Алгоритм оптимизации ресурсного обеспечения проекта с учетом нечетких рекомендаций экспертов по срокам начала работ

В статье предлагается алгоритм оценки ресурсного обеспечения проекта с учетом различных нечетких экспертных рекомендаций по срокам начала выполнения работ в пределах резервных ограничений и выбора оптимального варианта экспертных рекомендаций. Для определения резервных ограничений по срокам начала и окончания работ проекта используется классический алгоритм нахождения критического пути. Экспертные рекомендации по срокам начала работ моделируются в виде нечетких трапециевидных или треугольных чисел, заданных на оси времени. На основе нечетких сроков начала и окончания работ проекта формируется нечеткое представление вероятности того, что работа будет осуществляться в определенный момент времени. Построение альфа-срезов для нечеткого представления вероятности позволяет выделить промежутки в рамках резервных ограничений для сроков выполнения работ, в пределах которых работа будет осуществляться на определенном уровне нечеткой вероятности, и спланировать ресурсы на данный период времени. Полученные результаты позволяют оценить: оптимальные с точки зрения распределения ресурсов экспертные рекомендации по срокам начала работ; минимизировать привлечение субподряда для выполнения работ проекта; рассчитать затраты, связанные с привлечением субподряда. Предложенное алгоритмическое и программное обеспечение может служить эффективным средством поддержки принятия решений при реализации многокомпонентных проектов.

1. Brucker P., Drexl A., Möhring R., Neumann K., Pesch E. Resource-Constrained Project Scheduling: Notation, Classification, Models, and Methods. European Journal of Operational Research. 1999;112(1):3–41. https://doi.org/10.1016/S0377-2217(98)00204-5

2. Kreter S., Schutt A., Stuckey P.J. Using Constraint Programming for Solving RCPSP/Max-Cal. Constraints. 2017;22(3):432–462. https://doi.org/10.1007/s10601-016-9266-6

3. Vanhoucke M., Coelho J. Resource-Constrained Project Scheduling with Activity Splitting and Setup Times. Computers & Operations Research. 2019;109:230–249. https://doi.org/10.1016/j.cor.2019.05.004

4. Chang T.C., Ibbs C.W., Crandall K.C. Network Resource Allocation with Support of a Fuzzy Expert System. Journal of Construction Engineering and Management. 1990;116(2):239–260. https://doi.org/10.1061/(ASCE)0733-9364(1990)116:2(239)

5. Rezakhani P. Project Scheduling and Performance Prediction: A Fuzzy-Bayesian Network Approach. Engineering, Construction and Architectural Management. 2022;29(6):2233–2244. https://doi.org/10.1108/ECAM-07-2020-0540

6. S A.S.P., Paul A. Fuzzy Logic in Construction Project Scheduling: A Review. International Research Journal of Engineering and Technology. 2008;5(11):752–755.

7. Dorn J., Kerr R., Thalhammer G. Reactive Scheduling: Improving the Robustness of Schedules and Restricting the Effects of Shop Foor Disturbances by Fuzzy Reasoning. International Journal of Human–Computer Studies. 1995;42(6):687–704. https://doi.org/10.1006/ijhc.1995.1031

8. Cheng Ch.-B., Lo Ch.-Yu. Multi-Project Scheduling by Fuzzy Combinatorial Auction. In: 2017 3rd IEEE International Conference on Cybernetics (CYBCONF), 21–23 June 2017, Exeter, UK. IEEE; 2017. P. 1–6. https://doi.org/10.1109/CYBConf.2017.7985794

9. Ladnykh I.A., Ibadov N. Estimating the Duration of Construction Works Using Fuzzy Modeling to Assess the Impact of Risk Factors. Applied Sciences. 2024;14(9). https://doi.org/10.3390/app14093847

10. Plebankiewicz E., Karcińska P. Model for Supporting Construction Workforce Planning Based on the Theory of Fuzzy Sets. Applied Sciences. 2024;14(4). https://doi.org/10.3390/app14041655