МЕТОДЫ КОМБИНАТОРНЫХ ВЫЧИСЛЕНИЙ В ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЕ ГРУППОВЫХ ЗАКУПОК
Ключевые слова:
групповые закупки, комбинаторная оптимизация, математическая модель, интеллектуальная система, целочисленное программирование, электронная коммерция.Аннотация
В статье рассматривается подход к улучшению систем групповых закупок с применением комбинаторных вычислений. Основная идея заключается в том, что пользователь не должен быть ограничен только одной группой покупки, если для него подходят несколько предложений. Поэтому система подбирает такие комбинации групп, которые дают наибольшую общую выгоду и при этом учитывают бюджет, ограничения по товарам и минимальный размер группы. Задача формулируется как задача целочисленной оптимизации и проверяется на смоделированных рыночных сценариях. В экспериментах изменялись разнообразие предпочтений, количество пользователей и жесткость ограничений. Результаты показывают, что метод способен эффективно формировать допустимые группы и сохранять устойчивость при усложнении условий. Такой подход может быть полезен для платформ групповых закупок, которые стремятся точнее учитывать реальное поведение потребителей.
Библиографические ссылки
. Necula, Sabina-Cristiana & Pavaloaia, Vasile. (2023). AI-Driven Recommendations: A Systematic Review of the State of the Art in E-Commerce. Applied Sciences. 13. 5531. 10.3390/app13095531.
. Messaoudi, F., & Loukili, M. (2024). E-commerce personalized recommendations: A deep neural collaborative filtering approach. International Journal of Data Science and Analytics. https://doi.org/10.1007/s43069-023-00286-5.
. Kostopoulos, G., Stefani, A., Vasiliadis, V., & Kotsiantis, S. (2026). Deep learning for e-commerce: Recent developments in prediction, personalization and decision intelligence. Applied Sciences, 16(5), 2263. https://doi.org/10.3390/app16052263.
. Zhai, S., Liu, B., Yang, D., & Xiao, Y. (2022). Group buying recommendation model based on multi-task learning. arXiv. https://doi.org/10.48550/arXiv.2211.142477.
. Liu, S., Wang, H., Peng, W., & Yao, W. (2024). Surrogate-assisted evolutionary algorithms for expensive combinatorial optimization: A survey. Complex & Intelligent Systems, 10(4), 5933–5949. https://doi.org/10.1007/s40747-024-01465-5.
. Gasse, M., Cappart, Q., Charfreitag, J., Charlin, L., Chételat, D., Chmiela, A., … Zarpellon, G. (2022). The machine learning for combinatorial optimization competition (ML4CO): Results and insights. arXiv. https://doi.org/10.48550/arXiv.2203.02433
. Tsiotras, P., Gombolay, M., & Foerster, J. F. (2024). Decision-making and planning for multi-agent systems. Frontiers in Robotics and AI, 11, 1422344. https://doi.org/10.3389/frobt.2024.1422344
. Nanda, P., & Patnaik, S. (2023). A multi-agent coalition-based approach for order fulfilment in e-commerce. International Journal of Intelligent Systems and Applications, 15(2), 45–58. https://doi.org/10.5815/ijisa.2023.02.05.
. de Vries, S., & Vohra, R. V. (2003). Combinatorial auctions: A survey. INFORMS Journal on Computing, 15(3), 284–309. https://doi.org/10.1287/ijoc.15.3.284.16077.
. Basal, M., Saraç, E., & Özer, K. (2024). Dynamic pricing strategies using artificial intelligence algorithm. Open Journal of Applied Sciences, 14, 1963–1978. https://doi.org/10.4236/ojapps.2024.148128.
. Yesmagambetov D., Kussainova L., Junusbekova G. Digital tools for improving the efficiency of public procurement of works in the Republic of Kazakhstan // Public Policy & Administration. — 2022. — Vol 21, No. 4. — P. 395-406. https:// doi.org/10.13165/VPA-22-21-4-04.
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Венера Элле, Раиса Ускенбаева , Айжан Касымова , Жулдыз Кальпеева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
