Схема розподіленого обчислення розв'язків у задачах колективного ранжування з використанням генетичного алгоритму

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2026.49(2).165-172

Ключові слова:

розподілені обчислення, генетичний алгоритм, задачі колективного ранжування альтернатив, експертне оцінювання, класичні методи голосування, алгоритм ближнього пошуку

Анотація

Дослідження присвячене розробці схем розподіленого обчислення компромісних розв'язків у задачах колективного ранжування з використанням модифікованого генетичного алгоритму. Сформульовано постановку задачі колективного ранжування альтернатив. Розглянуто галузі застосування задач колективного ранжування. Наведено класифікацію методів розв'язання задач колективного ранжування. Формалізовано постановку задачі визначення колективного упорядкування альтернатив. Обгрунтовано алгебраїчний метод визначення медіани ранжувань. Запропоновано модифікацію генетичного алгоритму з урахуванням особливостей задач ранжування. Розроблено розподілений генетичний алгоритм обчислення компромісного ранжування. Розглянуто острівну модель генетичного алгоритму для задач ранжування. Передбачено використання методу ближнього пошуку в задачах ранжування великої розмірності.

Спонсор дослідження

  • Дослідження було проведено без фінансової підтримки.

Біографії авторів

Г. М. Гнатієнко, Київський національний університет імені Тараса Шевченка

Заступник декана з наукової роботи факультету інформаційних технологій. Кандидат технiчних наук

О. Г. Гнатієнко, Київський національний університет імені Тараса Шевченка

Аспірант кафедри інформаційних систем та технологій

Посилання

  1. Hnatiienko, H. M., & Snytyuk, V. Ye. (2008). Expert Decision-Making Technologies: Monograph. Kyiv: Maklaut.
  2. Land, A. H., & Doig, A. G. (1960). An automatic method of solving discrete programming problems. Econometrica, 28(3), 497–520. https://doi.org/10.2307/1910129
  3. Laporte, G. (2025). A seminal contribution of Ailsa Land and Alison Doig Harcourt to the field of mathematical programming. Australian & New Zealand Journal of Statistics, 67(4), 463–471. https://doi.org/10.1111/anzs.12439
  4. Encz, K. I., Mastrolilli, M., & Vercesi, E. (2025). Branch-and-bound algorithms as polynomial-time approximation schemes. In Proceedings of the 52nd International Colloquium on Automata, Languages, and Programming (ICALP 2025). Dagstuhl, 334, 73:1–73:19. https://doi.org/10.4230/LIPIcs.ICALP.2025.73
  5. Guo, W., Vanhoucke, M., & Coelho, J. (2023). A prediction model for ranking branch-andbound procedures for the resource-constrained project scheduling problem. European Journal of Operational Research, 306(2), 579–595. https://doi.org/10.1016/j.ejor.2022.08.042
  6. Huang, Z., & et al. (2023). Branch ranking for efficient mixed-integer programming via offline ranking-based policy learning. In Amini M. R. et al. (eds.). Machine Learning and Knowledge Discovery in Databases. Cham: Springer, 13717. https://doi.org/10.1007/978-3-031-26419-1_23
  7. Mykhalevych, V. S. (1965). Sequential optimization algorithms and their application. Cybernetics, (1), 45–55.
  8. Mykhalevych, V. S. (1965). Sequential optimization algorithms and their application. Cybernetics, (2), 85–89.
  9. Hnatiienko, H. M. (2001). Sequential algorithms for finding a strict compromise ordering of objects in ranking problems. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics, (4), 218–225.
  10. Hnatiienko, H. M. (2005). Procedure of sequential analysis and elimination of alternatives considering acyclicity of the solution. Proceedings of Kirovohrad National Technical University, 16, 294–299.
  11. Voloshyn, O. F., & Mashchenko, S. O. (2018). Models and Methods of Decision Making: Textbook. 3rd ed., revised. Kyiv: Liudmyla Publishing House. Retrieved from https://elib.chdtu.edu.ua/e-books/4143
  12. Elkind, E., Faliszewski, P., & Slinko, A. (2015). Distance rationalization of voting rules. Social Choice and Welfare, 45(2), 345–377. https://doi.org/10.1007/s00355-015-0892-5
  13. Wu, Z., & Tu, J. (2021). Managing transitivity and consistency of preferences in AHP group decision making based on minimum modifications. Information Fusion, 67, 125–135. https://doi.org/10.1016/j.inffus.2020.10.012
  14. Hudry, O. (2013). Complexity of computing median linear orders and variants. Electronic Notes in Discrete Mathematics, 42, 57–64. https://doi.org/10.1016/j.endm.2013.05.146
  15. Hnatiienko, H., Tmienova, N., & Kruglov, A. (2021). Methods for determining the group ranking of alternatives for incomplete expert rankings. In Shkarlet S. et al. (eds.). Mathematical Modeling and Simulation of Systems. Cham: Springer, 1265, 217–226. https://doi.org/10.1007/978-3-030-58124-4_21
  16. Bury, H., & Wagner, D. (2007). Zastosowanie mediany Litvaka do wyznaczania oceny grupowej w przypadku wyste˛powania obiekt´ow r´ownowa˙znych. Studia i Materialy Polskiego Stowarzyszenia Zarza˛dzania Wiedza, 10, 19–34.
  17. Hnatiienko H., & et al. (2020). Greenhouse gas emission determination based on the pseudo-base matrix method for environmental pollution quotas between countries allocation problem. In Proceedings of the IEEE SAIC. Kyiv, 150–157. https://doi.org/10.1109/SAIC51296.2020.9239125
  18. Boz´oki, S., & Tsyganok, V. (2019). The (logarithmic) least squares optimality of the arithmetic (geometric) mean of weight vectors calculated from all spanning trees for incomplete pairwise comparison matrices. International Journal of General Systems, 48(4), 362–381. https://doi.org/10.1080/03081079.2019.1585432
  19. Snytyuk, V., & Tmienova, N. (2020). Method of deformed stars for global optimization. In Proceedings of the IEEE SAIC. Kyiv, 1–4. https://doi.org/10.1109/SAIC51296.2020.9239208
  20. Cook, W. D. (2006). Distance-based and ad hoc consensus models in ordinal preference ranking. European Journal of Operational Research, 172, 369–385.
  21. Amodio, S., D’Ambrosio, A., & Siciliano, R. (2015). Accurate algorithms for identifying the median ranking under the Kemeny approach. European Journal of Operational Research, 249, 667–676.
  22. Hnatiienko, H., & et al. (2022). Mathematical support of the task of determining the strategic directions of development and priorities of the organization. In CEUR Workshop Proceedings, 3347, 169–184.

##submission.downloads##

Опубліковано

2026-04-30

Як цитувати

Гнатієнко, Г. М., & Гнатієнко, О. Г. (2026). Схема розподіленого обчислення розв’язків у задачах колективного ранжування з використанням генетичного алгоритму. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 49(2), 165–172. https://doi.org/10.24144/2616-7700.2026.49(2).165-172

Номер

Том 49 № 2 (2026)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2026 Г. М. Гнатієнко, О. Г. Гнатієнко

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.