Иерархическая экономико-математическая модель управления предприятием на основе ИИ: синтез стратегического и операционного уровней

Source abstract

В статье представлена иерархическая экономико-математическая модель управления промышленным предприятием, интегрирующая стратегическое целеполагание и оперативное регулирование на основе искусственного интеллекта. В отличие от классических ERP и MRP II, подход использует двухконтурную схему с обратными связями по отклонениям фактических показателей от плановых траекторий. Верхний уровень оперирует агрегированными макропоказателями и долгосрочными трендами, нижний – решает задачи календарного планирования в реальном времени с нейросетевыми аппроксиматорами. Модель включает блочную матрицу чувствительности для декомпозиции глобальной целевой функции на локальные подзадачи без потери синергии. Приводится численная реализация алгоритма на основе метода множителей Лагранжа и регуляризации Тихонова, адаптированного к нестационарным условиям. Результаты имитационного моделирования демонстрируют снижение совокупных издержек на 12–17 % при повышении точности выполнения заказов по сравнению с традиционными методами скользящего планирования. A hierarchical economic and mathematical management model of an industrial enterprise is presented, integrating strategic goal setting and operational regulation based on artificial intelligence. Unlike the classical ERP and MRP II, the approach uses a two-circuit feedback scheme based on deviations of actual indicators from planned trajectories. The upper level operates with aggregated macro indicators and long–term trends, while the lower level solves real-time calendar planning tasks with neural network approximators. The model includes a block sensitivity matrix for decomposing the global objective function into local subtasks without loss of synergy. A numerical implementation of the algorithm based on the Lagrange multiplier method and Tikhonov regularization, adapted to nonstationary conditions, is presented. The simulation results demonstrate a 12-17 % reduction in total costs while improving the accuracy of order fulfillment compared to traditional rolling planning methods.