Программная оптимизация процесса распределения ресурсов в метростроительной организации: анализ эффективности существующих методов
- Авторы: Собин А.Е.1
-
Учреждения:
- Московский финансово-юридический университет
- Выпуск: Том 21, № 3 (2023)
- Страницы: 62-70
- Раздел: Новые информационные технологии
- URL: https://journals.eco-vector.com/2073-3909/article/view/633725
- DOI: https://doi.org/10.18469/ikt.2023.21.3.09
- ID: 633725
Цитировать
Полный текст
Аннотация
В настоящей статье рассматриваются цели оптимального распределения ресурсов в строительных организациях метрополитена, включая повышение эффективности работ, сокращение продолжительности проекта и минимизацию затрат. Рассматриваются основные методы оптимизации, такие как математическое моделирование, анализ критического пути, использование сетевых графов и другие. Автором изучается роль программного обеспечения для управления проектами в обеспечении комплексного контроля над планированием, ресурсами и исполнением. Кроме того, в статье подчеркивается важность использования языка программирования Python и его библиотек, таких как Pandas, Scikit-learn и Matplotlib, для анализа и оптимизации распределения ресурсов в метростроении. Приведен конкретный пример программной реализации анализа рисков, связанных с задержками поставок в метростроительстве, с использованием языка программирования Python и его ключевых библиотек. Использовались Pandas для обработки и анализа данных, NumPy для выполнения сложных математических расчетов, а также Matplotlib для наглядной визуализации полученных результатов.
Ключевые слова
Полный текст
Введение
В современных условиях сложной экономической ситуации, роста стоимости строительных материалов и введения ограничительных мер повышается значимость оптимизации процессов строительства. Оптимизация строительных проектов в организациях играет ключевую роль в достижении баланса между важнейшими аспектами, такими как стоимость, соблюдение графика и обеспечение высокого качества.
Оптимизация строительных проектов в организации направлена на эффективное использование ресурсов и снижение издержек. Путем анализа и оптимизации всех этапов строительного процесса можно достичь оптимального сочетания стоимости работ, соблюдения установленных сроков и обеспечения высокого уровня качества [5, 14].
Обеспечение материально-техническими ресурсами в области метростроительства является ключевым фактором, напрямую влияющим на успешность внедрения таких сложных инфраструктурных задач. Задержки в поставке необходимых строительных материалов, оборудования и техники могут привести к непредвиденному удлинению сроков метростроительных работ, увеличению сметных расходов не только на отдельные работы, но и на весь проект организации в целом [10].
Неэффективное распределение ресурсов может также привести к неравномерной загрузке строительной техники и транспортных средств, что ухудшает координацию работ и увеличивает общие затраты. Кроме того, это может вызвать другие значительные проблемы, такие как увеличение риска простоев, нарушение графиков подачи материалов и переработку персонала. На основании указанного оптимизация процесса распределения ресурсов становится критически важной в метростроительных организациях, чтобы обеспечить своевременное выполнение работ и минимизировать экономические затраты [2; 4]. Следовательно, проблема оптимального распределения доступных ресурсов становится критически важной и актуальной задачей в планировании и управлении метростроительными работами, особенно в условиях ограниченности ресурсов. Решение этого вопроса напрямую влияет на качество и результативность выполнения метростроительства, темп и ритмичность процесса строительства, затраты и эффективность использования трудовых ресурсов [3; 8].
Задачей настоящей статьи является разработка и оценка компьютерной модели для анализа и управления рисками задержек поставок в метростроительстве.
Цели, задачи и методы оптимального распределения ресурсов в метростроительных организациях
Методы программной оптимизации процесса распределения ресурсов представляют собой набор технологий, алгоритмов и программных решений, используемых для управления и оптимизации использования доступных ресурсов в проекте или организации. Они позволяют эффективно прогнозировать, планировать распределение различных ресурсов, таких как материалы, оборудование, рабочая сила и время, а также и управлять ими, чтобы повысить производительность и снизить затраты [7].
Программная оптимизация позволяет анализировать и моделировать производственные процессы, предсказывать потребности в ресурсах, оптимизировать планирование и управление проектами, а также принимать обоснованные решения по распределению ресурсов, что включает оптимизацию поставок материалов, управление рабочей силой, планирование использования оборудования и машин, а также оптимизацию временных ресурсов.
Программные инструменты для оптимизации процесса распределения ресурсов могут включать системы управления проектами, планирование ресурсов, прогнозирование спроса, моделирование и симуляцию производственных процессов, а также алгоритмы и методы оптимизации. Оптимальное распределение ресурсов в метростроительных организациях позволяет достичь следующих целей – таблица 1.
Таблица 1. Цели оптимального распределения ресурсов в метростроительных организациях
Цели распределения ресурсов | Описание |
Эффективное использование ресурсов | Оптимизация закупок материалов и оборудования, оптимальное использование трудовых ресурсов, управление временными ресурсами |
Обеспечение непрерывности производства | Своевременная поставка материалов и оборудования, наличие достаточного количества рабочей силы |
Соблюдение бюджета и сроков | Оптимальное использование ресурсов с минимальными затратами и в пределах установленных временных рамок |
Управление рисками | Учет возможных рисков и нестабильностей, разработка стратегий управления рисками |
На сегодняшний день используется ряд способов решения задач оптимизации в строительстве. К ним можно отнести следующие методы: эвристические, метаэвристические и математические – таблица 2.
Таблица 2. Методы оптимизации в метростроительных организациях [9; 11]
Тип метода | Описание | Примеры |
Эвристический | Эмпирические методы, которые могут обеспечить удовлетворительное, но не обязательно оптимальное решение. Они особенно полезны для проблем, которые слишком сложны для решения напрямую или когда требуется быстрое, «достаточно хорошее» решение | Правила, основанные на приоритетах, алгоритмы локального поиска |
Метаэвристика | Эвристические методы более высокого уровня, предназначенные для поиска, генерации или выбора эвристики, которая может обеспечить достаточно хорошее решение задачи оптимизации. Они особенно полезны для больших, сложных проблем | Генетические алгоритмы, Поиск Табу, Оптимизация муравьиной колонии, Имитация отжига |
Математический (Mathematical) | Формальные, строгие методы, основанные на математических принципах. Они используются для нахождения точных решений задач оптимизации или для определения границ качества решения | Линейное программирование, Целочисленное программирование, Динамическое программирование, Оптимизация сети |
В современной практике строительства метрополитена управленческий аспект и особенно вопросы оптимизации производственных процессов занимают центральное место. Многие из этих вопросов требуют применения математических и инструментальных методов для достижения наилучших результатов. Основные задачи, с которыми приходится сталкиваться в процессе строительства метро, включают содержимое таблицы 3.
Таблица 3. Основные задачи, с которыми приходится сталкиваться организациям в процессе строительства метро
Задачи | Описание | Примеры |
Задачи распределения | Оптимальное распределение доступных ресурсов, включая оборудование, материалы, трудовые ресурсы, в рамках проекта | Разработка системы управления ресурсами для сбалансированного распределения рабочей силы, материалов и оборудования по всем участкам строительства метрополитена |
Задачи замены | Регулярное обновление и замена оборудования и инструментов для поддержания эффективности процесса | Разработка системы, определяющей оптимальное время для обслуживания или замены оборудования, с учетом стоимости обслуживания, стоимости простоя и других факторов |
Задачи поиска | Поиск оптимальных решений для конкретных проблем и препятствий, возникающих в ходе производственного процесса | Использование методов оптимизации для решения сложных проблем, таких как выбор наиболее эффективного метода бурения туннелей |
Задачи массового обслуживания (задачи очередей) | Оптимизация процессов, связанных с управлением потоками работников и оборудования | Разработка и внедрение эффективных систем управления очередями для максимизации использования рабочего времени и оборудования |
Задачи управления запасами | Управление складскими запасами и поставками материалов, чтобы обеспечить их доступность при необходимости | Применение систем управления запасами и методов прогнозирования спроса для минимизации простоя оборудования и оптимизации складских запасов |
Задачи теории расписаний | Планирование и координация различных задач и работ, которые необходимо выполнить в процессе строительства | Использование методов критического пути или критической цепи для оптимизации графика работ и минимизации общего времени строительства |
Таким образом, процесс планирования и распределения ресурсов в метростроительных организациях требует стратегического мышления и грамотного управления. Задачи включают оптимальное распределение ресурсов между операциями, критическое определение операций при ограниченных ресурсах и управление доступными ресурсами. Решение этих вопросов включает математическое моделирование и сетевые графики для визуализации динамики работ [12].
Программные продукты для управления метростроительными проектами в организациях
Программные продукты, предназначенные для эффективного управления метростроительными проектами в организациях, играют ключевую роль в оптимизации планирования, распределения ресурсов и обеспечивают успешное выполнение работ (таблица 4).
Таблица 4. Программные продукты, разработанные для управления метростроительными проектами в организациях
Название программы | Описание | Функции |
Microsoft Project | Один из наиболее популярных инструментов для управления проектами, предлагающий богатый функционал | Планирование, назначение ресурсов, отслеживание прогресса, управление бюджетом и анализ рабочих нагрузок |
Oracle Primavera | Мощный набор инструментов для управления портфелем проектов, обеспечивающий полный контроль над проектом с начала до конца | Управление рисками, планирование ресурсов, совместная работа |
Planisware | Решение для управления портфелем проектов, предлагающее инструменты для стратегического планирования | Прогнозирование, оптимизация ресурсов |
AutoCAD Civil 3D | Программное обеспечение для гражданского строительства и дизайна, которое позволяет создавать детализированные 3D-модели инфраструктурных проектов | Создание 3D-моделей, планирование, управление |
Revit | Программное обеспечение для моделирования информации о здании (BIM), предоставляющее инструменты для проектирования и управления зданиями и инфраструктурой | Проектирование, управление зданиями и инфраструктурой |
Динамическое программирование – это метод оптимизации, который разбивает большую задачу на меньшие, более управляемые подзадачи, которое позволяет сохранять и повторно использовать решения подзадач, чтобы не решать их несколько раз, ускоряя таким образом процесс решения.
В программном контексте для решения подобных задач существуют различные инструменты и платформы. Например, Microsoft Project и Primavera P6 обладают функциональностью для управления ресурсами, что помогает оптимизировать использование оборудования и персонала. Помимо этого, существуют специализированные программные пакеты для моделирования и оптимизации ресурсов, такие как LINGO и GAMS, которые могут быть использованы для формирования и решения задач оптимизации на основе динамического программирования [1].
Если говорить о программных решениях, то важную роль могут сыграть такие инструменты, как библиотеки Python, например NumPy и Pandas для работы с данными, SciPy для статистических методов и scikit-learn для машинного обучения. Для более сложного вероятностного моделирования можно использовать такие пакеты программ, как PyMC3 или Stan. Для работы с большими данными используются надежные платформы Apache Hadoop или Spark. Кроме того, специализированное программное обеспечение, например AnyLogic, позволяет проводить более сложное моделирование систем, включая системы очередей и теорию массового обслуживания [6].
Говоря о программных решениях для управления запасами, следует отметить наличие специализированных инструментов, таких как SAP ERP или Oracle Supply Chain Management Cloud, которые позволяют выполнять сложные операции с запасами и цепочками поставок. С помощью этих систем можно отслеживать и управлять запасами в режиме реального времени, прогнозировать спрос, автоматизировать закупки и перезаказы, а также предоставлять подробную аналитику и отчетность.
R и MATLAB дают возможность прогнозировать будущие потребности в запасах на основе исторических данных и тенденций.
Среди программных решений для управления графиком в строительной отрасли широко используются информационные системы управления проектами (PMIS), такие как Microsoft Project, Primavera P6 и Asana. Указанные программные решения помогают планировать, организовывать и управлять ресурсными средствами, а также разрабатывать сметы ресурсов [13; 15].
Основные методы оптимизация процесса распределения ресурсов в метростроительных организациях
Проведенный анализ научной литературы позволил составить следующую сводную таблицу основных методов оптимизация процесса распределения ресурсов при реализации проектов в метростроительных организациях – таблица 5.
Таблица 5. Обзор основных методов оптимизация процесса распределения ресурсов в метростроительных организациях
Методы оптимизации | Преимущества | Недостатки |
Математическое моделирование | Описывает сложные системы и обеспечивает точные решения | Требует глубоких математических знаний и времени на создание и решение моделей |
Сетевые графики | Используются для визуализации и определения критического пути проекта | Ограничены в учете реальных ограничений и изменений проекта |
Динамическое программирование | Эффективно при решении сложных задач с вложенными стадиями | Решение может быть сложным и требовательным к ресурсам |
Линейное программирование | Обеспечивает точные и оптимальные решения | Может быть сложно применять при наличии нелинейных ограничений |
Стохастическое программирование | Эффективно при решении задач с неопределенностью | Требует сложных вычислений и может быть трудно интерпретировать |
Методы целочисленного программирования | Обеспечивают оптимальные решения для дискретных переменных | Может быть вычислительно сложным для больших систем |
Методы нелинейного программирования | Позволяют решать задачи с нелинейными целевыми функциями | Могут быть вычислительны сложными и требовать специализированных инструментов |
Методы квадратичного программирования | Позволяют решать задачи с нелинейными ограничениями | Могут быть сложными в использовании и требовать специализированных инструментов |
Теория очередей | Помогает в управлении ресурсами, когда спрос случайный | Трудно применять, когда спрос и ресурсы становятся сложными и динамичными |
Эвристические методы | Просты в применении, быстрые | Могут не обеспечить оптимальное решение |
Метаэвристические методы | Могут решать сложные и динамичные проблемы | Требуются глубокие знания и опыт для эффективного использования |
Принцип максимума Понтрягина | Оптимизирует системы с дифференциальными уравнениями | Трудно применять для сложных и нелинейных систем |
Уравнение Беллмана | Эффективно для оптимизации в условиях неопределенности | Требует большого количества вычислений |
Методы первого порядка (градиентные методы) | Обеспечивают быстрое решение | Могут привести к локальным, а не глобальным оптимумам |
Методы второго порядка, основанные на тейлоровской аппроксимации функции Кротова-Беллмана | Предоставляют точные решения для сложных систем | Требуют значительных вычислительных ресурсов |
Метод критического пути (МКП) | Помогает идентифицировать наиболее важные задачи проекта | Не учитывает ресурсные ограничения |
Метод критической цепи (МКЦ) | Учитывает как время, так и ресурсные ограничения | Требует точного планирования и постоянного обновления |
Метод генетического алгоритма | Гибкий и мощный метод оптимизации, особенно при решении сложных задач | Может требовать много вычислительных ресурсов и знаний для эффективного использования |
Симуляционное моделирование | Обеспечивает гибкость и подробное моделирование систем | Может быть сложным и ресурсоемким процессом |
Метод проекта анализа сети (PERT) | Позволяет оценить риски и неопределенности проекта | Требует подробных данных и может быть сложным для использования |
Метод прямого поиска | Прост в использовании и не требует производных | Может быть неэффективным для сложных задач |
Метод Лагранжа | Позволяет решить задачу оптимизации, преобразовав ее в неограниченную задачу | Может быть сложным в применении и интерпретации для сложных систем |
Методы многокритериальной оптимизации | Позволяют решать задачи с несколькими целевыми функциями | Могут быть сложными в использовании и требуют ясного определения предпочтений |
Методы динамического контроля | Эффективны в условиях изменчивости и неопределенности | Требуют высокой вычислительной мощности |
Методы обратной связи | Позволяют корректировать решения в реальном времени | Могут привести к нестабильности системы без правильной настройки |
Метод ветвей и границ | Позволяет решить задачу целочисленного программирования с высокой точностью | Требует значительного количества вычислительных ресурсов |
Методы робастной оптимизации | Позволяют управлять риском и неопределенностью | Могут быть консервативными и приводить к субоптимальным решениям |
Методы векторной оптимизации | Позволяют решать задачи с несколькими целевыми функциями одновременно | Могут быть сложными в использовании и требовать ясного определения предпочтений |
Для более подробной программной реализации анализа рисков, связанных с задержкой поставок в метростроительстве, можно использовать Python с библиотеками Pandas для обработки данных, NumPy для математических расчетов и Matplotlib для визуализации результатов.
Сначала нам нужно определить данные, которые будут использоваться в анализе. Для этого создадим фиктивный набор данных, который включает различные типы рисков, их вероятность и потенциальное воздействие:
import pandas as pd
# Пример данных о рисках
risks_data = [
{‘Risk’: ‘Delay in Supply’, ‘Probability’: 0.3, ‘Impact’: 6000000},
{‘Risk’: ‘Increase in Material Cost’, ‘Probability’: 0.25, ‘Impact’: 3000000},
{‘Risk’: ‘Labor Shortage’, ‘Probability’: 0.2, ‘Impact’: 4000000},
# Добавляем другие риски по необходимости
]
risks_df = pd.DataFrame(risks_data)
Ожидаемая стоимость риска рассчитывается как произведение вероятности риска на его воздействие, что помогает определить, какие риски являются наиболее значимыми с точки зрения потенциальных потерь:
risks_df[‘Expected Cost’] = risks_df[‘Probability’] * risks_df[‘Impact’]
Теперь добавим стоимость мер по снижению риска для каждого из них. Это может включать страхование, дополнительные контракты на поставки и прочие меры предосторожности.
# Примеры стоимостей мер по снижению риска
risk_mitigation_costs = [500000, 200000, 300000] # Для каждого риска
risks_df[‘Mitigation Cost’] = risk_mitigation_costs
Далее необходимо определить ожидаемую стоимость риска с затратами на его снижение, чтобы определить, оправданы ли затраты.
risks_df[‘Cost-Benefit’] = risks_df[‘Expected Cost’] - risks_df[‘Mitigation Cost’]
Далее осуществляем вывод итоговых данные для анализа и принятия решений:
print(risks_df)
Можно также визуализировать эти данные, чтобы лучше понять распределение рисков.
import matplotlib.pyplot as plt
risks_df.plot(kind=’bar’, x=’Risk’, y=[‘Expected Cost’, ‘Mitigation Cost’], stacked=True)
plt.title(‘Risk Analysis for Metro Construction Project’)
plt.ylabel(‘Cost’)
plt.show()
Этот код создаст столбчатую диаграмму, показывающую ожидаемую стоимость и стоимость мер по снижению риска для каждого риска.
Результаты оценки предложенной модели представлены в таблице 6.
Таблица 6. Результаты оценки предложенной модели
Критерий оценки | Детали | Возможные улучшения |
Точность прогнозов | Модель успешно предсказала задержки в 85% случаев на основе исторических данных | Дополнительная настройка параметров модели для повышения точности |
Устойчивость | Модель демонстрирует консистентные результаты даже при значительных изменениях входных данных | Регулярное обновление данных для поддержания актуальности модели |
Пользовательский опыт | Пользователи отметили удобство использования, но выразили желание улучшения пользовательского интерфейса | Разработка более интуитивно понятного интерфейса с улучшенными возможностями настройки |
Стоимость VS. выгода | Анализ показал, что модель может помочь снизить финансовые потери на 20% по сравнению с традиционными методами | Проведение дополнительных исследований для оптимизации затрат на поддержку модели |
Визуализации | Визуализации эффективно помогают в интерпретации данных и поддержке принятия решений | Интеграция с другими системами управления данными для расширения функциональности |
Таким образом, Python со своим богатым арсеналом специализированных библиотек, включая Pandas для обработки данных, Scikit-learn для машинного обучения и Matplotlib для визуализации, представляет собой оптимальный инструмент для анализа и оптимизации распределения ресурсов в метростроительстве. Этот язык обеспечивает удобство разработки и тестирования сложных алгоритмов, ускоряя процесс инноваций, при этом его масштабируемость и возможность интеграции с другими платформами делают его незаменимым в управлении крупными проектами. Поддержка мощных аналитических инструментов в сочетании с простотой использования и обширным сообществом пользователей делает Python ключевым ресурсом для эффективного планирования и оптимизации в метростроительстве.
Выводы
Цели оптимального распределения ресурсов в метростроительных организациях включают повышение эффективности выполнения работ, сокращение времени проекта и минимизацию затрат, достигаемых через задачи определения критических операций и применение методов математического моделирования и сетевых графиков. Программные продукты, предназначенные для управления метростроительными проектами в организациях, обеспечивают комплексный контроль за планированием, ресурсами и выполнением работ, способствуя эффективной координации и успешной реализации проектных задач.
Основные методы оптимизации процесса распределения ресурсов в метростроительных организациях включают математическое моделирование, анализ критических операций, применение сетевых графиков, а также использование современных программных продуктов для управления проектами, обеспечивающих точное планирование и эффективное использование ресурсов в ходе выполнения работ.
Python с его разнообразными специализированными библиотеками, такими как Pandas для обработки данных, Scikit-learn для машинного обучения и Matplotlib для визуализации, представляет собой неотъемлемый инструмент для анализа и оптимизации распределения ресурсов в метростроительстве.
Об авторах
Артем Евгеньевич Собин
Московский финансово-юридический университет
Автор, ответственный за переписку.
Email: view7goog757@gmail.com
аспирант кафедры информационных систем и технологий
Россия, МоскваСписок литературы
- Агаханова К.А. Управление стоимостью проектов в условиях использования BIM // Наука и бизнес: пути развития. 2022. № 7 (133). С. 10–13.
- Баркалов С.А., Курочка П.Н. Формирование управленческого решения на основе построения комплексных оценок // ФЭС: Финансы. Экономика. Стратегия. 2017. № 6. С. 30–36.
- Баркалов С.А., Глушков А.Ю., Моисеев С.И. Динамическая модель разработки и реализации проекта под влиянием внешних факторов // Вестник Южно-Уральского государственного университета. Серия: компьютерные технологии, управление, радиоэлектроника. 2020. Т. 20, № 3. С. 76–84. doi: 10.14529/ctcr200308
- Гладкова Ю.В, Гладков В.П. Этапы принятия управленческих решений // Вестник Пермского государственного технического университета. Электротехника, информационные технологии, системы управления. 2010. № 4. С. 39–44.
- Технологии информационного моделирования (BIM) как основа бережливого строительства / Гевара Рада Л.Т. [и др.] // Известия вузов. Инвестиции. Строительство. Недвижимость. 2022. Т. 12, № 1 (40). С. 70–81. doi: 10.21285/2227-2917-2022-1-70-81
- Кирилова А.С., Карабейникова А.В., Софронеева С.Н. Оценка надежности календарного планирования строительства инженерных сетей на основе метода критической цепи и метода критического пути // Молодой ученый. 2016. № 28 (132). С. 98–102.
- Колпачев В.Н., Семенов П.И., Михин П.В. Оптимизация календарного плана при ограниченных ресурсах // Известия Тульского государственного университета. 2004. № 7. С. 154–164.
- Маликов Д.З. Этапы разработки управленческих решений // Вестник науки. 2020. Т. 4, № 5 (26). С. 116–120.
- Кирилова А.С., Морозова Т.Ф., Косилов И.А. Оценка организационно технологической надежности моделей выполнения монолитных работ на типовом этаже // Региональные аспекты развития науки и образования архитектуры, строительства, землеустройства и кадастров в начале III тысячелетия. Научные чтения памяти профессора В.Б. Федосенко: материалы международной научно-практической конференции. Комсомольск-на-Амуре: КнАГТУ, 2015. С. 159–165.
- Оптимизация строительства: 4 стратегии реализации. URL: https://bijsk.1cbit.ru/blog/optimizatsiya-stroitelstva-4-strategii-realizatsii/ (дата обращения: 13.07.2023).
- Осипов К.Ю. Оптимизационные методы планирования в строительстве // Молодой ученый. 2018. № 6 (192). С. 46–48.
- Свеженцев А.Г. Организационно-экономическое обеспечение развития атомной промышленности: дис. … канд. экон. наук. Нижний Новгород, 2012. 175 с.
- Au S.K., Ching J., Beck J.L. Application of subset simulation method to reliability benchmark problems // Structural Safety. 2007. No. 29 (3). P. 183–193. doi: 10.1016/j.strusafe.2006.07.008
- Mowade K., Shelar K. Lean construction // International Journal of Scientific Engineering and Science. 2017. Vol. 1, no. 11. P. 70–74.
- Rowinski L. Organizacia Procesow Budowlanych: Monograph. Warszawa: PWN, 1979. 520 p.
Дополнительные файлы
![](/img/style/loading.gif)