В статье представлен сравнительный анализ производительности трех программ-решателей (на базе библиотек LPSolve, Microsoft Solver Foundation и Google OR-Tools) при решении задачи линейно-булева программирования большой размерности. Исследование проводилось на примере задачи идентификации параметров однородной вложенной кусочно-линейной регрессии первого типа. Авторы разработали методику тестирования, включающую генерацию тестовых данных, выбор аппаратных платформ и определение ключевых метрик производительности. Результаты показали, что Google OR-Tools (особенно решатель SCIP) демонстрирует наилучшую производительность, превосходя аналоги в 2-3 раза. Microsoft Solver Foundation показал стабильные результаты, а LPSolve IDE оказался наименее производительным, но наиболее простым в использовании. Все решатели обеспечили сопоставимую точность решения. На основе проведенного анализа сформулированы рекомендации по выбору решателя в зависимости от требований к производительности и условий интеграции. Статья представляет практическую ценность для специалистов, работающих с оптимизационными задачами, и исследователей в области математического моделирования.

Ключевые слова: регрессионная модель, однородная вложенная кусочно-линейная регрессия, оценивание параметров, метод наименьших модулей, задача линейно-булева программирования, индексное множество, сравнительный анализ, программные решатели, производительность алгоритмов

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации

Эффективным инструментом оценки и планирования объемов бюджетных ассигнований является регрессионный анализ, позволяющий выявить статистические зависимости между социально-экономическими показателями. В настоящей работе на основе открытых статистических данных по 80 субъектам Российской Федерации проведен анализ распределения объемов финансирования ИТ-инфраструктуры за 2025 год. В качестве независимой переменной использована численность населения региона, в качестве зависимой — запланированный объем финансирования. Предложенный подход на основе кластерно-регрессионной модели показал себя достаточно эффективным инструментом для адресной диагностики состояния и планирования финансирования цифровой инфраструктуры. Полученные результаты позволяют перейти от унифицированной к дифференцированной региональной политике в сфере цифровизации, что в перспективе может повысить эффективность бюджетных расходов и будет способствовать сокращению цифрового неравенства.

Ключевые слова: ИТ-инфраструктура, критерии адекватности, кластерная регрессионная модель, финансирование, прогнозирование, регрессионный анализ, бюджетное планирование

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 5.2.3 - Региональная и отраслевая экономика