сотрудник
Воронеж, Воронежская область, Россия
сотрудник
Россия
Воронежская область, Россия
УДК 65.012 Методы
Критерии оптимальности управленческого решения позволяют предсказывать возможные варианты решения задачи, анализировать влияние различных факторов и оптимизировать работу системы. Эффективное управленческое решение подразумевает выбор такого варианта решения поставленной задачи, который соответствует наилучшему достижению цели, с точи зрения исходной информации о задаче. Автоматизация поиска множества допустимых управленческих решений может значительно ускорить процесс проектирования и обеспечить более эффективное взаимодействие между человеком и системой. Использование рационального критерия оптимальности, учитывающего различные этапы функционирования системы, поможет выбрать оптимальные управленческие решения и достичь целей проекта. Таким образом, правильный выбор критерия оптимальности обеспечивает эффективный поиск решений и помогает определить множество оптимальных решений для проектируемой технической системы. Это в свою очередь позволяет повысить эффективность и качество работы организации. Цель настоящей работы состоит в обосновании выбора критерия оптимальности управленческого решения, при проектировании сложной системы - лесовозной автомобильной дороги. Проведен анализ существующих критериев. Предложен и обоснован критерия оптимальности, обозначающий эффект от строительства лесовозной автомобильной дороги, исчисляемый за период от начала ее строительства до начала первого капитального ремонта. Описана система автоматизированного поиска управленческих решений.
Критерий оптимальности, управленческое решение, сложная техническая система, лесовозная автомобильная дорога, автоматизированный поиск решений.
1. Никитин, Д.М. Методы и модели обоснования управленческих решений и способы повышения эффективности управленческих решений / Д.М. Никитин // Тенденции развития науки и образования. - 2019. - №57(7). - С. 50-54.
2. Грузинова, И.С. Управленческое решение и его роль в управленческой деятельности / И.С. Грузинова, А.С. Соболева // Актуальные исследования. - 2021. - №52(79). - С. 45-48.
3. Обоснование критерия оптимальности / Я.Я. Эглит, Д.Г. Кузнецов, К.Я. Эглите, Э.В. Виноградова // Вестник государственного морского университета имени адмирала Ф.Ф. Ушакова. - 2022. - №4(41). - С. 63-65.
4. Руденок, П.Б. Разработка критерия оптимальности процесса модернизации производства / П.Б. Руденок // Достижения науки и образования. - 2018. - Т. 2, №7(29). - С. 32-34.
5. Оценка экономической эффективности проектных решений автомобильных лесовозных дорог / Д.Е. Болтнев [и др.] // Строительные и дорожные машины. -2021. - № 5. - С. 49-53.
6. Мамлеев, Т.Ф. Модель принятия решений по формированию состава комплекта измерительной техники с учетом нескольких критериев оптимальности / Т.Ф. Мамлеев, В.С. Солдатенко // Вестник метролога. - 2020. - №3. - С. 3-8.
7. Семенов, Н.А. Основные принципы создания систем автоматизации проектирования и управления в машиностроительных производственных системах / Н.А. Семенов, Г.Б. Бурдо // Программные продукты и системы. - 2019. - №1. - С. 134-140.
8. Информационно-интеллектуальная система проектирования лесотранспортных сетей / В.В. Никитин [и др.] // Автоматизация. Современные технологии. - 2022. - Т. 76, № 4. - С. 185-188.
9. Автоматизированное проектирование продольного профиля лесовозных автомобильных дорог с учётом влияния зрительно плавных и изломанных линий / А.О. Боровлев [и др.] // Автоматизация. Современные технологии. - 2021. - Т. 75, № 10. - С. 450-453.
10. Великанов, С.А. Основные законы развития технических систем в сочетании с прогнозированием развития технических систем / С.А. Великанов // Молодой ученый. - 2018. - №21(207). - С. 26-34.
11. Bakirova, L.R. Software-technical complex for the development and maintenance of automatic control systems of technological processes / L.R. Bakirova, S.N. Huseynov // Black Sea Scientific Journal of Academic Research. - 2019. - Т. 51, №8. - С. 4-9.
12. Hashemi, A. Ensemble of feature selection algorithms: a multi-criteria decision-making approach / A. Hashemi, M.B. Dowlatshahi, H. Nezamabadi-pour // International Journal of Machine Learning and Cybernetics. - 2022. - Vol. 13. - Pp. 49-69. - DOI:https://doi.org/10.1007/s13042-021-01347-z.
13. Лемешкина, В.Р. Дерево решений как метод принятия управленческого решения / В.Р. Лемешкина // Аллея науки. - 2022. - Т.1, №2(65). - С. 375-380.
14. Мунтян, Е.Р. Реализация нечеткой модели взаимодействия объектов сложных технических систем на основе графов / Е.Р. Мунтян // Программные продукты и системы. - 2019. - №3. -С. 411-418.
15. Бочков, А.П. Оценка согласованности и совместимости технических систем в составе сложных организационно-технических систем / А.П. Бочков, А.М. Барановский, Р.Г. Гильванов // Системы управления, связи и безопасности. - 2020. - №1. - С. 284-301.
16. Палюх, Б.В. Реализация экспертной системы для оценки инновационности технических решений / Б.В. Палюх, В.К. Иванов, И.В. Образцов // Программные продукты и системы. - 2019. - №4. - С. 696-707.
17. Pozin, B.A. Requirements traceability as the basis for designing a functional and logical architecture of a software system / B.A. Pozin, G.N. Tsiperman // Proceedings of the Institute for System Programming of the RAS. - 2022. - V. 34, №1. - P. 23-34.
18. Valeev, S.S. Analysis of business processes in a distributed organizational and technical system based on snapshots / S.S. Valeev, N.V. Kondratyeva // Computational Technologies. - 2023. - V. 28, №1. - С. 41-47.
19. Sadrfaridpour, E. Engineering fast multilevel support vector machines / E. Sadrfaridpour, T. Razzaghi, I. Safro // Machine Learning. - 2019. - V. 108, №11. - Pp. 1879-1917.
20. Thumbakara, R.K. Subdivision graph, power and line graph of a soft graph / R.K. Thumbakara, B. George, J. Jose // Communications in Mathematics and Applications. - 2022. - Т. 13, №1. - С. 75-85.
21. Generating adaptation rule-specific neural networks / T. Bureš [et al.] // International Journal on Software Tools for Technology Transfer. - 2023. - Vol. 25. - Pp. 733-746. - DOI:https://doi.org/10.1007/s10009-023-00725-y.
22. Regenerating Networked Systems’ Monitoring Traces Using Neural Networks / K.O. Paim [et al.] // Journal of Network and Systems Management. - 2024. - Vol. 32, № 16. - DOI:https://doi.org/10.1007/s10922-023-09790-9.
23. Dynamical Systems-Based Neural Networks / E. Celledoni [et al.] // SIAM Journal on Scientific Computing. - 2023. - Vol. 45. - Pp. A3071-A3094. - DOI:https://doi.org/10.1137/22M1527337.
24. A multimodal dialogue system for improving user satisfaction via knowledge-enriched response and image recommendation / J. Wang, H. Li, L. Wang, W. Chunlei // Neural Computing and Applications. - 2023. Vol. 35. - Pp. 13187-13206. - DOI:https://doi.org/10.1007/s00521-023-08409-z.
25. Firdaus, M. A Unified Framework for Slot based Response Generation in a Multimodal Dialogue System / M. Firdaus, A. Madasu, A. Ekbal // Multimedia Tools and Applications. - 2024. - Vol. 83. - Pp. 11643-11667. - DOI:https://doi.org/10.1007/s11042-023-15915-8.
