Интеллектуальное управление промышленным комплексом как динамическим многоагентным объектом на основе методов когнитивного моделирования и машинного обучения

Первый этап выполнения проекта предполагает разработку методологических основ моделирования и интеллектуального управления промышленным комплексом (ПК) как сложным динамическим многоагентным объектом (СДМО), а также комплекса триадных моделей, определяющих взаимодействие производственных агентов в составе ПК как СДМО, алгоритмов машинного обучения на основе статистических данных о функционировании ПК и выявление закономерностей классификации, кластеризации, прогнозирования, которые характеризуют структурные и функциональные особенности ПК.Методологические основы исследования и управления ПК представлены тремя компонентами. Первый компонент включает множество подходов к исследованию: структурно-функциональный, динамический, многоагентный, когнитивный, информационный, кибернетический, синергетический, воспроизводственный и сценарный подходы, а также подход, основанный на знаниях. Интегрирующей базой применения этих подходов является системный подход. Второй компонент методологии включает множество моделей, взаимосвязанных друг с другом на основе принципов последовательного усложнения моделей, формирования знаний на основе анализа данных, а также применения извлеченных знаний для целей управления. Третий компонент включает множество методов и алгоритмов управления, применяемых при разработке системы интеллектуального управления функционированием ПК. Методология предполагает применение нисходящего и восходящего подходов к исследованию ПК во взаимосвязи, что обеспечивает построение циклической последовательности уточнений извлекаемых интеллектуальных алгоритмов управления путем структурной и параметрической корректировки динамических, когнитивных и мультиагентных моделей. Разработана методология построения архитектуры предприятия цифровой индустрии.Предложен комплекс триадных моделей, включающий двумерные и трехмерные триады факторов, определяющих взаимодействие производственных агентов в составе ПК как СДМО, который представлен следующими множествами моделей. Первое множество включает двумерные триадные модели, построенные для производственных агентов, исследуемых на различных уровнях иерархии ПК (микро-, мезо- и макроуровнях). Построена триада факторов, инвариантная по отношению к уровню рассмотрения ПК, для которой выявлены правила преобразования вида «доходы-расходы» и «расходы-доходы». Второе множество представлено в виде трехмерных триад факторов, характеризующих функционирование ПК на макроуровне. Разработана иерархическая триада множества факторов, характеризующих расходы предприятий ПК с учетом налоговых отчислений и формирования доходов региональных бюджетов. Предложен принцип построения иерархических структур триадных моделей ПК, заключающийся в последовательном обобщении исходных признаков и формировании интегральных признаков при многократном проведении компонентного анализа.Разработаны алгоритмы машинного обучения на основе статистических данных о функционировании ПК, которые предполагают взаимосвязанное применение дискриминантного, кластерного и компонентного анализа данных о производственных агентах ПК на региональном уровне с учетом налоговых отчислений и дотаций, отражающихся в формировании доходов и расходов региональных бюджетов. Разработаны алгоритмы взаимосвязанного применения регрессионного, кластерного и нейросетевого анализа данных о производственных агентах ПК на отраслевом уровне с учетом потребности в трудовых ресурсах. Разработаны алгоритмы предобработки данных и взаимосвязанного применения методов случайного леса и градиентного бустинга для предприятий нефтедобывающей отрасли ПК.Выявлены закономерности классификации, кластеризации и прогнозирования, которые представлены как в вербальной форме, которая отражает структурные особенности построенных кластеров ПК на выделенных уровнях иерархии, так и в форме правил, отражающих характерные особенности отдельных кластеров как в терминах исходных признаков, так и в терминах интегральных признаков. Извлеченные закономерности обеспечивают возможность прогнозирования изменения кластерной структуры ПК и характеристик кластеров производственных агентов ПК.