УДК 004
DOI: 10.36871/ek.up.p.r.2026.05.09.029

Авторы

Райхан Вахаевна Юсупова,
Висаит Вахаевич Юсупов,
Грозненский государственный нефтяной технический университет имени М.Д. Миллионщикова, Грозный, Россия

Аннотация

В статье исследуются современные интеллектуальные методы анализа и оптимизации вычислительных процессов в информационных системах, функционирующих в условиях высокой динамичности и неопределённости. Актуальность исследования обусловлена стремительным усложнением архитектуры информационных систем, ростом объёмов обрабатываемых данных и ужесточением требований к скорости и качеству вычислительных операций. Традиционные методы планирования и распределения ресурсов, основанные на статических правилах и эвристиках, демонстрируют недостаточную эффективность при работе с гетерогенными вычислительными средами, динамически изменяющимися рабочими нагрузками и многокритериальными требованиями к качеству обслуживания. Цель работы – систематизация современных интеллектуальных подходов к анализу и оптимизации вычислительных процессов, а также разработка рекомендаций по их практическому применению в различных классах информационных систем. Методологическая база исследования включает анализ литературы по методам машинного обучения, глубокого обучения и обучения с подкреплением, применяемым в задачах планирования вычислительных ресурсов.

Ключевые слова

вычислительные процессы, оптимизация, машинное обучение, обучение с подкреплением, планирование задач

Список литературы

  1. Божовский В.А., Клим Г.В. Проектирование и реализация интеллектуальной поисковой системы на основе нейронных сетей // Электроника и информационные технологии. – 2025. – Т. 30, № 1.
  2. Лютикова Л.А. Гибридная интерпретируемая модель классификации речевых актов для анализа исторических текстов XIX – начала XX века // Историческая информатика. – 2025. – № 4. – С. 103–114.
  3. Интеллектуальные методы оптимизации вычислительных процессов: обзор и перспективы // Информационные технологии. – 2024. – № 6.
  4. Смирнов А.В., Кузнецов Д.А. Использование методов машинного обучения для балансировки нагрузки в распределённых вычислительных системах // Программная инженерия. – 2023. – № 4. – С. 32–40.
  5. Лютикова Л.А. Гибридная интерпретируемая модель классификации речевых актов для анализа исторических текстов XIX – начала XX века // Историческая информатика. – 2025. – № 4. – С. 103–114.
  6. Часовских А.А., Половников В.С., Хусаенов А.А. [и др.] Методы автоматизации поиска архитектур искусственных нейронных сетей // Интеллектуальные системы. Теория и приложения. – 2023. – Т. 27, № 4. – С. 5–27.
  7. Михайлов П.И., Волкова Е.А. Оптимизация вычислительных процессов в гетерогенных средах с использованием методов глубокого обучения с подкреплением // Вычислительные методы и программирование. – 2024. – Т. 25, № 3. – С. 256–270.
  8. Часовских А.А., Половников В.С., Хусаенов А.А. [и др.] Поиск архитектуры нейронных сетей с использованием больших языковых моделей // Интеллектуальные системы. Теория и приложения. – 2023. – Т. 27, № 4. – С. 5–27.
  9. Божовский В.А., Клим Г.В. Проектирование интеллектуальных поисковых систем на основе нейросетевых технологий // Электроника и информационные технологии. – 2025. – Вып. 30.
  10. Часовских А.А., Половников В.С., Хусаенов А.А. [и др.] Автоматизация поиска архитектур искусственных нейронных сетей // Интеллектуальные системы. Теория и приложения. – 2023. – Т. 27, № 4. – С. 5–27.