У роботі розглянуто проблему зменшення обчислювальної та структурної складності штучних нейронних мереж. Проаналізовано традиційні підходи до спрощення архітектури, зокрема проріджування вагових коефіцієнтів і вилучення нейронів, та визначено їхні обмеження. Обґрунтовано доцільність застосування еволюційних методів для глобальної структурної оптимізації, що забезпечує формування компактних моделей без суттєвої втрати точності. Отримані результати підтверджують перспективність використання структурної оптимізації для підвищення ефективності нейромережевих систем.

Abstract
The paper addresses the problem of reducing the computational and structural complexity of artificial neural networks. Traditional approaches to architecture simplification, including weight pruning and neuron removal, are analyzed, and their limitations are identified. The feasibility of applying evolutionary methods for global structural optimization is substantiated, enabling the development of compact models without significant loss of accuracy. The obtained results confirm the prospects of structural optimization for improving the efficiency of neural network systems.