OPTIMIZATION OF PLANNING INNOVATIVE ACTIVITIES OF AN ENTERPRISE USING GENETIC ALGORITHMS AND NEURAL NETWORK FORECASTING OF THE COMPETITIVE ENVIRONMENT
DOI:
https://doi.org/10.25806/uu-5567Статья поступила в редакцию: 16.10.2025
Статья принята к публикации: 17.11.2025
Статья опубликована: 18.11.2025
Keywords:
innovation activity planning, optimization, genetic algorithm, neural network forecasting, competitive environment, artificial intelligence, project portfolio management, digitalization.Abstract
The article addresses the challenges of efficient resource allocation and the formation of an enterprise's innovation project portfolio under conditions of high uncertainty and a dynamic competitive environment. A hybrid optimization model has been developed and tested, integrating a neural network-based method for forecasting key competitors' actions and a genetic algorithm to identify a Pareto-optimal innovation investment plan. The effectiveness of the proposed approach was evaluated using simulation modeling for a real-sector enterprise.
The authors tackle the problem of making strategic management decisions in R&D, which had not been previously addressed comprehensively using a combination of the mentioned artificial intelligence methods to analyze the digital footprint of the competitive environment. This article will be relevant for industrial and high-tech enterprises facing difficulties in selecting priority areas for innovation development and assessing risks amid digital transformation. To address these issues, practical recommendations and algorithmic solutions have been developed to automate the process of forming and evaluating a balanced innovation portfolio.
The article explores modern approaches to optimizing innovation activity planning for enterprises in conditions of high uncertainty and a dynamic competitive environment. A hybrid model has been developed, integrating methods of neural network forecasting of competitor behavior with genetic algorithms for multi-criteria optimization of innovation project portfolios.
On the other hand, this article will be useful for top management and heads of R&D departments at modern enterprises engaged in strategic planning and seeking to enhance the competitiveness of their innovation activities through the use of data-driven technologies.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
References
Белослудцев Е.В., Николова Л.В. Оценка конкурентоспособности экономических систем с использованием самоорганизующихся нейронных сетей // π-Economy. 2011. № 2 (119). С. 230-232.
Бурнашев Р.Ф., Анварова Л.А. Применение нейронных сетей в автоматическом переводе и обработке естественного языка // Universum: технические науки. 2024. № 4 (121). С. 39-43.
Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям: учебное пособие. Университет ИТМО, 2018. 71 с.
Воронков А.М. Нейронные сети в прогнозной аналитике: повышение эффективности принятия инвестиционных решений // Вестник науки. 2024. № 4 (73). С. 51-58.
Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и их приложения: учебное пособие. Издательство Казанского университета, 2018. 121с.
Гайфулина Д.А., Котенко И.В. Анализ моделей глубокого обучения для задач обнаружения сетевых аномалий интернета вещей // Информационно-управляющие системы. 2021. № 1 (110). С. 28-37.
Гуляев П.А., Елистратова, Е.А., Коновалов, В.П., Куратов, Ю.М., Пугачев Л.П., Бурцев М.С. Отслеживание состояния целеориентированного диалога на основе БЕРТ // Труды МФТИ. 2021. № 3 (51). С. 48-61.
Данилов В.В. Нейронные сети: учебное пособие. ГОУ ВПО «Донецкий национальный университет», 2020. 158 с.
Дауб И.С. Обзор методов прогнозирования временных рядов с помощью искусственных нейронных сетей // StudNet. 2020. № 10.
Жусип М.Н., Жаксыбаев Д.О. Сравнение чат-ботов с использованием трансформеров и нейросетей: исследование применения архитектур GPT И BERT // Вестник науки. 2024. № 9 (78). С. 287-290.
Жусип М.Н., Жаксыбаев Д.О. Разработка мультимодальных чат-ботов: текст, голос и визуальные данные // Вестник науки. 2024. № 9 (78). С. 283-286.
Кабанова В.В., Логунова О.С. Применение искусственного интеллекта при работе с мультимедийной информацией // Вестник Череповецкого государственного университета. 2022. № 6 (111). С. 23-41.
Калик М.А., Дайнеко А.С., Драгун К.В. Обзор некоторых разновидностей нейронных сетей // Столыпинский вестник. 2023. № 11. С. 5516-5521.
Константинова Л.В., Ворожихин В.В., Петров А.М., Титова Е.С., Штыхно Д.А. Генеративный искусственный интеллект в образовании: дискуссии и прогнозы // Открытое образование. 2023. № 2. С. 36-48.
Куратов Ю.М., Юсупов И.Ф., Баймурзина Д.Р., Кузнецов Д.П., Чернявский Д.В., Дмитриевский А., Ермакова Е.С., Игнатов Ф.С., Карпов Д.А., Корнев Д.А., Ле Т.А., Пугин П.Ю., Бурцев М.С. Диалоговая система DREAM в конкурсе ALEXA PRIZE CHALLENGE 2019 // Труды МФТИ. 2021. № 3 (51). С. 62-89.
Салып Б.Ю., Смирнов А.А. Анализ модели bert как инструмента определения меры смысловой близости предложений естественного языка // StudNet. 2022. № 5. С. 3509-3518.
Савина С.А., Рюмшин А.В., Фомин А.В. Методика расчета эффективности внедрения реверсивных нейронных сетей в деятельность организации с целью анализа данных // Управленческий учет. 2025. № 6. С. 79-85.
Терехова Е.С., Пучкова Н.Н., Новикова Л.В. Анализ востребованности использования нейросетей для решения учебных задач // Концепт. 2024. № 8. С. 1-17.
Шуршев Т.В., Хоменко Т.В. Разработка системы интеллектуальной поддержки принятия решений на основе сверточной нейронной сети // XXI век: итоги прошлого и проблемы настоящего плюс. 2024. № 1 (65). Т. 13.
