|
Аннотация.
Исследуется задача балансировки трудовых ресурсов в портфеле проектов с использованием мультиагентного подхода. Каждый проект моделируется в виде автономного агента, функционирующего на основе BDI-парадигмы, что позволяет учитывать его локальные ограничения и предпочтения при принятии решений. Основной целью агентов является минимизация собственных и общих сроков и трудозатрат портфеля за счет перераспределения ресурсов. Предложены алгоритмы балансировки ресурсов, включающие оценку полезности обмена ресурсами между агентами, стохастическую генерацию времени начала проектов, а также построение Парето-оптимальных фронтов по критериям сроков и трудозатрат. Эксперименты на данных пяти проектах показали, что предложенный подход сокращает срок реализации портфеля на 7,7%, а трудозатраты – на 9,2%. Результаты демонстрируют, что мультиагентный подход в данной задаче обеспечивает снижение показателей реализации портфеля по сравнению с централизованным планированием и сбалансированную загрузку ресурсов.
Ключевые слова:
управление портфелем проектов, мультиагентные системы, BDI-парадигма, балансировка ресурсов, Парето-оптимизация, стохастическая генерация.
DOI 10.14357/20718632260113
EDN UXXMRK
Стр. 145-153.
Литература
1. Guo K., Zhang L. Multi-objective optimization for improved project management: Current status and future directions //Automation in Construction. 2022. Т. 139. С. 104256. 2. Елькин С. А. Оценка программного обеспечения для управления проектами в сфере IT-технологий: проблемы и перспективы //Экономика и управление. 2022. Т. 28. №. 12. С. 1219-1230. http://doi.org/10.35854/1998-1627-2022-12-1219-1230. 3. Kerzner H. Project management: a systems approach to planning, scheduling, and controlling. John Wiley & Sons. 2025. 1122 p. 4. Beketov S.M., Dergachev M.V., Gintciak A.M., Redko S.G. Team Formation in Software Projects: Multi-criteria Pareto Optimization // Programmnaya Ingeneria. 2025. Vol. 16, No. 2. P. 92-99. https//doi.org/10.17587/prin.16.92-99. 5. Beketov S.M., Pospelov K.N., Redko S.G. A human capital simulation model in innovation projects // Control Sciences. 2024. No. 3. P. 16-25. https//doi.org/10.25728/cs.2024.3.2. 6. Reiff J., Schlegel D. Hybrid project management–a systematic literature review //International journal of information systems and project management. 2022. Т. 10. №. 2. С. 45-63. 7. Мурадян И. В., Григоренко О. В. Оценка эффективности IT-проектов в условиях неопределенности //Вестник Академии знаний. 2024. №. 4 (63). С. 289-295. 8. Ларичев О. И. Наука и искусство принятия решений. М.: Наука, 1979. 199 с. 9. Зуев Ю.А., Ларичев О.И., Филиппов В.А., Чуев Ю.В. Проблемы оценки предложений по проведению научных исследований // Вестник АН СССР. 1979. № 8. С. 29–39. 10. Ройзензон Г. В. Синергетический эффект в принятии решений // Системные исследования. Методологические проблемы. Ежегодник / Под ред. Ю. С. Попкова, В. Н. Садовского, В. И. Тищенко. № 36. 2011-2012. М.: УРСС, 2012. С. 248–272. 11. Ларичев О. И., Кожухаров А. Н. Многокритериальная задача о назначениях // Автоматика и телемеханика. 1977. Т. 38, № 7. С. 71–87. 12. Ларичев О.И., Стернин М.Ю. Человеко-машинные методы решения многокритериальной задачи о назначениях // Автоматика и телемеханика. 1998. Т. 59, № 7. С. 135–156. 13. Mousa M., Van de Berg D., Kotecha N., Del Rio-Chanona E., Mowbray M. An analysis of multi-agent reinforcement learning for decentralized inventory control systems //Computers & Chemical Engineering. 2024. Т. 188. С. 108783. 14. Поспелов Д. А. Многоагентные системы – настоящее и будущее // Информационные технологии и вычислительные системы. 1998. № 1. С. 14–21. 15. Словохотов Ю.Л., Новиков Д.А. Распределенный интеллект мультиагентных систем. Ч. 1. Основные характеристики и простейшие формы // Проблемы управления. 2023. № 5. С. 3-22. 16. Смирнов А. В., Шереметов Л. Б. Модели формирования коалиций кооперативных агентов: состояние и перспективы исследований // Искусственный интеллект и принятие решений. 2011. № 1. С. 36–48. 17. Rao A.S., Georgeff M. BDI agents: from theory to practice //Icmas. 1995. Т. 95. С. 312-319. 18. Mahfooz U., Haque H., Saleem K., Salman Khan A. Modeling belief‐desire‐intention reasoning agents for situation‐aware formalisms //Concurrency and Computation: Practice and Experience. 2023. Т. 35. №. 15. С. e6417.19. Goonatilleke S. T., Hettige B. Past, Present and Future Trends in Multi-Agent System Technology //Journal Européen des Systèmes Automatisés. 2022. Т. 55. №. 6. С. 723-739. 20. Kamel A. et al. Evaluation of mining projects subjected to economic uncertainties using the Monte Carlo simulation and the binomial tree method: Case study in a phosphate mine in Egypt //Resources Policy. – 2023. – Т. 80. – С. 103266. 21. Senova A., Tobisova A., Rozenberg R. New approaches to project risk assessment utilizing the Monte Carlo method //Sustainability. 2023. Т. 15. №. 2. С. 1006. 22. Бекетов С.М., Гинцяк А.М., Дергачев М.В. Алгоритм оценки сходимости стохастической Парето-оптимизации // Информационные технологии и вычислительные системы. 2024. № 4. С. 91-99. https//doi.org/10.14357/20718632240409. 23. Petchrompo S., Coit D.W., Brintrup A., Wannakrairot A., Parlikad A.K. A review of Pareto pruning methods for multi-objective optimization //Computers & Industrial Engineering. 2022. Т. 167. С. 108022. 24. Лотов А.В., Бушенков В.А., Каменев Г.К., Черных О.Л. Компьютер и поиск компромисса. Метод достижимых целей. М.: Наука, 1997. 239 с. 25. Jafarzadeh H., Heidary-Dahooie J., Akbari P., Qorbani A. A project prioritization approach considering uncertainty, reliability, criteria prioritization, and robustness //Decision Support Systems. 2022. Т. 156. С. 113731. 26. Trenerry B., Chng S., Wang Y., Suhaila Z.S., Lim S.S., Lu H.Y., Oh P.H. Preparing workplaces for digital transformation: An integrative review and framework of multilevel factors //Frontiers in psychology. 2021. Т. 12. С. 620766. 27. Allahham M.S., Abdellatif A.A., Mhaisen N., Mohamed A., Erbad A., Guizani M. Multi-agent reinforcement learning for network selection and resource allocation in heterogeneous multi-RAT networks //IEEE Transactions on Cognitive Communications and Networking. 2022. Т. 8. №. 2. С. 1287-1300. 28. Nagarajan S., Rani P.S., Vinmathi M.S., Subba Reddy V., Saleth A.L.M., Abdus Subhahan D. Multi agent deep reinforcement learning for resource allocation in container‐based clouds environments //Expert Systems. 2025. Т. 42. №. 1. С. e13362.
|
