Інтелектуальна модель управління запасамина основі генетичних алгоритмів і нечіткої логіки для підвищення економічної безпеки підприємства

У статті запропоновано інтелектуальну модель управління запасами, що інтегрує генетичний алго-ритм і нечітку логіку з метою підвищення економічної безпеки промислового підприємства. Генетичний алгоритм виконує пошук глобального оптимуму у великому дискретному просторі рішень, тоді як нечіт-ка 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 забезпе-чує баланс між мінімізацією витрат, виконанням зобов’язань і підтриманням стабільності ланцюга поста-чання, 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 пере-будови 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.

The article presents an intelligent inventory-management model that combines a genetic algorithm with fuzzy logic to enhance the economic security of an industrial enterprise. The genetic algorithm explores a large discrete solution space in search of near-global optima, whereas the fuzzy-logic module converts subjective assessments of supply disruption risk into formalized penalties, thereby explicitly accounting for data uncertainty and incompleteness. The model incorporates hard constraints on resources, budget and production capacity, along with tunable soft penalties for product shortages, enabling a balance between cost minimization, contractual fulfilment and supply-chain stability factors that directly influence the enterprise’s economic security.Experimental tests on a demonstration data set (three resource types and two product types) show that, after 60 generations of evolution, the system yields a profit of more than 37 thousand UAH while respecting all constraints and automatically optimizing purchasing and production volumes according to the risk profile. A sensitivity analysis confirms that modest adjustments to penalty weights allow rapid adaptation to strategic scenarios ranging from aggressive growth to conservative austerity.The proposed approach is readily scalable: adding new resources or products requires only updating the input parameters and fuzzy-inference rules, without restructuring the algorithm. The model can serve as the core of a digital twin or decision-support platform, providing managers with transparent analytical tools for scenario forecasting, operational-risk mitigation and reinforcement of economic resilience in turbulent markets and highly competitive environments.