Применение искусственного интеллекта в стратегическом управлении на производственном предприятии: разработка программного модуля для многокритериальной оптимизации выпуска продукции
DOI:
https://doi.org/10.22213/2410-9304-2025-3-33-41Ключевые слова:
стратегическое управление, ресурсы, складские запасы, многокритериальная оптимизация, план производства, генетический алгоритм, промышленное предприятиеАннотация
В статье представлено исследование, посвященное разработке программного модуля, оптимизирующего выпуск продукции машиностроительного предприятия с учетом максимизации прибыли. Рассматриваются два ключевых критерия: выполнение договорных обязательств и максимизация доходов от продаж. Описывается подход к решению задачи многокритериальной оптимизации с использованием генетического алгоритма, являющегося одним из методов, используемых в области искусственного интеллекта для решения сложных оптимизационных и поисковых задач. В условиях неопределенности спроса, вызванной экономическими, социальными и политическими изменениями, предложенное решение актуально для стратегического управления предприятием. Оно способствует гибкому реагированию на рыночные изменения, снижению рисков недопроизводства или перепроизводства, а также повышению конкурентоспособности. Разработка таких инструментов имеет значительное значение для повышения эффективности планирования и управления в машиностроении. Приводится алгоритм расчета многокритериальной задачи, реализованный на языке Java с применением библиотеки JavaFX для графического интерфейса и Apache POI для экспорта данных. Рассматривается архитектура программного прототипа, в том числе иерархия состава программы и ER - модель данных. Разработанный программный прототип предоставляет возможности ввода параметров ресурсов, объемов производства, а также выбора критериев оптимизации. Проведено опытное тестирование разработанного модуля на различных сценариях оптимизации выпуска продукции, сравнение полученных решений с результатами расчетов в MS EXCEL, подтвердившая корректность работы применяемого алгоритма. В статье подчеркивается важность использования современных методов оптимизации и программных средств для разработки интеллектуальных информационных систем по управлению многокритериальным производственным планом выпуска продукции.Библиографические ссылки
Liu H. NeuroCrossover: An intelligent genetic locus selection scheme for genetic algorithm using reinforcement learning // Applied Soft Computing. 2023. Т. 146. С. 110680.
Hao X. The role of digitalization on green economic growth: Does industrial structure optimization and green innovation matter? // Journal of environmental management. 2023. Т. 325. С. 116504.
Zhang Y. Towards a serverless java runtime // 2021 36th IEEE/ACM International Conference on Automated Software Engineering (ASE). 2021. С. 1156-1160.
Biradar V. S.Intelligent Control Systems for Industrial Automation and Robotics // 2023 10th IEEE Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON). 2023. Т. 10. С. 1238-1243.
Тымкив А. И., Федоренко А. В., Худасова О. Г. Обзор средств и возможностей API библиотеки ApachePOI // Информационные технологии как основа эффективного инновационного развития. 2022. С. 70-73.
Khatri K. A. Genetic algorithm based techno-economic optimization of an isolated hybrid energy system // CRF. 2023. Т. 8., №. 4. С. 1447-1450.
Anwaar A. Genetic algorithms: Brief review on genetic algorithms for global optimization problems // 2022 Human-Centered Cognitive Systems (HCCS). 2022. С. 1-6.
Alhijawi B., Awajan A. Genetic algorithms: Theory, genetic operators, solutions, and applications // Evolutionary Intelligence. 2024. Т. 17., №. 3. С. 1245-1256.
Flatscher R. G., Müller G. Employing Portable JavaFX GUIs with Scripting Languages / /Central European Conference on Information and Intelligent Systems. 2021. С. 333-341.
Zampetti F. et al. CI/CD pipelines evolution and restructuring: A qualitative and quantitative study //2021 IEEE International Conference on Software Maintenance and Evolution (ICSME). 2021. С. 471-482.
Paramitha R. Cross-ecosystem categorization: A manual-curation protocol for the categorization of Java Maven libraries along Python PyPI Topics // arXiv preprint arXiv:2403.06300. 2024.
Brown N. C. C. Novice use of the Java programming language //ACM Transactions on Computing Education. 2022. Т. 23., №. 1. С. 1-24.
Olurin J. O. et al. Strategic HR management in the manufacturing industry: balancing automation and workforce development // International Journal of Research and Scientific Innovation. 2024. Т. 10., №. 12. С. 380-401.
Haleem A. Hyperautomation for the enhancement of automation in industries // Sensors International. 2021. Т. 2. С. 100124.
Karumban S. Industrial automation and its impact on manufacturing industries // Revolutionizing Industrial Automation Through the Convergence of Artificial Intelligence and the Internet of Things. 2023. С. 24-40.
Khakifirooz M. Scheduling in Industrial environment toward future: insights from Jean-Marie Proth // International Journal of Production Research. 2024. Т. 62., №. 1-2. С. 291-317.
Luo T. An improved levy chaotic particle swarm optimization algorithm for energy-efficient cluster routing scheme in industrial wireless sensor networks // Expert Systems with Applications. 2024. Т. 241. С. 122780.
Maschler B., Weyrich M. Deep transfer learning for industrial automation: A review and discussion of new techniques for data-driven machine learning //IEEE Industrial Electronics Magazine. 2021. Т. 15., №. 2. С. 65-75.
Ma H. A multi-stage evolutionary algorithm for multi-objective optimization with complex constraints // Information Sciences. 2021. Т. 560. С. 68-91.
Deng W. An improved differential evolution algorithm and its application in optimization problem // Soft Computing. 2021. Т. 25. С. 5277-5298.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 А В Демышев, Д В Целищев, С В Вологдин
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
