дисертацIя косилов

1. МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ
ДОНЕЦКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ ИМЕНИ ВАСЫЛЯ СТУСА
На правах рукописи
КОСИЛОВ СЕРГЕЙ АЛЕКСЕЕВИЧ
УДК 519.711/517.977.58
ИНФОРМАЦИОНАЯ ТЕХНОЛОГИЯ ПОДДЕРЖКИ ПРИНЯТИЯ
РЕШЕНИЙ ПО УПРАВЛЕНИЮ ПРЕДПРИЯТИЕМ КОНВЕЙЕРНОГО
ТИПА
Специальность 05.13.06 – информационные технологии
Диссертация на соискание учёной степени
кандидата технических наук
Научный руководитель
КРИВОДУБСКИЙ Олег Александрович,
кандидат технических наук, доцент
Черкассы – 2017

2. 2
СОДЕРЖАНИЕ
ПЕРЕЧЕНЬ УСЛОВНЫХ СОКРАЩЕНИЙ ……………………………………...5
ВВЕДЕНИЕ ………………………………………………………………………....6
РАЗДЕЛ 1 ……………………………………………………………...……..........13
1.1 Анализ современных подходов к решению задач планирования вы-
полнения заказов …………………………………….……...…………….......14
1.1.1 Классические методы оптимизации: поиск экстремума функциона-
нала при наличии ограничений ……………...………………………...…..15
1.1.2 Формализация ограничений в виде критериев задачи планирования.
Адаптивные алгоритмы с использованием штрафных функций ………..17
1.1.3 Методы имитационного моделирования …………………………....18
1.1.4 Применение генетических алгоритмов …………………………...…19
1.1.5 Планирование выполнения задач методами теории расписаний ......20
1.2 Реализации современных информационных систем для решения задач
планирования выполнения заказов ….………………………………..…...….22
1.2.1 Особенности и возможности информационных систем стандартов
MRP и ERP ..………………………….………………...……………………22
1.2.2 Использование информационных MES- и APS-систем для плани-
рования производственных процессов …………………………...…....…..24
1.2.3 Роль DSS-систем при автоматизации планирования .........………….25
1.3 Выводы по первому разделу…………………...………………………….28
РАЗДЕЛ 2 ...…………………...……………………………………………….……30
2.1 Характеристики заказов на листовой прокат …………………...…….…..30
2.2 Характеристики заготовок для получения листового проката ……..........31
2.3 Определение взаимосвязей между характеристиками заказа, мерных и
кратных слябов ……………………………………………………..………......32
2.4 Исследование общей структуры процесса листопрокатки и технологи-
ческих операций по подготовке основного производства ……………...…....33
2.5 Исследование технологических операций по переработке исходного
сырья в готовый листовой прокат (основное производство) ………………..34
2.6 Анализ технологических ограничений, обуславливающих порядок фор-
мирования и прокатки партий кратных слябов ………...…………….……....37
2.6.1 Первое технологическое ограничение на допустимую массу партии
кратных слябов ………………………………...………..………………......38
2.6.2 Второе технологическое ограничение на допустимую массу металла
в кампании валков ...………………………………………...……………....38

3. 3
2.6.3 Третье технологическое ограничение на сумму масс партий кратных
слябов, используемых для получения листа одинакового профиля в кам-
пании валков…………………………………………………...……...……..39
2.6.4 Ограничения на порядок прокатки партий кратных слябов в кампа-
нии валков .…………………..…………………………….....……….......…39
2.7 Анализ особенностей планирования выполнения заказов ..……...……..40
2.7.1 Первый этап планирования: группировка заказов и расчёт харак-
теристик заготовок для каждой позиции заказов ….…………..………….41
2.7.2 Второй этап планирования: формирование партий заготовок для
задания в производство ……………………………...………………….......41
2.7.3 Третий этап планирования: расчёт временных показателей ПП …..42
2.7.4 Четвёртый этап планирования: определение последовательности
задания в производство партий заготовок и формирование заказа на
поставку мерных слябов …………………………………………..…..…....42
2.8 Постановка задачи исследования…………………………………..……..43
2.9 Выводы по второму разделу ……………………..……………………….44
РАЗДЕЛ 3 ……………………………………..…………………….……………...47
3.1 Первый этап планирования. Формализация группировки заказов и об-
ратного расчёта характеристик групп заготовок……………..……………...47
3.1.1 Группировка однотипных позиций портфеля заказов ……..…….…48
3.1.2 Обратный расчёт типоразмеров заготовок, необходимых для вы-
полнения каждой группы заказов …………...……………………………..52
3.1.3 Определение характеристик поставки заготовок ……………..….....55
3.2 Второй этап планирования. Формирование партий заготовок для задания
в производство…………………………………………………………………57
3.2.1 Логико-формальные модели и правила преобразования переменных
на первой стадии .....…………………………………………………...….....60
3.2.2 Модели и правила преобразования на второй стадии ………..……..62
3.2.3 Модели и правила преобразования на третьей стадии …………...…64
3.2.4 Модели и правила преобразования на четвёртой стадии ……..….…67
3.2.5 Модель-структура взаимосвязей переменных .....................................68
3.3 Формализация задачи третьего этапа планирования ……………..……..72
3.3.1 Расчёт показателей преобразования мерных слябов на УПП ..……73
3.3.2 Модели расчёта характеристик нагрева кратных слябов в печах ….76
3.3.3 Расчёт показателей прокатки кратных слябов на клети «трио» ……84
3.3.4 Расчёт показателей прокатки кратных слябов на клети «кварто» .....87

4. 4
3.3.5 Модели расчёта характеристик обработки проката на устройствах
охлаждения и правки …………………………………………………….....91
3.3.6 Модели расчёта характеристик обработки листового проката на
устройствах порезки и устранения дефектов ……………………………...94
3.3.7 Расчёт показателей обработки проката на складе продукции …...…97
3.3.8 Модели расчёта характеристик обработки проката на протяжении
всего технологического процесса ………………………………………...100
3.3.9 Модель расчёта времени поставки мерных слябов ………..…...….101
3.4 Выводы по третьему разделу …………………………………..………..102
РАЗДЕЛ 4 ……………………………………………...………………………….104
4.1 Разработка структурной модели решения задач планирования ……....104
4.2 Постановка и формализация задачи оптимального планирования ..….115
4.3 Разработка аналитической модели расчёта времени обработки партий и
трансформация функционала цели……………………………………….…118
4.3.1 Формирование раздела нормативной информации БД …………....119
4.3.2 Задание управляющих переменных – масс партий …………..……119
4.3.3 Правило вычисления элементов матрицы переходов ………..…....121
4.3.4 Модель взаимосвязи между управляющими переменными и
переменными состояния партии …………………………...…………......122
4.3.5 Разработка аналитической модели, характеризующей продолжи-
тельность технологической паузы …………………………………..…....123
4.3.6 Аналитическая трансформация функционала цели ……..………...123
4.3.7 Аналитическая модель технологических ограничений ……..…….124
4.4 Разработка правил и алгоритма решения задачи оптимизации ПП.......127
4.5 Разработка алгоритмов и программного обеспечения СППР …………130
4.5.1 Разработка алгоритмов и ПО подсистемы принятия оптимальных
решений при автоматизированном расчёте показателей ПП ……….......132
4.5.2 Разработка структурной модели, алгоритмов и ПО подсистемы опе-
ративного управления ……………...……………………………………...138
4.6 Численное исследование решения задачи оптимального планирования и
оперативного управления прокатным производством ПАО «ДМЗ» ……..152
4.7 Выводы по четвёртому разделу ……………………………………....……...155
Выводы …………..………………………………..………………………………157
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ……………………….…...160
Приложение А …………………………...…………………………………….....174
Приложение Б ……………………………………………………………………206
Приложение В ………………………………………………...………...…..........207

5. 5
ПЕРЕЧИСЛЕНИЕ УСЛОВНЫХ СОКРАЩЕНИЙ
APS – Advanced Planning and Scheduling – Усовершенствованное
планирование
ERP – Enterprise Resource Planning – Планирование ресурсов
предприятия
DSS – Decision Support System – Система поддержки и принятия
решений
FF – Fitness function – Функция приспособленности в генети-
ческих алгоритмах
KE – Knowledge Engine – Машина знаний, представление в си-
стеме управления информации о процессе
MES – Manufacturing Execution System – Cистема управления про-
изводственными процессами
MINLP– Mixed Integer Nonlinear Programming – Cмешанное цело-
численное линейное программирование
RP – Material Requirements Planning – Планирование потребнос-
ти в материалах
SCM – Supply Chain Management – Управление цепями поставок
SQP – Sequential quadratic programming – Последовательное квад-
ратичное программирование
АРМ – Автоматизированное рабочее место
БД, БЗ – База данных, база знаний
ГА – Генетический алгоритм
ИТ – Информационная технология
ЛПР – Лицо, принимающее решение
ПП – Производственная программа
СППР – Система поддержки и принятия решений
ПО – Программное обеспечение
ОУ – Объект управления

6. 6
ВЕДЕНИЕ
Актуальность темы. Современные предприятия, использующие техноло-
гию конвейерного типа (далее как предприятия конвейерного типа) характеризу-
ются нестабильностью позиций портфеля заказов и разветвлённым регламенти-
рованием технологических условий, сопровождающих выполнение заказов. При
планировании ПП предприятий этого типа учёт перечисленных особенностей
приводит к трудностям вычислительного характера, что определяет актуаль-
ность создания ИТ, предназначенных для автоматизации функциональных задач
планирования, управления, анализа и оценки показателей, характеризующих
технологические особенности предприятия. Существующие информационные
системы классов MRP, APS, СППР (DSS), интегрированные с облачными сер-
висами, обеспечивают решение ряда задач производственного планирования,
однако, их существенными недостатками являются невозможность адаптации к
специфическим бизнес-процессам на предприятии, сложность формализации
производственных взаимосвязей и интеграции существующей базы данных с ба-
зой данных системы. Поэтому актуальна разработка новых информационных
систем и методов оптимизации бизнес-процессов. В современной трактовке соз-
дание ИТ, определяющей наполнение СППР, позволит оперативно реагировать
на изменение номенклатуры портфеля заказов с привязкой к регламенту, отра-
жающему технологические особенности производственного оборудования в по-
следовательной цепи агрегатов. Перечисленные возможности СППР обеспечи-
вают выполнение договорных условий, включающих в себя сроки и объёмы вы-
полнения заказов при существенном сокращении затрат времени производ-
ственного персонала, подготавливающего решения по реализации ПП.
Многообразие характеристик заказов и регламентных условий работы тех-
нологического оборудования в цепи агрегатов, а также специфических задач уп-
равления, обуславливают целесообразность формирования логико-формальных
зависимостей, связывающих перечисленные показатели и определяющих функ-
циональное наполнение ИТ СППР. Учёт функциональных взаимосвязей, опре-
делённых в логико-формальных зависимостях, предопределяет разработку мате-

7. 7
матических моделей, с помощью которых можно осуществлять численный рас-
чёт показателей ПП. Современные стандарты функционирования СППР вклю-
чают постановку задач оптимизации с использованием известных принципов
поиска наилучших решений по реализации ПП.
Динамичное развитие ИТ, задействованных для автоматизации решения
производственных задач управления, поддерживается благодаря исследованиям
ведущих отечественных учёных. Разработка ИТ СППР методически подчиняе-
тся правилам системного анализа, основные положения которого изложены в ра-
ботах Згуровского и Панкратовой. Значительный вклад в развитие современных
методик автоматизации планирования внесли такие учёные, как Ивахненко,
Томашевский, Бедюк, Павлов, уделяющие внимание как формализации и моде-
лированию процессов планирования и оперативного управления, так и созданию
методов решения задач оптимизации для IT-комплексов планирования.
Условия актуальности определяют тематику, научное содержание и прак-
тическую значимость данной диссертационной работы, основанные на совре-
менных методах системного анализа, моделирования, оптимизации и существу-
ющих ИТ автоматизации функциональных задач управления производством.
Связь работы с научными программами, планами, темами. Область ис-
следования, выбранная в работе, соответствует приоритетным направлениям разви-
тия науки и техники в Украине, определённым в постановлении Кабинета Минист-
ров Украины № 556 от 25.02.2016 г. «Про затвердження переліку пріоритетних тема-
тичних напрямів наукових досліджень і науково-технічних розробок на період до
2020 р.» (раздел «Інформаційні та комунікаційні технології», позиция «Інформацій-
но-аналітичні системи, системи підтримки прийняття рішень»). Работа выполнена на
кафедре прикладной механики и компьютерных технологий государственного выс-
шего учебного заведения «Донецький національний університет імені Василя Сту-
са», в ходе подготовки решены задачи, определённые в научно-исследовательских
работах Министерства образования и науки Украины: "Математичне моделювання
процесів і систем у промисловості" (№ ДР 0107U002152), "Економіко-математичне
моделювання стохастичних і детермінованих систем" (№ ДР 0107U003026), а соз-

8. 8
данный инструментарий поиска оптимальных решений использован при вы-
полнении работ «Розробка методів дослідження міцності та стійкості тонко-
стінних конструкцій при дії різного виду статичних та динамічних навантажень»
(№ 0116U002522), "Розробка методів та алгоритмів дослідження міцності та стій-
кості тонкостінних конструкцій, що перебувають під дією статичних та динаміч-
них навантажень" (Ф71/80), в которых автор принимал участие как исполнитель.
Цель и задачи исследования. Целью настоящей работы является повы-
шение эффективности управления предприятиями конвейерного типа путём раз-
вития инструментальных средств ИТ, предназначенной для автоматизированной
обработки информации и принятия оптимальных решений.
Для достижения поставленной цели исследования необходимо:
1. Провести системный анализ деятельности предприятия: определить ха-
рактеристики поступающих заказов и технологические условия, регламентиру-
ющие их выполнение; установить тип предприятия и задачи, возникающие при
планировании его деятельности; определить особенности ИТ, предназначенной
для решения задач планирования.
2. Разработать метод расчёта показателей ПП на основе математических
моделей, который позволит:
– учитывать взаимосвязи между показателями и технологическими
ограничениями всех типов,
– выделять информацию, подлежащую автоматизированной переработке
в СППР (её объем и содержание),
– выполнять поливариантные расчёты и поиск оптимальных значений по-
казателей.
3. Осуществить постановку и формализацию задач принятия оптимальных
решений при планировании ПП на предприятии рассматриваемого типа, разра-
ботать теоретические основы оптимизации как элемента ИТ СППР.
4. Разработать правила автоматизации принятия оперативных решений
при отклонении от плана, обеспечивающие наиболее эффективную корректи-
ровку показателей ПП при сохранении запланированного графика поставки за-

9. 9
готовок и с учётом трудозатрат рабочих бригад, участвующих в производстве.
5. Разработать ИТ автоматизации функциональных задач управления, ана-
лиза и оценки производственных показателей для предприятий конвейерного
типа и оценить её эффективность.
Объектом исследования являются процессы автоматизированной перера-
ботки информации, сопровождающие задачи производственного управления
при реализации ПП на предприятиях конвейерного типа.
Предметом исследования является разработка инструментальных средств
создания и использования ИТ в задачах производственного характера. Эти сред-
ства включают в себя модели, правила, алгоритмы и ПО, предусматривающие
автоматизацию расчётов при решении задач оптимального планирования и уп-
равления.
Методы исследования. Предлагаемый в работе инструментарий ИТ осно-
ван на принципах и методах системного анализа и теории управления. Связи
между показателями, характеризующими производство, описаны с помощью
методов дискретной математики, математической логики, теории множеств и те-
ории исчисления предикатов. Формализация задачи оптимального планирова-
ния выполнена с использованием методов оптимизации и исследования опера-
ций. Для численного решения оптимизационной задачи используется комбина-
ция генетического алгоритм и метода штрафных функций с использованием ал-
горитмов многомерного целочисленного программирования.
Научная новизна полученных результатов. В ходе выполненного иссле-
дования достигнуты следующие научные результаты.
1. Впервые разработан двойственный метод обратного и прямого расчёта
показателей ПП, который основан на логико-формальных и аналитических мо-
делях взаимосвязей между характеристиками заказов, заготовок и технологичес-
кими ограничениями. Метод позволяет, в отличие от существующих, опреде-
лять множество всевозможных партий заготовок для выполнения заказов плано-
вого периода как основы поливариантных расчётов ПП, формировать область
допустимых значений задачи оптимального планирования для предприятий кон-

10. 10
вейерного типа с многообразием нелинейных технологических ограничений.
2. Впервые разработаны правила формализации временных показателей
ПП, основанные на полиномиальной модели расчёта продолжительности вы-
полнения всех заказов в зависимости от последовательности задания партий за-
готовок в производство с учётом технологических ограничений. Правила, в от-
личии от существующих, позволяют выполнить формальную постановку зада-
чи оптимального планирования на предприятиях рассматриваемого типа и сфор-
мировать модель ограничения на своевременное выполнение заказов, предна-
значенную для определения наиболее эффективной последовательности выпол-
нения заказов с минимальной продолжительностью технологических процессов.
3. Усовершенствованы методы автоматизации функциональных задач уп-
равления – предложен алгоритм поиска оптимального решения задачи планиро-
вания. В отличии от существующих, алгоритм учитывает технологические огра-
ничения в виде штрафных функций и реализует поиск для объектов конвейерно-
го типа с многообразием нелинейных технологических ограничений.
4. Получила дальнейшее развитие методика многоэтапной декомпозиции
как основы ИТ планирования, дополненная учётом взаимосвязей производст-
венных показателей с нормативными, технологическими и регламентными огра-
ничениями в математических моделях каждого этапа планирования. Предлагае-
мый подход, в отличие от существующих, применим для предприятий конвейер-
ного типа и позволяет прогнозировать результаты поливариантных решений, а
также лежит в основе формализации задачи оптимального планирования.
5. Получили дальнейшее развитие ИТ оптимального оперативного управ-
ления за счёт разработанных правил принятия оперативных решений, гаранти-
рующих сохранение показателей оптимального плана за пределами интервала
оперативного управления. В отличие от существующих, правила позволят рас-
пределять задачи управления между исполняющими подразделениями.
Практическое значение полученных результатов.
1. На основе математических моделей и правил расчёта показателей ПП
разработаны алгоритмы и ПО как основа инструментария СППР, позволяющего

11. 11
автоматизировать выполнение следующих функциональных задач управления
на предприятиях конвейерного типа с многообразием нелинейных технологи-
ческих ограничений:
– расчёта технологически обоснованных характеристик заготовок, со-
ответствующих позициям портфеля заказов и определения загрузки производ-
ственных мощностей в соответствии с требованиями технического регламента,
– определения наиболее эффективной последовательности выполнения за-
казов с минимальной продолжительностью технологических процессов при сво-
евременной отгрузке заказов потребителю, распределения задач оперативного
управления между выполняющими их подразделениями при сохранении запла-
нированного графика поставки заготовок,
– автоматизации выполнения поливариантных расчётов ПП.
2. Сформированный набор правил доведен до инженерных методик, что
позволяет использовать СППР для расчётов показателей ПП по запросам ЛПР.
3. Проведены опытно-промышленные испытания СППР на предприятии
металлургического комплекса ПАО «ДМЗ» (акт внедрения от 21.11.2013г.) с со-
поставлением численных результатов выполнения ПП в реальных условиях с ре-
комендациями СППР. Сопоставление показало, что рекомендации позволят со-
кратить, в среднем, на 14 % время выполнения портфеля заказов, повысить сте-
пень нормативного использования валков на 7 %, уменьшить время внутрисмен-
ных простоев бригад на 6 % с экономическим эффектом 120 тыс. грн. в месяц.
4. Результаты работы используются в учебном процессе подготовки спе-
циалистов в области информационных технологий, системного анализа и ком-
пьютерных наук в Донецком национальном университете имени Васыля Стуса.
Личный вклад соискателя. Результаты, составляющие основное содер-
жание диссертации, получены соискателем самостоятельно. В работах, опубли-
кованных самостоятельно или в соавторстве, соискателю принадлежат следую-
щие идеи и разработки: логико-формальные и аналитические модели взаимосвя-
зей между характеристиками заказов, заготовок и технологическими ограниче-
ниями как инструментарий многоэтапной декомпозиции задач планирования

12. 12
[116, 120, 122]; двойственный метод обратного и прямого расчёта показателей
ПП [118, 119, 124]; аналитические модели для поливариантных расчётов вре-
менных показателей ПП [117, 120]; правила формализации временных показа-
телей ПП, полиномиальная модель расчёта продолжительности выполнения
всех заказов и модель ограничения на своевременное выполнение заказов [119,
126]; постановка задач оптимального планирования и оперативного управления,
алгоритмы их решения [119, 125]; алгоритм поиска оптимального решения за-
дачи планирования [123]; правила принятия оперативных решений, включаю-
щие алгоритм распределения задач оперативного управления между исполняю-
щими подразделениями; разработка структуры, функционального наполнения и
ПО СППР при планировании и оперативном управлении производством [123].
Апробация результатов диссертации. Результаты работы докладывались
и обсуждались на следующих научно-технических конференциях:
1. 12-й международной научно-технической конференции «Моделирова-
ние, идентификация, синтез систем управления ' 2009», МИССУ'2009, п. Канака;
2. 13-й международной научно-технической конференции «Моделирова-
ние, идентификация, синтез систем управления ' 2010», МИССУ'2010, п. Канака;
3. 15-й международной научно-технической конференции «Моделирова-
ние, идентификация, синтез систем управления ' 2012», МИССУ'2012, п. Канака.
Публикации. Основные результаты диссертационной работы изложены в
11 научных работах, среди которых 8 статей в специализированных журналах,
определённых для публикации результатов диссертационных исследований на
соискание учёной степени кандидата технических наук, в том числе, 2 статьи в
изданиях, индексируемых в наукометрической базе WorldCat и включенных в
справочник периодических изданий базы данных Ulrich's Periodical Directory
(New Jersey, USA) и 3 публикации тезисов международных конференций.
Структура и объём диссертации. Работа состоит из введения, 4 разделов,
выводов, списка использованных источников из 126 наименований и 3 прило-
жений на 87 страницах. Общий объём диссертации – 261 страница, из них 159
страниц основного текста, работа содержит 77 рисунков и 67 таблиц.

13. 13
РАЗДЕЛ 1
АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РЕШЕНИЯ ЗАДАЧ ПЛАНИ-
РОВАНИЯ И ИХ ПРАКТИЧЕСКОЙ РЕАЛИЗАЦИИ
Современной тенденцией в решении задач планирования является исполь-
зование ИТ как способа повышения эффективности производства. Согласно
прогнозам кампании Allied Market Research, в 2020 году мировой рынок только
одного типа IT-систем управления предприятием (ERP-систем) достигнет объё-
ма в $41,69 млрд. при среднегодовом темпе роста в 7,2% [1, 2]. В настоящее
время классы таких систем быстро расширяются – в зависимости от решаемых
задач, выделяют классы MRP (Material Requirements Planning), ERP (Enterprise
Resource Planning), MES (Manufactoring Execution System), APS (Advanced Plan-
ning and Scheduling), SCM (Supply Chain Management) и др., однако все они пред-
ставляют собой интегрированные программные комплексы для решения бизнес-
задач на верхнем иерархическом уровне управления предприятием [3, 4, 5]. Ши-
рокое развитие получили системы поддержки принятия решений – СППР или
DSS (Decision Support System), функцией которых является автоматизация пере-
работки информации и расчёт результатов управленческих решений для плано-
вых подразделений предприятий [6, 7]. Использование облачных технологий в
реализации IT-систем и развитие функции доступа с мобильных устройств по-
вышает доступность таких систем для небольших предприятий [8,9]. В резуль-
тате расширения клиентской базы появляется множество специфических задач
управления, требующих разработки моделей и методов автоматизации их реше-
ния [10, 11], в связи с чем возрастает потребность теоретических исследований в
области математического моделирования и теории оптимизации.
Многообразие методов ИТ, используемых при решении задач планирова-
ния производства, обусловлено особенностями, свойственными большинству
таких задач. В современной теории управления принято объединять множество
задач планирования на предприятии в иерархическую систему для разработки
единой автоматизированной IT-системы управления предприятием (АСУП). На
верхнем уровне иерархической системы осуществляется управление всем пред-

14. 14
приятием, как единым технологическим комплексом [12, 13, 14]. Реализации
АСУП в настоящее время выполняются в виде систем различных классов (MRP,
EPR, MES, APS, DSS и др.), являющихся инструментарием управления пред-
приятием в планово-производственных службах [15, 16, 17].
В диссертационной работе рассматривается один из классов задач плани-
рования производства на верхнем уровня АСУП – определение оптимальной по-
следовательности выполнения заказов и разработка соответствующей ПП. В
данном разделе необходимо рассмотреть современные подходы к решению за-
дач планирования и оперативного управления, а также достоинства и недостатки
существующих информационных систем для решения таких задач.
1.1 Анализ современных подходов к решению задач планирования
выполнения заказов
В подразделе расcматриваются классические методы оптимизации, спо-
собы формализации ограничений и использования штрафных функций, методы
имитационного моделирования, использование генетических алгоритмов и су-
ществующая практика решения задач методами теории расписаний.
В настоящее время крупные предприятия конвейерного типа (в качестве
объекта управления в работе выбрано листопрокатное производство) представ-
ляют собой многоуровневые производственные системы с тесным взаимодейст-
вием подразделений, поставляющих исходное сырьё, изготавливающих готовую
продукцию, складирование и т.п. [18, 19, 20]. Планирование выполнения заказов
на таком предприятии представляет собой многофакторную задачу [21], учиты-
вающую нелинейные взаимосвязи между подразделениями, неоднородные тех-
нологические операции, большое количество технологических ограничений [22,
23, 24]. Ключевой проблемой при планировании является определение опти-
мальной последовательности выполнения заказов [25, 26, 27]. В качестве крите-
рия оптимальности, как правило, выбирается минимизация количества перева-
лок рабочих клетей прокатного стана и времени простоя стана из-за необходи-
мости подогрева заготовок (слябов) в печах или переполненности охлаждающих

15. 15
устройств в конце технологической цепочки [28]. Такая задача представляет со-
бой задачу математического программирования на основе математической мо-
дели прокатного производства [29, 30, 31]. Следует отметить, что моделирова-
ние и решение задачи значительно осложняется технологическими особеннос-
тями конкретного предприятия [32], большим количеством технологических
ограничений [33], в том числе и вызванных взаимодействием с другими подраз-
делениями предприятия (поставки заготовок, транспортировка и складирование
продукции и др.), ограничением по времени выполнения каждого заказа и раз-
личной приоритетностью выполнения заказов [34, 35, 36].
В силу вышеизложенного, решению задачи планирования предшествует
исследование структуры и технологических взаимосвязей между разноуровне-
выми подразделениями предприятия [37, 38, 39]. При выявлении детерминиро-
ванных зависимостей разрабатывается аналитическая модель взаимосвязей и для
решения задействуют классический аппарат методов оптимизации [40, 41].
1.1.1 Классические методы оптимизации: поиск экстремума функционала
при наличии ограничений
Согласно классической теории оптимизации, функционал цели представ-
ляется в аналитическом виде, а ограничения – в виде равенств или неравенств с
часто встречающимся ограничением целочисленности переменных [42, 43], пос-
ле чего для полученной задачи целочисленного нелинейного программирования
(MINLP) определяется численный метод решения [44]. В настоящее время
применение классического подхода ограничено следующими факторами:
– сложностью получения аналитической зависимости целевой функции от
последовательности выполнения заказов, в том числе и для листопрокатного
производства, даже при выборе стандартного критерия оптимальности – мини-
мизации времени выполнения заказов [45,46];
– требованием дифференцируемости целевой функции для классических
методов нахождения оптимума (метод Якоби, обобщённый метод множителей
Лагранжа для задач с ограничениями и др. [47]), что редко достигается в реаль-
ных производственных задачах;

16. 16
– многоэкстремальностью и разрывностью целевой функции, ввиду чего
градиентный поиск оптимальных точек не гарантирует получение решения [48];
– большим количеством нелинейных технологических ограничений [49,
50], что усложняет их формализацию, затрудняет реализацию алгоритмов их
численного решения за приемлемое время [51, 52];
– целочисленностью значений переменных, задающих область определе-
ния целевой функции и большой размерностью задачи [53].
Усовершенствование методов классической оптимизации с целью устра-
нения недостатков привело к появлению некоторых модификаций метода:
– трансформации задачи нелинейного программирования классическими
методами линеаризации к задачам линейного программирования [54], что
значительно упрощает реальную модель, но на практике для сложных процессов
не позволяет получить оптимальное решение, удовлетворяющее ограничениям;
– использование метода ветвей и границ для декомпозиции множества до-
пустимых значений переменных на подмножества меньших размеров и сведение
задачи к итеративному решению ряда подзадач методами последовательного
квадратичного программирования [55, 56, 57]; применение метода ветвей и гра-
ниц в задачах календарного планирования затрудняет изменение системы огра-
ничений на каждом шаге планирования;
– включение нелинейных ограничений исходной задачи в функционал
цели в виде штрафных функций, формирование лагранжиана и решение полу-
ченной задачи без ограничений с помощью уравнений Куна-Таккера (при огра-
ничениях в виде неравенств используется обобщённый метод множителей Ла-
гранжа); такой подход подразумевает введение предположений о выпуклости
целевой функции и ограничений [58, 59];
– поскольку выпуклость целевых функций не свойственна большинству
производственных задач, то метод Лагранжа дополнен непрямыми методами по-
иска: лагранжиан аппроксимируется сепарабельной, квадратичной или позино-
миальной функцией (сепарабельное, квадратичное и геометрическое програм-
мирование) и определяется оптимум аппроксимирующей функции [60, 61, 62];

17. 17
– среди непрямых методов поиска наилучшее решение в большинстве слу-
чаев даёт метод последовательного квадратичного программирования (SQP-ме-
тод), согласно которому на каждой итерации выполняется квадратичная аппрок-
симация Гессиана функции Лагранжа при помощи квазиньютоновского моди-
фицированного метода; в результате получают подзадачу квадратичного про-
граммирования (QP) [63, 32]; из методов решения полученной QP-подзадачи
следует выделить стратегию активных наборов, используемую, например, при
оптимизации средствами «Optimization Toolbox» пакета «MATLAB» [64]; также
используется метод доверительных областей, идея которого состоит в том, что
на каждой итерации вокруг начальной точки выстраивается доверительная об-
ласть, где целевая функция аппроксимируется более простой функцией и выпол-
няется оптимизаци в сформированной области без явного выражения Гессиана
[65]; использование метода ограничено случаем линейных ограничений.
Модифицированные методы классического подхода к поиску оптималь-
ного решения задачи планирования [66, 67, 68] реализованы для некоторых
предприятий. Однако, их распространение на другие, в том числе, и листопро-
катные производства, ограничено из-за технологических особенностей пред-
приятий, сложной взаимосвязи временных характеристик процессов и последо-
вательности выполнения операций, что не позволяет выработать универсальную
методику моделирования и оптимизации планирования [69, 70].
Актуальность задачи устранения недостатков классических методов при-
вела к разработке новых подходов к моделированию задачи планирования.
1.1.2 Формализация ограничений в виде критериев задачи планирования.
Адаптивные алгоритмы с использованием штрафных функций
Проблема нелинейных технологических ограничений может быть ослаб-
лена путём формализации ограничений в виде отдельных критериев планирова-
ния. Таким образом, исходная задача трансформируется в многокритериальную
задачу без ограничений и устанавливаются весовые коэффициенты для каждого
критерия пропорционально степени важности соответствующего ограничения
[71]. Для адаптации модели к конкретному производству используются адаптив-

18. 18
ные алгоритмы настройки штрафов, позволяющие получать решения без нару-
шения обязательных технологических ограничений c учётом технологических
особенностей предприятия [72]. Также при настройке значений коэффициентов
применяются методы параметрической идентификации [73].
Для реализации решения многокритериальной задачи, как правило, ис-
пользуются эвристические алгоритмы, не гарантирующие оптимум найденного
решения [74]. Кроме того, описанный подход не применим на предприятиях с
большим количеством обязательных технологических ограничений, поскольку
способен генерировать решения, не удовлетворяющие ограничениям.
1.1.3 Методы имитационного моделирования
Сложность аналитического представления целевой функции в задачах пла-
нирования на крупных предприятиях обуславливает использование методов
имитационного моделирования для воспроизведения взаимосвязей между пере-
менными [42]. Инструментарием формирования имитационной модели является
определённая система моделирования (Scilab, Maxima), средствами которой оп-
ределяется структура модели – характеристики накопителей и каналов обслужи-
вания, параметры входного и выходного потоков заявок и т.п. [75]. Осуществле-
ние имитационных экспериментов позволяет формализовать или уточнить ана-
литические зависимости между переменными (при наличии дополнительной ин-
формации о характере такой зависимости, вероятностной или детерминирован-
ной). Имитационная модель является основой для решения задачи оптимизации
одним из существующих методов [76] или варьированием параметров имитаци-
онной модели [77]. Системы имитационного моделирования позволяют полу-
чать поливариантные расчёты ПП для оценки различных бизнес-стратегий [78].
Критическими факторами, ограничивающими реализацию инструментария
имитационного моделирования при решении сложных задач планирования,
является продолжительное время построения модели и потребность в дополни-
тельной информации о характере зависимости. Кроме того, для методов имита-
ционного моделирования требуется объемный набор статистических данных, не
всегда доступных на предприятии. Впрочем, имитационные подходы удобно ис-

19. 19
пользовать для оценки технических характеристик производства – длительности
технологических пауз, продолжительности обработки продукции и т.п. [79].
1.1.4 Применение генетических алгоритмов
Поскольку генетические и другие эволюционные алгоритмы являются ал-
горитмами поиска, каждая итерация которых формируется путём случайного
комбинирования искомых значений переменных, а тип ограничений не играет
такую важную роль, как в классических методах оптимизации, то методы этого
раздела математического программирования используются для решения задач
рассматриваемого в диссертационном исследовании типа – задач планирования
с большим количеством нелинейных ограничений [80]. Кроме того, целевая
функция исследуемых задач является многоэкстремальной и разрывной, по-
этому случайный регулируемый поиск позволяет избежать быстрой сходимости
алгоритма к точкам локальных экстремумов [81]. Основное внимание в прило-
жении ГА к планированию уделяется выбору эффективной «функции приспо-
собленности» (FF – fitness function), параметров кроссовера и мутации, алго-
ритма селекции новой популяции и критерия остановки алгоритма.
При расчёте FF особей популяции используются аналитические методы,
имитационное моделирование, искусственные нейронные сети и др. В ряде ра-
бот предлагается аналитический расчёт FF (в качестве которой выбирается це-
левая функция задачи оптимизации) [82, 83], однако недостатком такого под-
хода является сложность или невозможность аналитического расчёта для реаль-
ных задач. Использование имитационного моделирования для оценки FF реше-
ния [84, 85] устраняет этот недостаток, однако снижается точность учёта крите-
рия оптимальности задачи. Следует отметить, что интеграция генетического и
имитационного моделирования даёт возможность учитывать динамические из-
менения ограничений и сужает область поиска на каждой итерации.
Выбор наиболее эффективных остальных параметров ГА, как правило, за-
висит от вида используемой модели процесса планирования, характера целевой
функции, ограничений и определяется экспериментально при решении конкрет-
ной задачи. Например, в работе [86] описан выбор родителей в соответствии с

20. 20
правилом рулетки, одноточечные и многоточечные кроссоверы и мутации с ма-
лой вероятностью. Алгоритм динамической самоорганизации параметров пред-
ложен в [87]. Для случаев, когда целевая функция меняется в процессе выполне-
ния оптимизации, на каждом шаге алгоритма выбирается один из параметров ГА
в соответствии с его заранее установленной вероятностью появления. Частоты
появления прогрессивных хромосом фиксируются при использовании каждого
параметра и в дальнейшем определяют вероятность его применения. Показано,
что ГА с динамической самоорганизацией параметров обладает наибольшей эф-
фективностью в сравнении со стандартными методами выбора параметров.
Применение методов ГА при оптимизации позволяет снизить длитель-
ность поиска решения до квадратичной зависимости от размерности задачи [88].
Таким образом, при решении задач планирования наиболее перспективным бу-
дет выбор модификаций ГА или других эвристических методов, устраняющих
недостатки классических методов оптимизации. Однако основным недостатком
ГА является возможность стагнации – вырождения популяции хромосом, кото-
рая может наступить вдали от экстремальной точки [89]. Поскольку в реальных
задачах оптимум целевой функции не известен, то отсутствуют способы оценки
оптимальности полученного решения. В настоящее время ведётся активная раз-
работка модификаций ГА и других эволюционных алгоритмов.
1.1.5 Планирование выполнения задач методами теории расписаний
В терминах теории расписаний, занимающейся упорядочением задач, пла-
нирование выполнения заказов листопрокатного производства представляется
как задача класса потоковой линии (flow-shop), которая характеризуется упоря-
доченностью машин (технологических агрегатов) и последовательным прохож-
дением каждого требования (прокатной партии) по всем машинам [90]. Необхо-
димо определить перестановку требований, минимизирующую время обслужи-
вания требований при заданных сроках окончания каждого обслуживания.
Для решения полученной задачи без заданных директивных сроков ис-
пользуется алгоритм Джонсона [91], дополненный эвристическими алгоритмами
(LV-алгоритм локальной вариации [92, 93]) для случая более двух машин и

21. 21
наличия директивных сроков. Показано, что эвристические методы не дают
приемлемых результатов в ресурсно-зависимых (с ограничениями) задачах [94].
Широкое использование в теории расписаний метода динамического
программирования Беллмана [95] на практике целесообразно лишь при анали-
тическом представлении целевой функции планирования, её дифференцируе-
мости в непрерывном случае и простых рекуррентных соотношениях в дискрет-
ном. В противном случае, метод не даёт никаких преимуществ в сравнении с
другими комбинаторными алгоритмами.
Современным направлением в планировании является решение так назы-
ваемой batching problem, возникающей при объединении однотипных работ в
пакеты с последующей обработкой всех работ пакета по одной схеме. Составле-
ние расписания для обработки таких пакетов является перспективной областью
исследований. Среди предлагаемых алгоритмов решения стоит выделить алго-
ритм сведения batching problem к классической задаче поиска кратчайшего пути
и решение проблемы с помощью метода ветвей и границ [96].
Основная идея вышеуказанных методов – на каждой итерации отбросить
основную часть допустимых решений и продолжить исследование на оптималь-
ность небольшого подмножества. Однако, сложность использования комбина-
торных алгоритмов и метода динамического программирования связана с экспо-
ненциальной зависимостью длительности вычислений от размерности задачи.
Данные алгоритмы применимы при заранее заданной длительности обработки
требований на машине и отсутствии технологических ограничений, что не поз-
воляет использовать их для решения рассматриваемой задачи планирования
производства. Методы теории расписаний могут рассматриваться лишь как
вспомогательный инструментарий для решения отдельных подзадач.
Перечисленные подходы к решению задач планирования и оптимального
управления стали основой инструментария информационных систем, реализо-
ванных в форме программных комплексов с широким кругом решаемых
производственных задач.

22. 22
1.2 Реализации современных информационных систем для решения
задач планирования выполнения заказов
В данном подразделе рассматриваются возможности систем стандартов
ERP и MRP, информационные MES и APS-системы для планирования производ-
ственных процессов и DSS-системы поддержки принятия решений.
В настоящее время на рынке информационных услуг представлены раз-
личные IT-комплексы планирования и оперативного управления производством
[97]. В зависимости от решаемых задач, комплексы классифицируются в соот-
ветствии с международными стандартами, охватывая деятельность предприя-
тий от оптимизации логистических операций и рациональной организации про-
изводства до стратегического планирования поведения на рынках [98, 99, 100].
1.2.1 Особенности и возможности информационных систем стандартов
MRP и ERP
Развитие стандартов MRP/ERP берёт своё начало с середины 60-х годов,
когда международная организация APICS с целью автоматизации управления
производством определила принципы управления материальными запасами
предприятия в форме концепции MRP (Material Requirement Planning – плани-
рования материальных потребностей) [101]. Со временем развитие стандарта
MRP и расширение функциональных возможностей на весь производственный
цикл от закупки сырья до отгрузки товара потребителю привело к возникнове-
нию ERP-стандарта [102]. Понятия, методы и алгоритмы, лежащие в основе
ERP-стандарта, считаются базовыми и для других систем, возникших за послед-
ние десятилетия. Основными характерными чертами ERP-методики формализа-
ции бизнес-процессов являются [103]:
– определение производственной деятельности как выполнение набора за-
казов с учётом ограничения ресурсов и особенностей предприятия;
– формирование ПП на основе оптимизации производственных операций,
использования сырья и транспортных затрат;
– обеспечение выполнения заказов в сроки, указанные заказчиком;

23. 23
– оценка экономических показателей сформированной ПП;
– определение заказов на сырьё на основе производственных графиков;
– модульная структура системы, в которой каждый модуль реализует от-
дельную функцию управления, что подразумевает согласование отдельных про-
цессов планирования и управления друг с другом.
Структурно в ERP-системах выделяется три основных слоя [98]:
– базовая система включает в себя проверенные на практике средства, за-
крепленные в стандарте, среди которых пакеты прикладных программ, средства
интеграции с другими системами (САПР, СППР) и т.п.; на основе базовой си-
стемы при внедрении создаётся гибкая АСУП, реализующая стандартные под-
ходы к решению задач планирования с учётом особенностей предприятия; сле-
довательно, такие особенности определяют выбор базовой системы;
– второй слой образуют не обязательные функциональные модули, реали-
зующие классические методы планирования и управления;
– третий слой формируют специальные методы, предлагаемые кампани-
ями-производителями систем; здесь присутствуют новейшие разработки на ос-
нове методов информационных технологий, представляющие особый интерес
при исследовании возможностей систем.
Для решения задачи планирования ERP-системы оснащены функциональ-
ными блоками Master Production Scheduling (составление плана производства),
Shop Flow Control (управление на уровне производственного цеха), Simulation
(моделирование) [98]. В основе функционирования данных подсистем лежит
наложение календарно-плановых нормативов на производственные процессы и
ограничения, что позволяет сопоставлять потребности заказчиков с возможнос-
тями предприятия, формировать оперативные планы-графики на уровне произ-
водственного цеха. Недостаток данного подхода заключается в том, что оптими-
зация производственных процессов осуществляется только на нижнем уровне
планирования с использованием простого инструментария теории расписаний,
что не позволяет решать задачи планирования для многоуровневых структур с
большим количеством нелинейных ограничений [98, 104].

24. 24
В настоящее время на рынке представлены системы целого ряда
компаний: mySAP ERP [105], Microsoft Dynamics АХ [106], украинская
разработка Plazma ERP+CRM [107]. С развитием информационных технологий
на базе ERP-систем появляются различные системы нового класса.
1.2.2 Использование информационных MES- и APS-систем для планирова-
ния производственных процессов
Актуальность решения задач планирования производства и оперативного
управления привела к возникновению современных MES- и APS-систем
(Manufacturing Execution System – система управления производственными про-
цессами и Advanced Planning/Scheduling – усовершенствованное планирование),
которые могут рассматриваться как настройки соответствующих ERP-систем. В
таких системах (IT-Enterprise APS/MES, Simatic IT Production Suite, SAP Manu-
facturing Execution) решение задач планирования методами теории расписаний
дополнено широким набором математических методов оптимизации. Системы
класса MES специализируются на решении задач анализа и оптимизации работы
отдельного подразделения, в то время как APS-системы разрабатывают скоор-
динированное расписание работы всего предприятия с учётом требований Sup-
ply Chain Management (SCM) – управления цепочками поставок [108].
Функция планирования осуществляется в базовых модулях программных
продуктов [109]. В MES-системах это модуль ODS (Operations/Detail Scheduling
– оперативное детальное планирование), который оптимизирует производствен-
ное расписание с учётом различных атрибутов изделия (веса, размеров и др.),
задаваемых технологией производства. Предусмотрен выбор критерия планиро-
вания, например, минимальное время простоя устройств цеха или переналадок
оборудования. В APS-системах это модуль Master Production Scheduling (MPS,
основной производственный план), разрабатывающий программу выполнения
портфеля заказов с учётом ресурсов для всего подразделения, а также модуль
Rough Cut Capacity Planning (предварительное планирование загрузки мощнос-
тей), который, на основании выработанной MPS программы, формирует планы
загрузки производственных мощностей. Модули предоставляют возможность

25. 25
оценить потребности в ресурсах и получать поливариантные графики загрузки
производства. Предусмотрено планирование и управление производством с дис-
кретным и непрерывным характером, а также реализована поддержка распреде-
лённого планирования.
Фактически, вышеописанные системы приспособлены для планирования и
управления при возможности формализации правил, критериев и ограничений
[110]. Однако, такая возможность не всегда существует в условиях реального
производства, и руководитель принимает решения, прогнозируя их последствия
для предприятия на основе анализа данных, опыта и интуиции. Программным
инструментарием для помощи в принятии разнообразных решений являются
СППР (Decision Support Systems, DSS-системы).
1.2.3 Роль DSS-систем при автоматизации планирования ПП
В теории автоматизированных систем управления определяют СППР
(DSS-систему) как программный комплекс, который на основе анализа инфор-
мации предлагает ЛПР оценки различных стратегий деятельности предприятия
и оценивает их эффективность [111]. Как правило, под оценкой стратегий пони-
мается либо выбор оптимального решения на множестве допустимых, либо ран-
жирование допустимых решений (альтернатив) в соответствии с одним или нес-
колькими критериями. Для задания степени предпочтительности альтернатив
формируется функция полезности с помощью метода аналитических иерархи-
ческих процессов, при котором рассчитываются коэффициенты значимости кри-
териев на основе их попарного сравнения и коэффициенты значимости альтер-
натив относительно каждого критерия. Затем для каждой альтернативы вычис-
ляется функция полезности [112]. При необходимости учесть взаимосвязь меж-
ду критериями используется метод аналитических сетевых процессов [98]. Вы-
шеописанный инструментарий оценивания стратегий может использоваться для
выработки поливариантной ПП при планировании производства.
Архитектура СППР, в том числе, при выполнении заказов листопрокат-
ного производства, согласно [113] должна состоять из следующих компонент.
1. Системы управления данными (The data management system, DBMS).

26. 26
Преобладание данной компоненты характерно для СППР, классифицируемых
как Data-Driven DSS. Основное внимание в таких системах уделяется структуре
базы данных (Data Warehouses – хранилища данных). Простейшие Data-Driven
DSS обеспечивают доступ и простые манипуляции с данными, системы с допол-
нительной функциональностью задействуют средства компьютерной обработки
данных, продвинутые системы используют инструмент онлайновой аналитичес-
кой обработки данных (Online Analytical Processing, OLAP) с представлением
исходных данных для анализа в виде многомерного куба и его сечений.
2. Системы управления моделями (The model management system — MBMS).
Компонента преобладает в Model-Driven DSS, включающих в себя математичес-
кие модели, формализованные цели функционирования и подсистему обработки
задач – программный комплекс, который выполняет численное решение задач,
стоящих перед системой. Среди инструментария обработки задач следует выде-
лить интеллектуальный анализ данных, имитационное моделирование, эволю-
ционные алгоритмы, нейронные сети и т.п. Разработка адекватной модели и вы-
бор приемлемой программной реализации методов решения рассматриваемых в
Model-Driven DSS задач является ключевым вопросом при создании такой сис-
темы. Среди дополнительных возможностей систем данной категории следует
выделить параметрический анализ (оценка значений выходных переменных при
варьировании входных), анализ чувствительности решения, управление по це-
лям (поиск значений входной переменной, приводящих к требуемому резуль-
тату), анализ рисков, оптимизация решений и сравнение результатов прогнозов.
3. Машины знаний (The knowledge engine, KE), на которых фокусируется
работа Knowledge-Driven DSS, использующих специальные методы формализа-
ции правил работы с взаимосвязями между данными и правилами получения ло-
гических выводов. Среди подходов к представлению знаний в базе знаний
можно выделить следующие:
– продукционные модели (правила представляются согласно алгоритму
Rete в виде разветвлённого графа, узлами которого являются фрагменты
условий типа «если – то»);

27. 27
– семантические сети (ориентированный граф, в вершинах которого рас-
полагаются понятия, а дуги соответствуют отношениям между понятиями);
– фреймы (в базе знаний хранятся фреймы-образцы или прототипы, а
фреймы-экземпляры представляют собой реализацию свойств прототипов при
использовании механизма наследования с помощью АКО-связей);
– формальные логические модели, позволяющие отобразить знания как со-
вокупность формул в некоторой логике; для получения новых знаний использу-
ются правила логического вывода;
– нейлоровский подход, основанный на верхних и нижних порогах вероят-
ности гипотез по схеме Байеса; свидетельства пользователей используются для
переоценки порогов, после чего гипотеза о появлении новой компоненты базы
знаний принимается или отвергается.
В Knowledge-Driven DSS-системах последнее время широко используется
инструментарий Data Mining, предназначенный для анализа больших объемов
данных и поиска в них скрытых отношений между объектами.
4. Пользователей, которыми, как правило, являются ЛПР – руководство
плановых и производственных служб предприятия, а для многоуровневых сис-
тем – работники этих подразделений после разделения между ними плановых и
производственных задач согласно принципам распределённого планирования.
5. Интерфейса пользователя, реализуемого в настоящее время с использо-
ванием новых средств коммуникации человека с компьютером – естественных
языковых систем, систем распознавания жестов и голосовых команд, систем
распознавания изображений и других инструментов искусственного интеллекта.
Таким образом, в зависимости от назначения СППР, при её разработке де-
лается акцент на определённую компоненту архитектуры. Так Data-Driven и
Knowledge-Driven DSS требуют специализированной структуры базы данных.
Model-Driven DSS могут использовать и простые файловые хранилища данных,
но задействовать многоуровневые математические модели [114]. В диссертаци-
онном исследовании, на основе анализа объекта планирования необходимо вы-
брать категорию разрабатываемой СППР и тип организации данных и знаний.