ІНТЕЛЕКТУАЛЬНА МОДЕЛЬ УПРАВЛІННЯ ЗАПАСАМИ НА ОСНОВІ ГЕНЕТИЧНИХ АЛГОРИТМІВ І НЕЧІТКОЇ ЛОГІКИ ДЛЯ ПІДВИЩЕННЯ ЕКОНОМІЧНОЇ БЕЗПЕКИ ПІДПРИЄМСТВА

Автор(и)

  • Олександр Сергійович Подскребко Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0001-5282-4691
  • Надія Олександрівна Іванченко Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0002-7289-3587
  • Володимир Іванович Кудін Київський національний університет імені Тараса Шевченка https://orcid.org/0009-0005-9071-1213
  • Юрій Якович Самохвалов Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0001-5123-1288

DOI:

https://doi.org/10.32782/3041-2080/2025-4-14

Ключові слова:

генетичний алгоритм, нечітка логіка, управління запасами, економічна безпека, інтелектуальна оптимізація

Анотація

У статті запропоновано інтелектуальну модель управління запасами, що інтегрує генетичний алгоритм і нечітку логіку з метою підвищення економічної безпеки промислового підприємства. Генетичний алгоритм виконує пошук глобального оптимуму у великому дискретному просторі рішень, тоді як нечітка логіка трансформує суб’єктивні оцінки ризику зриву постачань ресурсів у формалізовані штрафи, що дає змогу коректно враховувати невизначеність і неповноту даних. Модель містить жорсткі ресурсні, бюджетні та виробничі обмеження, а також налаштовані м’які штрафи за дефіцит продукції, що забезпечує баланс між мінімізацією витрат, виконанням зобов’язань і підтриманням стабільності ланцюга постачання, що напряму впливає на економічну безпеку підприємства. Експериментальні обчислення на демонстраційному наборі даних (три типи ресурсів, два види продукції) показали, що після 60 поколінь еволюції система забезпечує прибуток понад 37 тис грн із дотриманням усіх обмежень, автоматично оптимізуючи обсяги закупівель і виробництва залежно від ризикового профілю. Аналіз чутливості підтвердив, що невеликі зміни у вагових коефіцієнтах штрафів дають змогу швидко адаптувати модель до різних стратегічних сценаріїв – від агресивного зростання до консервативної політики економії. Запропонований підхід легко масштабувати, додавання нових ресурсів або товарів не потребує перебудови алгоритму, у цьому разі достатньо оновити вхідні параметри та правила нечіткого висновку. Модель може слугувати ядром цифрового двійника або платформи підтримки прийняття рішень, надаючи менеджерам прозорі аналітичні інструменти для сценарного прогнозування, мінімізації операційних ризиків і зміцнення економічної стійкості підприємства в умовах турбулентного ринку та жорсткої конкуренції.

Посилання

Ross T. J. Fuzzy Logic with Engineering Applications (4th edition). Wiley. 2016. 580 p.

Deb K. Multi-Objective Optimization Using Evolutionary Algorithms. Wiley. 2001. 536 p.

Monczka R. M., Handfield R. B., Giunipero L. C. Patterson J. L. Purchasing and Supply Chain Management (6th edition). Cengage Learning. 2015. 888 p.

Pishvaee M. S., Razmi J. Environmental supply chain network design using multi-objective fuzzy mathematical programming. Applied Mathematical Modelling, 36(8). 2012. 3433–3446 p. https://doi.org/10.1016/j.apm.2011.10.007

Kristjanpoller W. R., Michell K. V. A stock market risk forecasting model through integration of switching regime, ANFIS and GARCH techniques. Applied Soft Computing, Volume 67, 2018. Pages 106–116. https://doi.org/10.1016/j.asoc.2018.02.055

Duarte J. J., Montenegro González S., Cruz, J. C. Predicting stock price falls using news data: Evidence from the Brazilian market. Computational Economics, 57. (2021). Р. 311–340.

Yang D., Lu D. Forecasting stock market volatility via causal reasoning Appl. Math. Nonlinear Sci., 8. 2023. Р. 3305–3322 https://doi.org/10.2478/amns.2023.2.01131

Accorsi R., Manzini R., Maranesi F. A decision-support system for the design and management of warehousing systems. Computers in Industry. 2014. Volume 65, Issue 1. P. 175–186.

Chen Y., Chen H. Analysis and Modeling of Supply Chain Management of Fresh Products Based on Genetic Algorithm. International Journal of System Assurance Engineering and Management, 13(1). (2022), P. 405–414. DOI: https://doi.org/10.1007/s13198-021-01447-7

Lavdanska O. Нечіткі моделі управління запасами: проблеми, аналіз, розвиток. Eastern-European Journal of Enterprise Technologies. 2012. 24–31.

Aqlan F., Lam S. A fuzzy-based integrated framework for supply chain risk assessment. International Journal of Production Economics. 161. 2015. 54–63. DOI: 10.1016/j.ijpe.2014.11.013

Gülmez B. GA-Attention-Fuzzy-Stock-Net: An optimized neuro-fuzzy system for stock market price prediction with genetic algorithm and attention mechanism. Heliyon, Volume 11, Issue 3. 2025. https://doi.org/10.1016/j.heliyon.2025.e42393

Lam W. H., Lam W. S., Lee P. F. A Bibliometric Analysis of a Genetic Algorithm for Supply Chain Agility. Mathematics. 2024, 12. P. 1199. https://doi.org/10.3390/math12081199

##submission.downloads##

Опубліковано

2025-08-26

Номер

Розділ

АВТОМАТИЗАЦІЯ, КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ ТА РОБОТОТЕХНІКА