https://ir.lib.vntu.edu.ua//handle/123456789/35080 2026-04-10T15:21:23Z https://ir.lib.vntu.edu.ua//handle/123456789/51083 Інформаційна технологія вибору оптимального інструментального середовища для веб-розробки Денисюк, В. О.; Сторожук, А. С.; Denysiuk, V.; Storozhuk, A. The paper addresses a scientific and practical problem of selecting an optimal web development tool environment under conditions of rapid technological evolution and increasing complexity of software projects. Modern web engineering is characterized by continuous emergence of new programming languages, frameworks, content management systems, containerization tools, cloud platforms, and automation technologies. The wide variety of available alternatives significantly complicates the decision-making process and increases the risk of subjective, fragmented, or non-reproducible technology stack selection. The study substantiates the necessity of a knowledge-oriented approach for formalizing the domain of web development. The aim of the research is to develop an information technology for selecting an optimal tool environment based on an ontological knowledge base and a recommendation-based decision-support mechanism. The research methodology includes system analysis, ontological modeling, logical inference, and multi-criteria optimization methods. An ontological domain model is developed to formally represent project types, functional and non-functional requirements, constraints, tool properties, compatibility relations, and contextual factors. A recommendation method is proposed that integrates logical filtering of feasible alternatives according to hard constraints with subsequent multi-criteria ranking based on weighted evaluation criteria. The architecture of the proposed recommendation intelligent system includes a knowledge base, an inference engine, a ranking module, and an explanation component ensuring transparency and interpretability of decisions. A model scenario demonstrates that the proposed approach ensures reproducibility of tool selection, reduces decision-making time, and improves the justification and consistency of technological choices. The scientific novelty lies in integrating ontology-based knowledge representation with quantitative multi-criteria evaluation within a unified decision-support information technology framework for web development tool environment selection.; У статті розглянуто науково-практичну проблему вибору оптимального інструментального середовища для веб-розробки в умовах швидкої еволюції технологічних екосистем та зростання складності програмних проєктів. Показано, що сучасна веб-інженерія характеризується високою динамічністю розвитку, появою нових мов програмування, фреймворків, систем керування вмістом, засобів контейнеризації, хмарних платформ та інструментів автоматизації. Значна кількість альтернатив ускладнює процес прийняття технологічних рішень і підвищує ризик суб`єктивного або фрагментарного формування технологічного стеку. Обґрунтовано доцільність використання знання-орієнтованого підходу до формалізації предметної області веб-розробки. Метою роботи є розроблення інформаційної технології вибору оптимального інструментального середовища на основі онтологічної бази знань і рекомендаційного механізму підтримки прийняття рішень. У дослідженні використано методи системного аналізу, онтологічного моделювання, логічного виводу та багатокритеріальної оптимізації. Розроблено онтологічну модель предметної області, яка формалізує типи веб-проєктів, функціональні та нефункціональні вимоги, ресурсні обмеження, характеристики інструментів і взаємозв`язки між ними. Запропоновано метод формування рекомендацій, що включає логічний відбір допустимих альтернатив за пороговими вимогами та їх подальше багатокритеріальне ранжування з використанням вагових коефіцієнтів. Представлено архітектуру рекомендаційної інтелектуальної системи з модулем пояснення отриманих результатів 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51079 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 https://ir.lib.vntu.edu.ua//handle/123456789/51074 Інформаційна технологія предиктивної та прескриптивної аналітики для оптимізації виробничого планування Шевчук, О. Ф.; Козловський, А. В.; Паночишин, Ю. М.; Сімончук, С. В.; Бондар, М. Я.; Shevchuk, O.; Kozlovskyi, A.; Panochyshyn, Yu.; Simonchuk, S.; Bondar, M. The article addresses a relevant scientific and applied problem of improving the efficiency of production planning under demand uncertainty and resource constraints. An integrated approach to decision support is proposed, combining predictive and prescriptive analytics methods within a unified software solution. The architecture of the information technology system was developed to ensure an automated transition from demand forecasting to the formulation of an optimal production plan. A hybrid approach to demand forecasting was implemented, based on the parallel use of statistical ARIMA models and the Random Forest ensemble algorithm. To enhance forecasting accuracy, advanced feature engineering mechanisms were applied, taking into account temporal dependencies as well as exogenous factors, including marketing promotions and calendar events. The selection of the optimal model is performed automatically based on the Mean Absolute Percentage Error (MAPE) metric. A mathematical model for production plan optimization was developed, formulated as a linear programming problem, which considers production costs, inventory holding costs, shortage penalties, and capacity constraints. The integration of forecasted demand into the optimization model allows the implementation of prescriptive analytics concepts and ensures the generation of economically justified managerial decisions. Experimental validation of the proposed approach was conducted using realworld retail network data. The results demonstrated that the use of ensemble machine learning methods ensures a Mean Absolute Percentage Error below 9%. Applying the optimization model provides a reduction of total enterprise costs by 14.5% compared to traditional planning approaches. The practical significance of this work lies in the possibility of using the developed software application as a decision support tool for small and medium-sized enterprises. Future research directions include extending the model to multi-product systems, accounting for stochastic demand, and applying deep learning methods.; У статті розглянуто актуальну науково-прикладну задачу підвищення ефективності виробничого планування в умовах невизначеності попиту та обмеженості ресурсів. Запропоновано інтегрований підхід до підтримки прийняття рішень, який поєднує методи предиктивної та прескриптивної аналітики в межах єдиного програмного рішення. Розроблено архітектуру інформаційної технології, що забезпечує автоматизований перехід від прогнозування попиту до формування оптимального виробничого плану. У роботі реалізовано гібридний підхід до прогнозування попиту, який базується на паралельному використанні статистичних моделей ARIMA та ансамблевого алгоритму Random Forest. Для підвищення точності прогнозування застосовано механізми розширеного формування ознак, що враховують як часові залежності, так і вплив екзогенних факторів, зокрема маркетингових акцій і календарних подій. Вибір оптимальної моделі здійснюється автоматично на основі метрики середньої абсолютної відсоткової похибки. Розроблено математичну модель оптимізації виробничого плану, сформульовану як задачу лінійного програмування, яка враховує витрати на виробництво, зберігання запасів та дефіцит продукції, а також обмеження виробничих потужностей. Інтеграція прогнозованого попиту у модель оптимізації дозволяє реалізувати концепцію прескриптивної аналітики та забезпечує формування економічно обґрунтованих управлінських рішень. Експериментальна верифікація запропонованого підходу проведена на реальних даних роздрібної мережі. Отримані результати показали, що використання ансамблевих методів машинного навчання забезпечує середню абсолютну відсоткову похибку прогнозування на рівні менше 9%. Застосування оптимізаційної моделі забезпечує зниження сукупних витрат підприємства на 14,5% порівняно з традиційними підходами до планування. Практичне значення роботи полягає у можливості використання розробленого програмного застосунку як інструменту підтримки прийняття рішень для підприємств малого та середнього бізнесу. Перспективи подальших досліджень пов’язані з розширенням моделі на багатопродуктові системи, врахуванням стохастичності попиту та застосуванням методів глибинного навчання. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/50991 Виявлення підозрілої активності в системах єдиного входу з урахуванням режиму спільного доступу Куцак, Д. С.; Арсенюк, І. Р.; Arseniyk, I. R. 2025-01-01T00:00:00Z