Автоматизация построения систем производственного планирования
Статья в выпуске: 2 (67) т.21, 2025 года.
Бесплатный доступ
В работе представлен инструмент для автоматизации построения систем производственного планирования, который предназначен для преобразования условий задач математического программирования, описанных в табличном фреймворке Univer, в исполняемый Python-код с использованием библиотеки PuLP. Разработка и реализация данного инструмента решает актуальную проблему, связанную с необходимостью ручного переноса моделей, разработанных аналитиками, в промышленный программный код, что часто приводит к потерям времени, неточностям и увеличению затрат на разработку. Предложенное решение обеспечивает автоматизированный и безошибочный переход от аналитических прототипов к промышленной реализации, сокращая сроки внедрения и повышая эффективность работы команд разработки и аналитиков. В результате автоматизации снижаются издержки на разработку, уменьшается вероятность возникновения ошибок и существенно ускоряется цикл внедрения математических моделей оптимизации в производственную практику.
Похожие статьи в разделе Управление предприятиями, организация производства, торговли и транспорта
Короткий адрес: https://sciup.org/14133741
IDS: 14133741 | УДК: 65.011.56
Computer tool for automation of designing of production planning systems
This paper presents a tool for automating the construction of production planning systems, which is designed to convert the conditions of mathematical programming problems described in the Univer table framework into executable Python code using the PuLP library. The implementation of this tool solves the actual problem associated with the need to manually transfer models developed by analysts into industrial code, which often leads to lost time, inaccuracies and increased development costs. The proposed solution provides an automated and error-free transition from analytical prototypes to production implementation, reducing implementation time and increasing the efficiency of development teams and analysts. As a result of automation, development costs are reduced, the probability of errors is reduced, and the cycle of implementation of mathematical optimization models into production practice is significantly accelerated.
