Модели и метод прогнозирования в задачах управления слабо формализованными системами (на примере топливно-энергетического комплекса Российской Федерации) тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Романов Родион Модестович

• Романов Родион Модестович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Романов Родион Модестович

ВВЕДЕНИЕ

РАЗДЕЛ 1. ПРОБЛЕМЫ УПРАВЛЕНИЯ В СЛАБО ФОРМАЛИЗОВАННЫХ СИСТЕМАХ

1.1 Основные понятия слабо формализованных систем

1.2 Проблемы управления в слабо формализованных системах

1.3 Прогнозирование как один методов управления в слабо формализованных системах

1.4. Постановка задачи диссертационного исследования

1.5 Выводы по первому разделу

РАЗДЕЛ 2. ПРЕДЛАГАЕМЫЙ ГИБРИДНЫЙ ПОДХОД ПОСТРОЕНИЯ ПРОГНОЗА ДЛЯ СЛАБО ФОРМАЛИЗОВАННОЙ СИСТЕМЫ

2.1 Основные подходы к решению задачи прогнозирования

2.2 Гибридные и ансамблевые методы машинного обучения для построения прогнозов

2.3 Гибридный подход на основе нечёткого картирования и регрессионного анализа для решения задачи прогнозирования

2.4 Выводы по второму разделу

РАЗДЕЛ 3. МЕТОД ПОСТРОЕНИЯ РЕГРЕССИОННОЙ МОДЕЛИ НА ОСНОВЕ НЕЧЁТКИХ КОГНИТИВНЫХ КАРТ И ВЫЯВЛЕНИЯ НАИБОЛЕЕ ЗНАЧИМЫХ ФАКТОРОВ

3.1 Методы формирования регрессионной модели

3.2 Методы построения когнитивных карт

3.3 Выявление факторов, оказывающих наибольшее влияние на функционирование слабо формализованной системы

3.4 Разработанный метод построения регрессионной модели

3.5 Программная реализация разработанного метода

3.6 Выводы по третьему разделу

РАЗДЕЛ 4. ПРОГНОЗИРОВАНИЕ ФИНАНСОВО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ТОПЛИВНО-ЭНЕРГЕТИЧЕСКОГО КОМПЛЕКСА РФ

4.1 Сбалансированная нечёткая когнитивная карта влияния факторов на объемы поставок газа в Китай

4.2 Уточненная многофакторная регрессионная модель для поставок газа в Китай

4.3 Сбалансированная нечёткая когнитивная карта влияния газового бизнеса на курс доллара по отношению к рублю

4.4 Уточненная многофакторная регрессионная модель для прогнозирования

курса доллара по отношению к рублю

4.5 Результаты апробации разработанного гибридного метода для топливного энергетического комплекса

4.6 Выводы по четвертому разделу

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Алгоритмическое обеспечение метода построения прогностической модели (нотация BPMN)

Анализ программных средств для работы с НКК

Диаграммы классов для разрабатываемых приложений

Свидетельства на программы для ЭВМ

Акт об использовании результатов диссертационного исследования в ООО «Грин Технолоджис»

Акт об использовании результатов диссертационного исследования в учебном процессе Национального исследовательского ядерного университета «МИФИ»

Введение диссертации (часть автореферата) на тему «Модели и метод прогнозирования в задачах управления слабо формализованными системами (на примере топливно-энергетического комплекса Российской Федерации)»

ВВЕДЕНИЕ

Данная диссертационная работа направлена на развитие методов машинного обучения для решения задачи прогнозирования состояний слабо формализованных систем в условиях малых выборок.

Актуальность темы исследования. Современный мир характеризуется экспоненциальным ростом сложности систем, с которыми взаимодействует человек и которыми он пытается управлять. От глобальных социально-экономических процессов до управления крупными корпорациями и сложными технологическими комплексами с человеческим участием - многие из этих систем относятся к классу слабо формализованных (или слабоструктурированных). Традиционные подходы теории управления, разработанные преимущественно для хорошо детерминированных технических систем, часто оказываются ограниченно применимыми в условиях высокой неопределённости, нечёткости целей и влияния субъективных факторов, присущих слабо формализованным системам.

Учитывая важность данной проблемы, в научной среде ведутся активные разработки подходов, нивелирующих субъективность принимаемых решений, но не исключающих вовлечение экспертов в данный процесс. Идеи когнитивного моделирования, позволяющие представить причинно-следственные связи между сущностями (концептами) предметной области и предложенные В. Коско для моделирования динамических систем, были реализованы в виде нечётких когнитивных карт (далее - НКК). НКК графически отражают структуру причинно-следственных связей между значимыми факторами ситуации и силу их влияния друг на друга на основе нечетких представлений. Её формируют в результате перевода когнитивных представлений лиц, принимающих решения, и экспертов на формальный язык.

В контексте применения данного метода российскими учёными активно развивается подход к прогнозированию временных рядов на основе когнитивного моделирования - для предсказания целевых индикаторов в

нестационарных (динамических) процессах. Подход предусматривает совместный учет закономерностей временных рядов и экспертных оценок возможных направлений развития ситуации. На основе анализа и обработки экспертных знаний и гипотез, разнородных источников информации моделируется ситуация с использованием НКК как формализованной экспертной модели причинно-следственных связей между значимыми системообразующими факторами. Это позволяет формализовать корректировку прогностической модели с заданной нечёткостью. Нечёткость выражается во взаимосвязи между факторами ситуации, принимая во внимание оценку неопределённости (уверенности) в причинной взаимосвязи.

В таком подходе используется когнитивное моделирование в качестве для поддержки принятия решений на различных этапах формирования и корректировки прогностических моделей. Это способствует повышению ситуационной осведомлённости лиц, принимающих решения (далее - ЛПР), за счёт структуризации знаний и выявления значимых системообразующих факторов и процессов, влияющих на предмет прогнозирования.

Таким образом, возникает объективная необходимость в развитии методологии когнитивного моделирования, а именно в совершенствовании НКК для повышения точности прогнозирования в слабо формализованных системах. Это подчеркивает актуальность исследования, направленного на повышение эффективности методов машинного обучения для прогнозирования временных рядов в слабо формализованных системах, где статистические данные часто ограничены или неполны. Рост сложности объектов и процессов, а также необходимость оперативного принятия решений в условиях динамичной и неопределённой среды создают потребность в методах, способных использовать одновременно данные временных рядов и экспертные знания совместно с гипотезами.

Степень разработанности проблемы. Развитие теории управления слабо формализованными системами связано с Институтом проблем управления РАН, где значительный вклад внесли Дорофеюк А.А. [1, 2] и

Дорофеюк Ю.А [3, 4], Покровская И.В. [2, 4, 5]. Авторы рассматривают управление такими системами как неформализованную задачу, обусловленную невозможностью создания строгих формальных моделей, весомым влиянием человеческого фактора и потребностью в экспертной оценке взаимосвязей. Как следствие, в ходе принятия решений неизбежно возникают различные виды неопределённостей.

Проблематика неопределённости и неполноты знаний в системах подробно освещена в работах Нариньяни А.С. [6], а методология автоматизированного извлечения знаний - в публикациях Рыбиной Г.В. [7].

Основным подходом к формализации и представлению знаний в условиях неопределённости основывается на когнитивном моделировании, что отмечается в исследованиях Авдеевой З.К. [8], Корноушенко Е.К. [9]. Теория и методы управления в условиях неопределённости изложены в работах Игнатьева М.Б. [10], Новикова Д.А [11, 12], Щербатова И.А. [13, 14]. В частности, Аверкиным А.Н. [15, 16], Кулиничем А.А. [17, 18] исследовались подходы принятия решений на основе НКК. Большой вклад в применение нечётких когнитивных моделей внесли работы Kosko В. [19], Кро^ G. [20], Schaffemicht М. [21], АхеЫ R. [22], Giabbanelli Р. J. [20], Karatzinis G. D. [23]. Среди работ отечественных авторов широко известны исследования Кулинича А.А. [17, 18], Авдеевой З.К. [24], Подвесовского А.Г. [25]. Современная классификация нечётких моделей была представлена Борисовым В.В. [26, 27], где также рассмотрена проблема гибридизации нечётких ситуационных моделей и нечётких когнитивных моделей.

Метод аналитических сетей, один из методов многокритериальной оптимизации, предложенных Saati Т [28], позволил систематизировать взаимодействие с экспертами при решении многокритериальных задач. Этот метод в своих работах Кравченко Т.К [29], Исаев Д.В. [29] применяют для принятий решений в области стратегического управления системами.

Использование аппарата нечёткой логики при решении задач машинного обучения показано в работах Гагариной Л.Г. [30], Шевниной Ю.С.

[30], Boutalis Y. S. [23], Karatzinis G. D. [23]. Использование эконометрических методов для прогнозирования, в частности, регрессионного анализа проводилось в работах Айвазяна С.А. [31], Мхитаряна В.С. [31], Арутюнова А. Л. [32], Бабешко Л. О. [33], Иванюк В. А. [32, 34, 35], Игнатьева М.Б. [10], Крянева А.В. [36], Корноушенко Е.К. [37], Орловой И. В. [33], Цвиркун А.Д. [32].

Сравнительный анализ ансамблевых, нейросетевых и других методов машинного обучения проводился в исследованиях Alharbi M. H. [38], Ardabili S. [39], Cheng L. [40], Jia J. [41], Katwal S. [42], Khurana S.S. [43], Kumar M.

[43], Levinson D., Parray I.R. [43], Secco C.A. [44], Shrestha R. [42], Sina L.B.

[44], Wu H. [45], Афонникова Д.А. [46], Гусевой А.И. [47, 48], Иванюк В. А. [32], Крянева А.В. [36], Николаева С.В [46], Урбанович Е.А. [46]. Применение данных методов в условиях малых выборок изучено недостаточно.

В работах Аверкина А.Н. [15], Борисова В.В. [49, 50], Зрелова П.В. [51], Козлова А.С. [52], Киреева В.С. [53], Луферова В.С. [49], Ярушева С.А. [16], Павлова В.Ю. [16], Пылькина А.Н. [54] рассмотрены возможности гибридных когнитивных систем поддержки принятия решений на основе когнитивного моделирования и прогнозирования, сочетающих нейронные сети, нечеткую логику и регрессионный анализ.

Таким образом, при значительном числе исследований недостаточно изучена интеграция когнитивного моделирования с регрессионным анализом, особенно в условиях малых выборок данных, а также вопросы повышения точности прогнозирования в условиях неопределённости. Это подтверждает актуальность разработки гибридных подходов, объединяющих когнитивное моделирование, методы многокритериальной оптимизации и регрессионный анализ.

Объектом исследования является слабо формализованная система, характеризующаяся множеством взаимодействующих факторов, многочисленными зависимостями и высокой степенью внешней и внутренней неопределённости.

Предметом исследования являются модели и методы прогнозирования временных рядов в слабо формализованных системах.

Целью диссертационной работы является повышение точности прогнозных моделей, улучшение интерпретируемости и объяснимости результатов прогнозирования в условиях малых выборок, на основе развитого в работе гибридного подхода к прогнозированию состояния слабо формализованных систем, разработанных метода и алгоритмов прогнозирования, отличающихся последовательным применением НКК, аналитических сетей и регрессионных моделей. Точность решения задачи прогнозирования в данном случае определяется с помощью стандартных метрик регрессионного анализа.

Для достижения данной цели были поставлены и решены следующие задачи:

1. Провести системный анализ проблем управления в слабо формализованных системах, показать роль прогнозирования как одного из методов управления в условиях высокой неопределённости, обобщить и систематизировать методы прогнозирования для таких систем, выявить их ограничения и преимущества.

2. Разработать и обосновать гибридный подход для прогнозирования временных рядов, объединяющий нечеткое когнитивное картирование и регрессионный анализ для использования экспертной информации на малых выборках.

3. Разработать и исследовать метод прогнозирования экономических временных рядов на основе гибридного подхода, направленный на повышение точности прогностической модели в условиях малых выборок.

4. Разработать алгоритмическое и программное обеспечения для реализации предложенного метода.

5. Провести апробацию разработанного метода на прикладных задачах прогнозирования в слабо формализованной системе на примере топливно-энергетического комплекса РФ и оценить эффективность предложенного

метода по сравнению с существующими решениями на основе критериев точности регрессионного анализа.

Научная новизна результатов исследования заключается в следующем:

1. Обоснован гибридный подход к решению задачи прогнозирования, направленный на повышение качества прогнозных оценок в условиях неопределённости и изменчивой внешней среды. Отличительной особенностью подхода является интеграция методов нечёткого когнитивного картирования и регрессионного анализа для моделирования сложных причинно-следственных взаимосвязей и выявления факторов, оказывающих наибольшее влияние на поведение слабо формализованной системы (п.п. 11 паспорта специальности).

2. Предложен и исследован оригинальный метод построения прогностической модели, отличающийся от известных последовательным использованием нечёткого когнитивного картирования, метода аналитических сетей Т. Саати и регрессионного анализа, направленный на улучшение качества прогнозной модели (п.п. 12, 13 паспорта специальности).

3. Для реализации данного метода разработано оригинальное алгоритмическое и программное обеспечение и получены новые экспериментальные результаты эффективности его применения (п.п. 5 паспорта специальности).

Теоретическая значимость результатов исследования заключается в развитии методов машинного обучения для моделирования и прогнозирования в условиях слабо формализованных систем. Разработанный гибридный подход, основанный на интеграции НКК и взвешенной регрессии учитывает как структуру причинно-следственных связей между факторами, так и их количественную значимость, извлечённую из экспертных оценок. Это обеспечивает более точное, интерпретируемое и устойчивое прогнозирование в многофакторных системах с высокой степенью неопределённости в условиях малых выборок, где традиционные методы машинного обучения не позволяют учесть скрытые взаимосвязи и экспертное знание.

Практическая значимость результатов исследования заключается в возможности применения разработанного гибридного подхода к реальным задачам прогнозирования ключевых социально-экономических показателей в условиях сложности рассматриваемой системы, высокой неопределённости и многофакторности. Для оценки эффективности гибридного подхода, сочетающего НКК и линейную регрессию в условиях неопределённости разработано программное приложение (свидетельство о государственной регистрации программы для ЭВМ № 2025686198 от 30.09.2025) [55]. Для визуализации и построения НКК разработано программное приложение (свидетельство о государственной регистрации программы для ЭВМ № 2025660016 от 21.04.2025) [56]. Для применения предложенного метода, в основе которого используется метод аналитических сетей, и взвешенная регрессионная модель было разработано программное средство (свидетельство о государственной регистрации программы для ЭВМ № 2025686199 от 30.09.2025) [57]. Результаты исследования подтверждены двумя актами об использовании. Полученные результаты могут быть внедрены на предприятиях топливно-энергетического комплекса, где традиционные методы анализа оказываются малоприменимыми, что способствует повышению качества управленческих решений и эффективности стратегического планирования.

Методология и методы диссертационного исследования. Методологической основой диссертационного исследования послужили положения теории систем и системного анализа, теория управления организационными системами, теории принятия решений в условиях неопределённости, а также системный подход к анализу и моделированию слабо формализованных систем. В работе использован комплекс методов, включающий положения теории управления и поддержки принятия решений в условиях неопределённости, теории нечётких множеств и нечёткой логики, когнитивного анализа и когнитивного моделирования сложных систем, теории экспертных оценок, а также методы математической статистики,

регрессионного анализа, в том числе современные методы машинного обучения, применяемые для построения прогностических моделей.

Особое внимание уделено интеграции экспертных знаний с ретроспективными данными на основе метода НКК и метода аналитических сетей, развивающего классический метод анализа иерархий, для выявления и количественной оценки ключевых факторов. Разработка программной реализации опиралась на принципы объектно-ориентированного проектирования и реализовывалась с использованием библиотек среды статистических вычислений R.

Положения, выносимые на защиту и полученные лично автором.

1. Обоснованный гибридный подход к прогнозированию временных рядов в условиях неопределённости, направленный на повышение точности прогнозирования и улучшения интерпретируемости получаемых результатов. Отличительный чертой подхода является совместное использование методов нечёткого когнитивного картирования, регрессионного анализа для моделирования сложных причинно-следственных взаимосвязей в слабо формализованных системах.

2. Оригинальный метод построения прогностической модели, отличительной особенностью которого является последовательное применение нечёткого когнитивного картирования, метода аналитических сетей Т. Саати и регрессионного анализа, и направленный на повышение точности прогноза экономических временных рядов временных рядов в условиях малых выборок.

3. Разработанное оригинальное алгоритмическое и программное обеспечение предложенного метода, реализованное в виде двух программных приложений.

4. Разработанные с использованием предложенного метода НКК: для определения соотношения рубля к курсу доллара и объемов поставок газа в Китай, характеризующиеся применением метода аналитических сетей для количественной оценки влияния факторов, что обеспечивает агрегацию

экспертных оценок, учет взаимозависимостей между элементами и определение приоритетности воздействий и формирующие основу для построения прогностических моделей.

5. Регрессионные модели: модель прогнозирования курса доллара по отношению к рублю и модель прогнозирования объемов поставок газа в Китай. Особенностью моделей является значительное повышение точности прогноза по отношению к известным моделям при использовании малых выборок данных, объемом 48 исторических месячных наблюдений. Для модели прогнозирования курса доллара по отношению к рублю на следующий год ошибка прогноза по сравнению с традиционной отраслевой моделью снизилась примерно в 1,7 раза по стандартным метрикам. Для модели прогноза объемов поставок газа в Китай на следующий год также зафиксировано значительное повышение точности - в зависимости от метрики, ошибка прогноза уменьшилась от 1,6 до 2,5 раза соответственно. Погрешность вычислений составляет для каждой модели в среднем ±5 % при уровне доверия 95 %. Практическое использование построенных НКК и регрессионных моделей подтверждено соответствующими актами об использовании.

Достоверность полученных результатов. Научные положения и выводы, полученные в диссертационной работе, основываются на применении известных математических теорий и методов, таких как: общая теория систем, теория нечётких множеств, когнитивное моделирование, метод аналитических сетей и регрессионный анализ. Достоверность результатов подтверждается сравнением полученных решений с известными результатами других авторов, соответствующими актами об использовании, а также обсуждением основных положений диссертации на международных и российских научно-практических конференциях.

Апробация результатов исследования. Основные положения и результаты диссертационного исследования были успешно доложены и обсуждены на следующих научных и научно-практических конференциях:

- XI Молодёжной международной научно-практической конференции «Новые технологии в газовой отрасли: опыт и преемственность» (Москва, 2023 г.);

- XII Молодёжной международной научно-практической конференции «Новые технологии в газовой отрасли: опыт и преемственность» (Москва, 2024 г.);

- XI Международной молодёжной научной школе-конференции «Современные проблемы физики технологий» (Москва, 2024 год);

- XI Международной научной конференции «Экономика и менеджмент» (Санкт Петербург, 2024 год);

- XII Международной молодёжной научной школе-конференции «Современные проблемы физики технологий» (Москва, 2025 год).

Публикации. Основные результаты диссертационного исследования опубликованы в 12 работах, из них 4 изданы в журналах, рекомендованных ВАК РФ для публикации основных результатов диссертационных исследований по техническим наукам, 5 представлены в материалах международных научных конференций, 3 - свидетельство о регистрации программы для ЭВМ.

Область диссертационного исследования соответствует по своему содержанию Паспорту научных специальностей ВАК Министерства образования РФ и науки РФ по специальности 2.3.1. - Системный анализ, управление и обработка информации, статистика.

п. 5 Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

п. 11 Методы и алгоритмы прогнозирования и оценки эффективности, качества, надёжности функционирования сложных систем управления и их элементов.

п. 12 Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.

п. 13 Методы получения, анализа и обработки экспертной информации, в том числе на основе статистических показателей.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературы и шести приложений. Основной текст работы изложен на 142 страницах. Список литературы содержит 114 наименований.

РАЗДЕЛ 1. ПРОБЛЕМЫ УПРАВЛЕНИЯ В СЛАБО ФОРМАЛИЗОВАННЫХ СИСТЕМАХ

1.1 Основные понятия слабо формализованных систем

Рассматривая любое предприятие, входящее в топливно-энергетический комплекс, его основными характеристиками будут: комплексный характер управления, сложная структура и взаимосвязь с другими системами и с окружающей средой. В управлении сложилось отдельное теоретическое направление для разработки методологии и инструментальных средств управления подобными системами - «управление крупномасштабными системами». Крупномасштабные системы - это класс сложных (больших) систем, характеризующихся комплексным (межотраслевым,

межрегиональным) взаимодействием элементов, распределённых на значительной территории, требующих для развития существенных затрат ресурсов и времени [58].

Для уточнения понятийного аппарата крупномасштабных систем целесообразно обратиться к общей теории систем Л. Берталанфи, определяющей систему как «комплекс взаимодействующих компонентов» и «совокупность элементов, находящихся в определённых отношениях друг с другом и со средой» [59]. Понятие «крупномасштабной системы» и её характеристики были сформулированы И.Н. Бергом с учётом подходов отечественных и зарубежных школ [60]:

- «Система - это некоторый объект, обладающий целостностью или рассматриваемый как целое»;

- «Система имеет некоторый системообразующий параметр»;

- «Система является частью каких-либо больших систем»;

- «Возможность выделения из системы частей, меньших подсистем»;

- «Большие системы - системы с большим числом элементов, состояний, связей между элементами, которые могут иметь связь с биологическими системами. С кибернетической точки зрения характерной

чертой большой системы является иерархическая структура управления и большое количество источников информации из внешней среды»;

- «Сверхбольшие или крупномасштабные системы - совокупность «индуктивно» связанных между собой больших систем. Их основной особенностью является повышенная стабильность (системный гомеостаз) входящих в них больших подсистем».

Развивая идеи общей теории систем и системного анализа, Волкова В.Н. подчёркивает, что «закономерности функционирования и развития систем характеризуются принципиальными особенностями построения, функционирования и развития сложных систем», к которым относятся целостность (эмерджентность), иерархичность и прогрессирующая систематизация. Под целостностью (эмерджентностью) понимается наличие у системы таких свойств, которые не сводятся к простой сумме свойств её элементов, а возникают вследствие взаимодействий внутри системы [61]. Эти характеристики приобретают особую значимость в контексте крупномасштабных систем, где сложные взаимосвязи между подсистемами требуют координации для обеспечения устойчивости и системного гомеостаза.

Крупномасштабные системы характеризуются наличием иерархической структуры управления, распределённостью функций, множественностью субъектов и объектов управления, а также необходимостью координации и согласования действий между ними. Согласно Новикову Д.А., организационная система может рассматриваться в трёх аспектах: как свойство, как процесс и как объект. Организация как свойство представляет собой внутреннюю упорядоченность и согласованность взаимодействий частей системы, обусловленную её строением; организация как процесс - это совокупность действий, направленных на формирование и совершенствование взаимосвязей между элементами системы; наконец, организационная система как объект - это объединение людей, совместно реализующих программу или цель и действующих на основе процедур и правил [11]. Следовательно,

организационные системы отличаются наличием внутренней структуры и упорядоченных взаимодействий, нацеленных на реализацию заданных целей. Крупномасштабные системы, будучи разновидностью социально-экономических систем, функционируют и развиваются под влиянием комплекса социально-экономических факторов, детерминированы поведением социальных агентов, охватывают множество сфер хозяйственной деятельности и ориентированы на достижение общественно значимых результатов.

Социально-экономические системы (далее - СЭС) представляют собой особый класс крупномасштабных систем, специфика которых заключается в наличии сложных взаимосвязей между экономическими, социальными и технологическими подсистемами, что требует применения специализированных методов управления. Логиновский О. В. характеризует СЭС как системы с «большим количеством и многообразием составляющих элементов», а также «высокой размерностью параметров» управления. При этом он подчёркивает, что их поведение зачастую носит антиинтуитивный характер и не поддаётся простому математическому описанию из-за нестационарности и сложности идентификации объекта управления [52].

Структура управления в таких системах включает три компонента: субъект управления, объект управления и внешнюю среду. Согласно Д.А. Новикову [11], базовая входо-выходная структура системы управления состоит из управляющего органа (субъекта) и управляемой системы (объекта), связанных информационными потоками (обратными связями). Эти потоки обеспечивают принятие решений и реализацию управляющих воздействий. Субъект управления целенаправленно воздействует на объект, стремясь перевести его в желаемое состояние с учётом внешних воздействий и внутренних ограничений см. рисунок 1.1.

Рисунок 1.1 - Структура системы управления

Источник: составлено автором

Особую роль в структуре управления такой системе занимает внешняя среда, являющаяся основным источником неопределённости. Под внешней средой понимается «совокупность всех объектов/субъектов, не входящих в систему, изменение свойств и/или поведение которых влияет на изучаемую систему, а также тех объектов/субъектов, чьи свойства и/или поведение меняются в зависимости от поведения системы». Внешняя среда генерирует как контролируемые (целенаправленные), так и неконтролируемые (случайные, недетерминированные) воздействия, формируя существенную долю неопределённости в функционировании и развитии сложных систем [11]. Важность учёта внешней среды в структуре управления обусловлена тем, что именно внешние воздействия во многом определяют условия деятельности системы, задают требования к результатам её функционирования, критерии оценки соответствия результатов целям, а также принципы и нормы деятельности [11, 62].

Список литературы диссертационного исследования кандидат наук Романов Родион Модестович, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Дорофеюк А. А. Методы структурно-итерационной экспертизы в задачах принятия решений и управления слабо формализованными системами //Теория активных систем-2011. - 2011. - С. 136-139.

2. Дорофеюк А. А., Покровская И. В. Экспертно-классификационные методы исследования слабо формализованных систем управления //Когнитивный анализ и управление развитием ситуаций (CASC'2011). - 2011. - С. 52-55.

3. Дорофеюк Ю. А. Адаптивные методы структурного прогнозирования в крупномасштабных слабоформализованных системах //Управление развитием крупномасштабных систем MLSD'2009. - 2009. - С. 258-260.

4. Чернявский А. Л., Дорофеюк Ю. А., Гольдовская М. Д. Экспертно-классификационные методы исследования слабо формализованных систем управления //Управление развитием крупномасштабных систем (MLSD'2012).

- 2012. - С. 265-272.

5. Кулькова Г. В., Покровская И. В. Влияние человеческого фактора на принятие решений в слабо формализованных системах управления //ББК 32.81 Т33. - 2011. - С. 155.

6. Нариньяни А. С. Недоопределенность в системах представления и обработки знаний //Известия АН СССР. Техн. кибернетика. - 1986. - Т. 5.

7. Рыбина Г. В. Приобретение знаний, содержащих НЕ-факторы //Новости искусственного интеллекта. - 2004. - №. 2. - С. 82-94.

8. Avdeeva Z. K., Grebenyuk E. A., Kovriga S. V. Cognitive modelling-driven time series forecasting for predicting target indicators in non-stationary processes //IFAC-PapersOnLine. - 2021. - Т. 54. - №. 13. - С. 91-96.

9. Корноушенко Е. К. Достижение целей в ситуациях при ограниченных ресурсах на управление (когнитивный подход) //Когнитивный анализ и управление развитием ситуаций. - 2009. - С. 89-99.

10. Моделирование слабо формализованных систем на основе явных и неявных экспертных знаний / М. Б. Игнатьев, В. Е. Марлей, В. В. Михайлов, А. В. Спесивцев; Санкт-Петербургский институт информатики и автоматизации РАН. - Санкт-Петербург: Федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого», 2018. - 501 с.

- ISBN 978-5-7422-6238-1. - DOI 10.18720/SPBPU/2/id18-111. - EDN VVAJDL.

11. Теория управления (дополнительные главы): Учебное пособие / Под ред. Д. А. Новикова. — М.: ЛЕНАНД, 2019. — 552 с.

12. Новиков Д. А. Теория управления организационными системами. 4-е изд., испр. и дополн. - М.: ЛЕНАНД, 2022 - 500 с.

13. Щербатов И. А., Проталинский О. М. Сложные слабоформализуемые многокомпонентные технические системы //Управление большими системами: сборник трудов. - 2013. - №. 45. - С. 30-46.

14. Щербатов И. А. Классификация неопределенностей в задачах моделирования и управления сложными слабоформализуемыми системами //Вестник Саратовского государственного технического университета. - 2013.

- Т. 1. - №. 1 (69). - С. 175-179.

15. Ярушев С. А., Аверкин А. Н., Ефремова Н. А. Гибридные нечеткие когнитивные карты в задачах поддержки принятия решений и прогнозирования //Программные продукты, системы и алгоритмы. - 2017. -№. 4. - С. 18-18.

16. Аверкин А.Н., Ярушев С.А., Павлов В.Ю. Когнитивные гибридные системы поддержки принятия решений и прогнозирования //Программные продукты и системы. - 2017. - Т. 30. № 4. - С. 632-642. DOI: 10.15827/0236-235X.120.632-642.

17. Кулинич А. А. Систематизация когнитивных карт и методов их анализа //Когнитивный анализ и управление развитием ситуаций (CASC'2007). Труды VII Международной конференции/АА Кулинич.—М.: Институт проблем управления РАН. - 2007. - С. 50-56.

18. Кулинич А.А. Компьютерные системы анализа ситуаций и поддержки принятия решений на основе когнитивных карт: подходы и методы// Проблемы управления. - 2011.- № 4. - С. 31-45.

19. Kosko B. Fuzzy cognitive maps //International journal of man-machine studies.

- 1986. - Т. 24. - №. 1. - С. 65-75.

20. Giabbanelli P. J., Napoles G. (ed.). Fuzzy Cognitive Maps: Best Practices and Modern Methods. - Springer Nature, 2024.

21. Schaffernicht M. Causality and diagrams for system dynamics Proceedings of the 25th International Conference of the System Dynamics Society July. - 2007. -С. 148.

22. Axelrod R. (1976). Structure of decision: The cognitive maps of political elites. Princeton, NJ: Princeton University Press. - P. 400.

23. Karatzinis G. D., Boutalis Y. S. A Review Study of Fuzzy Cognitive Maps in Engineering: Applications, Insights, and Future Directions //Eng. - 2025. - Т. 6. -№. 2. - С. 37.

24. Авдеева З. К. Сравнительный анализ выборочных когнитивных карт по степени формализации //Когнитивный анализ и управление развитием ситуаций. - 2009. - С. 11-22.

25. Захарова А. А., Подвесовский А. Г., Исаев Р. А. Нечеткие когнитивные модели в управлении слабоструктурированными социально-экономическими системами //Информационные и математические технологии в науке и управлении. - 2020. - №. 4 (20). - С. 5-23.

26. Борисов В. В. Систематизация нечетких и гибридных нечетких моделей //Мягкие измерения и вычисления. - 2020. - Т. 29. - №. 4. - С. 100-123.

27. В.В. Борисов Мягкие ситуационно-когнитивные модели для интеллектуальной поддержки принятия решений / В.В. Борисов, А.С. Федулов, С.А. Федулова // Двадцать вторая Национальная конференция по искусственному интеллекту с международным участием (КИИ-2025): Труды конференции. В 3-х томах, Смоленск, 6-10 октября 2025 года. - Санкт-Петербург: Принт-Экспресс, 2025. - С. 20-33.

28. Принятие решений при зависимостях и обратных связях : аналитические сети / Т. Л. Саати ; пер. с англ. О. Н. Андрейчиковой ; науч. ред.: А. В. Андрейчиков, О. Н. Андрейчикова. - Изд. 2-е. - Москва : ЛИБРОКОМ : URSS, 2009. - 357 с. : ил., табл.; 22 см.; ISBN 978-5-397-00844-0.

29. Кравченко Т. К., Исаев Д. В. Принятие стратегических решений в условиях риска и неопределенности //Финансы: теория и практика. - 2016. - Т. 20. - №. 4. - С. 22-31.

30. Гагарина, Л. Г. Моделирование цифрового двойника производственного процесса с использованием смарт структуры / Л. Г. Гагарина, Ю. С. Шевнина // Системы компьютерной математики и их приложения. - 2022. - № 23. - С. 84-90. - EDN UEMIYJ.

31. Айвазян, С.А. Прикладная статистика и основы эконометрики: Учебник для вузов / С.А. Айвазян, В.С. Мхитарян; ГУ ВШЭ. — Москва: ЮНИТИ, 1998.

32. Арутюнов А. Л., Иванюк В. А., Цвиркун А. Д. Разработка инструментальных средств прогнозирования в социально-экономических системах //Управление развитием крупномасштабных систем. - 2015. - С. 241293.

33. Бабешко Л. О., Орлова И. В. Эконометрика и эконометрическое моделирование в Excel и R. - 2021.

34. Ivanyuk V., Sunchalin A., Sunchalina A. Development of an intelligent ensemble forecasting system// Advances in Intelligent Systems and Computing. -2020. - Vol. 1294. - С. 491 - 500/ DOI: 10.1007/978-3-030-63322-6 40.

35. Ivanyuk V. The method of residual-based bootstrap averaging of the forecast ensemble //Financial Innovation. - 2023. - Т. 9. - №. 1. - С. 37.

36. Разработка математических моделей классификации кредитных организаций с использованием деревьев решений и их ансамблей / Е. П. Акишина, В. В. Иванов, А. В. Крянев, А. С. Приказчикова // Вестник Национального исследовательского ядерного университета «МИФИ». - 2024.

- Т. 13, № 4. - С. 242-250. - DOI 10.26583/vestnik.2024.350. - EDN LGWWEH.

37. Корноушенко Е. К. Регрессионный подход к управлению слабоструктурированными системами //Управление большими системами: сборник трудов. - 2006. - №. 16. - С. 122-136.

38. Alharbi M. H. Prediction of the Price of Advanced Global Stock Markets Using Machine Learning: Comparative Analysis //Journal of Financial Risk Management.

- 2024. - Т. 13. - №. 4. - С. 689-702.

39. Ardabili S., Mosavi A., Várkonyi-Kóczy A. R. Advances in machine learning modeling reviewing hybrid and ensemble methods //International conference on global research and education. - Cham : Springer International Publishing, 2019. -С. 215-227.

40. Cheng L., Yu T. A new generation of AI: A review and perspective on machine learning technologies applied to smart energy and electric power systems //International Journal of Energy Research. - 2019. - Т. 43. - №. 6. - С. 1928-1973.

41. Jia J., Liang W., Liang Y. A Review of Hybrid and Ensemble in Deep Learning for Natural Language Processing // Artificial Intelligence. - 2024. arXiv:2312.05589. doi: https://doi.org/10.48550/arXiv.2312.05589.

42. Katwal S., Shrestha R., Sharma G. Analysis of Website Traffic Time Series Forecasting using ARIMA, Prophet, and LSTM RNN // International Journal of Research Publications. - 2024. - № 146(1). - Р. 316-326; doi:10.47119/IJRP1001461420246271.

43. Parray I.R., Khurana S.S., Kumar M., Altalbe A.A. Time Series Data Analysis of Stock Price Movement Using Machine Learning Techniques// Soft Computing. -2020. - № 24. - Р. 16509-16517. https://doi.org/10.1007/s00500-020-04957-x.

44. Sina L.B., Secco C.A., Blazevic M., Nazemi K. Hybrid Forecasting Methods— A Systematic Review// Electronics. - 2023. - № 12, С. 2019. https://doi.org/10.3390/ electronics12092019.

45. Wu H., Levinson D. The ensemble approach to forecasting: A review and synthesis //Transportation Research Part C: Emerging Technologies. - 2021. - Т. 132. - С. 103357.

46. Урбанович Е.А., Афонников Д.А., Николаев С.В. Определение количественного содержания хлорофиллов в листьях по спектрам отражения алгоритмом случайного леса // Вавиловский журнал генетики и селекции. -

2021. - № 25(1). - Р.64-70. DOI 10.18699/VJ21.008.

47. Фазульянов, Д. В. Разработка мультимодального метода сентимент-анализа для поддержки принятия решений в организациях / Д. В. Фазульянов,

A. И. Гусева // Современные наукоемкие технологии. - 2024. - №2 5-2. - С. 313320. - DOI 10.17513/snt.40045. - EDN BYYUEI.

48. Гусева А.И., Романов Р.М. Метод прогнозирования временных рядов, основанный на когнитивном нечетком моделировании и регрессионном анализе// Известия ЮФУ. Технические науки. - 2025 - Т. 6 - С. 157-179.

49. Борисов В. В., Луферов В. С. Метод многомерного анализа и прогнозирования состояния сложных систем и процессов на основе нечетких когнитивных темпоральных моделей // Системы управления, связи и безопасности. - 2020. -№ 2.- С. 1-23. DOI: 10.24411/2410-9916-2020-10201.

50. Борисов В. В., Федулов А. С. « Совместимые» нечеткие когнитивные карты //Системы компьютерной математики и их приложения. - 2016. - №. 17. - С. 41-43.

51. Устойчивость, управляемость и робастность когнитивного управления: Термодинамика эволюционных информационных процессов / П. В. Зрелов, В.

B. Кореньков, О. Ю. Тятюшкина, С. В. Ульянов // Системный анализ в науке и образовании. - 2021. - № 3. - С. 102-125. - EDN YHZBMA.

52. Логиновский О. В., Козлов А. С. Модель управления социально-экономической системой с двойной петлей обратной связи //Вестник ЮжноУральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. - 2012. - №. 3 (262). - С. 72.

53. Posmakov N. P., Emelyanenko A. S., Kireev V. S. Fuzzy Cognitive Map Ensembles to Solve Regression and Time Series Tasks //2022 Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). - IEEE,

2022. - С. 406-409.

54. Пылькин, А. Н. Информационная система формирования управленческих решений по улучшению текущего состояния объекта управления / А. Н. Пылькин, В. В. Тишкина // Вестник Рязанского государственного радиотехнического университета. - 2025. - № 91. - С. 76-86. - DOI 10.21667/1995-4565-2025-91-76-86. - EDN XTYQEI.

55. Романов Р.М., Гусева А.И. Программа для ЭВМ «Программное средство для сравнительного анализа методов машинного обучения и гибридного подхода на основе нечеткой когнитивной карты и регрессионной модели в

условиях малых выборок данных», свидетельство о государственной регистрации программы для ЭВМ № 2025686198 от 30.09.2025. Патентообладатель НИЯУ МИФИ (Россия). 2025.

56. Гусева А.И., Романов Р.М. Программа для ЭВМ «Программное приложение для визуализации и построения нечетких когнитивных карт в задачах управления слабо формализованными системами», свидетельство о государственной регистрации программы для ЭВМ № 2025660016 от 21.04.2025. Патентообладатель НИЯУ МИФИ (Россия). 2025.

57. Романов Р.М., Гусева А.И. Программа для ЭВМ «Программное средство анализа и построения регрессионной моделей на основе метода аналитических сетей для слабо формализованных систем», свидетельство о государственной регистрации программы для ЭВМ № 2025686199 от 30.09.2025. Патентообладатель НИЯУ МИФИ (Россия). 2025.

58. Васильев С. Н., Цвиркун А. Д. Проблемы управления развитием крупномасштабных систем в современных условиях //Управление развитием крупномасштабных систем MLSD'2016. - 2016. - С. 13-22.

59. Von Bertalanffy L. General system theory //New York. - 1968. - Т. 41973. -№. 1968. - С. 40.

60. Берг А. И. Управление, информация, интеллект. - Рипол Классик, 1976.

61. Волкова В. Н., Емельянов А. А. Теория систем и системный анализ в управлении организациями. Учебное пособие. - 2013.

62. Романов Р. М., Гусева А. И. Применение непрерывной формы метода максимальной согласованности для поддержки принятия управленческих // Новые технологии в газовой отрасли: опыт и преемственность: Тезисы докладов XII Молодежной международной научно-практической конференции, Москва, 15-19 апреля 2024 года. - Москва: Общество с ограниченной ответственностью «Научно - исследовательский институт природных газов и газовых технологий - Газпром ВНИИГАЗ» (ООО «Газпром ВНИИГАЗ»), 2024 - С. 159.

63. Белоусова С. В. Система управления общественным сектором в свете теорий управления социально-экономическими системами //Вопросы управления. - 2015. - №. 6 (18). - С. 135-147.

64. Дорофеюк А. А., Гольдовская М. Д., Покровская И. В. Когнитивные методы структурного анализа в задаче оценки эффективности слабо формализованных региональных систем //Когнитивный анализ и управление развитием ситуаций. Труды VII Международной конференции.-М.: Институт проблем управления РАН. - 2007. - С. 33-36.

65. Метод кластерного анализа гетерогенных данных с использованием положений нечеткой логики / Ю. С. Шевнина, Л. Г. Гагарина, Е. В. Конюхов, А. Д. Харитонова // Известия высших учебных заведений. Электроника. -2023. - Т. 28, № 4. - С. 537-546. - DOI 10.24151/1561-5405-2023-28-4-537-546.

- EDN AVWMTN.

66. Акинфиев В. К., Карибский А. В., Цвиркун А. Д. Модели и методы управления развитием структур крупномасштабных систем (на примере топливно-энергетического комплекса) //Автоматика и телемеханика. - 1983 -№. 8 - С. 5-39.

67. Романов Р. М., Гусева А. И. Интеллектуальное принятие решений в задачах управления на основе данных предприятиями нефтегазовой промышленности: теория и практика // Новые технологии в газовой отрасли: опыт и преемственность: Тезисы докладов. XI Молодежная международная научно-практическая конференция, Москва, 17-21 апреля 2023 года. - Москва: Общество с ограниченной ответственностью «Научно- исследовательский институт природных газов и газовых технологий - Газпром ВНИИГАЗ», 2023

- С. 151.

68. Романов Р. М., Гусева А. И. Интеграция методов нечётких когнитивных карт и аналитических сетей для учёта НЕ-факторов в условиях неопределенности // Современные проблемы физики и технологий: Сборник тезисов докладов XII международной молодежной научной школы-конференции, Москва, 2025. - Москва: Национальный исследовательский ядерный университет «МИФИ», 2025. - С. 528-530.

69. Камаев В. А. Когнитивное моделирование социально-экономических систем. - 2012.

70. Rob J. Hyndman, Kostenko A.V. Minimum sample size requirements for seasonal forecasting models //foresight. - 2007. - Т. 6. - №. Spring. - С. 12-15.

71. Китова О.В., Дьяконова Л.П., Китов В.А., Савинова В.М. Применение нейронных сетей для прогнозирования социально-экономических временных рядов //Russian Economic Bulletin. - 2020. -Т. 3. № 5. -С. 188-201.

72. Зелезецкий Д. В. Глубокое обучение в задаче прогнозирования финансовых временных рядов //Труды Московского физико-технического института. - 2024. - Т. 16. - №. 3 (63). - С. 35-48.

73. Андрианова Е.Г., Головин С.А., Зыков С.В., Лесько С.А., Чукалина Е.Р. Обзор современных моделей и методов анализа временных рядов динамики процессов в социальных, экономических и социотехнических системах // Российский технологический журнал. - 2020. - №8(4). - C. 7-45.

74. Howard S. Burkom; Sean Patrick Murphy; Galit Shmueli. (2007). Automated time series forecasting for biosurveillance // Automated time series forecasting for biosurveillance. - 2007. - № 26(22), 4202-4218. doi:10.1002/sim.2835, 26(22), 4202-4218. doi:10.1002/sim.2835.

75. Геращенко И. П. Методы прогнозирования в регрессионных и адаптивных моделях при анализе динамических рядов //Математические структуры и моделирование. - 2000. - №. 1 (5). - С. 140-154.

76. Serfling, R.E. Methods for Current Statistical Analysis of Excess Pneumonia-Influenza Deaths // Public Health Reports. - 1963. - № 78. - Р. 494-506. https://doi.org/10.2307/4591848.

77. Кондратьев М. А. Методы прогнозирования и модели распространения заболеваний //Компьютерные исследования и моделирование. - 2013. - Т. 5. -№. 5. - С. 863-882.

78. Wu X. et al. The development of a hybrid wavelet-ARIMA-LSTM model for precipitation amounts and drought analysis //Atmosphere. - 2021. - Т. 12. - №. 1. - С. 74.

79. Дж. Бокс, Г. Дженкинс. Анализ временных рядов. Прогноз и управление. Выпуск 1. - М. Мир. 1974 г. С. 408.

80. Дж. Бокс, Г. Дженкинс. Анализ временных рядов. Прогноз и управление. Выпуск 2. - М. Мир. 1974 г. С. 200.

81. Hyndman R. J., Athanasopoulos G. Forecasting: principles and practice. -OTexts, 2018.

82. Судаков В.А., Тимофеев М.А. Прогнозирование авиационных перевозок методами статистического анализа и машинного обучения // Препринты ИПМ им. М.В. Келдыша. - 2022. - № 70. - С. 14. https://doi.org/10.20948/prepr-2022-70.

83. Лисица Е.В., Яцков Н.Н., Скакун Е.В., Апанасович В.В. Исследование методов классификации для анализа сегментированных объектов на люминесцентных изображениях раковых клеток //Вестник полоцкого государственного университета. Серия С. - 2020. - № 4. -С.15-22.

84. Huang W., Nakamori Y., Wang S. Forecasting stock market movement direction with support vector machine // Computers and Operations Research. - 2005. - № 32. Р. 2513-2522. https://doi.org/10.1016/j.cor.2004.03.016.

85. Аламир Х.С., Заргарян Е.В., Заргарян Ю.А. Модель прогнозирования транспортного потока на основе нейронных сетей для предсказания трафика на дорогах // Известия ЮФУ. Технические науки. - 2021. - №2 6 (223). - С. 124132.

86. Романов Р.М., Гусева А.И. Гибридный подход на основе когнитивного картирования и регрессионного анализа для прогнозирования в сложных слабо формализованных системах. Вестник НИЯУ МИФИ. 2025;14(4):332-338. https://doi.org/10.26583/vestnik.2025.4.5. EDN: SPPAWL.

87. Graves A., Mohamed A., Hinton G. Speech recognition with deep recurrent neural networks //2013 IEEE international conference on acoustics, speech and signal processing. - Ieee, 2013. - С. 6645-6649.

88. Soni J., Prabakar N., Upadhyay H. EA-NET: A Hybrid and Ensemble MultiLevel Approach for Robust Anomaly Detection // SEDE 2022 (EPiC Series in Computing, vol. 88), pp. 18-27.

89. Bates J.M., Granger C.W.J. The combination of forecasts //Operations Research Quarterly. - 1969. - № 20. - Р. 451-468.

90. Ke G. et al. Lightgbm: A highly efficient gradient boosting decision tree //Advances in neural information processing systems. - 2017. - Т. 30.

91. Chen T., Guestrin C. Xgboost: A scalable tree boosting system //Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. - 2016. - С. 785-794.

92. Freund Y., Schapire R. E. A decision-theoretic generalization of on-line learning and an application to boosting //Journal of computer and system sciences. - 1997. -Т. 55. - №. 1. - С. 119-139.

93. Романов Р.М. Построение и применение нечетких когнитивных карт для оценки влияния капитальных проектов на финансовые результаты компании //Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки.- 2025. - № 1(2). -С. 62-67. DOI 10.37882/2223-2966.2025.01-2.17.

94. Handa R. Prediction of foreign exchange rate using regression techniques. -2017.

95. Yilmaz F. M., Arabaci O. Should deep learning models be in high demand, or should they simply be a very hot topic? A comprehensive study for exchange rate forecasting //Computational Economics. - 2021. - Т. 57. - №. 1. - С. 217-245.

96. Hadwan M. et al. A Hybrid Neural Network and Box-Jenkins Models for Time Series Forecasting //Computers, Materials & Continua. - 2022. - Т. 70. - №. 3.

97. Пашшоев Б., Петрусевич Д. А. Анализ нейросетевых моделей для прогнозирования временных рядов //Russian Technological Journal. - 2024. - Т. 12. - №. 4. - С. 106-116.

98. Иванова Л. Н., Куркин А. В., Иванов С. Е. Методы машинного обучения для прогнозирования //Неделя науки Санкт-Петербургского государственного морского технического университета. - 2020. - Т. 2. - №. 4. - С. 9-9.

99. M Sathi Ekambareesh. Comparative Analysis of Random Forests, Logistic Regression, And Neural Networks for Predictive Modelling in Financial Markets/Journal of Engineering Sciences .2023. Vol 14 Issue 07. pp. 618-627.

100. Попова И. А. Исследование алгоритмов машинного обучения для предварительной обработки данных в задачах регрессии //Искусственный интеллект в автоматизированных системах управления и обработки данных. -2022. - С. 237-242.

101. Eng K., Chen Y. Y., Kiang J. E. User's guide to the weighted-multiple-linear-regression program (WREG version 1.0): US Geological Survey Techniques and Methods, book 4, chap //viewed nd, from http://pubs. usgs. gov/tm/tm4a8. - 2009. - С. 21.

102. Hastie T., Tibshirani R., Tibshirani R. J. Extended comparisons of best subset selection, forward stepwise selection, and the lasso //arXiv preprint arXiv:1707.08692. - 2017.

103. Гудков А. А., Миронов С. В., Файзлиев А. Р. О сходимости жадного алгоритма для решения задачи построения монотонной регрессии //Известия Саратовского университета. Новая серия. Серия Математика. Механика. Информатика. - 2017. - Т. 17. - №. 4. - С. 431-440.

104. Зайнышева Д. А. Методы аппроксимации в задачах машинного обучения //Математическое и компьютерное моделирование в экономике, страховании и управлении рисками. - 2018. - №. 3. - С. 66-70.

105. Романов Р.М., Гусева А.И. Прогнозирование с использованием нечётких когнитивных карт и экспертной информации // В книге: GSOM Economy and Management conference 2024 Conference book. St. Petersburg, 2024 С. 399-406.

106. Hodgkinson G. P., Maule A. J., Bown N. J. Causal cognitive mapping in the organizational strategy field: A comparison of alternative elicitation procedures //Organizational Research Methods. - 2004. - Т. 7. - №. 1. - С. 3-26.

107. Omari R. M., Mohammadian M. Rule based fuzzy cognitive maps and natural language processing in machine ethics //Journal of Information, Communication and Ethics in Society. - 2016. - Т. 14. - №. 3. - С. 231-253.

108. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. — М.: Финансы и статистика, 2004. — 464 с.

109. Квятковская И. Ю. Формирование управленческих решений для социально-экономических систем в условиях слабой структурированности

проблемы //Вестник Саратовского государственного технического университета. - 2009. - Т. 2. - №. 1. - С. 219-227.

110. Caarn Т. Принятие решений. Метод анализа иерархий //Москва: Радио и связь. - 1993. - Т. 320.

111. Mikhailov L., Singh M. G. Fuzzy analytic network process and its application to the development of decision support systems //IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). - 2003. - Т. 33. - №. 1. - С. 33-41.

112. Vinodh S., Ramiya R. A., Gautham S. G. Application of fuzzy analytic network process for supplier selection in a manufacturing organisation //Expert systems with applications. - 2011. - Т. 38. - №. 1. - С. 272-280.

113. Левадний Е. И., Романов Р. М. Анализ факторов успеха и действий в проектах DevOps с использованием теории нечетких множеств //Вестник НИЯУ МИФИ. - 2024. - Т. 13. - №. 6. - С. 411-421.

114. Левадний Е. И., Романов Р. М. Исследование интеграции управления проектами devops с PMBOK с использованием теории нечетких множеств // Современные проблемы физики и технологий: Сборник тезисов докладов XI международной молодежной научной школы-конференции, Москва, 23-25 апреля 2024 года. - Москва: Национальный исследовательский ядерный университет «МИФИ», 2024 - С. 322-323.

ПРИЛОЖЕНИЯ

Алгоритмическое обеспечение метода построения прогностической модели (нотация BPMN)

Анализ программных средств для работы с НКК

Наименовани е продукта Настольное приложение/ Web application/Библиотек а Возможность импорта и экспорта файлов, доступ к API Качество графическог о интерфейса Год создания продукт а Статус свободног о ПО

Космос Настольное приложение Неизвестно Неизвестно 1995 Нет

FCM Modeler Настольное приложение Экспорт XML, доступ к API не предусмотрен Плохое 1997 Нет

Компас Настольное приложение Экспорт XML, доступ к API не предусмотрен Плохое 1998 Нет

Ситуация Настольное приложение Неизвестно Плохое 1999 Нет

Курс Настольное приложение Неизвестно Нормальное 2001 Нет

FCM Designer Настольное приложение Экспорт в Excel, доступ к API не предусмотрен Нормальное 2005 Нет

Стратег Настольное приложение Экспорт в Excel, доступ к API не предусмотрен Нормальное 2007 Нет

Игла Настольное приложение Неизвестно Нормальное 2008 Нет

FCM tool Настольное приложение Неизвестно Хороший 2011 Нет

Alf-ZDr Настольное приложение Неизвестно Неизвестно 2012 Нет

JFCM Библиотека Экспорт в Excel, доступ к API не предусмотрен Нет интерфейса 2013 Да

Mental Modeler Веб-приложение Неизвестно Нормальное 2015 Нет

ISEMK Настольное приложение Экспорт в Excel Хороший 2015 Нет

FCM Expert Настольное приложение Экспорт в Excel, доступ к API не предусмотрен Хороший 2017 Нет

СMSS Настольное приложение Неизвестно Хороший 2019 Нет

FCMpy Библиотека Для разработчико в Отсутствует 2021 Да

Источник: составлено автором на основе открытых источников

Диаграммы классов для разрабатываемых приложений

Диаграмма классов для «Программного приложения для визуализации и построения нечётких когнитивных карт для задач управления слабо формализованных систем»

xOrigin : number yOrigin : number reasons: Reason[ ] relationships: Relationship! ] clusters: Cluster! ] editable: boolean

k redraw: void

k loadRelationship(id, fromld, told, type, weiught): boolean v addRelationship(id, from : Reason, to : Reason, type, weiught): void v resize(): void v initilizeQ: void v addReason(r: Reason): void v showRelationship(r: Relationship): void

r.

Relationship

id : string

type : number

weight: number

from: Reason

to: Reason

parent: Area

svgElement: Area

+ deleteRelationshipQ: void

from ,1 to • 1

o-

Reason

id : string

name : string

x: number

y: number

radius: number

value: string

code: string

description: string

svgElement

svgTextElement

cluster : Cluster

Cluster

id : string

name : number

color : string

Диаграмма классов для «Программного средства анализа и построения регрессионных моделей на основе метода аналитических сетей для слабо формализованных систем»

Свидетельства на программы для ЭВМ

Акт об использовании результатов диссертационного исследования в ООО «Грин Технолоджис»

Акт об использовании результатов диссертационного исследования в учебном процессе Национального исследовательского ядерного университета «МИФИ»

АКТ об использовании

результатов диссертационного исследования Романова Родиона Модестовича в учебном процессе Национального исследовательского ядерного университета

«МИФИ»

Настоящий акт подтверждает, что следующие результаты диссертационного исследования на соискание ученой степени кандидата технических наук аспиранта Романова Родиона Модестовича внедрены и в течении ряда лет используется в учебном процессе кафедры экономики и менеджмента в промышленности (№71) факультета бизнес-информатики и управления комплексными системами (ФБИУКС) НИЯУ МИФИ при подготовке магистров по программе «Бизнес-информатика в цифровой экономике» по направлению 38.04.05 «Бизнес-информатика» при проведении научно-практических семинаров «Цифровая экономика» и «Научно-технологическое прогнозирование в цифровой экономике» для групп М23-904, ВОЗ:

• гибридный подход, объединяющий нечеткое когнитивное картирование и регрессионный анализ, направленный на повышения качества решения задачи прогнозирования в слабо формализованных системах;

• оригинальный метод построения нечетких когнитивных карт и выявления наиболее значимых сущностей на основе аналитических сетей, реализованный в виде программного приложения и используемый для решения задачи прогнозирования. Результаты научных и практических исследований, представленных в

диссертационном исследовании Романова Родиона Модестовича, обладают научной новизной и практической ценностью и могут быть рекомендованы для дальнейшего использования в учебном процессе как НИЯУ МИФИ, так и других образоательных организаций.

Начальник управления научных исследований

Декан ФБИУКС профессор, д.т.н.

Заместитель ФБИУКС,