All
 
|
 
 


Optimization of adaptive network economic and mathematical modeling of business planning process control
 
PIIS042473880016413-3-1
DOI10.31857/S042473880016413-3
Publication type Article
Status Published
Authors
Andrey Shorikov 
Affiliation: Institute of Economics, the Ural Branch of the RAS, N.N. Krasovskii Institute of Mathematics and Mechanics, the Ural Branch of the RAS
Address: Ekaterinburg, Russian Federation
Elena Butsenko
Affiliation: Ural State University of Economics
Address: Ekaterinburg, Russian Federation
Journal nameEkonomika i matematicheskie metody
EditionVolume 57 Issue 3
Pages110-125
Abstract

The article is devoted to the application of economic and mathematical models of business planning management based on the use of the feedback principle. As the objective function (evaluation toolkit) of the task, the value of the execution time of the entire business project, which must be minimized, is considered. To solve this problem, it is proposed to form a class of admissible strategies for optimal adaptive control of the implementation process; as well as a specific business project using network economic and mathematical modeling is worked out. Within the limits of these strategies, the method of achieving optimal self-adjusting control of business planning processes is determined, the optimal execution time and the optimal timetable for the implementation of the project are determined. The main feature of the proposed new method is the ability to take into account the real conditions for the implementation works of the concrete project, which makes it possible to timely adjust the process of management of business planning and prevent disruptions in its implementation. This method also serves as the basis for constructing numerical algorithms for the development and creating the automated systems for realization of optimal adaptive control of business planning processes. The results obtained are illustrated on a specific business project for opening a public catering enterprise and show a high degree of efficiency in using the new method.

Keywordsbusiness planning, business project, economic and mathematical modeling, control strategy, network model, control optimization, adaptive control, feedback control, public catering
AcknowledgmentThe work was carried out in accordance with the Research plans of the Institute of Economics and of the N.N. Krasovskii Institute of Mathematics and Mechanics the Ural Branch of the Russian Academy of Sciences.
Received15.09.2021
Publication date22.09.2021
Number of characters42124
Cite   Download pdf To download PDF you should sign in
100 rub.
When subscribing to an article or issue, the user can download PDF, evaluate the publication or contact the author. Need to register.

Table of contents

ВВЕДЕНИЕ
ТЕОРИЯ АДАПТИВНЫХ СИСТЕМ
МЕТОДЫ И ПОДХОДЫ
РЕЗУЛЬТАТЫ
ЗАКЛЮЧЕНИЕ
1

ВВЕДЕНИЕ
2 При решении задач сбора и обработки информации существует необходимость в преодолении априорной неопределенности. Эффективный путь решения указанной проблемы — адаптивные системы, которые широко используются в биомедицинской электронике, проектировании механических систем, навигации, связи, сейсмологии, радио- и гидролокации и др., а так же при изучении социальных, экономических, биологических и других видов систем. Структурная схема адаптивной модели для системы управления в технической сфере представлена на рис. 1.
3
image1

4 Рис. 1. Структурная схема модели адаптивного управления техническими системами
5 Для многих современных объектов управления сложно разработать соответствующие им математические модели, приемлемые для исследования. Это связано прежде всего с отсутствием необходимых исходных данных либо непредсказуемым в процессе функционирования объекта изменением. Приспособление объекта управления к изменяющимся внешним и внутренним условиям можно рассматривать как адаптацию. Реализация этого принципа в системах управления позволяет значительно повысить их эффективность в достижении поставленных целей.
6

ТЕОРИЯ АДАПТИВНЫХ СИСТЕМ
7 Первые работы по адаптивным системам и описанию механизма приспособления и перестройки живых систем появились в середине 1950-х годов. Тогда впервые была описана модель мозга человека, которую представил английский психиатр У.Р. Эшби. Разработку модели осуществил американский ученый Х.С. Цзянь, занимавшийся оптимизацией управления инженерными системами (Tsien, Serdengecti, 1955, р. 561). Приблизительно в это же время описание управляющего устройства адаптивного характера дали A.H. Беннер и Р. Дреник (Benner, Drenick, 1955, р. 8).
8 Описанию адаптивных систем оптимального, или экстремального, типа, осуществляющим поиск некоторого оптимума, в научной литературе уделяется больше внимания, чем системам других типов (Deng, Chen, 2017; Moustakis, Yuan, Baldi, 2018; Su, Zhang, 2019). Принципы оптимального управления и экстремальной адаптации в инженерных системах были рассмотрены, например, в (Draper, Li, 1951, р. 160).
9 Любое предприятие как хозяйствующий субъект также можно рассматривать как систему с непредсказуемыми возмущениями и, соответственно, как объект управления. Поэтому адаптивные модели в сфере экономики предназначены для работы с изменяющимися условиями окружающей среды, для адаптации к ним и реализации намеченных целей хозяйствования.
10 Разработка и реализация адаптивных моделей управления экономическими процессами становится особенно актуальной в условиях возрастания динамики и структурной перестройки экономики. Такие процессы очень сложно поддаются адаптивному управлению из-за постоянно меняющихся во времени свойств (рис. 2). Различные факторы воздействуют на их элементы и в разное время, что приводит к ослаблению влияния одних факторов и увеличению — других. Поэтому такие процессы должны адаптироваться к новым условиям с помощью разработки соответствующих адаптивных систем управления на базе экономико-математических моделей.

Price publication: 0

Number of purchasers: 0, views: 569

Readers community rating: votes 0 

1. Agulhari C., Lacerda M. (2019). Observer-based state-feedback control design for LPV periodic discrete-time systems. European Journal of Control, 49, 1–14.

2. Akhmadeev B.A., Makarov V.L. (2019). Project assessment system based on combined methods of com-puter optimization. Economics and Mathematical Methods, 55, 2, 5–23 (in Russian).

3. Astolfi A. (2006). Nonlinear and adaptive control, tools and algorithms for the user. London: Imperial Col-lege Press. 313 p.

4. Astroem K.J., Wittenmark B. (2008). Adaptive control. 2nd edition. Dover Publications. 590 p.

5. Barabanov N., Ortega R. (2018). On the need of projections in input-error model reference adaptive con-trol. International Journal of Adaptive Control and Signal Processing, 32, 3, 403–411.

6. Benner A.H., Drenick R. (1955). An adaptive servo system. IRE Convention Record, 4, 8–14.

7. Benosman M. (2018). Model-based vs data-driven adaptive control: An overview. International Journal of Adaptive Control and Signal Processing, 32, 5,  753–776.

8. Bundy A. (ed.) (1997). Artificial intelligence techniques. Berlin: Springer Verlag.

9. Chertovskoy V.D. (2013). Information support for adaptive automated production control. Applied Infor-matics, 1 (43), 11–17 (in Russian).

10. Deng L., Chen Y. (2017). Optimal control of uncertain systems with jump under optimistic value criterion. European Journal of Control, 38,  7–15.

11. Draper C.S., Li Y.T. (1951). Principles of optimizing control systems and an application to the internal combustion engine. American Society of Mechanical Engineers (ASME) Publication,  160–168.

12. Farrell J.A., Polycarpou M.M. (2006). Adaptive approximation based control. Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches.  Hoboken: John Wiley. 432 p.

13. Huang M., Gao W., Jiang Z.P. (2019). Connected cruise control with delayed feedback and disturbance: An adaptive dynamic programming approach. International Journal of Adaptive Control and Signal Processing, 33,  2,  356–370.

14. Kleiner G.B., Rybachuk M.A. (2017). System balance of the economy. Moscow: Nauchnaja biblioteka. 320 p. (in Russian).

15. Kofman A., DebazeyG. (1968). Network planning methods and their application. Moscow: Progress. 182 p. (in Russian).

16. Landau I.D., Lozano R., M'Saad M., Karimi A. (2011). Adaptive control: Algorithms, analysis and appli-cations. London: Springer. 610 p.

17. Latrech Ch., Kchaou M., Guéguen H. (2018). Networked non-fragile H∞ static output feedback control design for vehicle dynamics stability: A descriptor approach. European Journal of Control, 40, 13–26. 

18. Ma H. (2019). Infinite horizon optimal control of mean-field forward-backward delayed systems with Pois-son jumps. European Journal of Control, 46,  14–22.

19. Moustakis N., Yuan S., Baldi S. (2018). An adaptive design for quantized feedback control of uncertain switched linear systems. International Journal of Adaptive Control and Signal Processing, 32, 9,  665–680.

20. Shorikov A.F. (1997). Minimax estimation and control in discrete-time dynamical systems. Ekaterinburg: Ural State University Publisher. 242 p. (in Russian).

21. Shorikov A.F., Butsenko E.V. (2017). Forecasting and optimization of the investment projecting control result. Moscow: URSS-LENAND. 272 p. (in Russian).

22. Shorikov A.F., Butsenko E.V. (2020). Method of network economic-mathematical modeling of adaptive control optimization investment projecting. Journal of Applied Economic Research, 19, 1, 97–123 (in Russian).

23. Su H., Zhang W. (2019). Finite-time prescribed performance adaptive fuzzy fault-tolerant control for non-strict-feedback nonlinear systems. International Journal of Adaptive Control and Signal Processing, 33, 9, 1407–1424.

24. Tsien H.S., Serdengecti S. (1955). Analysis of peak-holding optimizing control. Journal of the Aeronautical Sciences, 22 (8), 561–570.

Система Orphus

Loading...
Up