводити до появи аномалій, що виявляються сучасними засобами стеганоаналізу. Особливо це стосується випадків, коли структура текстурних зон зображення є нерівномірною або має недостатній рівень інформаційної надлишковості. У роботі запропоновано підхід, що передбачає попередній синтез зображення-контейнера із заданими властивостями з подальшим вбудовуванням у нього секретних даних. Для генерації адаптивних носіїв використано можливості системи штучного інтелекту Midjourney. Формування контейнера здійснюється на основі підготовлених запитів, які дозволяють керувати складністю текстури, рівнем деталізації, контрастністю та загальним характером частотного розподілу. Такий підхід дає змогу отримувати зображення, структура яких є більш придатною для приховування інформації без суттєвого порушення природних статистичних закономірностей. Вбудовування даних реалізовано за методом Коха-Жао з використанням дискретного косинусного перетворення. Процес передбачає поділ зображення на блоки, перехід до частотної області та модифікацію відносної різниці середньочастотних коефіцієнтів. Вибір саме цієї області обумовлений компромісом між непомітністю змін і стійкістю до JPEG-компресії. При цьому враховуються особливості зорової системи людини, зокрема знижена чутливість до спотворень у текстурованих ділянках та ефекти просторового маскування. Експериментальні дослідження включали порівняння запропонованого підходу з традиційним вбудовуванням у випадково обрані зображення. Оцінювання проводилося за показниками візуальної якості, аналізом піксельної структури та дослідженням частотних характеристик. Отримані результати свідчать про зменшення статистичних відхилень і підвищення стійкості до пасивного виявлення за збереження прийнятного рівня візуальної якості.

2026-01-01T00:00:00Z Мельник, О. В. Melnik, O. V. https://ir.lib.vntu.edu.ua//handle/123456789/51059 2026-04-01T13:50:23Z 2026-01-01T00:00:00Z

Застосування інструментів ШІ під час проходження виробничої практики студентами спеціальності інженерія програмного забезпечення Мельник, О. В.; Melnik, O. V. В статті розглянуто основні аспекти застосування інструментів штучного інтелекту під час проходження виробничої практики студентами спеціальності інженерія програмного забезпечення. Використання ШІ в освіті класифікується за такими напрямками: використання студентами для освоєння знань, використання викладачами для підготовки навчальних матеріалів і перевірки виконання, використання для адміністрування освітнього процесу. Виробнича практика передбачає формування здатності систематично розширювати свої знання та творчо застосовувати їх у практичній діяльності, формування у здобувачів вищої освіти професійних умінь і навичок для прийняття самостійних рішень у процесі подальшої професійної діяльності, сприяння оволодінню здобувачами вищої освіти сучасними технологіями та формами організації праці у сфері програмної інженерії. Такі вміння і навички формуються з все більшим застосуванням штучного інтелекту як для підготовки звітів з виробничої практики, так і для безпосереднього виконання самої роботи – розробки програмного забезпечення. Аналізуючи завдання на виробничу практику можна відзначити, що ініціатива роботодавців щодо застосування інструментів ШІ у завданнях на практику в великій мірі зосереджена на впровадженні у робочий процес Агентів ШІ. Хоча дослідження впливу ШІ на навчання та освіту у 2025 році виявило різке зниження рівня самостійної перевірки результатів роботи штучного інтелекту, однак для проходження виробничої практики застосування ШІ позитивно вплинуло на швидкість і об`єми практичних завдань виконуваних студентами. Переважна більшість студентів, які походили практику у 2025 році використовувала ШІ як для підготовки звітів так і безпосередньо для виконання практичних завдань на базах практики. Застосування інструментів штучного інтелекту під час проходження виробничої практики студентами спеціальності інженерія програмного забезпечення ШІ активно і масово використовується як для підготовки звітів так і в реалізації завдань для розробки програмних продуктів. Тенденція що спостерігалась останні три роки показує подальше збільшення використання генеративного штучного інтелекту для розробки програмних продуктів на таких безкоштовних платформах для розробки Агентів ШІ як платформи CrewAI, AutoGen, LangChain, Vertex AI, Cogniflow.

2026-01-01T00:00:00Z