Работа посвящена методологическим проблемам повышения эффективности технологии сценарного анализа и моделирования процессов развития социально-экономических систем, результаты которого предназначены для использования в системах поддержки принятия управленческих решений с целью опережающей оценки их эффективности. Рассмотрен ряд ограничений традиционного подхода к сценарно-когнитивному моделированию, которые приводят прежде всего к упущению в получаемом в результате моделирования сценарии ключевых событий, непосредственно влияющих на оценку ситуации и принятие решений. Предложен подход, обеспечивающий возможность идентификации и анализа динамики изменения значений факторов модели в процессе ее исследования, а также формирование на его основе дополнительных сценарно-событийных взаимосвязей между факторами с целью повышения адекватности модели анализируемой ситуации. Разработан расчетный алгоритм анализа динамики поведения факторов модели, реализованный и апробированный в рамках программно-аналитического комплекса сценарного моделирования. Приведен пример использования алгоритма

Предложен децентрализованно выполняемый способ синхронного запуска действий группы физических объектов – участников управляемого эксперимента. В нем объекты обнаруживают появление событий, требующих совместных действий всех объектов, и без участия управляющего центра создают общую команду для начала выполнения действий объектов одновременно или с заданными для каждого объекта дополнительными задержками. Для этого объекты обмениваются сообщениями через не содержащий вычислительных средств ретранслятор сигналов, формируют в нем общую команду и выполняют вспомогательные вычисления. Обеспечен необходимый для этих действий одновременный приход в ретранслятор сообщений объектов с совмещением их одноименных двоичных разрядов. В целом, в способе группа объектов функционирует как распределенная управляющая система, с мини-мальными задержками корректирующая выполнение эксперимента в ответ на появление непредвиденных или ожидаемых в неизвестные моменты времени событий.

The 16th International Conference on Stability and Oscillations of Nonlinear Control Systems (Pyatnitskiy’s Conference) was held on June 1–3, 2022. The conference was organized by Trapeznikov Institute of Control Sciences, Russian Academy of Sciences, with the technical co-sponsorship of IEEE Russia Section. During the conference, new results concerning various aspects of the theory of stability and nonlinear oscillations were discussed. The selected conference proceedings were published in the IEEE Xplore digital library and indexed by Scopus.

Представлены результаты исследования приоритетной многолинейной системы массового обслуживания (СМО) с маркированным марковским входным потоком (MMAP), обслуживанием фазового типа PH и очередью конечной ёмкости. Приоритетные классы трафика различаются вероятностью присоединения к очереди, зависящей от количества заявок в ней, и PH-распределением времени обслуживания. Если очередь заполнена, заявка не присоединяется к~системе. Для частного случая такой СМО с двумя классами трафика разработана и исследована аналитическая модель, а также предложен алгоритм вычисления стационарных вероятностей состояния системы, вероятностей потерь, среднего числа заявок в системе и других характеристик. Для общего случая системы с K-классами построена имитационная модель, исследованы характеристики системы.

Diagnosis of railway tracks reveals the deviations of rail parameters in the plan and profile from their nominal values. If the deviations approach the limit values, the speeds of trains must be reduced. Therefore, forecasting changes in the deviations is a topical problem. Despite the significant amount of diagnostic data collected, railway operators underuse machine learning methods to improve the quality of forecasting. The proposed approach differs from known counterparts as follows. First, the dimensionality of the feature space is increased by calculating the variation of the amplitudes of deviations from the nominal values and two types of areas (the deviation length multiplied by the amplitude and the deviation length multiplied by the variation of the amplitude); subsequently, this space is represented in the 3D matrix form. Second, a set of control parameters is formed; it includes the time and space discretization step, the type of seasonal fluctuations, the number of trend change points, etc. Third, the deviations are forecasted in groups differing in type and position along the track. Forecasting is based on minimizing the empirical risk criterion. As a result, a family of autoregressive models is obtained for each discretization interval along the length of the railway track.