В статье представлен комплексный подход к имитационному моделированию сложных иерархических систем, не поддающихся полному аналитическому описанию. Разработана формальная модель иерархии в виде кортежа, включающего множество уровней, элементов, отношений взаимодействия, правил управления, операторов перехода между состояниями и внешних воздействий. Предложен модульный принцип построения имитационных моделей, где каждый уровень представляется как автономная динамическая подсистема с операторами наблюдения, что позволяет учитывать условие частичной наблюдаемости, характерное для реальных систем.Исследование демонстрирует эффективность комплекса взаимодополняющих парадигм моделирования: системно-динамических моделей для потоков между уровнями, дискретно-событийных для последовательности изменяющих состояние событий, агентных для автономных узлов с локальной политикой поведения, стохастических для вероятностных переходов и сетевых для анализа распространения влияния. Особое внимание уделено моделированию нисходящих и восходящих потоков управления через операторы трансформации и обратной связи, учитывающие задержки, искажения сигналов и агрегацию данных. Результаты подтверждают, что сложные иерархии принципиально нередуцируемы к линейным или аналитическим моделям. Выявлены эффекты, компромиссный характер устойчивости и феномен множественности локальных рациональностей. Практическая значимость работы заключается в создании методологической основы для цифровых двойников реальных систем. Перспективы связаны с развитием методов композиции парадигм моделирования и интеграцией машинного обучения для калибровки параметров.

The article presents a comprehensive approach to the simulation of complex hierarchical systems that cannot be fully analytically described. A formal hierarchy model has been developed in the form of a tuple, which includes many levels, elements, interaction relationships, control rules, transition operators between states and external influences. A modular principle of constructing simulation models is proposed, where each level is represented as an autonomous dynamic subsystem with observation operators, which allows taking into account the condition of partial observability characteristic of real systems. The study demonstrates the effectiveness of a set of complementary modeling paradigms: system-dynamic models for flows between levels, discrete-event models for a sequence of state-changing events, agent-based models for autonomous nodes with a local behavior policy, stochastic models for probabilistic transitions, and network models for analyzing the spread of influence. Special attention is paid to the modeling of downward and upward control flows through transformation and feedback operators that take into account delays, signal distortion, and data aggregation. The results confirm that complex hierarchies are fundamentally irreducible to linear or analytical models. The effects, the compromise nature of stability, and the phenomenon of multiple local rationalities are revealed. The practical significance of the work lies in the creation of a methodological basis for digital counterparts of real systems. The prospects are related to the development of methods, modeling paradigms and the integration of machine learning for parameter calibration.