Аңдатпа
данной работе рассматривается задача оптимизации распределения регионального бюджета с применением гибридного подхода, сочетающего генетический алгоритм (ГА) и байесовскую оптимизацию гиперпараметров. Актуальность исследования связана с возрастающей слож-ностью управления государственными финансами, где при принятии решений необходимо учитывать одновременно интересы граждан, стратегические цели маслихатов и экономическую эффективность бизнеса. Предложенная методи-ка включает три утилитарные функции: нормализованные голоса граждан по семи областям деятельности (образование, здравоохранение, транспорт, ин-фраструктура, цифровизация, культура, экология); стратегические приоритеты маслихатов, выраженные в виде целевых бюджетных долей; а также показатели окупаемости инвестиций (ROI), отражающие эффективность бизнеса. Базовая модель ГА (размер популяции – 100, вероятность кроссовера – 0.5, вероятность мутации – 0.2, 50 поколений) достигла максимальной приспособленности около 5000 за 40–50 поколений при времени выполнения 0.16 секунды. Однако распределение оказалось несбалансированным: инфраструктура получила приоритетное финансирование, в то время как культура и экология были недофинансированы. Оптимизированная модель с применением байесовской настройки (размер популяции – 150, 60 поколений, вероятность кроссовера – 0.6, вероятность мутации – 0.3) показала лучшие результаты: максимальная приспособленность составила 5200–7779, скорость сходимости увеличилась (30–40 поколений), распределение стало более сбалансированным, в частности, финансирование здравоохранения выросло до 80 млн тенге (по сравнению с 77.7 млн). Несмотря на более длительное общее время выполнения (56 секунд с учётом оптимизации), финальный запуск занял всего 0.32 секунды.Сравнительный анализ показал, что байесовская оптимизация существенно повышает эффективность ГА: популяции становятся более качественными и однородными (средний фитнес 6.5–7 против 5.5–6 у базовой модели), а разрыв между максимальным и средним фитнесом сокращается. Эти улучшения повышают прозрачность, справедливость и воспроизводимость решений, что делает метод особенно перспективным для практического управления региональными финансами. Результаты подтверждают эффективность сочетания эволюционных алгоритмов и методов машинного обучения для решения многокритериальных задач распределения ресурсов.