Оптимизация функционирования цифровизированной организационной системы на основе проактивного управления параметрами информационной среды

В работе рассматривается задача оптимизации функционирования цифровизированной организационной системы в условиях динамически изменяющейся информационной среды. Показано, что традиционные реактивные методы управления не обеспечивают требуемого уровня надежности и эффективности при высокой изменчивости нагрузок. Обоснована необходимость перехода к проактивному управлению, основанному на упреждающем изменении параметров информационной среды. Предложена формализация задачи оптимизации, учитывающая совокупные затраты на функционирование системы и вероятностные требования к надежности. Разработан метод выбора оптимальных параметров управления, базирующийся на введении обобщенного функционала, объединяющего критерий эффективности и штрафные ограничения, а также на итерационной процедуре коррекции параметров с использованием псевдослучайной инициализации, адаптивного шага и механизма обновления штрафных коэффициентов. Особенностью метода является учет прогнозируемых изменений состояния системы, что позволяет реализовать проактивный механизм управления. Продемонстрировано, что предложенный подход обеспечивает снижение затрат, повышение устойчивости функционирования и предотвращение критических состояний системы. Определены ограничения метода (чувствительность к выбору гиперпараметров, зависимость от качества прогнозных моделей) и направления его дальнейшего развития. Практическая значимость работы заключается в возможности применения предложенного подхода в системах управления ресурсами облачных платформ, оркестраторах контейнерных сред и других цифровизированных организационных системах с динамически изменяющейся нагрузкой.

1. Ершов А.Н. Актуальные проблемы развития предиктивной аналитики в промышленности. Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2025;23(3):187–194. https://doi.org/10.18503/1995-2732-2025-23-3-187-194

2. Ахмедьянова Г.Ф. Оптимальное управление организационно-технической системой с учётом интенсивности приложения управляющих воздействий. Моделирование, оптимизация и информационные технологии. 2024;12(1). https://doi.org/10.26102/2310-6018/2024.44.1.019

3. Корчагин С.Г., Рындин А.А., Рындин Н.А. Управление в организационных системах на основе цифровых технологий. Воронеж: Научная книга; 2025. 248 с.

4. Зацаринный А.А., Карандеев А.А., Маслов А.Е. и др. Развитие технологий распознавания на основе дополнительных признаков. Информационные технологии и вычислительные системы. 2024;(1):67–74. https://doi.org/10.14357/20718632240107

5. Сарин К.С. Адаптированный алгоритм градиентного спуска для настройки параметров нечеткого классификатора. Информационные и математические технологии в науке и управлении. 2025;(2):18–31. https://doi.org/10.25729/ESI.2025.38.2.002

6. Альчаков В.В., Крамарь В.А. Оценка методов машинного обучения для прогнозирования сезонных временных рядов. Известия ЮФУ. Технические науки. 2023;(2):250–263. https://doi.org/10.18522/2311-3103-2023-2-250-263

7. Орлова И.В. Использование пакета Prophet в прогнозировании временных рядов. Фундаментальные исследования. 2021;(3):94–102. https://doi.org/10.17513/fr.42987

8. Dostál Z., Vlach O. An accelerated augmented Lagrangian algorithm with adaptive orthogonalization strategy for bound equality constrained quadratic programming and its application to large-scale contact problems of elasticity. Journal of Computational and Applied Mathematics. 2021;394(11):113565. https://doi.org/10.1016/j.cam.2021.113565

9. Львович Я.Е., Львович И.Я., Чопоров О.Н. и др. Оптимизация цифрового управления в организационных системах. Воронеж: Научная книга; 2021. 191 с.

10. Черняев Ю.А. Метод проекции градиента для класса экстремальных задач с ограничением в виде подмножества точек гладкой поверхности. Журнал вычислительной математики и математической физики. 2021;61(3):391–399. https://doi.org/10.31857/S004446692102006X

11. Булгакова Т.Е., Войтишек А.В. Условная оптимизация функционального вычислительного ядерного алгоритма приближения вероятностной плотности по заданной выборке. Журнал вычислительной математики и математической физики. 2021;61(9):1431–1446. https://doi.org/10.31857/S0044466921090076

12. Анафиев А.С., Карюк А.С. Обзор подходов к решению задачи оптимизации гиперпараметров для алгоритмов машинного обучения. Таврический вестник информатики и математики. 2022;(2):30–37.