РОЗРОБКА ВЕБ-ДОДАТКУ ДЛЯ УПРАВЛІННЯ ЗАДАЧАМИ З РЕАЛІЗАЦІЄЮ АЛГОРИТМІВ ПРІОРИТИЗАЦІЇ ТА СОРТУВАННЯ
DOI:
https://doi.org/10.32689/maup.it.2025.4.2Ключові слова:
веб-додаток, пріоритезація задач, багатокритеріальна модель, React, Zustand, адаптивний алгоритм, штучний інтелектАнотація
Стаття присвячена розробленню веб-додатку для управління задачами з реалізацією інтелектуальних алгоритмів пріоритизації та сортування, що ґрунтуються на багатокритеріальному аналізі. Метою дослідження є створення адаптивної системи, яка автоматично визначає порядок виконання завдань, зменшуючи когнітивне навантаження користувача та підвищуючи ефективність планування. У роботі застосовано методи багатокритеріальної оптимізації (MCDM), когнітивного моделювання та поведінкової аналітики. Алгоритм формує інтегральний індекс пріоритету на основі 20 критеріїв – часових, поведінкових, контекстних і мотиваційних. Для кожного критерію використовується нормалізація (лінійна або сигмоїдна), після чого виконується зважене агрегування. Система має механізм адаптації вагових коефіцієнтів залежно від дій користувача. Реалізацію алгоритму здійснено у середовищі React із використанням бібліотеки Zustand для управління станом і Local Storage для збереження даних. Тестування проводилося на контрольних наборах сценаріїв, що відтворювали реальні умови використання додатку. Наукова новизна. Уперше запропоновано модель інтелектуальної пріоритезації, яка поєднує багатокритеріальний підхід із поведінковим навчанням без залучення серверної інфраструктури. Розроблений алгоритм здатний локально адаптувати ваги критеріїв у браузері користувача, забезпечуючи індивідуалізовану динаміку прийняття рішень. Система не лише оцінює важливість завдань, а й прогнозує оптимальний час виконання з урахуванням енергетичного стану та контексту користувача. Висновки. Результати експериментів показали підвищення індексу продуктивності на 23,5% і зменшення середнього часу виконання завдань на 20%. Інтеграція алгоритму у React-додаток продемонструвала високу швидкодію, стабільність і можливість масштабування. Практичне значення дослідження полягає у створенні архітектури, придатної для інтеграції з календарями, AI-модулями та корпоративними системами управління проєктами. У подальшому передбачається розширення моделі за рахунок глибокого навчання та пояснюваних AI-механізмів.
Посилання
Григоренко О. В. Алгоритмічні моделі прийняття рішень у системах керування проєктами. Науковий вісник ХДУ. Серія: Інформаційні технології, 2022, №3. С. 70–78.
Грабовська С. Інформаційне перевантаження: психологічний ракурс. APS Journal, 2020. URL: https://apsijournal.com/index.php/psyjournal/article/download/1019/625/1318
Кузьменко І. В. Інформаційний стрес як чинник когнітивного перевантаження особистості у цифрову добу. Психологічний вісник УжНУ, 2022, №1(47). С. 59–65. URL: https://psy-visnyk.uzhnu.uz.ua/index.php/psy/article/view/345
Малярець Л. М., Мінєнкова І. Г. Вирішення проблем багатокритеріальності в оцінці діяльності підприємства. Проблеми економіки, 2016, №3. С. 220–226. URL: https://repository.hneu.edu.ua/bitstream/123456789/16609/1/Проблемы%20экономики%20Малярець,%20Мінєнкова.pdf
Мельник О. В. Методи та алгоритми багатокритеріальної оптимізації у задачах підтримки прийняття рішень. Харків: НТУ «ХПІ», 2020. 128 с.
Недашківська Н. І. Інтелектуальні системи прийняття рішень. Київ: НТУУ «КПІ», 2020. URL: https://ela.kpi.ua/bitstreams/d3b6067b-9bce-44ce-b768-80034b77b411/download
Недашківська Н. І. Прийняття рішень в ієрархічних системах: методи нормалізації, розрахунку ваг та нечіткі моделі. Київ: НТУУ «КПІ», 2020. URL: https://ela.kpi.ua/bitstreams/c2f7f36b-8bd0-4fc1-819f-2cb2dcf6649a/download
Ситник В. Ф., Мазур О. В. Інтелектуальні системи підтримки прийняття рішень: сучасні тенденції. Економічний вісник НТУУ «КПІ», 2020, №17. С. 33–41.
Теслюк В. М., Загарюк Р. В. Методи багатокритеріальної оптимізації: конспект лекцій. Львів: ЛНУ «Львівська політехніка», 2012. URL: https://foundry.kpi.ua/wp-content/uploads/2020/05/teslyuk-vm-metody-bagatokryterialnoyi-optymizacziyi.pdf
Шинкарук О. М. та ін. Управління якістю програмних веб-систем засобами розробки. Вісник Хмельницького національного університету, 2020. URL: https://journals.khnu.km.ua/vestnik/wp-content/uploads/2021/04/8.pdf
AI-Driven To-Do List: Optimizing Task Categorization and Prioritization Using Ensemble Models. ResearchGate, 2023. URL: https://www.researchgate.net/publication/393891022
Comeau J. W. Understanding useMemo and useCallback // Josh W. Comeau Blog, 2021. URL: https://www.joshwcomeau.com/react/usememo-and-usecallback/
Grounded Task Prioritization with Context-Aware Features. – ACM Digital Library, 2021. DOI: 10.1145/3486861.
Horborukov V., Prykhodniuk V., Franchuk O. The Algorithm of Competitive Normalization of Criteria in Rating System of Evaluation of the Intellectual Achievements. Scientific Notes of Junior Academy of Sciences of Ukraine. 2022. № 1(23). С. 3–12. URL: https://snman.science/index.php/sn/article/view/93
Jamasb B. et al. An Automated Framework for Prioritizing Software Requirements. Electronics (MDPI), 2025, 14(6), 1220. DOI: 10.3390/electronics14061220.
Krishnan A. R. et al. Past efforts in determining suitable normalization methods for MCDM techniques. Frontiers in Big Data. 2022. URL: https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2022.990699/full
Li C., Gao W., Shi L., Shang Z., Zhang S. Task Scheduling Based on Adaptive Priority Experience Replay. Electronics, 2023, 12(6). DOI: 10.3390/electronics12061358.
Nguyen O., Chen J., Patel M. Lightweight AI Approaches for Client-Side Learning. Journal of Web Engineering, 2023, 22(4). С. 451–467.
Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021.
Shafiei D. Efficient State Management in React Using Zustand. Medium Blog, 2024. URL: https://philipp-raab.medium.com/zustand-state-man
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
