ГІБРИДНА МОДЕЛЬ ОПТИМІЗАЦІЇ КЛАСТЕРИЗАЦІЇ ДЛЯ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

Анотація

У статті представлено комплексний підхід до оптимізації алгоритмів кластеризації в системах підтримки прийняття рішень (СППР) у середовищі великих даних. Проведено аналіз проблем масштабованості, обчислювальної складності та стабільності результатів, характерних для класичних методів K-Means, DBSCAN і Agglomerative Clustering. Запропоновано удосконалений гібридний алгоритм K-Means++ Hybrid, який поєднує механізми паралельних обчислень, адаптивного налаштування параметрів і динамічного контролю ітераційного пошуку. Методологічна основа дослідження базується на системному аналізі, математичному моделюванні та експериментальному тестуванні із використанням наборів даних UCI Repository і технологій GPU-прискорення (CUDA). Експериментальні результати підтверджують, що застосування запропонованого підходу дозволяє знизити час виконання кластеризації в середньому на ≈43% порівняно з базовими алгоритмами, підвищивши при цьому коефіцієнт силуету до 0,73 та зменшивши енергоспоживання процесора на 20–25%. Отримана модель забезпечує високу стійкість при роботі з гетерогенними наборами даних і може бути інтегрована в системи аналізу транспортних потоків, оцінювання фінансових ризиків та моніторингу екологічних параметрів. Розроблений підхід формує основу для побудови адаптивних модулів інтелектуального аналізу даних, які підтримують масштабування, інтерпретованість результатів і реальну роботу в потокових аналітичних системах. Подальші дослідження доцільно зосередити на поєднанні гібридної кластеризації з моделями глибинного навчання та методами оптимізації на базі еволюційних алгоритмів