Системы поддержки принятия решений и определение степени детерминированности информационных моделей в технических системах
(Стр. 269-277)
Подробнее об авторах
Прокопчина Светлана Васильевна
доктор технических наук; профессор, кафедра искусственного интеллекта, факультет информационных технологий и анализа больших данных
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация Звягин Леонид Сергеевич кандидат экономических наук, доцент; доцент, кафедра моделирования и системного анализа, факультет информационных технологий и анализа больших данных; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация Звягин Леонид Сергеевич кандидат экономических наук, доцент; доцент, кафедра моделирования и системного анализа, факультет информационных технологий и анализа больших данных; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Организационная деятельность промышленного предприятия связана с ежедневным принятием решений различных сложностей, а руководство компании постоянно нуждается в достоверной информации по различным вопросам, связанным с ведением бизнеса предприятия для того, чтобы поддерживать его правильное функционирование. От правильности принятия решений зависит качество управления предприятием, эффективное планирование деятельности организации и ее функционирование в условиях риска, неопределенности и конкуренции. Для таких целей информация должна быть достоверна, наглядно понятна, доступ к ней должен быть быстрым. Существенную помощь в выполнении данных задач могут выполнить автоматизированные информационные технические системы. Примером таких систем можно назвать системы поддержки принятия решений (СППР). Такие технические системы используют в совершенно разных отраслях, например, экономика, промышленность, финансовый сектор, торговля и др. А применение искусственного интеллекта в свою очередь на практике основано на экспертных системах, что в значительной степени снижает время принятия решений и повышает его качество, а также в целом способствует повышению эффективности хозяйствования предприятия и росту профессиональной компетенции работников. В статье подробно рассмотрены подходы к современным СППР, а также представлен математический инструментарий, основанный на определении единства числовой информации для таких систем – определения степени детерминированности моделей через расчет коэффициентов эмерджентности.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Прокопчина С.В., Звягин Л.С. Системы поддержки принятия решений и определение степени детерминированности информационных моделей в технических системах // Computational Nanotechnology. 2026. Т. 13. № 2. С. 269-277. DOI: 10.33693/2313-223X-2026-13-2-269-277. EDN: XQDDHC
Список литературы:
Верба В.С., Михеев В.А. Системный анализ методов проектирования многофункциональной информационной системы // Известия ЮФU. Технические науки. 2008. № 8. С. 109–116. EDN: KKGWFB.
Волокобинский М.Ю., Пекарская О.А., Рази Д.А. Принятие решений на основе метода анализа иерархий // Вестник Финансового университета. 2016. № 2. С. 33–42. EDN: WDCJHB.
Дмитрюк Т.Г., Зори С.А. Системный анализ функциональных особенностей предприятия как объекта управления // Вестник Донецкого национального университета. Серия Г: Технические науки. 2024. № 4. С. 137–153. DOI: 10.5281/zenodo.14514826. EDN: XAGCPP.
Золотаревский А.Ю. Система аналитики и поддержки принятия решений малого производственного предприятия на базе регуляризирующего байесовского подхода // Мягкие измерения и вычисления. 2024. Т. 75. № 2-2. С. 38–48. DOI: 10.36871/2618-9976.2024.02-2.004. EDN: SIIFQO.
Прохоров А., Лысачев М. Цифровой двойник. Анализ, тренды, мировой опыт. М.: АльянсПринт, 2020. 401 с. EDN: NDZFIW.
Ракитов А.И., Бондяев Д.А., Романов И.Б. и др. Системный анализ и аналитические исследования: руководство для профессиональных аналитиков / отв. ред. А.И. Ракитов. М., 2009. 448 с. EDN: RKCKYB.
Сазонов С.Н., Фещенко В.С. Применение искусственного интеллекта (ИИ) для предсказательного обслуживания в промышленных системах // Наука и бизнес: пути развития. 2024. № 5 (155). С. 101–104. EDN: BOCTHO.
Янов Е.С. О проблемах интеграции информационно-измерительных систем в условиях противодействия компьютерным атакам // Электроника: наука, технология, бизнес. 2024. № 6. С. 60–63. DOI: 10.22184/1992-4178.2024.237.6.60.63.
Янов Е.С., Анцев А.В., Воротилин М.С., Минаков Е.И. Аппаратно-программный комплекс мониторинга технологических систем и процессов // СТИН. 2024. № 5. С. 32–35. EDN: INEVVT.
Abonguie D.F., Nyam Y.S., Hoeyi P.K. A systematic analysis of systems thinking and the sustainability of small and medium size enterprises (SMEs): A global evaluation // Scientific African. 2025. Vol. 28. P. e02738. DOI: 10.1016/j.sciaf.2025.e02738.
Deebak B.D., Al Turjman F. Digital-twin assisted: Fault diagnosis using deep transfer learning for machining tool condition // International Journal of Intelligent Systems. 2021. Pp. 1–28. DOI: 10.1002/int.22493.
Fu Y., Zhu G., Zhu M. et al. Digital twin for integration of design-manufacturing-maintenance: An overview // Chinese Journal of Mechanical Engineering. 2022. Vol. 35. No. 80. DOI: 10.1186/s10033-022-00760-x.
Liao R., Chai Y. Research on the business performance evaluation method for small and medium-sized enterprises in cross-border e-commerce based on artificial bee colony optimized LSTM model // Sci. Rep. 2025. No. 15. P. 31698. DOI: 10.1038/s41598-025-17435-x.
Schluse M., Rossmann J. From simulation to experimentable digital twins: Simulation-based development and operation of complex technical systems // IEEE International Symposium on Systems Engineering (ISSE). Edinburgh, UK, 2016. Pp. 1–6. DOI: 10.1109/SysEng.2016.7753162.
Wüthrich M.V., Merz M. Bayesian methods, regularization and expectation-maximization // Statistical foundations of actuarial learning and its applications. Springer Actuarial. Springer, Cham, 2023. DOI: 10.1007/978-3-031-12409-9_6.
Волокобинский М.Ю., Пекарская О.А., Рази Д.А. Принятие решений на основе метода анализа иерархий // Вестник Финансового университета. 2016. № 2. С. 33–42. EDN: WDCJHB.
Дмитрюк Т.Г., Зори С.А. Системный анализ функциональных особенностей предприятия как объекта управления // Вестник Донецкого национального университета. Серия Г: Технические науки. 2024. № 4. С. 137–153. DOI: 10.5281/zenodo.14514826. EDN: XAGCPP.
Золотаревский А.Ю. Система аналитики и поддержки принятия решений малого производственного предприятия на базе регуляризирующего байесовского подхода // Мягкие измерения и вычисления. 2024. Т. 75. № 2-2. С. 38–48. DOI: 10.36871/2618-9976.2024.02-2.004. EDN: SIIFQO.
Прохоров А., Лысачев М. Цифровой двойник. Анализ, тренды, мировой опыт. М.: АльянсПринт, 2020. 401 с. EDN: NDZFIW.
Ракитов А.И., Бондяев Д.А., Романов И.Б. и др. Системный анализ и аналитические исследования: руководство для профессиональных аналитиков / отв. ред. А.И. Ракитов. М., 2009. 448 с. EDN: RKCKYB.
Сазонов С.Н., Фещенко В.С. Применение искусственного интеллекта (ИИ) для предсказательного обслуживания в промышленных системах // Наука и бизнес: пути развития. 2024. № 5 (155). С. 101–104. EDN: BOCTHO.
Янов Е.С. О проблемах интеграции информационно-измерительных систем в условиях противодействия компьютерным атакам // Электроника: наука, технология, бизнес. 2024. № 6. С. 60–63. DOI: 10.22184/1992-4178.2024.237.6.60.63.
Янов Е.С., Анцев А.В., Воротилин М.С., Минаков Е.И. Аппаратно-программный комплекс мониторинга технологических систем и процессов // СТИН. 2024. № 5. С. 32–35. EDN: INEVVT.
Abonguie D.F., Nyam Y.S., Hoeyi P.K. A systematic analysis of systems thinking and the sustainability of small and medium size enterprises (SMEs): A global evaluation // Scientific African. 2025. Vol. 28. P. e02738. DOI: 10.1016/j.sciaf.2025.e02738.
Deebak B.D., Al Turjman F. Digital-twin assisted: Fault diagnosis using deep transfer learning for machining tool condition // International Journal of Intelligent Systems. 2021. Pp. 1–28. DOI: 10.1002/int.22493.
Fu Y., Zhu G., Zhu M. et al. Digital twin for integration of design-manufacturing-maintenance: An overview // Chinese Journal of Mechanical Engineering. 2022. Vol. 35. No. 80. DOI: 10.1186/s10033-022-00760-x.
Liao R., Chai Y. Research on the business performance evaluation method for small and medium-sized enterprises in cross-border e-commerce based on artificial bee colony optimized LSTM model // Sci. Rep. 2025. No. 15. P. 31698. DOI: 10.1038/s41598-025-17435-x.
Schluse M., Rossmann J. From simulation to experimentable digital twins: Simulation-based development and operation of complex technical systems // IEEE International Symposium on Systems Engineering (ISSE). Edinburgh, UK, 2016. Pp. 1–6. DOI: 10.1109/SysEng.2016.7753162.
Wüthrich M.V., Merz M. Bayesian methods, regularization and expectation-maximization // Statistical foundations of actuarial learning and its applications. Springer Actuarial. Springer, Cham, 2023. DOI: 10.1007/978-3-031-12409-9_6.
Ключевые слова:
системы поддержки принятия решений, обработка информации, эмерджентность, коэффициенты наращения модельного ряда, моделирование, управление, технические системы.
