Методология управления многофункциональными интеллектуальными системами с использованием условно-реальных данных на основе оптимизационного моделирования тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Гусев Павел Юрьевич

• Гусев Павел Юрьевич
• доктор наук
• 2025

Оглавление диссертации доктор наук Гусев Павел Юрьевич

Выводы первой главы

2 Формирование структурных и оптимизационных решений при управлении в

многофункциональных интеллектуальных системах

2.1 Структуризация многофункциональной интеллектуальной системы

2.2 Формирование комплекса задач оптимизации, анализа и прогнозирования при принятии решений

2.3 Структуризация управления доступом к данным в МФИС

Выводы второй главы

3 Разработка алгоритмов интеллектуализации принятия решений при управлении

в МФИС на основе оптимизационного моделирования

3.1 Алгоритмизация первого этапа принятия решений

3.2 Алгоритмы трансформации дезагрегационных задач второго и третьего этапов в комплекс блочных оптимизационных моделей

3.3 Алгоритм принятия решений при оптимизации управления процессом дезагрегации в деятельностной среде МФИС на основе блочных моделей

Выводы третьей главы

система

15

4 Анализ эффективности реализации функциональных направлений цифровой среды при интеллектуализации принятия решений

4.1 Применение имитационного моделирования при управлении и генерации условно-реальных архивных данных в МФИС

4.2 Анализ эффективности применения средств имитационного и оптимизационного моделирования при цифровом управлении функционированием компонентов деятельностной среды

4.3 Анализ эффективности классификации текстовых структур цифровой среды для управления в деятельностной среде с использованием методов искусственного интеллекта

Выводы четвертой главы

5 Разработка процедуры интеллектуализации прогнозирования эффективности оптимизированных решений и их коррекции на основе прогностических оценок

5.1 Прогнозирование эффективности решений по результатам мониторинга с использованием инструментов предиктивной аналитики

5.2 Анализ и прогнозирование эффективности решений по результатам имитационного эксперимента с использованием методов искусственного интеллекта

5.3 Формирование мониторинговой среды и коррекция управленческих решений на основе прогностических оценок

Выводы пятой главы

6 Применение цифровых средств имитационного и оптимизационного моделирования, инструментов предиктивной аналитики в практике интеллектуализации управления производственными системами

6.1 Оптимизация принятия решений с использованием имитационного и оптимизационного моделирования

6.2 Анализ эффективности компонентов многофункциональной интеллектуальной системы

6.3 Управление с использованием цифровых двойников и методов искусственного

интеллекта с применением условно-реальных данных

Выводы шестой главы

Заключение

Список литературы

Приложение А. Акты внедрения результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Методология управления многофункциональными интеллектуальными системами с использованием условно-реальных данных на основе оптимизационного моделирования»

ВВЕДЕНИЕ

Актуальность темы. Современный этап развития систем управления сложными системами характеризуется массовым использованием методов искусственного интеллекта, которые требуют большого объема качественных архивных данных о работе системы. Анализ состояния сложных систем показывает, что реальные системы испытывают нехватку архивных данных в полном объеме, что приводит к низкой эффективности использования методов искусственного интеллекта ввиду решения задачи обучения с учителем в условиях неопределенности обучающих выборок. Для преодоления проблемы нехватки архивных данных применяются методы генерации условно-реальных данных. Сложность генерации условно-реальных архивных данных для систем управления заключается в двухэтапном подходе: синтезировании входных данных для работы системы и расчета выходных. Слабая формализуемость рассматриваемых систем не позволяет построить аналитические функции для расчета выходных данных, что приводит к необходимости применения такого инструмента, как имитационное моделирование. Однако, в условиях отсутствия архивных данных, валидация и верификация имитационной модели с достаточной для генерации условно -реальных данных точностью труднодостижима.

Таким образом, обнаружена проблема внедрения методов искусственного интеллекта в системы управления - низкая эффективность методов генерации условно-реальных архивных данных, обеспечивающих необходимое качество полученных данных для эффективного обучения моделей искусственного интеллекта. Усовершенствовать существующие подходы к генерации условно -реальных архивных данных возможно за счет применения при построении имитационной модели оптимизационных моделей процесса дезагрегации ресурсов и объемов деятельности, многоэтапного согласования решений на основе комплекса блочных оптимизационных моделей, многоуровневой трансформации условия потенциальной эффективности сложных систем, эволюционной оптимизации входных параметров модели.

Степень научной разработанности темы

Вопросы применения и развития искусственного интеллекта в системах управления, генерации данных для обучения моделей машинного обучения применительно к сложным системам, а также управления на основе цифровых двойников широко освещены в трудах Бухановского А.В., Kosmas Alexopoulos, Nikolaos Nikolakis, George Chryssolouri, Florian Jaensch, Akos Csiszar, Christian Scheifele, Alexander Wilhelm Verl, Райкова А.Н., Варламова О.О., Кривошеева О.В., Соколовой И.С., Гальдина А.А.

Вопросам развития интеллектуального управления в сложных системах и построению структур, обеспечивающих интеграцию интеллектуальных инструментов как составляющего компонента системы, а также применению систем управления на основе методов искусственного интеллекта посвящены исследования Д. Роджерса, А. Н. Козырева, С. Д. Кузнецова, А. И. Губинского, Б. Я. Советова, С. А. Баркалова, Д. А. Поспелова, М. Кантора, Д. Клира, А. В. Иващенко, А. Якобсона, Г. Буча, Д. Рамбо, В. И. Сумина, Ю. Ф. Тельнова, А. М. Вендорова.

Исследования по проблемам принятия решений в сложных системах на основе оптимизационных моделей нашли отражение в научных трудах отечественных и зарубежных ученых: А.А. Самарского, М.В. Келдыша, Н.Н. Моисеева, А.Н. Тихонова, Д. И. Батищева, А. М. Бершадского, В. Н. Буркова, Н. П. Бусленко, М. Б. Гузаирова, В. А. Зернова, Э. Квейда, Я. Е. Львовича, В. Г. Наводнова, Д. А. Новикова, Ю. С. Сахарова, А.Н. Крылова, В.М. Глушкова и других.

Анализ задачи обучения с учителем в условиях неопределенности обучающих выборок показывает, что данная задача не имеет полного решения в настоящее время. Особую роль качество обучения моделей искусственного интеллекта демонстрирует при решении задач систем управления, требующих моментального принятия решения. Подобные задачи возникают в многономенклатурной производственной системе при определении потенциальной возможности выполнения производственного плана.

Анализ современных исследований в области генерации условно-реальных архивных данных показывает широкий интерес к обозначенной тематике. В представленных работах по генерации табличных данных выделяется шесть основных направлений, обеспечивающих разные подходы к формированию наборов данных. Описанные случаи применения имитационной модели как инструмента генерации условно-реальных архивных данных показывают потенциал развития такого подхода, а также определяют основные нерешенные задачи. Основным недостатком предлагаемых методов и решений в анализируемом материале является отсутствие комплексных исследований по тематике генерации условно-реальных архивных данных в рамках методологии применения методов искусственного интеллекта в системах управления сложными системами.

В диссертационном исследовании рассмотрена комплексная методология применения методов искусственного интеллекта в системах управления сложными системами с использованием условно-реальных данных, направленная на решение задач принятия неотложных решений. Для демонстрации потенциала применения предлагаемых положений вводится понятие многофункциональной интеллектуальной системы, описывающей состояние многономенклатурной производственной системы в процессе внедрения методов искусственного интеллекта в систему управления.

Таким образом, актуальность темы диссертационного исследования определяется необходимостью повышения качества сгенерированных условно -реальных данных, обеспечивающих возможность принятия решений на основе интеграции методов искусственного интеллекта и оптимизации в системах управления сложными системами.

Тематика диссертационной работы соответствует одному из основных научных направлений Воронежского государственного технического университета «Вычислительные комплексы и проблемно-ориентированные системы управления».

Объект исследования: процессы управления сложными системами с применением методов искусственного интеллекта.

Предмет исследования: инструменты генерации условно-реальных данных, модели и алгоритмы построения условий и ограничений модели для генерации условно-реальных данных, методы и алгоритмы синтеза разнородных производственных данных.

Целью диссертационного исследования является разработка методологии комплексного применения методов искусственного интеллекта для принятия решений в управлении сложными системами в условиях неопределенности обучающих выборок с использованием условно-реальных данных.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести системный анализ сложных систем, отличающихся внедрением методов искусственного интеллекта и короткими периодами планирования работы.

2. Сформировать класс систем, описывающий состояние многономенклатурных производственных систем, находящихся в состоянии внедрения инструментов искусственного интеллекта в управление при недостатке архивных производственных данных.

3. Разработать структурные и оптимизационные решения, обеспечивающие интеллектуализацию управления при достижении требований управляющей среды.

4. Разработать алгоритм интеллектуализации принятия решений, обеспечивающую построение требований к имитационной модели многофункциональной интеллектуальной системы.

5. Разработать методику генерации условно-реальных данных на основе оптимизационного и имитационного моделирования.

6. Предложить методологию управления многофункциональными интеллектуальными системами на основе применения разнородных и условно-реальных архивных данных.

7. Разработать методику прогнозирования эффективности оптимизированных решений при управлении с использованием условно-реальных данных и их коррекции на основе прогностических оценок.

8. Осуществить практическую апробацию разработанных цифровых средств имитационного и оптимизационного моделирования для синтеза и генерации условно-реальных данных в задачах управления производственными процессами.

Методы исследования основаны на использовании основных положений теории управления, методов оптимизационного моделирования, блочного линейного программирования, теории информации, генетических алгоритмов, методов имитационного моделирования, теории массового обслуживания, экспертного оценивания и искусственного интеллекта.

Тематика работы соответствует следующим пунктам паспорта специальности 2.3.1. Системный анализ, управление и обработка информации, статистика в части развития методов системного анализа сложных объектов управления, совершенствования управления и принятия решений, моделирования и обработки информации: «1. Теоретические основы и методы системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта», «2. Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта», «4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта», «6. Методы идентификации систем управления на основе ретроспективной, текущей и экспертной информации».

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

1. Разработана формализованная структура многофункциональной интеллектуальной системы, отличающаяся многослойно-распределительной топологией и взаимодействием управляющей, ресурсной, деятельностной и мониторинговой сред за счет цифрового трансфера решений, принимаемых с использованием разнородных условно-реальных архивных данных на основе оптимизационного моделирования, а также обеспечивающая комплексное использование методов искусственного интеллекта при управлении сложными системами.

2. Сформирован комплекс оптимизационных моделей процесса дезагрегации ресурсов и объемов деятельности в многофункциональной интеллектуальной системе, отличающийся многоуровневой трансформацией условия потенциальной эффективности сложных систем и обеспечивающий интеллектуализацию управления при достижении требований управляющей среды.

3. Разработан алгоритм интеллектуализации принятия решений при дезагрегации ресурсов и объемов деятельности по видам деятельности, отличающийся реализацией многоэтапного согласования решений на основе комплекса блочных оптимизационных моделей и обеспечивающий построение требований к имитационной модели многофункциональной интеллектуальной системы.

4. Разработана методика генерации условно-реальных данных с использованием имитационной модели для принятия решений при управлении многофункциональной интеллектуальной системой, отличающийся эволюционным алгоритмом оптимизации входных значений и обеспечивающий сбалансированность получаемого набора условно-реальных данных.

5. Предложена методология управления многофункциональными интеллектуальными системами, отличающаяся применением комбинации методов интеллектуализации принятия решений при дезагрегации ресурсов и объемов деятельности, имитационного моделирования как инструмента генерации наборов условно-реальных архивных производственных данных для моделей машинного обучения, искусственного интеллекта при анализе текстовых структур естественного языка и прогнозировании развития многофункциональной системы, и обеспечивающая повышение эффективности применения методов искусственного интеллекта в системах управления многофункциональными интеллектуальными системами.

6. Разработана методика прогнозирования эффективности решений и их коррекции, отличающаяся использованием результатов предиктивной аналитики данных мониторинга и имитационного эксперимента для обратного цифрового

трансфера в управляющую среду и обеспечивающая обратную связь при управлении в многофункциональной интеллектуальной системе.

Теоретическая значимость заключается в развитии теоретических основ применения технологий искусственного интеллекта в управлении сложными системами с использованием разнородных и условно-реальных архивных данных.

Практическая значимость заключается в разработке программного комплекса оценки эффективности принимаемых решений на основе имитационного моделирования и искусственного интеллекта для систем управления промышленных предприятий.

Достоверность и обоснованность результатов

Достоверность представленных в диссертационной работе результатов подтверждается корректным использованием комбинаций методов: системного анализа, оптимизационного моделирования, блочного линейного программирования, теории информации, имитационного моделирования, экспертного оценивания и искусственного интеллекта, а также непротиворечивостью и согласованностью с известными фактами и исследованиями в рассматриваемой области.

Положения, выносимые на защиту:

1. Формализованная структура многофункциональной интеллектуальной системы, за счет многослойно-распределительной топологии и комбинации имитационного и оптимизационного моделирования, позволяет реализовать эффективное управление с использованием методов искусственного интеллекта.

2. Комплекс оптимизационных моделей процесса дезагрегации ресурсов и объемов деятельности в многофункциональной системе позволяет, путем многоуровневой трансформации условия потенциальной эффективности сложных систем, обеспечить достижение требований управляющей среды.

3. Алгоритм интеллектуализации принятия решений обеспечивает формирование требований к построению имитационной модели многофункциональной интеллектуальной системы на основе многоэтапного согласования решений.

4. Методика генерации условно-реальных данных для принятия решений позволяет обеспечить сбалансированность наборов условно-реальных данных за счет использования имитационного моделирования и эволюционного алгоритма.

5. Методология управления многофункциональными интеллектуальными системами обеспечивает интеграцию интеллектуальных методов дезагрегации ресурсов и объемов деятельности, имитационного моделирования, методов искусственного интеллекта, а также синтеза разнородных производственных данных и условно-реальных данных.

6. Методика прогнозирования эффективности решений и их коррекции позволяет использовать результаты предиктивной аналитики данных мониторинга и имитационного эксперимента для обеспечения цифровой обратной связи при управлении в многофункциональных интеллектуальных системах.

Результаты внедрения. Основные результаты диссертации использованы в производственной и проектной деятельности филиала ПАО «Ил» - ВАСО. Разработанная система управления, на основе имитационного и оптимизационного моделирования, обеспечивает возможность согласования плановых объемов производства и фактически доступных ресурсов, что обеспечивает точность производственного планирования на заданный период.

Разработанные методы, математические модели и алгоритмы предиктивного анализа использованы в исследовательской работе по управлению ресурсом ядерно-энергетического оборудования атомной электростанции. Апробация работы проводилась на базе филиала АО «Концерн Росэнергоатом» Нововоронежской АЭС (НВ АЭС). Материалы диссертации использованы в программах дисциплин «Системы искусственного интеллекта», «Прототипирование в ИТ-проектах» по направлению подготовки 09.03.02 Информационные системы и технологии, а также при подготовке выпускных квалификационных работ по направлениям

подготовки 09.03.02 Информационные системы и технологии,

09.04.02 Информационные системы и технологии.

Апробация работы. Основные положения и результаты диссертационной работы докладывались на: Международной научно-практической конференции «Техника и технологии: пути инновационного развития» (Курск, 2011), XV-XX международной научно-методической конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2015-2020), Международной научно-практической конференции «Современные инновации в науке и технике» (Курск, 2016), Международной научно-практической конференции «Системы управления жизненным циклом изделий авиационной техники: актуальные проблемы, исследования, опыт внедрения и перспективы развития» (Ульяновск, 2016 год), Международной научно-практической конференции «Наука - производству» (Мурманск, 2016), Международной научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2017), Международной научно-практической конференции «Виртуальное моделирование, прототипирование и промышленный дизайн» (Тамбов, 2018), 13th International Symposium "Intelligent Systems", INTELS 2018 (Санкт-Петербург, 2018), Всероссийском межотраслевом молодёжном конкурсе научно-технических работ и проектов «Молодёжь и будущее авиации и космонавтики» (Москва, 2018-2019), Всероссийской научно-практической конференции по имитационному моделированию и его применению в науке и промышленности «ИММ0Д-2019» (Екатеринбург, 2019), III International conference on advanced technologies in materials science, mechanical and automation engineering MIP: ENGINEERING-III (Красноярск, 2021), III International conference on applied physics, information technologies and engineering - APITECH-III 2021 (Красноярск, 2021), II Отраслевой научно-практической конференции «Созвездие Роскосмоса: траектория науки» (Красноярск, 2023), Всероссийской научной конференции перспективных разработок «Инновационный потенциал развития общества: взгляд молодых ученых» (Курск, 2023), Всероссийской научно-практической конференции «Системная трансформация - основа устойчивого инновационного развития» (Оренбург, 2023).

Публикации. Результаты диссертационной работы отражены в 70 научных работах, в т.ч. в 26 статьях из перечня ВАК, 8 статьях в изданиях, индексируемых

в базах данных Scopus и Web of Science, 3-х зарегистрированных программах для ЭВМ.

Личный вклад автора. Все результаты, представленные в диссертации, получены автором самостоятельно и при его непосредственном участии. Все совместные публикации и работы выполнены под руководством автора, а также выделяется ведущая роль автора в постановке задач, организации исследований, разработке программных методов и анализе результатов.

Структура и объем работы. Диссертационная работа состоит из введения, шести глав, заключения, списка литературы и приложения. Диссертация изложена на 295 страницах, содержит 126 рисунков и 12 таблиц. Список литературы включает 255 наименований.

1 Системный анализ многономенклатурных производственных систем

1.1 Производственная система как многофункциональная интеллектуальная

система

Модернизация сложных систем представляет собой непрерывный процесс, происходящий под влиянием внешних факторов, которые одновременно задают ограничения работы сложной системы и представляют возможности развития системы. В периоды интенсивного развития технологий различные модели, методы и алгоритмы влияли ключевым образом на модернизацию сложных систем. Ключевым образом влияние новых технологий оказывается на организационные, технические и организационно-технические системы. Способность модернизировать систему своевременно определяет возможности развития системы, а также характеризует управление системой.

Современные тенденции модернизации сложных систем диктуют массовый цифровой переход в управлении, принятии решений и выполнении различных функциональных направлений внутри системы. Массовость и глобальность процессов цифровизации фактически приводят к необходимости преобразования всей системы. Частичная модернизация отдельных элементов системы или функциональных направлений не приводит к получению эффектов от использования цифровых инструментов. Цифровая модернизация, также именуемая цифровой трансформацией, - это качественные изменения в способах управления, бизнес-процессах, функциональных направлениях и способах осуществления деятельности, которые приводят к значительным социально-экономическим эффектам [1].

Подходами к описанию цифровой трансформации занимаются ученые со всего мира и их выводы соотносятся между собой:

- цифровая трансформация представляет собой тип изменений, затрагивающий широкий круг отраслей, как наукоемких, так и традиционных и консервативных, основанный на внедрении цифровых технологий [2-4];

- цифровая трансформация как процесс непрерывного внедрения цифровых технологий, изменяющих существующие подходы к планированию, проектированию, развертыванию и управлению сервисами частного и государственного сектора [5];

- цифровая трансформация как драйвер значительных изменений во всех аспектах человеческой жизни [6].

Фактически процессы цифровизации и цифровой трансформации отличаются воздействием на функционирование системы:

- цифровизация обеспечивает перенос существующих моделей и алгоритмов работы системы в цифровой вид;

- цифровая трансформация реализует перестройку моделей и алгоритмов работы системы с использованием цифровых инструментов.

Реализация программ цифровизации и цифровой трансформации оказывает влияние на все виды сложных систем. Характеристика систем и анализ процессов, в них происходящих, обеспечивают возможность выделения закономерностей, отражающих реализацию программ цифровизации и цифровой трансформации на всех уровнях системы. Одной из ключевых современных технологий, обеспечивающих достижение поставленных целей с применением цифровой трансформации, является искусственный интеллект. Основанные на различных методах обучения модели искусственного интеллекта обеспечивают качественные изменения в процессах управления сложными системами. В данной работе рассматриваются сложные системы, находящиеся в процессе цифровой трансформации, основанной на применении технологий искусственного интеллекта.

Для выделения и анализа класса многофункциональных интеллектуальных систем рассмотрен ряд систем: встраиваемые, реального времени, мультиагентные, реконфигурируемые, киберфизические, робототехнические, производственные.

Встраиваемые системы представляют собой технические системы, полностью или частично интегрированные в конструкцию технического устройства [7]. В настоящее время практически все встраиваемые системы

используют цифровую обработку информации, поэтому возможно использование термина «встраиваемые цифровые системы» [8]. Современный уровень развития цифровых технологий обеспечивает потенциальную возможность встраиванию любой технологии в управляемый объект при наличии экономической целесообразности. На рисунке 1.1 представлена современная принципиальная схема управления объектом с использованием встраиваемой системы [7].

К внешнему объекту

,_л_,

Блоки интерфейса с внешними объектами

а

Память Специализи-

Периферийные устройства И-N N-✓ Процессор /У-N N-✓ рованные блоки обработки

0 11 л

Блоки интерфейса с объектом обслуживания

5

К объекту обслуживания

Рисунок 1.1 - Схема управления встраиваемой системой

Как видно из рисунка 1, управляющий сигнал подается от внешнего объекта - центра принятия решения. Центр принятия решения определяет цель работы объекта, а задача встраиваемой системы - обеспечить управление объектом обслуживания в соответствии с полученной информацией от управляющего центра с учетом заданных ограничений по выполняемым действиям и используемым ресурсам.

Одной из наиболее часто встречающихся разновидностей сложных систем автоматизированного управления являются системы реального времени (СРВ). СРВ должна обеспечивать управление объектом с учетом жестких ограничений на динамические характеристики работы [9]. СРВ связана с объектом управления посредством 2 каналов - получение сигналов о текущем состоянии системы и подача управляющих сигналов в систему. Основными задачами СРВ являются [10]:

- сбор данных об управляемом объекте и его поведении;

- накопление, систематизация, хранение, обработка и передача данных;

- структурирование и анализ данных для принятия решений;

- формирование управляющего воздействия и его передача объекту.

Для СРВ, действующей в условиях цифровизации и цифровой трансформации, характерно значительное увеличение объема получаемой и обрабатываемой информации. Увеличенный объем информации обеспечивает выработку точных управляющих сигналов, но накладывает дополнительные требования на вычислительные ресурсы. На рисунке 1.2 приведена общая схема обмена информацией между СРВ, управляющим центром и объектом управления.

Согласно схеме, представленной на рисунке 1.2, управленческие решения, полученные СРВ, преобразуются в управляющие сигналы с учетом информации от

датчиков и распределяются по функциональным направлениям объекта управления в случае, если объект управления комплексный. Состав функциональных направлений зависит от конкретного объекта управления, но, как правило, передача управляющего сигнала происходит с применением отдельного цифрового сервиса. Таким образом, важную роль в выполнении заданного объема деятельности играет трансфер управленческого решения по цифровым каналам.

Интеграция функций технических устройств и человеческих действий позволили создать и классифицировать класс киберфизических систем. Киберфизические системы возникли в результате развития технических средств, основанных, прежде всего на применении цифровых инструментов и технологий. Одной из фундаментальных технологий в развитии класса киберфизических систем стало развитие технологии «интернета вещей» [11-12]. Согласно концепции «интернета вещей» любые физические объекты могут быть соединены между собой, при этом отличительной особенностью соединения выступает не способ передачи информации, а обработка информации, интеллектуальный анализ и управление [13].

Список литературы диссертационного исследования доктор наук Гусев Павел Юрьевич, 2025 год

Список литературы

1. Абдрахманова, Г. И. Цифровая трансформация: ожидания и реальность / Абдрахманова Г. И. и др. // М.: Изд. дом Высшей школы экономики. - 2022. - Т. 221. - 219 с. - ISBN 978-5-7598-2658-3.

2. Remane, G. Discovering digital business models in traditional industries / Remane G. et al. //Journal of Business Strategy. - 2017. - Т. 38. - № 2. - С. 41-51.

3. Loonam, J. Towards digital transformation: Lessons learned from traditional organizations / Loonam J. et al. //Strategic Change. - 2018. - Т. 27. - №2 2. - С. 101-109.

4. Caliskan, A. Digital transformation of traditional marketing business model in new industry era / Caliskan A., Ozkan Ozen Y. D., Ozturkoglu Y. // Journal of Enterprise Information Management. - 2021. - Т. 34. - № 4. - С. 1252-1273.

5. Korhonen, J. J. Enterprise architecture for digital transformation / Korhonen J. J., Halen M. // 2017 IEEE 19th Conference on Business Informatics (CBI). - IEEE, 2017. - Т. 1. - С. 349-358.

6. Baldini, G. Digital transformation in transport, construction, energy, government and public administration / Baldini G. et al. // JRC science for policy report. - 2019. - 255с. - doi: 10.2760/689200. - ISBN 978-92-76-08613-0.

7. Шагурин, И. Современный уровень и перспективы развития встраиваемых цифровых систем / И. Шагурин // Встраиваемые системы. - 2008 - N° 1. - С. 34-38.

8. Несс, Р. Ежегодное исследование рынка встраиваемых систем / Р. Несс // Электронные компоненты. - 2007. - № 11. - С. 69-77.

9. Климентьев, К. Е. Системы реального времени: обзорный курс лекций / К. Е. Климентьев; Федер. агентство по образованию, Гос. образоват. учреждение высш. проф. образования "Самарский гос. аэрокосмический ун-т им. акад. С. П. Королева". - Самара: СГАУ, 2008. - 50 с.; ISBN 978-5-7883-0717-6.

10. Бурдонов, И. Б. Операционные системы реального времени / И.Б. Бурдонов, А.С. Косачев, В.Н. Пономаренко // М.: Институт системного

программирования РАН, 2006. - 49 с. - (Препринт / Институт системного программирования РАН, № 14).

11. Алгулиев, Р. Интернет вещей / Р. Алгулиев, Р. Махмудов // Информационное общество. - 2013. - № 3. - С. 42-48.

12. Черняк, Л. Интернет вещей: новые вызовы и новые технологии / Л. Черняк // Открытые системы. СУБД. - 2013. - № 4. - С. 14-18.

13. Сысоев, П. В. Современные информационные и коммуникационные технологии: дидактические свойства и функции / П.В. Сысоев // Язык и культура. - 2012. - № 1 (17). - С. 120-133.

14. Кудж, С. А. Сетецентрическое управление и киберфизические системы / С.А. Кудж, В.Я. Цветков // Образовательные ресурсы и технологии. - 2017. - № 2 (19). - С. 86-92.

15. Черный, Ю.Ю. Библиотека будущего как киберфизическая система / Ю.Ю. Черный // Системный анализ в проектировании и управлении: сборник науч. Тр. XXIV Междунар. науч. и у.-практ. конф.: в 3 ч. - СПб, 2020. - Ч. 1. - С. 209215.

16. Насонов, Е.И. Киберфизические системы в строительной отрасли / Е.И. Насонов, Е.В. Макиша // Инженерный вестник Дона. - 2019. - №1 (52). - С. 87.

17. Parnaby, J. Concept of a manufacturing system / J. Parnaby // International Journal of Production Research. - 1979. - Т. 17. - № 2. - С. 123-135.

18. Кириллов, А.А. Управление производственными системами / А.А. Кириллов, Е.С. Щербакова // Экономика и социум. - 2021. №4-2 (83). - С. 70-74.

19. Минко, И. С. Анализ деятельности производственных систем: учебно-методическое пособие / И.С. Минко. - СПб: Университет ИТМО, Институт холода и биотехнологий, 2014. - 44с.

20. Гейда, А. С. Основы теории потенциала сложных технических систем: монография / А.С. Гейда. - М.: Российская академия наук, 2021. - 408 с.

21. Минкин, Д.Ю. Оптимизация ресурсов в задаче управления сложной производственной системой / Д.Ю. Минкин, Т.В. Власова // Научно-аналитический

журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». - 2014. - №3. - С. 59-66.

22. Волчкевич, И. Л. Подобие производственных систем и классификация типов машиностроительного производства / И.Л. Волчкевич, В.В. Галий // Известия Тульского государственного университета. Технические науки. - 2009. -№1-1. - С. 3-9.

23. Lee, S. L. Modernizing pharmaceutical manufacturing: from batch to continuous production / Lee S. L. et al. // Journal of Pharmaceutical Innovation. - 2015. - Т. 10. - С. 191-199.

24. Абышев, О. А. Сервис-ориентированная архитектурная модель дискретной производственной системы / О.А. Абышев, Е.И. Яблочников, Д.А. Заколдаев // Известия высших учебных заведений. Приборостроение. - 2023. - Т. 66. - № 1. - С. 43-55.

25. Цымбалов, С.Д. Разработка проекта технологического перевооружения производства на промышленном предприятии / С.Д. Цымбалов, Е.В. Романовская, Э.В. Синцов, Н.А. Бакулина // Московский экономический журнал. - 2020. - №5. С. 75. - DOI: 10.24411/2413-046X-2020-10342.

26. Кирилов, К. О. Проблемы и направления совершенствования цифровизации промышленного производства / К.О. Кирилов // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. -2023. - №3. - С. 293-298.

27. Камышев, А.В. Практический опыт применения имитационного моделирования как инструмента оптимизации производственных систем / А. В. Камышев, М. И. Чижов, П. Ю. Гусев, К. Ю. Гусев // Девятая всерос. науч.-практ. конф. по имитационному моделированию и его применению в науке и промышленности: Труды конференции. - Екатеринбург: Издательство Уральского государственного педагогического университета, 2019. - С. 400-404.

28. Янь Мин Цзе Стратегия как инструмент развития промышленных предприятий в несистемной экономике / Янь Мин Цзе // Индустриальная экономика. - 2023. - №2. - С. 128-133.

29. Великотская, К.Г. Исследование опыта применения бережливого производства в России / К.Г. Великотская, Г.М. Чукалина // Экономика и социум. - 2017. - №11 (42). - С. 1137-1140.

30. Гусев, П. Ю. Имитационное моделирование производства труб / П. Ю. Гусев, Ю. С. Скрипченко, А. В. Бурковский // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Труды Международной научно-технической конференции, посвященной памяти д.т.н., профессора Зайцева Александра Ивановича, Воронеж, 21-23 ноября 2019 года. -Воронеж: ООО "Научное издательство Гусевых", 2019. - С. 24-26.

31. Krysanov V. Optimization of energy consumption of the enterprise using simulation modeling / Krysanov V., Danilov A., Burkovsky V., Gusev P., Gusev K. // Smart Innovation, Systems and Technologies. - 2020. - Т. 154. - С. 707-715.

32. Соломахин, А.Л. Каждому предприятию - оптимальную производственную программу! Совершенствование планирования производственного процесса промышленного предприятия / АЛ. Соломахин, Н.С. Муравьев // Российское предпринимательство. - 2009. - № 10-1. - С. 82-89.

33. Jodlbauer, H. Material and capacity requirements planning with dynamic lead times / Jodlbauer H., Reitner S. // International Journal of Production Research. -2012. - Т. 50. - № 16. - С. 4477-4492.

34. Steger-Jensen, K. Advanced planning and scheduling technology / Steger-Jensen K. et al. // Production Planning & Control. - 2011. - Т. 22. - № 8. - С. 800-808.

35. Фролов, Е. MES-системы: оперативный функционально-стоимостной анализ для нужд производственного предприятия / Е. Фролов // Генеральный директор. - 2008. - № 9. - С. 76-79.

36. Negri, E. MES-integrated digital twin frameworks / Negri E. et al. // Journal of Manufacturing Systems. - 2020. - Т. 56. - С. 58-71.

37. Goldratt E. M. The goal: a process of ongoing improvement / Goldratt E. M., Cox J. // Routledge. - 2016.

38. Priore, P. Learning-Based Scheduling of Flexible Manufacturing Systems Using Ensemble Methods / Priore, P., Ponte, B., Puente, J., and Gómez, A. // Comput. Ind. Eng. - 2018. - № 126. - P. 282-291. - 10.1016/j.cie.2018.09.034.

39. Rajendran, C. Comparative Study of Dispatching Rules in Dynamic Flowshops and Jobshops / Rajendran, C., and Holthaus, O. // Eur. J. Oper. Res. - 1999. -№ 116(1). - Pp. 156-170. - 10.1016/S0377-2217(98)00023-X.

40. Shahzad, A. Data Mining Based Job Dispatching Using Hybrid Simulation-Optimization Approach for Shop Scheduling Problem / Shahzad, A., and Mebarki, N. // Eng. Appl. Artif. Intell. - 2012. - № 25(6). - Pp. 1173-1181. -10.1016/j.engappai.2012.04.001.

41. Doh, H. H. Decision Tree Based Scheduling for Flexible job Shops with Multiple Process Plans / Doh, H. H., Yu, J. M., Kwon, Y. J., Shin, J. H., Kim, H. W., Nam, S. H., and Lee, D. H. // Int. J. Mech. Aero. Ind. Mechatronic Manuf. Eng. - 2014. - № 8(3). - Pp. 621-627.

42. Ji, W. Big Data Analytics Based Fault Prediction for Shop Floor Scheduling / Ji, W., and Wang, L. // J. Manuf. Syst. - 2017. - № 43(Part 1). - Pp. 187-194. -10.1016/j.jmsy.2017.03.008

43. El-Bouri, A. A Neural Network for Dispatching Rule Selection in a Job Shop / El-Bouri, A., and Shah, P. // Int. J. Adv. Manuf. Technol. - 2006. - № 31(3-4). - Pp. 342-349. - 10.1007/s00170-005-0190-y

44. Hammami, Z. A Self Adaptive Neural Agent Based Decision Support System for Solving Dynamic Real Time Scheduling Problems / Hammami, Z., Mouelhi, W., and Said, L. B., // Proceedings of the 10th International Conference on Intelligence System Knowledge Engineering, ISKE 2015, Taipei. - 2015. - Pp. 494-501.

45. Liu, Y. H. Dynamic Scheduling of Flexible Manufacturing System Using Support Vector Machines / Liu, Y. H., Huang, H. P., and Lin, Y. S. // Proceedings of the IEEE Conference on Automation Science and Engineering, Edmonton, Alta, Canada. -2005. - Pp. 387-392.

46. Цыганов, В. В. Обучение с подкреплением и управление иерархическим вагоноремонтным производством / В.В. Цыганов // Управление развитием крупномасштабных систем (MLSD'2022). - 2022. - С. 834-840.

47. Gabel, T. Distributed Policy Search Reinforcement Learning for Job-Shop Scheduling Tasks / Gabel, T., and Riedmiller, M.// Int. J. Prod. Res. - 2012. - № 50(1). - Pp. 41-61. - 10.1080/00207543.2011.571443.

48. Palombarini, J. SmartGantt—An Intelligent System for Real Time Rescheduling Based on Relational Reinforcement Learning / Palombarini, J., and Martinez, E. // Expert Syst. Appl.- 2012. - № 39(11). - Pp. 10251-10268. -10.1016/j.eswa.2012.02.176.

49. Waschneck, B. Optimization of Global Production Scheduling with Deep Reinforcement Learning / Waschneck, B., Reichstaller, A., Belzner, L., Altenmuller, T., Bauernhansl, T., Knapp, A., and Kyek, A. // Proc. CIRP. - 2018. - № 72. - Pp. 12641269. - 10.1016/j.procir.2018.03.212

50. Жиленков, А. А. Сравнительный анализ систем глубокого обучения с подкреплением и систем обучения с учителем / А. А. Жиленков и др.// Известия Тульского государственного университета. Технические науки. - 2022. - № 10. - С. 109-112.

51. Bardt, H. Autonomous driving - a challenge for the automotive industry / Н. Bardt // Intereconomics. - 2017. - Т. 52. - № 3. - С. 171-177.

52. Muhammad, K. Deep learning for safe autonomous driving: Current challenges and future directions / Muhammad, K., Ullah, A., Lloret, J., Del Ser, J., & de Albuquerque, V. H. C. // IEEE Transactions on Intelligent Transportation Systems. -2020.

53. Волхонская, Е.Е. Системные модели парка автономных транспортных средств для виртуальных испытаний при организации технического обслуживания / Е.Е. Волхонская, С.П. Орлов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2023. - № 3. - C. 7-16.

54. Печеницына, Е.А. Проектирование интеллектуальной системы контроля качества изделий аэрокосмического машиностроения / Е.А. Печеницына, В.В. Исаев, В.С. Тынченко // Актуальные проблемы авиации и космонавтики: материалы VIII Междунар. науч.-практ. конф., посвященной Дню космонавтики: в 3 т.- 2022. - Т. 3. - С. 210-212.

55. Latif, A. Content-based image retrieval and feature extraction: a comprehensive review / A. Latif, A. Rasheed, U. Sajid et al. // Mathematical Problems in Engineering. (2019) 2019, 9658350, https://doi.org/10.1155/2019/9658350, 2-s2.0-85071506981.

56. Li, Y. Fabric defect detection algorithm using RDPSO-based optimal Gabor filter / Y. Li, H. Luo, M. Yu, G. Jiang, H. Cong // The Journal of the Textile Institute. -2019. - 110, no. 4, 487-495, https://doi.org/10.1080/00405000.2018.1489951, 2-s2.0-85055583420.

57. Rasheed A. et al. Fabric defect detection using computer vision techniques: a comprehensive review // Mathematical Problems in Engineering. - 2020. - Т. 2020. -№ 1. - С. 8189403.

58. Zhou, P. Data-driven robust M-LS-SVR-based NARX modeling for estimation and control of molten iron quality indices in blast furnace ironmaking / P. Zhou, D. Guo, H. Wang, T. Chai // IEEE transactions on neural networks and learning systems. - 2017. - № 29(9). - Рр. 4007-4021.

59. Shi, J. Quality Control and Improvement for Multistage Systems: A Survey / J. Shi, S. Zhou // IIE Trans. (Inst. Ind. Eng).- 2009. - № 41(9). - Pp. 744-753. -10.1080/07408170902966344.

60. Каледин, А.С. Как применение искусственного интеллекта делает пользователей системы управления качеством (QMS) более эффективными / А.С. Каледин // Форум молодых ученых. - 2023. - №8 (84). - С. 15-18.

61. Arinez, J. F. et al. Artificial intelligence in advanced manufacturing: Current status and future outlook // Journal of Manufacturing Science and Engineering. - 2020. -Т. 142. - № 11. - С. 110804.

62. Liu, Y. Application of Bayesian Networks for Diagnostics in the Assembly Process by Considering Small Measurement Data Sets / Y. Liu, S. Jin // Int. J. Adv. Manuf. Technol. - 2013. - № 65(9-12). - Pp. 1229-1237. - 10.1007/s00170-012-4252-7.

63. Sayed, M. S. Distributed Bayesian Diagnosis for Modular Assembly Systems A Case Study / M. S. Sayed, N. Lohse // J. Manuf. Syst. - 2013. - № 32(3). -Pp. 480-488. - 10.1016/j.jmsy.2013.03.001.

64. Wang, L. Symbiotic Human-Robot Collaborative Assembly / L. Wang, R. Gao, J. Vancza, J. Krüger, X. V. Wang, S. Makris, G. Chryssolouris // CIRP Ann.- 2019. - № 68(2). - Pp. 701-726. - 10.1016/j.cirp.2019.05.002.

65. Смирнова, М.Е. Роботизация производства - требование времени / М.Е. Смирнова, И.Н. Белогруд // Инновационная наука. - 2017. - Т. 1. - № 3. - С. 218219.

66. Green, S. A. Human-Robot Collaboration: A Literature Review and Augmented Reality Approach in Design / S. A. Green, M. Billinghurst, X. Chen, J. G. Chase // Int. J. Adv. Robot. Syst. - 2008. - № 5(1). - Pp. 1-18. - 10.5772/5664.

67. Verma, A. Cognitive Robotics in Artificial Intelligence / A. Verma, and S. Kumar // Proceedings of the International Conference on Cloud Computing, Data Science and Engineering, Noida, India. - 2018. - Pp. 65-70.

68. Зотов, Б. И. Безопасность жизнедеятельности на производстве: монография / Б.И. Зотов, В.И. Курдюмов. - М.: КолосС, 2000. - 432 с.

69. Duan, F. A New Human-Robot Collaboration Assembly System for Cellular Manufacturing / F. Duan, J. T. C. Tan, T. Arai // Proceedings of the Chinese Control Conference, Yantai, China. - 2011. - Pp. 5468-5473.

70. Marvel, J. A. Characterizing Task-Based Human-Robot Collaboration Safety in Manufacturing / J. A. Marvel, J. Falco, I. Marstio // IEEE Trans. Syst. Man, Cybern. Syst. - 2015. - № 45(2). - Pp. 260-275. - 10.1109/TSMC.2014.2337275.

71. Robla-Gomez, S. Working Together: A Review on Safe Human-Robot Collaboration in Industrial Environments / S. Robla-Gomez, V. M. Becerra, J. R. Llata,

E. Gonzalez-Sarabia, C. Torre-Ferrero, J. Perez-Oria // IEEE Access. - 2017. - № 5. -Pp. 26754-26773. - 10.1109/ACCESS.2017.2773127.

72. Li, J. Production Systems Engineering / J. Li, S. M. Meerkov // Springer, US. - 2009.

73. Wu, K. Performance Evaluation for General Queueing Networks in Manufacturing Systems: Characterizing the Trade-off Between Queue Time and Utilization / K. Wu, L. McGinnis // Eur. J. Oper. Res. - 2012. - № 221(2). - Pp. 328339. - 10.1016/j.ejor.2012.03.019.

74. Gershwin, S. B. An Approximate Analytical Method for Evaluating the Performance of Closed-Loop Flow Systems With Unreliable Machines and Finite Buffers / S. B. Gershwin, L. M. Werner // Int. J. Prod. Res. - 2007. - № 45(14) - Pp. 3085-3111. - 10.1080/00207540500385980

75. Блинкова, О. Н. Необходимость анализа производительности труда на предприятии / О.Н. Блинкова, О.Н. Ганюта // Синергия наук. - 2019. - № 31. - С. 222-227.

76. Pудакова, К. К. Методика анализа производительности труда / К.К. Pудакова // Наука сегодня: глобальные вызовы и механизмы развития: материалы междунар. науч.-практ. конф.: в 2 частях. Часть 1. - Екатеринбург, 2017. - С. 91-93.

77. Ворокова, Н. Х. Методы и модели анализа и прогнозирования производительности труда / Н.Х. Ворокова, А.Е. Сенникова // Научное и образовательное пространство: перспективы развития. - 2016. - С. 375-381.

78. Colledani, M. A Decomposition method for approximate evaluation of continuous flow multi-stage lines with general markovian machines / M. Colledani, S. B. Gershwin // Ann. Oper. Res. - 2013. - № 209(1). - Pp. 5-40. - 10.1007/s10479-011-0961-9

79. Liu, Y. Re-Entrant Lines with Unreliable Asynchronous Machines and Finite Buffers: Performance Approximation and Bottleneck Identification / Y. Liu, J. Li, S. Y. Chiang // Int. J. Prod. Res. - 2012. - № 50(4). - Pp. 977-990. -10.1080/00207543.2010.550639.

50. Саакян, Г. Р. Теория массового обслуживания // Шахты: ЮРГУЭС. -

200б.

51. Иванов, А. А. Моделирование объектов автоматизированного производства на основе теории массового обслуживания / А.А. Иванов // Труды ЖТУ им. Р.Е. Алексеева. - 2013. - № 1 (9S). - С. 88-93.

52. Li, C. Performance Prediction of a Production Line with Variability Based on Grey Model Artificial Neural Network / C. Li, H. Wang, B. Li // Chinese Control Conference, CCC. - 201б. - rp. 95S2-95S1.

53. Гусев, П. Ю. Прогнозирование развития и управление многофункциональной цифровизированной системой с применением методов искусственного интеллекта / П. Ю. Гусев // Системы управления и информационные технологии. - 2023. - № 4(94). - С. 4-1.

54. Yang, F., 2010, "Neural Netwo^ Metamodeling &г Cycle Time-Throughput Profiles in Manufacturing," Еиг. J. Oper. Res., 205(1), pp. 112-1S5. 10.1016/j.ejor.2009.12.026

55. Михайлов, А. Б. Разработка системы мониторинга производства на базе платформы промышленного интернета вещей / А.Б. Михайлов // Сборник трудов IX Конгресса молодых ученых. - СПб, 2021. - С. 81-S5.

56. Гриценко, В.В. Повышение эффективности производственного процесса обработки литых деталей в условиях серийного производства / В.В. Гриценко, H.H. Камышникова, HA. Чернецкая // Инновации в машиностроении: материалы докладов XIII Междунар. науч.-практ. Конф. ИнМаш-2022. - Барнаул, 2022. - С. 210-211.

S1. Мечикова, М. H. Практика и перспективы внедрения технологий индустрии 4.0 на российских промышленных предприятиях в неблагополучных внешнеэкономических условиях / М.К Мечикова, Т.Д. Климачев // Вестник Сибирского института бизнеса и информационных технологий. - 2023. - Т. 12. - № 2. - С. 100-106.

SS. Абрамян, К. В. Разработка информационно-технологической платформы цифрового производства / К.В. Абрамян, Ю.С. Андреев и др. //

Известия высших учебных заведений. Приборостроение. - 2020. - Т. 63. - № 2. -С. 149-156.

89. Li, Y. Event-Based Modelling of Distributed Sensor Networks in Battery Manufacturing / Y. Li, Q. Chang, S. Biller, G. Xiao // Int. J. Prod. Res. - 2014. - № 52(14). - Pp. 4239-4252. - 10.1080/00207543.2013.874606

90. Zou, J. Production System Performance Identification Using Sensor Data / J. Zou, Q. Chang, Y. Lei, J. Arinez // IEEE Trans. Syst. Man Cybern. Syst. - 2018. - № 48(2), Pp. 255-264. - 10.1109/TSMC.2016.2597062

91. Gaboardi, M. Dual query: Practical private query release for high dimensional data / M. Gaboardi, E.J.G. Arias, J. Hsu, A. Roth, Z.S. Wu // In: International Conference on Machine Learning. - 2014. - С. 1170-1178.

92. Meckes, E. Projections of probability distributions: A measure-theoretic dvoretzky theorem / E. Meckes // In: Geometric Aspects of Functional Analysis. -Springer 2012. - Гр. 317-326.

93. Chanyaswad, T. Ron-gauss: enhancing utility in non-interactive private data release / T. Chanyaswad, C. Liu, P. Mittal // Proc Priv Enhancing Technol. - 2019. - № 2019(1). - С. 26-46.

94. Fonseca, J. Tabular and latent space synthetic data generation: a literature review / Fonseca J., Bacao F. // Journal of Big Data. - 2023. - Т. 10. - № 1. - С. 115.

95. Goodfellow, I. Generative adversarial networks / I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio // Commun ACM. - 2020. - № 63(11). - С. 139-44.

96. Ackley, D.H. A learning algorithm for boltzmann machines / D. H. Ackley, G.E. Hinton, T.J. Sejnowski // Cog Sci. - 1985. - № 9(1). - С. 147-69.

97. Лицкевич, А. В. Модифицированный вариационный автоэнкодер для генерации персонажей видеоигр / А.В. Лицкевич // Международный форум KAZAN DIGITAL WEEK-2020. - Казань, 2020. - С. 318-326.

98. Никулина, С. М. Генеративные модели в экономике / С.М. Никулина, С.В. Пальмов // Индустриальная экономика. - 2023. - № 4. - С. 44-50.

99. Marazopoulou, K. Causal discovery for manufacturing domains / K. Marazopoulou et al. // arXiv preprint arXiv: 1605.04056. - 2016

100. Mihai, S. A digital twin framework for predictive maintenance in industry 4.0 / S. Mihai et al. // HPCS 2020: 18th Annual Meeting. - 80y5z, 2021.

101. Luckow, A. Artificial intelligence and deep learning applications for automotive manufacturing / A. Luckow et al. // 2018 IEEE International Conference on Big Data (Big Data). - IEEE, 2018. - C. 3144-3152.

102. Shetve, D. Cats: Cluster-aided two-step approach for anomaly detection in smart manufacturing / D. Shetve // Advances in Computing and Network Communications: Proceedings of CoCoNet 2020, Volume 2. - Singapore: Springer Singapore, 2021. - C. 103-115.

103. Georgiadis, K. Production scheduling optimization enabled by digital cognitive platform / K. Georgiadis et al. // Procedia Computer Science. - 2022. - T. 204.

- c. 424-431.

104. Gao, R. X. Big data analytics for smart factories of the future / R. X. Gao et al. // CIRP annals. - 2020. - T. 69. - № 2. - C. 668-692.

105. Bécue, A. A new concept of digital twin supporting optimization and resilience of factories of the future / A. Bécue et al. // Applied Sciences. - 2020. - T. 10.

- № 13. - C. 4482.

106. Cimino, C. Harmonising and integrating the Digital Twins multiverse: A paradigm and a toolset proposal / Cimino C., Ferretti G., Leva A // Computers in Industry.

- 2021. - T. 132. - C. 103501.

107. Mihai, S. Digital twins: A survey on enabling technologies, challenges, trends and future prospects / S. Mihai et al. // IEEE Communications Surveys & Tutorials.

- 2022. - T. 24. - № 4. - C. 2255-2291.

108. Alexopoulos, K. Digital twin-driven supervised machine learning for the development of artificial intelligence applications in manufacturing / Alexopoulos K., Nikolakis N., Chryssolouris G. // International Journal of Computer Integrated Manufacturing. - 2020. - T. 33. - № 5. - C. 429-439.

109. Chan, K. C. Generation of synthetic manufacturing datasets for machine learning using discrete-event simulation / K. C. Chan, M. Rabaev, H. Pratama // Production & Manufacturing Research. - 2022. - Т. 10. - № 1. - С. 337-353.

110. Liu, S. A formal specification animation method for operation validation / S. Liu, W. Miao // Journal of Systems and Software. - 2021. - Т. 178. - С. 110948.

111. Swider, C. L. The effective use of animation in simulation model validation / C. L. Swider, K. W. Bauer, T. F. Schuppe // Proceedings of Winter Simulation Conference. - IEEE, 1994. - С. 633-640.

112. Hunter, G. Testing and Validation of NextGen Simulators //AIAA Modeling and Simulation Technologies Conference. - 2009. - С. 6124.

113. Калугян, К. Х. Моделирование процессов контроля качества программного обеспечения / К. Х. Калугян, К. Н. Щербакова, М. В. Глущенко // Системный анализ в проектировании и управлении. - 2020. - Т. 24. - №2 3. - С. 308314.

114. Pinar Saygin A. Turing test: 50 years later / Pinar Saygin A., Cicekli I., Akman V. // Minds and machines. - 2000. - Т. 10. - № 4. - С. 463-518.

115. Орлов, А. И. Организационно-экономическое моделирование: учебник: в 3 ч. Ч. 2. Экспертные оценки / А.И. Орлов // М.: изд-во МГТУ им. НЭ Баумана, 2011. - 486 с.

116. Горбунов, В. В. Экспертная оценка-меры объективизации субъективного мнения / В.В. Горбунов // Медицина труда и промышленная экология. - 2009. - № 2. - С. 41-46.

117. Sarrazin, F. Global Sensitivity Analysis of environmental models: Convergence and validation / F. Sarrazin, F. Pianosi, T. Wagener // Environmental Modelling & Software. - 2016. - Т. 79. - С. 135-152.

118. Stanislaw, H. Tests of computer simulation validity: what do they measure? / Н. Stanislaw // Simulation & Games. - 1986. - Т. 17. - № 2. - С. 173-191.

119. Бекларян, А. Л. Имитационная модель поведения толпы в среде разработки AnyLogic / А.Л. Бекларян // Вестник Бурятского государственного университета. Математика, информатика. - 2015. - № 9. - С. 40-53.

120. Dickinson, J. R. An Empirical Investigation of the Internal Validity of A Marketing Simulation Game John / J. R. Dickinson, T. R. Whiteley, A. J. Faria // Developments in Business Simulation and Experiential Learning: Proceedings of the Annual ABSEL conference. - 1990. - Т. 17.

121. Яцкив, И. В. Проблема валидации имитационной модели и ее возможные решения / И.В. Яцкив // Материалы конференции ИММОД-2003. СПб.: ФГУП ЦНИИТС. - 2003.

122. Kleijnen, J. P. C. Validation of simulation, with and without real data / J. P. C. Kleijnen // Tilburg University, Center for Economic Research, Discussion Paper Series. - 1998. - No. 1998-22.

123. Ланцев, Е. А. Верификация агентных имитационных моделей ANYLOGIC с применением технологии интеллектуального анализа процессов (PROCESS MINING). - 2013.

124. Robinson, S. Simulation verification, validation and confidence: a tutorial / S. Robinson // Transactions of the Society for Computer Simulation. - 1999. - Т. 16. -№ 2. - С. 63-69.

125. Флейшман, Б. С. Элементы теории потенциальной эффективности сложных систем: монография / Б.С. Флейшман // М.: Издательство «Советское радио», 1971. - 225 с.

126. Флейшман Б. С. Основы системологии / Б.С. Флейшман // М.: Радио и связь, 1982. - 368 с.

127. Ланкин, В. Е. Децентрализация управления в социально-экономических системах: монография. / В.Е. Ланкин // Таганрог: Таганрогский государственный радиотехнический университет, 2005. - 229 с.

128. Новосельцев, В. И. Системный анализ: современные концепции / В. И. Новосельцев - 2-е изд., испр. и доп. - Воронеж: Кварта, 2003. - 359 с. - ISBN 589609-011-0

129. Батищев, Д. И. Оптимизация в САПР: учебник для вузов / / Д. И. Батищев, Я. Е. Львович, В. Н. Фролов. - Воронеж: Изд-во Воронеж. гос. ун-та, 1997. - 415 с. - ISBN 5-7455-0812-4. - 1997.

130. Львович, И.Я. Информационные технологии моделирования и оптимизации: краткая теория и приложения: монография / И. Я. Львович, Я. Е. Львович, В. Н. Фролов // Воронеж: Издательско-полиграфический центр «Научная книга», 2016. - 443 с. - ISBN 978-5-4446-0836-4

131. Щукин, О.А. Измерение и оценка деятельности организации // М.: LAP Lambert Academic Publishing. - 2012.

132. Львович, Я. Е. Принятие решений в экспертно-виртуальной среде: монография / Я. Е. Львович, И. Я. Львович // Воронеж: Издательско-полиграфический центр «Научная книга», 2010. - 139 с. - ISBN 978-5-904786-07-6.

133. Юдин, Д. Б. Экстремальные модели в экономике / Д.Б. Юдин // Москва: Экономика, 1979. - 287 с.

134. Гольштейн, Е.Г. Новые направления в линейном программировании / / Е. Г. Гольштейн, Д. Б. Юдин. - М.: Издательство «Советское радио», 1966. - 524 с.

135. Dantzig, G. B. The decomposition algorithm for linear programs / G. B. Dantzig, P. Wolfe // Econometrica: Journal of the Econometric Society. - 1961. - С. 767778.

136. Корнаи, И. Планирование на двух уровнях / И. Корнаи, Т. Липтак // Применение математики в экономических исследованиях. - 1965. - Т. 3. - С. 107136.

137. Жариков, А. В. Методы блочного линейного программирования / А. В. Жариков, Н. М. Оскорбин // Труды семинара по геометрии и математическому моделированию. - 2013. - № 1. - С. 22-28.

138. Жариков А. В. Исследование скорости сходимости некоторых алгоритмов блочного линейного программирования / А.В. Жариков // Известия Алтайского государственного университета. - 2013. - № 1-1 (77). - С. 100-105.

139. Шестопалов, М.Ю. Проектирование систем управления территориально распределенными объектами / М.Ю. Шестопалов, Д.Х. Имаев, Ю.А. Кораблев, С.В. Квашнин // Инновации. - 2018. - №10 (240). - С. 100-107.

140. Черданцев, В. П. Формирование единого информационного пространства / В. П. Черданцев, П. Е. Кобелев // Аграрный вестник Урала. - 2010. - № 11-1(77). - С. 102-103.

141. Эмилова, О. А. Единое информационное пространство университета / О. А. Эмилова, М. В. Сержантова // Решетневские чтения. - 2013. - № 2(17). - С. 168-170.

142. Шнепс-Шнеппе, М.А. О создании единого информационного пространства общества / М.А. Шнепс-Шнеппе, Д.Е. Намиот, В.А. Сухомлин // International Journal of Open Information Technologies. - 2015. - Т. 3. - № 2. - С. 110.

143. Львович Я.Е., Оптимизация цифрового управления в организационных системах: коллективная монография / Я. Е. Львович, И. Я. Львович, О. Н. Чопоров [и др.]; под общей редакцией Я. Е. Львовича // Воронеж: Научная книга, 2021. - 191 с. - ISBN 978-5-4446-1550-8.

144. Львович И.Я. Принятие решений на основе оптимизационных моделей и экспертной информации: монография / И. Я. Львович. - Воронеж: Научная книга, 2023. - 231 с. - ISBN 978-5-4446-1788-5.

145. Лохвицкий, В. А. Подход к построению системы автоматизированной интеграции информации в базу данных для её своевременной актуализации / В. А. Лохвицкий, С. В. Калиниченко, А. А. Нечай // Мир современной науки. - 2014. - Т. 2. - № 24. - С. 8-12.

146. Назарова, Д. Важность информационной безопасности в цифровой экономике / Д. Назарова, Н. Башимова // Символ науки. - 2023. - Т. 5. - № 1. - С. 84.

147. Медведев Н. В., Гришин Г. А. Модели управления доступом в распределенных информационных системах / // Машиностроение и компьютерные технологии. - 2011. - № 1. - С.1.

148. Чернов, Д. В. ДП-модель мандатного управления доступом с контролем целостности СУБД MySQL / Д.В. Чернов // Прикладная дискретная математика. Приложение. - 2014. - № 7. - С. 103-105.

149. Смит И. В. О программной реализации алгоритмов замыкания базовой ДП-модели компьютерной системы с дискреционным управлением доступом / И.В. Смит // Прикладная дискретная математика. Приложение. - 2009. - №2 1. - С. 54-55.

150. Семенова Н. А. Семантическая ролевая модель управления доступом / Н.А. Семенова // Прикладная дискретная математика. - 2012. - №2 2(16). - С. 50-64.

151. Гусев, П.Ю. Структуризация многофункциональной цифровизированной системы и управление ею на основе оптимизационных моделей дезагрегации ресурсов и объемов деятельности / П. Ю. Гусев, Я.Е. Львович // Моделирование, оптимизация и информационные технологии. - 2023. -№ 11(4). - Доступно по: Шрв://шо11у1у1ги/ги/]оигпа1/рё1:?1ё=1441. - Б01: 10.26102/2310-6018/2023.43.4.004

152. Речинский, А.В. Анализ особенностей построения экспертных систем / Речинский, А.В. Л.А. Станкевич, Л.В. Черненькая, А.В. Черненький // Известия Тульского государственного университета. Технические науки. - 2023. - №4. - С. 199-205.

153. Абрахам, Аджит Экспертные системы на основе правил / Аджит Абрахам, П. Н. Семченко // Вестник Тихоокеанского государственного университета. - 2013. - №3 (30). - С. 29-40.

154. Гусев, П. Ю. Оптимизационное моделирование и алгоритмизация управления процессом дезагрегации ресурсов и объемов деятельности в структурно сложной системе с цифровым трансфером решений / П. Ю. Гусев, Я. Е. Львович // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. - 2024. - № 1. - С. 11-19.

155. Мацящик, В. Ф. Применение двойственного симплекс метода / В.Ф. Мацящик // Инженерные и информационные технологии, экономика и менеджмент в промышленности. - 2020. - С. 108-110.

156. Егорова, Е. С. Применение многофакторного анализа для оценки функциональности систем управления проектами / Е. С. Егорова, Н. А. Попова // Моделирование, оптимизация и информационные технологии. - 2019. - Т. 7. - № 2. - С. 351-364.

157. Кравченко, Т. К. Экспертная система поддержки принятия решений / Т.К. Кравченко // Открытое образование. - 2010. - № 6. - С. 147-156.

158. Булавский, В. А. Численные методы линейного программирования (спец. задачи) / В.А. Булавский, Р.А. Звягина, М.А. Яковлева; под ред. Л.В. Канторовича. - Москва: Наука, 1977. - 367 с.

159. Гусев, П.Ю. Систематизация и управление доступом к данным в многофункциональной цифровизированной системе / П. Ю. Гусев // Моделирование, оптимизация и информационные технологии. - 2023. - № 11(4). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1474. - DOI: 10.26102/23106018/2023.43.4.025

160. Гусев, П.Ю. Применение генетических алгоритмов в оптимизации планировочных решений производственных подразделений машиностроительных предприятий / П.Ю. Гусев, К.Ю. Гусев, С.Ю. Вахмин // Вестник Воронежского государственного технического университета. - 2019. - Т. 15. - № 2. - С. 22-28.

161. Гусев, П.Ю. Особенности иерархической структуры объектов в имитационных моделях больших производственных систем / П.Ю. Гусев, Ю.С. Скрипченко, Ю.М. Школьникова // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2018. -№ 2. - С. 75-81.

162. Гусев, П.Ю. Использование API-интерфейса Plant Simulation для оптимизации транспортной системы производственного подразделения / П.Ю. Гусев, Ю.С. Скрипченко, А.А. Пак, К.Ю. Гусев // Вестник Воронежского государственного технического университета. - 2018. - Т. 14. - № 5. - С. 42-46.

163. Гусев, П.Ю. Автоматизация планирования производственных процессов авиастроительного предприятия с использованием цифрового двойника / П.Ю. Гусев // Труды МАИ. - 2018. - № 103. - С. 27.

164. Чижов, М.И. Автоматизация оперативного производственного планирования с применением имитационного моделирования и интеграцией на цеховой уровень / М.И. Чижов, П.Ю. Гусев, Ю.С. Скрипченко // Автоматизация в промышленности. - 2018. - № 8. - С. 30-35.

165. Гусев, П.Ю. Тазработка принципов создания имитационных моделей на основе событий технологических процессов / П.Ю. Гусев, Ю.С. Скрипченко // Вестник Воронежского государственного технического университета. - 2016. - Т. 12. - № 5. - С. 92-96.

166. Гусев, П.Ю. Анализ и оптимизация производства деталей самолетных агрегатов с применением имитационного моделирования / П.Ю. Гусев, Ю.С. Скрипченко, Д.В. Лысов // Известия Самарского научного центра Pоссийской академии наук. - 2016. - Т. 18. - № 4-3. - С. 432-438.

167. Чижов, М.И. Имитационное моделирование производства деталей из полимерных композиционных материалов. / М.И. Чижов, Ю.С. Скрипченко, П.Ю. Гусев // Компьютерные исследования и моделирование. - 2014. - Т. 6. - № 2. . - С. 245-252.

168. Чижов, М.И. Создание имитационной модели цеха производства деталей из полимерно-композиционных материалов / М.И. Чижов, Ю.С. Скрипченко, П.Ю. Гусев // Вестник Воронежского государственного технического университета. - 2012. . - Т. 8. - № 12-2. - С. 73-75.

169. Чижов, М.И. Генетические алгоритмы в оптимизации материальных потоков участка механической фрезерной обработки / М.И. Чижов, Ю.С. Скрипченко, П.Ю. Гусев // Вестник Воронежского государственного технического университета. - 2012. - Т. 8. - № 12-2. - С. 70-72.

170. Чижов, М.И. Моделирование участка производства пилонов в Tecnomatix Plant Simulation / М.И. Чижов, Ю.С. Скрипченко, П.Ю. Гусев // Вестник Воронежского государственного технического университета. - 2011. - Т. 7. - № 122. - С. 4-5.

171. Чижов, М.И. Имитационное моделирование технологического процесса сборки боковой панели / М.И. Чижов, Ю.С. Скрипченко, П.Ю. Гусев // Вестник Воронежского государственного технического университета. - 2011. - Т. 7. - № 12-2. - С. 28-29.

172. Чижов, М.И. Моделирование технологических процессов в Tecnomatix Plant Simulation / М.И. Чижов, Ю.С. Скрипченко, П.Ю. Гусев // Вестник

Воронежского государственного технического университета. - 2011. - Т. 7. - № 122. - С. 18-20.

173. Чижов, М.И. Автоматизация и оптимизация технологических процессов в Tecnomatix Plant Simulation / М.И. Чижов, Ю.С. Скрипченко, П.Ю. Гусев // Вестник Воронежского государственного технического университета. -2011. - Т. 7. - № 12-1. - С. 36-38.

174. Bocharov, V Analysis of resource availability of production enterprise based on fuzzy / V. Bocharov, A. Danilov, V. Burkovsky, K. Gusev, P. Gusev // Proceedings of 15th International Conference on Electromechanics and Robotics "Zavalishin's Readings", ER(ZR) 2020, Ufa, Russia, 15-18 April 2020. - РР. 459-467. -D0I:10.1007/978-981-15-5580-0_37.

175. Krysanov, V. Optimization of energy consumption of the enterprise using simulation modeling / Krysanov V., Danilov A., Burkovsky V., Gusev P., Gusev K. // Smart Innovation, Systems and Technologies. - 2020. - Т. 154. - С. 707-715.

176. Podvalny, S. L. Optimization of the work of the blank production of a machine-building enterprise with the use of simulation / S. L. Podvalny, M. I. Chizhov, P. Y. Gusev, K. Y. Gusev // Journal of Physics: Conference Series, Tambov, 14-16 ноября 2018 года. Vol. 1278. - Tambov: Institute of Physics Publishing, 2019. - P. 012034. - DOI 10.1088/1742-6596/1278/1/012.

177. Гусев, П. Ю. Управление целостностью данных предприятия с использованием цифрового и имитационного моделирования / П. Ю. Гусев // Созвездие Роскосмоса: траектория науки: Материалы II Отраслевой научно-практической конференции, Красноярск, 04-06 октября 2023 года. - Красноярск: Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева", 2023. - С. 105-106.

178. Гусев, П. Ю. Оптимизация транспортной системы предприятия с применением модифицированных объектов программного средства имитационного моделирования / П. Ю. Гусев, М. И. Чижов, Ю. С. Скрипченко // Информатика: проблемы, методы, технологии: Материалы XX Международной

научно-методической конференции, Воронеж, 13-14 февраля 2020 года / Под редакцией А.А. Зацаринного, Д.Н. Борисова. - Воронеж: "Научно-исследовательские публикации" (ООО "Вэлборн"), 2020. - С. 1734-1738.

179. Chigbu, A. E. et al. Simulation of the robotic transport devices characteristics //IOP Conference Series: Materials Science and Engineering. - IOP Publishing, 2020. -Т. 862. - № 3. - С. 032045.

180. Гусев, П. Ю. Pазработка принципов формирования структуры объектов в имитационных моделях / П. Ю. Гусев, М. И. Чижов, Ю. С. Скрипченко // Информатика: проблемы, методы, технологии: Материалы XX Международной научно-методической конференции, Воронеж, 13-14 февраля 2020 года / Под редакцией А.А. Зацаринного, Д.Н. Борисова. - Воронеж: "Научно-исследовательские публикации" (ООО "Вэлборн"), 2020. - С. 1739-1744. - EDN WHCNWI.

181. Гусев, П. Ю. Имитационное моделирование производства труб / П. Ю. Гусев, Ю. С. Скрипченко, А. В. Бурковский // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Труды Международной научно-технической конференции, посвященной памяти д.т.н., профессора Зайцева Александра Ивановича, Воронеж, 21-23 ноября 2019 года. -Воронеж: ООО "НАУЧНОЕ ИЗДАТЕЛЬСТВО ГУСЕВЫХ", 2019. - С. 24-26.

182. Камышев, А.В. Практический опыт применения имитационного моделирования как инструмента оптимизации производственных систем / А. В. Камышев, М. И. Чижов, П. Ю. Гусев, К. Ю. Гусев // Девятая всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности : Труды конференции, Екатеринбург, 16-18 октября 2019 года. - Екатеринбург: Издательство Уральского государственного педагогического университета, 2019. - С. 400-404.

183. Podvalny, S. L. The crossover operator of a genetic algorithm as applied to the task of a production planning / S. L. Podvalny, M. I. Chizhov, P. Y. Gusev, K. Y. Gusev // Procedia Computer Science: Proceedings of the 13th International Symposium "Intelligent Systems", INTELS 2018, St. Petersburg, 22-24 октября 2018 года. Vol. 150.

- St. Petersburg: Elsevier B.V., 2019. - P. 603-608. - DOI 10.1016/j.procs.2019.02.100.

184. Гусев, П. Ю. Автоматизация планирования производственных процессов авиастроительного предприятия с использованием цифрового двойника / П. Ю. Гусев // Молодёжь и будущее авиации и космонавтики: 10-й Всероссийский межотраслевой молодёжный конкурс научно-технических работ и проектов: аннотации конкурсных работ: Московский авиационный институт (национальный исследовательский университет), 2018. - С. 115-117.

185. Гусев, П. Ю. Разработка имитационной модели дискретного технологического процесса механической обработки / П. Ю. Гусев, М. М. Тупикин, Ю. В. Павленков // Современные материалы, техника и технология: сборник научных статей 8-й Международной научно-практической конференции, Курск, 29-30 декабря 2018 года. - Курск: Закрытое акционерное общество "Университетская книга", 2018. - С. 120-122.

186. Подвальный, С.Л. Оптимизация работы заготовительного участка машиностроительного предприятия с применением имитационного моделирования / С. Л. Подвальный, М. И. Чижов, П. Ю. Гусев, К. Ю. Гусев // Виртуальное моделирование, прототипирование и промышленный дизайн: Материалы V Международной научно-практической конференции, Тамбов, 14-16 ноября 2018 года. Том 2, Выпуск 5. - Тамбов: Издательский центр ФГБОУ ВО "Тамбовский государственный технический университет", 2018. - С. 250-253.

187. Гусев, П. Ю. Применение имитационного моделирования для расчета требуемого количества оборудования / П. Ю. Гусев, М. М. Тупикин, Ю. В. Павленков // Наука молодых - будущее России: сборник научных статей 3-й Международной научной конференции перспективных разработок молодых ученых : в 6 т., Курск, 11-12 декабря 2018 года. Том 5. - Курск: Закрытое акционерное общество "Университетская книга", 2018. - С. 25-27.

188. Гусев, П. Ю. Особенности проектирования иерархической структуры объектов имитационной модели в Tecnomatix Plant Simulation / П. Ю. Гусев, Ю. С. Скрипченко, Ю. М. Школьникова // Информатика: проблемы, методология, технологии : Сборник материалов XVIII международной научно-методической

конференции: в 7 томах, Воронеж, 08-09 февраля 2018 года / Под редакцией Н. А. Тюкачева. Том 6. - Воронеж: Научно-исследовательские публикации, 2018. - С. 113-118.

189. Гусев, П. Ю. Модификация Tecnomatix Plant simulation с применением API-интерфейса / П. Ю. Гусев, Ю. С. Скрипченко // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Труды Международной научно-технической конференции, Воронеж, 09-10 ноября 2017 года. Том 1. - Воронеж: Воронежский государственный технический университет, 2017. - С. 55-57.

190. Гусев, П. Ю. Имитационное моделирование в жизненном цикле летательных аппаратов / П. Ю. Гусев, А. С. Кольцов // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Труды Международной научно-технической конференции, Воронеж, 09-10 ноября 2017 года. Том 1. - Воронеж: Воронежский государственный технический университет, 2017. - С. 58-60.

191. Гусев, П. Ю. Имитационное моделирование участка обслуживания поезда в Tecnomatix Plant Simulation / П. Ю. Гусев, М. И. Чижов, Ю. С. Скрипченко // Информатика: проблемы, методология, технологии : сборник материалов XVII международной научно-методической конференции: в 5 т. Том 4. - Воронеж: Общество с ограниченной ответственностью "Вэлборн", 2017. - С. 291-295.

192. Гусев, П. Ю. Анализ и оптимизация имитационной модели участка обслуживания поезда / П. Ю. Гусев, В. В. Ветохин, В. В. Сокольников // Информатика: проблемы, методология, технологии: сборник материалов XVII международной научно-методической конференции: в 5 т. Том 4. - Воронеж: Общество с ограниченной ответственностью "Вэлборн", 2017. - С. 295-297.

193. Гусев, П. Ю. Проектирование иерархической структуры объектов имитационной модели в Tecnomatix Plant Simulation / П. Ю. Гусев, Е. В. Куралесина // Наука - производству: Материалы международной научно-практической конференции, Мурманск, 22-25 марта 2016 года / Мурманский государственный

технический университет. - Мурманск: Мурманский государственный технический университет, 2016. - С. 161-166.

194. Гусев, П. Ю. Оптимизация имитационной модели участка механической обработки с применением эволюционных алгоритмов / П. Ю. Гусев, Ю. С. Скрипченко, Д. В. Трубецкой // Информатика: проблемы, методология, технологии : Материалы XVI Международной научно-методической конференции, Воронеж, 11-12 февраля 2016 года / Под редакцией Тюкачева Н.А.. - Воронеж: Научно-исследовательские публикации, 2016. - С. 298-301.

195. Чижов, М. И. Повышение точности расчета количества технологического оборудования с применением имитационного моделирования / М. И. Чижов, Ю. С. Скрипченко, П. Ю. Гусев // Инновации, качество и сервис в технике и технологиях: Сборник научных трудов 6-ой Международной научно-практической конференции, Курск, 02-03 июня 2016 года / Горохов А.А. (отв. ред.). - Курск: Закрытое акционерное общество "Университетская книга", 2016. - С. 307309.

196. Чижов, М. И. Разработка имитационной модели дискретного технологического процесса механической обработки / М. И. Чижов, П. Ю. Гусев, Д. В. Трубецкой // Информатика: проблемы, методология, технологии: Материалы XVI Международной научно-методической конференции, Воронеж, 11-12 февраля 2016 года / Под редакцией Тюкачева Н.А. - Воронеж: Научно-исследовательские публикации, 2016. - С. 430-432.

197. Гусев, П. Ю. Анализ и оптимизация производства деталей самолетных агрегатов с применением имитационного моделирования / П. Ю. Гусев, Ю. С. Скрипченко, Д. В. Лысов // Системы управления жизненным циклом изделий авиационной техники: актуальные проблемы, исследования, опыт внедрения и перспективы развития: Тезисы докладов V Международной научно-практической конференции, Ульяновск, 24-25 ноября 2016 года. - Ульяновск: Ульяновский государственный университет, 2016. - С. 43-45.

198. Чижов, М. И. Моделирование транспортной системы в Tecnomatix Plant Simulation / М. И. Чижов, Ю. С. Скрипченко, П. Ю. Гусев // Перспективное

развитие науки, техники и технологий: материалы Международной научно-практической конференции, Курск, 07 октября 2011 года / Ответственный редактор Горохов А.А.. - Курск: Индивидуальный предприниматель Горохов Александр Анатольевич, 2011. - С. 258-260.

199. Гусев, П. Ю. Разработка структуры имитационной модели для автоматизированного построения планировочных решений в Tecnomatix Plant Simulation / П. Ю. Гусев, А. В. Бесько, Е. М. Фетисов // Современные инновации в науке и технике: Сборник научных трудов 6-ой Международной научно-практической конференции, Курск, 21-22 апреля 2016 года / Ответственный редактор Горохов А.А.. - Курск: ЗАО "Университетская книга", 2016. - С. 73-75.

200. Гусев, П. Ю. Возможности применения API интерфейса Tecnomatix plant simulation / П. Ю. Гусев, Д. Е. Пачевский, В. В. Сокольников // Современные инновации в науке и технике: Сборник научных трудов 6-ой Международной научно-практической конференции, Курск, 21-22 апреля 2016 года / Ответственный редактор Горохов А.А.. - Курск: ЗАО "Университетская книга", 2016. - С. 76-78.

201. Гусев, П. Ю. Оптимизация имитационной модели производства деталей из ПКМ / П. Ю. Гусев // Информатика: проблемы, методология, технологии: материалы XV международной научно-методической конференции, Воронеж, 12-13 февраля 2015 года. Vol. Том 3. - Воронеж: Воронежский государственный университет, 2015. - P. 288-290.

202. Скрипченко, Ю. С. Цифровое моделирование сборочного производства в Tecnomatix Plant Simulation / Ю. С. Скрипченко, П. Ю. Гусев // Техника и технологии: пути инновационного развития: материалы Международной научно-практической конференции, Курск, 01 июля 2011 года / Ответственный редактор: Горохов А.А.. - Курск: Юго-Западный государственный университет, 2011. - С. 133-135.

203. Lambora, A. Genetic algorithm-A literature review / A. Lambora, K. Gupta, K. Chopra // 2019 international conference on machine learning, big data, cloud and parallel computing (COMITCon). - IEEE, 2019. - С. 380-384.

204. Курейчик, В. М. Генетические алгоритмы / В.М. Курейчик // Известия Южного федерального университета. Технические науки. - 1998. - Т. 8. - № 2. - С. 4-7.

205. Загинайло, М. В. Генетический алгоритм как эффективный инструмент эволюционных алгоритмов / М. В. Загинайло, В. А. Фатхи //Инновации. Наука. Образование. - 2020. - № 22. - С. 513-518.

206. Монова, Д. А. Комплексный генетический алгоритм / Д. А. Монова, А. А. Перпери, П. С. Швец // Пращ Одеського полггехшчного ушверситету. - 2011. -№ 1. - С. 176-179.

207. Баталов, А. Э. Алгоритмы генетического кодирования при различных конфигурациях пространства источника / А. Э. Баталов, И. С. Синева // T-Comm-Телекоммуникации и Транспорт. - 2015. - Т. 9. - № 7. - С. 53-59.

208. Мокшин В. В. Параллельный генетический алгоритм отбора значимых факторов, влияющих на эволюцию сложной системы / В.В. Мокшин // Вестник Казанского государственного технического университета им. АН Туполева. - 2009.

- № 3. - С. 89-93.

209. Гретченко, А.И. Цифровые платформы: новая бизнес-модель в экономике России / А.И. Гретченко, Н.В. Горохова // Вестник Российского экономичского университета им Г.В. Плеханова. - 2019. - № 1(103) . - С. 62-72.

210. Масленников, В.В. Формирование системы цифрового управления организацией / В.В. Масленников, Ю.В. Ляндау, Н.А. Калинина // Вестник Российского экономического университета им Г.В. Плеханова. - 2019. - № 1(103) .

- С. 62-72.

211. Krysanov, V. Optimization of energy consumption of the enterprise using simulation modeling / V. Krysanov, A. Danilov, V. Burkovsky [et al.] // Smart Innovation, Systems and Technologies. - 2020. - Vol. 154. - P. 707-715.

212. Brand, M. Resilience of Digitalized Power Systems-Challenges and Solutions / M. Brand, S. Stark, S. Holly, J. Kamsamrong, C. Mayer & S. Lehnhoff // 2022. - DOI:10.21203/rs.3.rs-2030492/v1.

213. Новиков, В. С. Применение имитационного моделирования в атомной отрасли / В. С. Новиков, М. В. Паринов // Информатика: проблемы, методология, технологии. - 2016. - С. 365-368.

214. Решетников, И. С. Стандарты и технологии интеграции производственных информационных систем / И. С. Решетников, А. П. Козлецов // Информационные технологии в проектировании и производстве. - 2010. - № 2. -С. 24-30.

215. Боденхамер, Б. Учебник магии НЛП / Боб Г. Боденхамер, Л. Майкл Холл. - 2. междунар. изд. - СПб.: прайм-ЕВРОЗНАК; М.: ОЛМА-Пресс, 2003 (М.: ПФ Красный пролетарий). - 272 с.: ил.; 26 см. - (Проект Главный учебник) (НЛП-практик: полный сертификационный курс.); ISBN 5-93878-099-3 (в пер.)

216. Huang, G. B. Extreme learning machine for regression and multiclass classification / G. B. Huang et al. // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). - 2011. - Т. 42. - № 2. - С. 513-529.

217. Kumar, V. Tfidf Vectorizer and SVM based sentiment analysis framework for text data corpus / V. Kumar, B. A. Subba // 2020 national conference on communications (NCC). - IEEE, 2020. - С. 1-6.

218. Дудченко, П. В. Метрики оценки классификаторов в задачах медицинской диагностики / П.В. Дудченко // Молодежь и современные информационные технологии: сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых учёных, 3 -7 декабря 2018 г., г. Томск. - Томск, 2019. - С. 164-165.

219. Aizawa A. An information-theoretic perspective of tf-idf measures / А. Aizawa // Information Processing & Management. - 2003. - Т. 39. - № 1. - С. 45-65.

220. Church, K. W. Word2Vec / K. W. Church // Natural Language Engineering. - 2017. - Т. 23. - № 1. - С. 155-162.

221. Pennington, J. Glove: Global vectors for word representation / J. Pennington, R. Socher, C. D. Manning // Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP). - 2014. - С. 1532-1543.

222. Нгуен, М. Т. Тестирование методов машинного обучения в задаче классификации http запросов с применением технологии tf-idf / М. Т. Нгуен // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2019. - № 4. - С. 119-131.

223. Kim M. S. et al. n-gram/2l: A space and time efficient two-level n-gram inverted index structure // Proceedings of the 31st international conference on Very large data bases. - 2005. - С. 325-336.

224. Khanna, S. A comparative study on various text classification methods / S. Khanna et al. // Computational Intelligence in Pattern Recognition: Proceedings of CIPR 2020. - Springer Singapore, 2020. - С. 539-549.

225. Streiner, D. L. "Precision" and "accuracy": two terms that are neither / D. L. Streiner, G. R. Norman // Journal of clinical epidemiology. - 2006. - Т. 59. - № 4. - С. 327-330.

226. Raaijmakers, J. G. W. Models for recall and recognition / J. G. W. Raaijmakers, R. M. Shiffrin // Annual review of psychology. - 1992. - Т. 43. - № 1. - С. 205-234.

227. Неустроев, А. В. Использование в фреймворке Flask библиотеки SQLAlchemy / А. В. Неустроев // Наука и образование сегодня. - 2016. - № 10 (11). - С. 21-23.

228. Relan, K. Beginning with flask / K. Relan, K. Relan // Building REST APIs with Flask: Create Python Web Services with MySQL. - 2019. - С. 1-26.

229. Сузи Р. А. Язык программирования Python: учебное пособие / Р. А. Сузи. - Москва: Интернет-ун-т информ. технологий: БИНОМ. Лаборатория знаний, 2006. - 326 с.: ил., табл.; 22 см. - (Основы информационных технологий). -ISBN 5-9556-0058-2.

230. Hesterberg, T. Bootstrap / T. Hesterberg // Wiley Interdisciplinary Reviews: Computational Statistics. - 2011. - Т. 3. - № 6. - С. 497-526.

231. Морето С. Bootstrap в примерах. - М.: Litres, 2022.

232. Grinberg, M. Flask web development / M. Grinberg. - " O'Reilly Media, Inc.", 2018. - 291 с. - ISBN: 1491991739, 9781491991732.

233. Pope S. B. PDF methods for turbulent reactive flows / S. Pope // Progress in energy and combustion science. - 1985. - Т. 11. - № 2. - С. 119-192.

234. Yashiro, R. Deep-learning-based security evaluation on authentication systems using arbiter PUF and its variants / R. Yashiro et al. // Advances in Information and Computer Security: 11th International Workshop on Security, IWSEC 2016, Tokyo, Japan, September 12-14, 2016, Proceedings 11. - Springer International Publishing, 2016. - С. 267-285.

235. Пылов, П. А. Использование и представление массивов в библиотеке Numpy / П. А. Пылов, А. В. Протодьяконов // Инновации. Наука. Образование. -2020. - № 23. - С. 258-266.

236. Вохидов, А. М. Разработка графическим пользовательским интерфейсом-программ в пакете Tkinter с использованием современных педагогических технологий в области медицины / А. М. Вохидов и др. // Miasto Przyszlosci. - 2022. - Т. 30. - С. 181-184.

237. Bisong E., Bisong E. Matplotlib and seaborn //Building machine learning and deep learning models on google cloud platform: A comprehensive guide for beginners. - 2019. - С. 151-165.

238. Ненашев, В. А. Применение алгоритмов машинного обучения при проведении гистологических исследований / В. А. Ненашев, Е. А. Тимофеева, С. А. Ненашев // Научная сессия ГУАП. - 2019. - С. 267-271.

239. Гольдштейн, Б. С. Технологические аспекты проектирования программного обеспечения цифровых систем коммутации / Б. С. Гольдштейн // Электросвязь. - 1988. - Т. 10.

240. Белов, В. А. Оценка временной эффективности форматов хранения больших данных в динамике роста объема данных / В. А. Белов, Е. В. Никульчев // Современные информационные технологии и ИТ-образование. - 2021. - Т. 17. - № 4. - С. 889-895.

241. Crockford D. JavaScript: The Good Parts: The Good Parts. - " O'Reilly Media, Inc.", 2008.

242. De Vecchi R. et al. Application of the adaptive model proposed by ASHRAE 55 in the Brazilian climate context: raising some issues // 8th Windsor Conference. -2014. - T. 15251. - C. 13.

243. Shah, J. M. Qualitative Study of Cumulative Corrosion Damage of Information Technology Equipment in a Data Center Utilizing Air-Side Economizer Operating in Recommended and Expanded ASHRAE Envelope / J. M. Shah et al. // Journal of Electronic Packaging. - 2017. - T. 139. - № 2. - DOI: 10.1115/1.4036363.

244. ASHRAE Technical Committee 9.9, 2010, "ASHRAE DOE Course: Save Energy Now Presentation Series," American Society of Heating, Refrigerating, and Air-Conditioning Engineers, Dallas, TX.

245. ASHRAE Technical Committee 9.9, 2004, Thermal Guidelines for Data Processing Environments (ASHRAE Datacom Series), 1st ed., American Society of Heating, Refrigerating, and Air-Conditioning Engineers, Atlanta, GA.

246. ASHRAE Technical Committee 9.9, 2008, Thermal Guidelines for Data Processing Environments (ASHRAE Datacom Series), 2nd ed., American Society of Heating, Refrigerating, and Air-Conditioning Engineers, Atlanta, GA.

247. ASHRAE Technical Committee 9.9, 2012, Thermal Guidelines for Data Processing Environments (ASHRAE Datacom Series), 3rd ed., American Society of Heating, Refrigerating, and Air-Conditioning Engineers, Atlanta, GA.

248. Liu, X. School-Enterprise Cooperation on Python Data Analysis Teaching / X. Liu, H. Xu // 2019 14th International Conference on Computer Science & Education (ICCSE). - IEEE, 2019. - C. 278-281.

249. Wang, X. Characteristic-based clustering for time series data / X. Wang, K. Smith, R. Hyndman // Data mining and knowledge Discovery. - 2006. - T. 13. - № 3. -C. 335-364.

250. Lubba C. H. et al. catch22: CAnonical Time-series CHaracteristics //Data Mining and Knowledge Discovery. - 2019. - T. 33. - № 6. - C. 1821-1852.

251. Brandani S. Multi-database Access from Amos II using ODBC. - Linkoping University Electronic Press, 1998.

252. Аверилл, М. Л. Имитационное моделирование / Аверилл М. Лоу, В. Дэвид Кельтон; [пер. с англ. под ред. В.Н. Томашевского]. - 3-е изд. - СПб. [и др.]: Питер, 2004 (ГПП Печ. Двор). - 846 с.: ил., табл.; 24 см. - (Серия Классика Computer Science).; ISBN 5-94723-981-7 (в пер.).

253. Черников, М.С. Разработка имитационной модели конструкторско-технологической подготовки заготовительно-штамповочного производства в условиях комплексного применения цифровых технологий / М.С. Черников, А.М. Лотоцкий // Известия Самарского научного центра РАН. - 2014. - №2 1-5. - С. 16351639.

254. Bangsow S. Tecnomatix plant simulation. - Cham, Switzerland: Springer International Publishing, 2020.

255. Курганова, Н. В. Внедрение цифровых двойников как одно из ключевых направлений цифровизации производства / Н. В. Курганова и др. // International journal of open information technologies. - 2019. - Т. 7. - № 5. - С. 105115.

Приложение А. Акты внедрения результатов диссертационной работы

«УТВЕРЖДАЮ»

Заместитель Генерального дирскгора-лиректор филиала АО «Концерн Росэнергоатом» «Новоиоронежская атомная станция»

АКТ

внедрения результатов диссертационной работы на соискание ученой степенн доктора (схнических наук Гусева Павла Юрьевича

Результаты диссертационной работы Г у сева II.К), на тему: « Me го дол и ия и практика управления многофункциональными интеллектуальными системами с использованием условно-реальных данных на основе оптимизационного моделирования», представленной н;. соисктнге ученой степени доктора технических наук, а именно разработанный автором ме ол предиктивного анализа состояния технологического оборудования, являкшн ■ :остав!чющей частью комплексной методологии управления многофункциональными интеллектуальными системами, использован в исследовательской и проектной деятельности филиала АО «Концерн Росэнергоатом» Нововоронежской АЭС (11В A X.').

Созданная Гусевым П.Ю. методическая и практическая база применения методов предиктивного анализа позволяет повысить точность прогнозирования состояния технологического оборудования, что обеспечивает возможность эффективного планирования рабочих процессов и плановых ремонтов. Отдельные положения диссертационной работы U.K.). ! уеева могут быть использованы на НВ АЭС при проведении перспективных исследований по повышению безопасности эксплуатации технологического оборудования.

Зам главного инженера по электротехническом;, оборудованию

Начальник цеха тепловой автоматики и намерений

А.А. Самодеенко

УТВЕРЖДАЮ

ЦТ

АКТ внедрения результатов докторской диссертационной работы

Технический директор

ПАО «Ил» - ВАСО

- Е.Е. Гришин

Р-9 2024 г.

Результаты диссертационной работы «Методология управления многофункциональными интеллектуальными системами с использованием условно-реальных данных на основе оптимизационного моделирования» Гусева Павла Юрьевича, представленной на соискание ученой степени доктора технических наук, использованы в производственной и проектной деятельности филиала ПАО «Ил»-ВАСО. Различные положения диссертационной работы востребованы при оптимизации работы цеха по производству полимерных композиционных материалов, оптимизации производства пилонов, расчета загруженности производственных подразделений при выполнении заданного объёма производства.

Предлагаемые методы прогнозирования состояния производственной системы с применением условно-реальных данных имеют широкую перспективу применения в условиях изменяющихся технологических процессов и модернизации оборудования. Алгоритмы получения условно- реальных данных обеспечивают возможность разработки оперативных производственных планов в короткие сроки при отсутствии статистически накопленной информации.

Главный технолог

И.Б. Соболев

ООО «иэк молдинг»

О*П08Э13Ю1й.0ГРН 10777411256.23. КНН/КГП7?2+63Ьё*г2/ЮБ60гаЛ РФ1, ^ЕЮО.МасквосораЬп., г. Подальс<,пп-т Лсииип.д, 107Л5, йфщ тег : »7(4951 542-22-22. фа«: * 7 542-22-20 ¡пРоЙмек Л1, iak.ru

УТВЕРЖДАЮ . °3 .2024г.

Акт внедрения результатов докторской диссертационной работы

Результаты диссертационной работы «Методология управления многофункциональными интеллектуальными системами с использованием условно реальных данных па основе оптимизационного моделирования» Гусе па Павла Юрьевича, представленной на соискание ученой степени доктора технических наук, представляют несомненный интерес для детального изучения, апроба»ии и возможного внедрения в деятельность компании в 2025 году.

Н современных условиях широкого развития систем контроля производственных предприятий; важными задачами являемой обработка больших объемов данных к получение дополнительных данных, отсутствующих в слабо автоматизированных производствах. Предлагаемый алгоритм получения наборов условно-реальных данных позволит применять современные методы прогноза выполнения производственного плана в условиях отсутствия достаточного объема данных.

Предлагаемые методы управления производственными системами на осниве цифровых двойников обеспечивают прозрачность всех технологических процессов производства, а также позволяют » реальном времени отслеживать и корректировать производственную ситуацию. Развитие методов управления с использованием условно-реальных данных позволяет применить модели машинного обучения при прогнозировании производственной ситуации без наличии достаточного объема статистических данных о работе производственной системы. Особенно актуальным применение подобных методов является при управлении многономенклатурным

■ЕК

УТВЕРЖДАЮ Прорект ор по учебной работе (Ворон еже кий государе г не нпый •^рсг,,;^^ технический университет» ^технических наук, доцент

^ ^ А.И. Колосов ¿£.2024г.

АКТ

об использовании результатов докторской диссертации Гусева Павла Юрьевича на тему «Методолог ия управления многофункциональными интеллектуальными системами с использованием условно-реальных данных на основе оптимизационного моделирования» но специальности 2.3.1 - Системный анализ, управление и обработка

информации, статистика в учебном процессе Воронежского государственного технического университ ета

Результаты диссертационной работы «Методология управления многофункциональными интеллектуальными системами с использованием условно-реальных данных на основе оптимизационного моделирования» Гусева Павла Юрьевича, представленной на соискание ученой степени доктора технических наук, внедрены в учебный процесс кафедры искусственного интеллекта и цифровых технологий факультета информационных технологий и компьютерной безопасности. Различные положения диссертационной работы используются в программах следующих дисциплин:

- «Системы искусственного интеллекта» - направление подготовки 09.03.02 Информационные системы и технологии, профили «Информационные системы и технологии цифровизации», «Системы автоматизации проектирования и разработки информационных систем»;

- «Прототииирование и ИТ-проектах» - направление подготовки 09.03.02 Информационные системы и технологии, профиль «Информационные системы и технологии цифровизации».

Результаты диссертационной работы используются при подготовке выпускных квалификационных работ по направлениям подготовки 09.03.02, 09.04.02.

Декан факультета

информационных технологий и компьютерной безопасности

. Бредихин рУ ,2024г.

Начальник учебно-

методического управления

К.А. Скляром ¿Г . ,2024г.