Модель алгоритму багатокритеріального сортування даних з їх динамічно-наслідковим обмеженням переміщень
Анотація
Багатокритеріальне сортування структурованих даних із збереженням часткового порядку сортування та стабільності їх впорядкування є ключовим завданням у сучасних аналітичних системах, що застосовують в електронній комерції, рекомендаційних сервісах, медичних платформах, системах управління персоналом, логістиці, освітніх платформах, фінансових аналітичних системах й обробленні великих обсягів структурованих даних для прийняття рішень. У дослідженні розроблено інноваційну модель алгоритму динамічно-наслідкового сортування даних, що забезпечує гнучкість ранжування даних різних типів. Алгоритм базується на модифікованій версії Selection Sort, він гарантує стабільність впорядкування структурованих даних за основними критеріями навіть за впливу другорядних факторів, завдяки чіткому визначенню меж динамічного переміщення структурованих даних з урахуванням ієрархії критеріїв у процесі ранжування даних. Досліджено вплив параметра переміщення структурованих даних на збереження часткового порядку та обмеження переміщень об'єктів у масивах даних різних типів, враховуючи числові і гібридні їхні набори. Встановлено, що створений алгоритм забезпечує ефективне зменшення переміщень структурованих даних, зберігаючи стабільність їх ранжування в умовах динамічних змін пріоритетів критеріїв. Виявлено кореляцію між кількістю критеріїв і рівнем стабільності, що сприяє оптимізації процедури сортування даних для різних прикладних завдань. Підтверджено переваги розробленого алгоритму над алгоритмами Multi-Key Sort, Weighted Score Sort і ELECTRE за адаптивністю, інтерпретованістю і стабільністю. Гнучке налаштування пріоритетів критеріїв робить можливим адаптувати алгоритм до специфічних вимог таких завдань, як ранжування даних товарів, оцінка медичних даних, оптимізація логістичних процесів чи аналіз освітніх показників. Розроблена модель алгоритму є релевантною для аналітичних систем, які потребують адаптивного, контрольованого та інтерпретованого ранжування даних, і відкриває перспективи для подальшої оптимізації в завданнях оброблення великих обсягів даних, інтеграції в системи реального часу, масштабування для високонавантажених платформ, а також адаптації до унікальних вимог прикладних доменів, таких як персоналізовані рекомендації, автоматизоване прийняття рішень чи аналіз фінансових ризиків.
Завантаження
Посилання
Abdulla, A., & Baryannis, G. (2024). A hybrid multi-criteria decision-making and machine learning approach for explainable supplier selection. Supply Chain Analytics, 2, article ID 100074. https://doi.org/10.1016/j.sca.2024.100074
Alvarez, P. A., Ishizaka, A., & Martinez, L. (2021). Multiple-criteria decision-making sorting methods: A survey. Expert Systems with Applications, 183, article ID 115368. https://doi.org/10.1016/j.eswa.2021.115368
Belahcène, K., Mousseau, V., Ouerdane, W., Pirlot, M., & Sobrie, O. (2023). Multiple criteria sorting models and methods. Part I: Survey of the literature. 4OR, 21(1), 1–31. https://doi.org/10.1007/s10288-022-00530-4
Ben Amor, S., Belaid, F., Benkraiem, R., Ramdani, B., & Guesmi, K. (2023). Multi-criteria classification, sorting, and clustering: A bibliometric review and research agenda. Annals of Operations Research, 325(2), 771–793. https://doi.org/10.1007/s10479-022-04986-9
Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2022). Introduction to Algorithms (4th ed.). MIT Press. URL: https://mitpress.mit.edu/9780262046305/introduction-to-algorithms
Greco, S., Ishizaka, A., Tasiou, M., & Torrisi, G. (2021). The ordinal input for cardinal output approach of non-compensatory composite indicators: The PROMETHEE scoring method. European Journal of Operational Research, 288(1), 225–246. https://doi.org/10.1016/j.ejor.2020.05.036
He, R., & McAuley, J. (2016). Ups and downs: Modeling the visual evolution of fashion trends with one-class collaborative filtering. Proceedings of the 25th International Conference on World Wide Web, pp. 507–517. https://doi.org/10.1145/2872427.2883037
Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
Ishizaka, A., & Resce, G. (2021). Best-Worst PROMETHEE method for evaluating school performance in the OECDs PISA project. Socio-Economic Planning Sciences, 73, article ID 100799. https://doi.org/10.1016/j.seps.2020.100799
Johnson, A. E. W., Pollard, T. J., Shen, L., Lehman, L. H., Feng, M., Ghassemi, M., Moody, B., Szolovits, P., Celi, L. A., & Mark, R. G. (2016). MIMIC-III, a freely accessible critical care database. Scientific Data, 3, article ID 160035. https://doi.org/10.1038/sdata.2016.35
Kadziński, M., & Ciomek, K. (2021). Active learning strategies for interactive elicitation of assignment examples for threshold-based multiple criteria sorting. European Journal of Operational Research, 293(2), 658–680. https://doi.org/10.1016/j.ejor.2020.12.055
Li, T., Sun, J., & Fei, L. (2025). Application of multiple-criteria decision-making technology in emergency decision-making: Uncertainty, heterogeneity, dynamicity, and interaction. Mathematics, 13(5), article ID 731. https://doi.org/10.3390/math13050731
Li, Y., Guo, M., Kadziński, M., Zhang, Q., & Xu, C. (2025). Data-driven preference learning methods for sorting problems with multiple temporal criteria. European Journal of Operational Research, 323(3), 918–937. https://doi.org/10.1016/j.ejor.2024.12.020
Liao, H., Wu, X., & Xu, Z. (2020). DNMA: A double normalization-based multiple aggregation method for multi-expert multi-criteria decision making. Omega, 94, article ID 102058. https://doi.org/10.1016/j.omega.2019.04.001
Liao, H., Xiao, Y., & Wu, Z. (2024). A review of multiple criteria sorting methods: Bibliometrics, characteristics, applications and prospects. Journal of Control and Decision, 11(4), 1–13. https://doi.org/10.1080/23307706.2023.2296120
Liu, J., Kadziński, M., Liao, X., & Mao, X. (2020). Data-driven preference learning methods for value-driven multiple criteria sorting with interacting criteria. INFORMS Journal on Computing, 32(4), 855–873. https://doi.org/10.1287/ijoc.2020.0977
Maloku, F., & Maloku, B. (2024). Analyzing IBM HR data: Employee attrition and performance insights. Journal of Engineering and Applied Sciences Technology, 6(8), 1–10. https://doi.org/10.47363/JEAST/2024(6)268
Tian, Z., Xu, F., & Nie, R. (2024). An adaptive consensus model for multi-criteria sorting under linguistic distribution group decision making. Information Fusion, 108, article ID 102406. https://doi.org/10.1016/j.inffus.2024.102406
Zainal Abidin, M. N. A., Bazin, N. E. N., Zebari, D. A., & Rahmat, A. N. (2024). Inventory categorization using multiple criteria classification. Journal of Soft Computing and Decision Support Systems, 11(3), 1–10. https://doi.org/10.37934/jscdm.11.3.110
Zhang, Z., Li, Z., & Yu, W. (2025). Lexicographic optimization-based approaches to learning a representative model for multi-criteria sorting with non-monotonic criteria. Computers & Operations Research, 175, article ID 106917. https://doi.org/10.1016/j.cor.2024.106917
