Аннотация
Сети Петри и нейронные сети в последнее время набирают популярность и стали применяться в различных сферах деятельности, таких как управление в автоматизированных системах, анализ текстовых данных, анализ графических данных. Одна из важных тем программирования – сортировка массивов данных. В нашем случае данные – это массивы чисел в диапазоне от нуля до ста. Нейронная сеть, обученная сортировать массивы чисел в интервале 0…100, может сортировать и большие числа. Нейронные сети бывают однослойные и многослойные. Последние позволяют «видеть» более сложные закономерности у входных параметров. В работе использованы два варианта нейронных сетей для полной оценки эффективности нейронных сетей в обработке массивов данных. Нейронная сеть написана на языке С++. Модель класса Neuron, нейронная сеть и многослойная сеть разработаны без использования готового кода.

Список литературы
1. Воевода А.А., Романников Д.О., Зимаев И.В. Применение UML диаграмм и сетей Петри при разработке встраиваемого программного обеспечения // Научный вестник НГТУ. – 2009. – № 4. – С. 169–174.

2. Воевода А.А., Романников Д.О. Редуцирование пространства состояний сетей Петри для объектов одного класса // Научный вестник НГТУ. – 2011. – № 4. – С. 136–139.

3. Коротиков С.В., Воевода А.А. Применение сетей Петри в разработке программного обеспечения центров дистанционного управления и контроля // Научный вестник НГТУ. – 2007. – № 4. – С. 15–32.

4. Воевода А.А., Романников Д.О. О компактном представлении языков раскрашенных сетей Петри // Сборник научных трудов НГТУ. – 2008. – № 3 (53). – С. 105–108.

5. Воевода А.А., Марков А.В., Романников Д.О. Разработка программного обеспечения: проектирование с использованием UML диаграмм и сетей Петри на примере АСУ ТП водонапорной станции // Труды СПИИРАН. – 2014. – Вып. 3 (34). – С. 218–231.

6. Воевода А.А., Марков А.В. Рекурсия в сетях Петри // Сборник научных трудов НГТУ. – 2012. – № 3 (69). – С. 115–122.

7. Марков А.В., Воевода А.А. Развитие системы «перемещение манипулятора в пространстве с препятствиями» при помощи рекурсивных функций // Автоматика и программная инженерия. – 2013. – № 2 (4). – С. 35–41.

8. Capannini G., Silvestri F., Baraglia R. Sorting on GPUs for large scale datasets: a thorough comparison // Information Processing and Management. – 2011. – Vol. 48 (5). – P. 903–917.

9. Галушкин А.И. Нейронные сети. Основы теории. – М.: Горячая Линия-Телеком, 2010. – 496 с.

10. Каллан Р. Основные концепции нейронных сетей. – М.: Вильямс, 2001. – 291 с.

11. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2004. – 176 с.

12. Хайкин С. Нейронные сети. Полный курс. – М.: Вильямс, 2006. – 1104 с.

13. Медведев В.С., Потемкин В.Г. Нейронные сети. – М.: Диалог-МИФИ, 2002. – 496 с.

14. Яхъяева Г.Э. Нечеткие множества и нейронные сети. – М.: Бином, 2006. – 374 с.

15. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления связи. – М.: Горячая Линия-Телеком, 2003. – 94 с.