RUDN Journal of Engineering ResearchRUDN Journal of Engineering ResearchВестник Российского университета дружбы народов. Серия: Инженерные исследования2312-81432312-8151Peoples’ Friendship University of Russia named after Patrice Lumumba (RUDN University)5121110.22363/2312-8143-2026-27-2-182-192KXWSWVArticlesСтатьиResearch ArticleAlgorithm for Adaptive Control of Dynamic Processes in an Organizational and Technical System Within a Neural-Network Computational FrameworkАлгоритм адаптивного управления динамическими процессами организационно-технической системы в нейросетевом вычислительном базисеhttps://orcid.org/0009-0003-5760-67328494-9430PyankovValeriy V.ПьянковВалерий Валерьевич

PhD student, Department of Innovation Management in Industries, Academy of Engineering

аспирант кафедры инновационного менеджмента в отраслях промышленности, инженерная академия

valeriy.pyankov@gmail.comhttps://orcid.org/0000-0002-4937-528X1654-4395KovalevaEkaterina A.КовалеваЕкатерина Александровна

PhD in Economics, Associate Professor of the Department of Innovation Management in Industries, Academy of Engineering

кандидат экономических наук, доцент кафедры инновационного менеджмента в отраслях промышленности, инженерная академия

kovaleva_ea@rudn.ruhttps://orcid.org/0000-0002-3587-73502258-3926AndreevaLarisa O.АндрееваЛариса Олеговна

PhD in Pedagogical Sciences, Associate Professor of the Department of Innovation Management in Industries, Academy of Engineering

кандидат педагогических наук, доцент кафедры инновационного менеджмента в отраслях промышленности, инженерная академия

andreeva_lo@rudn.ruhttps://orcid.org/0000-0002-0398-44269320-9713AlekseevVladimir V.АлексеевВладимир Витальевич

DSc in Technical Sciences, Professor of the Department of Mechanics and Control Processes, Academy of Engineering

доктор технических наук, профессор кафедры механики и процессов управления, инженерная академия

vvalex1961@mail.ruRUDN UniversityРоссийский университет дружбы народов0807202627218219210072026Copyright ©; 2026, Pyankov V.V., Kovaleva E.A., Andreeva L.O., Alekseev V.V.Copyright ©; 2026, Пьянков В.В., Ковалева Е.А., Андреева Л.О., Алексеев В.В.2026Pyankov V.V., Kovaleva E.A., Andreeva L.O., Alekseev V.V.Пьянков В.В., Ковалева Е.А., Андреева Л.О., Алексеев В.В.https://creativecommons.org/licenses/by-nc/4.0https://journals.rudn.ru/engineering-researches/article/view/51211

The main objective of this study is to develop an algorithm for the adaptive control of dynamic processes in an organizational and technical system within a neural-network computational framework. To solve the set linear programming problem, a dynamic-static network was used to provide clear interpretation of neural network solutions and to simplify the implementation of inequality constraints. The algorithm for solving the optimization problem of adaptive control of dynamic processes in an organizational and technical system includes the following stages: preparation of the initial problem data and their transformation into a form convenient for representation in the neural network framework; synthesis of the neural network; organizing accesses to the neural network with different initial states of the dynamic neurons within the allotted time and recording the obtained solutions; selecting the best neural network solution from all those obtained when accessing the network and interpreting the selected solution within the scope of the original problem. The proposed algorithm addresses the problem of adaptive control of complex organizational and technical systems that include a large number of elements and subsystems and are characterized by multiple structures defining various types of relationships between these elements and subsystems.

Основная цель работы - разработка алгоритма адаптивного управления динамическими процессами организационно-технической системы в нейросетевом вычислительном базисе. Для решения задачи линейного программирования использовалась динамическо-статическая сеть для наглядности интерпретации нейросетевых решений и простоты реализации ограничений в виде неравенств. Алгоритм нейросетевого решения оптимизационной задачи адаптивного управления динамическими процессами организационно-технической системы включает в себя следующие этапы: подготовку исходных данных задачи и преобразование их к виду, удобному для представления в нейросетевом базисе; синтез нейронной сети; организацию обращений к нейросети с различными начальными состояниями динамических нейронов в течение отведенного времени и регистрация получаемых решений; выбор наилучшего нейросетевого решения из всех полученных при обращении к сети и интерпретация выбранного решения в рамках исходной задачи. Предложенный алгоритм решает проблему адаптивного управления сложными организационно-техническими системами, содержащими большое число элементов и подсистем и характеризующимися множественностью структур, задающих различные типы отношений между данными элементами и подсистемами.

recurrent neural networkscombinatorial optimizationcontrol under uncertaintymultidimensional control systemsdynamic processesdynamic-static networkнейронные сети с обратными связямикомбинаторная оптимизацияуправление в условиях неопределенностимногомерные системы управлениядинамические процессыдинамическо-статическая сетьDemidov YaP. Organizational systems: performance metrology and innovative management principles. Manage-ment in Russia and Abroad. 2013;(5):126–133. (In Russ.) EDN: RUSGRVДемидов Я.П. Организационные системы: метрология результативности и инновационные принципы менеджмента // Менеджмент в России и за рубежом. 2013. № 5. С. 126-133. EDN: RUSGRVBukht R, Heeks R. Defining, conceptualising and measuring the digital economy.International Organisations Research Journal. 2018;13(2):143–172. (In Russ.) EDN: YXBNWXБухт Р., Хикс Р. Определение, концепция и измерение цифровой экономики // Вестник международных организаций: образование, наука, новая экономика. 2018. Т. 13. № 2. С. 143-172. EDN: YXBNWXDvoretsky SI, Dvoretsky DS, Akulinin EI. Setting optimization problems in the integrated design of technological processes, devices and control systems in conditions of uncertainty. Transactions of the Tambov State Technical University. 2024;30(2):184–195. (In Russ.) https://doi.org/10.17277/vestnik.2024.02.pp.184-195 EDN: DBKICRДворецкий С.И., Дворецкий Д.С., Акулинин Е.И. Постановки задач оптимизации при интегрированном проектировании технологических процессов, аппаратов и систем управления в условиях неопределенности // Вестник Тамбовского государственного технического университета. 2024. Т. 30. № 2. С. 184-195. https://doi.org/10.17277/vestnik.2024.02 EDN: DBKICRRyabchikov MYu, Ryabchikova ES. Self-tuning of a neural network controller with an integral estimate of contradictions between the commands of the learning algorithm and memory. Automation and Remote Control. 2018;79:327–336. https://doi.org/10.1134/S000511791802011XRyabchikov M.Yu., Ryabchikova E.S. Self-tuning of a neural network controller with an integral estimate of contradictions between the commands of the learning algorithm and memory // Automation and Remote Control. 2018. Vol. 79. P. 327-336. https://doi.org/10.1134/S000511791802011X EDN: XXVCAHSheridan TB. Human–robot interaction: status and challenges. Human Factors. 2016;58(4):525–532. https://doi.org/10.1177/0018720816644364Sheridan T.B. Human-robot interaction: status and challenges // Human Factors. 2016;58(4), 525-532. https://doi.org/10.1177/0018720816644364 EDN: XXVCAHPushpavanam S. Control and optimization of process systems. Advances in chemical engineering. Elsevier Science, 2013;43. ISBN 978-0-12-396524-0Pushpavanam S. (ed.) Control and Optimisation of process systems. Advances in chemical engineering // Aca-demic Press (Elsevier). 2013. Vol. 43. ISBN 9780123965240Marlin TE. Process Control: Designing processes and control systems for dynamic performance. New York: McGraw-Hill Education, 2015. ISBN 978-0-07-039362-2Marlin T.E. Process Control: Designing Processes and Control Systems for Dynamic Performance. McGraw-Hill Education Publ.; 2015. 1008 p. ISBN 0070393621, 9780070393622Chekmaev SU. Optimization of operating modes of an automatic control system by technological process. Electrical and Data Processing Facilities and Systems. 2008;4(4):3–8. (In Russ.) EDN: JUSPJDЧекмаев С.Ю. Оптимизация режимов работы автоматической системы управления технологическим процессом // Электротехнические и информационные комплексы и системы. 2008. Т. 4. № 4. С. 3-8. EDN: JUSPJDRotach VYa. Automatic control theory: do its basic concepts comply with the reality? Industrial ACS and Controllers. 2007;(3):1–5. (In Russ.) EDN: KYCUZXРотач В.Я. Теория автоматического управления: соответствуют ли ее основные положения действительности? // Промышленные АСУ и контроллеры. 2007. № 3. С. 1-5. EDN: KYCUZXLukin NA. On-board functional oriented processors based on homogenous computer environment for mobile real-time systems. Fundamental Research. 2015;(12-5):924–929. (In Russ.) EDN: VLDBRBЛукин Н.А. Бортовые функционально-ориентированные процессоры на основе однородных вычислительных сред для мобильных систем реального времени // Фундаментальные исследования. 2015. № 12-5. С. 924-929. EDN: VLDBRBLukin NA, Filimonov AYu. Programming technologies for algorithms on homogeneous computing architectures. Tomsk State University Journal of Control and Computer Science. 2017;(40):61–70. (In Russ.) https://doi.org/10.17223/19988605/40/7 EDN: ZHJMDXЛукин Н.А., Филимонов А.Ю. Технологии программирования алгоритмов на архитектурах однородных вычислительных сред // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2017. № 40. С. 61-70. https://doi.org/10.17223/19988605/40/7 EDN: ZHJMDXBorisov VV, Bychkov IA, Dementiev AV, Soloviev AP, Fedulov AS.Computer support of complex organizational-technical systems. Moscow: Goryachaya Liniya — Telekom; 2002. (In Russ.) ISBN 5-93517-111-2Борисов В.В., Бычков И.А., Дементьев А.В., Соловьев А.П., Федулов А.С. Компьютерная поддержка сложных организационно-технических систем. Москва : Горячая линия - Телеком, 2002. 154 с. ISBN 5-93517-111-2Dadayan LG. Organizational systems: Modeling and management. Moscow: Infra-Engineering; 2022. ISBN 978-5-9729-0826-4. (In Russ.) EDN: YKERZNДадаян Л.Г. Организационные системы: моделирование и управление. Москва : Инфра-Инженерия, 2022. 180 с. ISBN 978-5-9729-0826-4 EDN: YKERZNBurtsev MS, Bukhvalov OL, Vedyakhin AA, et al. Strong Artificial Intelligence: On the Threshold of Superintelligence. Moscow: Alpina Publ.; 2021. (In Russ.) ISBN 978-5-907394-18-6Бурцев М.С., Бухвалов О.Л., Ведяхин А.А. и др. Сильный искусственный интеллект: На подступах к сверхразуму. Москва : Альпина паблишер: Интеллектуальная литература, 2021. 232 с. ISBN 978-5-907394-18-6Haykin S. Neural networks and learning machines. 3rd ed. Upper Saddle River, NJ: Pearson Education Publ.; 2009. ISBN 978-0-13-147139-9Haykin S. Neural networks and learning machines. 3rd ed. Pearson Education; 2009. ISBN 9780131471399Bishop CM. Pattern recognition and machine learning. New York: Springer Publ.; 2006. ISBN 978-0-387-31073-2Bishop C.M. Pattern recognition and machine learning. Springer Publ., 2006. ISBN 978-0-387-31073-2Latorre Carmona P, Sánchez JS, Fred ALN. Mathematical methodologies in pattern recognition and machine learning: Contributions from ICPRAM 2012. Springer Proceedings in Mathematics & Statistics. Springer Publ.; 2012. ISBN 978-1-4614-5075-7Latorre Carmona P., Sánchez J.S., Fred A.L.N. Mathematical methodologies in pattern recognition and machine learning: Contributions from ICPRAM 2012. Springer Proceedings in Mathematics & Statistics. Vol. 30. Springer Publ., 2014. 196 p. ISBN 978-1-4614-5075-7Goodfellow I, Bengio Y, Courville A. Deep learning. Cambridge, MA: MIT Press; 2016. ISBN 978-0-262-03561-3Goodfellow I., Bengio Y., Courville A. Deep learning. MIT Press, 2016. ISBN 9780262035613.LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436–444. https://doi.org/10.1038/nature14539LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521. P. 436-444. https://doi.org/10.1038/nature14539Garey MR, Johnson DS.Computers and intractability: A guide to the theory of NP-completeness. San Francisco: W.H. Freeman; 1979. ISBN 0-7167-1045-5Garey M.R., Johnson D.S.Computers and intractability: A guide to the theory of NP-completeness. San Francisco : W.H. Freeman Publ., 1979. 338 p. ISBN 0716710455Freeman JA, Skapura DM. Neural networks: Algorithms, applications, and programming techniques. Reading, MA: Addison-Wesley Publ.; 1992. ISBN 0-201-51376-5Freeman J.A., Skapura D.M. Neural networks: algorithms, applications, and programming techniques. Reading, MA: Addison-Wesley Publ., 1992. 401 p. ISBN 0201513765Nocedal J, Wright SJ. Numerical optimization. 2nd ed. New York: Springer Publ.; 2006. ISBN 978-0-387-30303-1Nocedal J., Wright S.J. Numerical optimization. 2nd ed. New York : Springer Publ., 2006. ISBN 978-0-387-30303-1Terekhov VA. Control in dynamical systems: modern challenges and approaches. Proceedings of Southern Federal University. Engineering Sciences. 2011;(6):20–29. (In Russ.) EDN: NWHFJNТерехов В.А. Управление в динамических системах: современные задачи и подходы // Известия ЮФУ. Технические науки. 2011. № 6. С. 20-29. EDN: NWHFJN