БАГАТОКРИТЕРІАЛЬНА ОПТИМІЗАЦІЯ ДЛЯ ВИБОРУ НАЙКРАЩОЇ КОНФІГУРАЦІЇ КОМП'ЮТЕРНИХ СИСТЕМ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.4.2.23Ключові слова:
генетичні алгоритми, багатокритеріальна оптимізація, штучний інтелект, конфігуратор, автоматизований підбір комплектуючих, бюджетні обмеження; сумісність.Анотація
Самостійна збірка комп’ютера є виправданою та вигідною стратегією для багатьох користувачів, дає значні переваги перед купівлею готової системи. Зокрема, це найкраща результативність витрат та економія, ідеальна адаптація до потреб користувача, можливість самому модернізувати, відремонтувати, здійснювати контроль якості комплектуючих. Допомогти самостійно зібрати комп’ютер можуть спеціалізовані рекомендаційні системи – онлайн-конфігуратори, які максимально дозволяють спростити та убезпечити процес підбору комплектуючих. Дана стаття присвячена розробці гібридної рекомендаційної системи, алгоритм роботи якої поєднує методи обробки природної мови, евристичний генетичний пошук та генеративні можливості нейромережевої моделі. На основі аналізу науково-технічної літератури формалізована задача підбору комплектуючих як задача багатокритеріальної оптимізації. Розв’язання даної задачі представлено за допомогою генетичного алгоритму. Завдяки генетичному алгоритму система здатна знайти близькі до оптимальних конфігурації із великого комбінаторного простору варіантів, а використання ChatGPT для генерації пояснень підвищує якість інтерпретації результатів для кінцевого користувача. У дослідженні представлена архітектура запропонованої методики автоматизованого підбору комплектуючих для комп’ютерних систем, яка складається з декількох взаємодіючих компонентів, а саме, користувацький інтерфейс, модуль обробки запитів природною мовою, оптимізаційний модуль (генетичний алгоритм), модуль генерації відповіді (на базі ChatGPT) та реляційна база даних компонентів. У статті подано основні кроки алгоритму конфігуратора, в кожному з яких описано початкові дані на вході і дані на виході. Результати дослідження можуть бути використані закладами вищої освіти та навчальними центрами для модернізації навчальних програм та підвищення якості підготовки фахівців у сфері програмної інженерії.
Посилання
Winarno, M. (2018). Design and development of computer specification recommendation system based on user budget with genetic algorithm. International Journal of New Media Technology, 5(1), 25–29. https://doi.org/10.31937/ijnmt.v5i1.814
Mishra, S., Bane, S., Pandit, R., & Phadnis, N. (2021). PC configuration and component recommendation system. International Journal of Computer Applications, 183(1), 5–8. https://doi.org/10.5120/ijca2021921411
Veres, O., Ilchuk, P., & Kots, O. (2023). Information system for analysis of hardware computer components. In Proceedings of the 2023 IEEE International Conference on Computer Science and Information Technologies (CSIT) (pp. 1–4). IEEE. https://doi.org/10.1109/CSIT61576.2023.10324147
Cooler Master. (n.d.). Power supply calculator. https://www.coolermaster.com/en-global/power-supply-calculator/
Ehrgott, M. (2008). Multiobjective optimization. AI Magazine, 29(1), 47–57. https://doi.org/10.1007/978-0-387-76635-5_6
Березький, О. М., Теслюк, В. М., Дубчак, Л. О., Мельник, Г. М., & Батько, Ю. М. (2022). Дослідження і проектування комп’ютерних систем та мереж: навчальний посібник. Тернопіль: ЗУНУ.
Rosenberg, R. S. (1970). Stimulation of genetic populations with biochemical properties: I. The model. Mathematical Biosciences, 7(3–4), 223–257. https://doi.org/10.1016/0025-5564(70)90126-4
Rosenberg, R. S. (1970). Simulation of genetic populations with biochemical properties: II. Selection of crossover probabilities. Mathematical Biosciences, 8(1–2), 1–37. https://doi.org/10.1016/0025-5564(70)90140-9
Mitchell, M. (1999). An introduction to genetic algorithms (5th printing). Cambridge, MA: MIT Press.
Katoch, S., Chauhan, S. S., & Kumar, V. (2021). A review on genetic algorithm: Past, present, and future. Multimedia Tools and Applications, 80(5), 8091–8126. https://doi.org/10.1007/s11042-020-10139-6
Пиріг, Я., Климаш, М., Пиріг, Ю., & Лаврів, О. (2023). Генетичний алгоритм як інструмент для вирішення задач оптимізації. Інформаційно-комунікаційні технології, електронна інженерія, 3(2), 95–107. https://doi.org/10.23939/ictee2023.02.095
Wang, Q. J. (1997). Using genetic algorithms to optimise model parameters. Environmental Modelling & Software, 12(1), 27–34. https://doi.org/10.1016/S1364-8152(96)00030-8
Shevchenko, S., Zhdanova, Y., & Bilous, M. (2025). Automation of class scheduling as a necessary condition for optimization of the functioning of an educational institution. In Technical, agricultural and mathematical sciences: Scientific trends, problems and ways of their development: Collective monograph (pp. 296–309). Boston: Primedia eLaunch. https://doi.org/10.46299/ISG.2025.MONO.TECH.2
Sineglazov, V., Ryazanovskiy, K., & Chumachenko, O. (2020). Multicriteria conditional optimization based on genetic algorithms. System Research and Information Technologies, 3(3), 89–104. https://doi.org/10.20535/SRIT.2308-8893.2020.3.07
OpenAI. (n.d.). Introducing ChatGPT. https://openai.com/index/chatgpt/
Резніченко, І. В., Негоденко, О. В., & Шевченко, С. М. (2024). Дослідження програмних та технічних засобів для реалізації технології віртуальної реальності. Зв’язок, 1(1). https://doi.org/10.31673/2412-9070.2024.014147
Westerfield, G., Mitrovic, A., & Billinghurst, M. (2015). Intelligent augmented reality training for motherboard assembly. International Journal of Artificial Intelligence in Education, 25(2), 157–172. https://doi.org/10.1007/s40593-014-0032-x
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
