Анализ и визуализация данных в задачах многокритериальной оптимизации проектных решений
Ключевые слова:
управление проектом, многокритериальная классификация, нейронная сеть, генетический алгоритм, фронт Парето, кластерная структура, визуализация, плоское дерево решенийАннотация
Накопление данных о процессах управления проектами и типовых решениях сделало актуальными исследования, связанные с применением методов инженерии знаний для многокритериального поиска вариантов, которые задают оптимальные настройки параметров проектной среды. Цель: разработка методики поиска и визуализации групп проектов, которые могут быть оценены на основе концепции доминирования и интерпретироваться в терминах проектных переменных и показателей эффективности. Методы: обогащение выборки с сохранением неявной связи между проектными переменными и показателями эффективности осуществляется с помощью прогнозирующей нейросетевой модели. Для обнаружения фронта Парето в многомерном критериальном пространстве используется набор генетических алгоритмов. Онтология проектов определяется после кластеризации вариантов в пространстве решений и преобразования кластерной структуры в критериальное пространство. Автоматизация поиска в многомерном пространстве зоны наибольшей кривизны фронта Парето, определяющей равновесные проектные решения, их визуализация и интерпретация осуществляются с помощью плоского дерева решений. Результаты: плоское дерево строится при любой размерности критериального пространства и имеет структуру, которая имеет топологическое соответствие с проекциями разделяемых образов кластеров из многомерного пространства на плоскость. Для различных видов преобразований и корреляций между показателями эффективности и проектными переменными показано, что участки наибольшей кривизны фронта Парето определяются либо содержимым целого кластера, либо частью вариантов, представляющих “лучший” кластер. Если на плоском дереве к правому верхнему углу примыкает неразделенный прямоугольник кластера, то его представители в критериальном пространстве хорошо отделены от остальных кластеров и при максимизации показателей эффективности наиболее приближены к идеальной точке. Все представители такого кластера являются эффективными решениями. Если кластер-победитель содержит внутри дерева решений доминируемые варианты, то “лучший” кластер представляют оставшиеся варианты, которые задают оптимальные настройки проектных переменных. Практическая значимость: предложенная методика поиска и визуализации групп проектов может найти применение при выборе условий ресурсного и организационно-экономического моделирования проектной среды, обеспечивающих оптимизацию рисков, стоимостных, функциональных и временных критериев.
Литература
2. Laursen Markus, Svejvig Per, Gerstrøm Rode Anna Le. Four Approaches to Project Evaluation // The 24th Nordic Academy of Management Conference (NFF-2017). 2017. pp. 1–25.
3. Makeev Vladimir, Isaev Albert, Kulikov Sergey, Stratan Dmitry, Shevkunov Nikolay. Modeling and assessing the effectiveness of investment projects in the agricultural sector // XII International Scientific Conference on Agricultural Machinery Industry. 2019. 10–13 September. vol. 403: 012077.
4. Budeli Lalamani, Wichers J.H. Evaluating aspects of power plant performance using Project Success Life Cycle Model (PSLCM) // PM World Journal. 2018, vol. VII. iss. XI. pp. 1–25.
5. Юсупов Р.М., Мусаев А.А. Особенности оценивания эффективности информационных систем и технологий // Труды СПИИРАН. 2017. Вып. 2(51), С. 5–34.
6. Chereshkin D., Royzenson G., Britkov V. Multidimensional classifier of risk analysis methods // 11th World Conference «Intelligent Systems for Industrial Automation» (WCIS-2020). 2020. vol. 1323. pp. 529–536.
7. Koledina K.F., Koledin S.N., Karpenko A.P., Gubaydullin I.M., Vovdenko M.K. Multi-objective optimization of chemical reaction conditions based on a kinetic model // Journal of Mathematical Chemistry. 2019. vol. 57, p.p. 484–493.
8. Serafini Marco, Furini Francesco, Colombo Giorgio, Rizzi Caterina. Optimized development: defining design rules through product optimization techniques // Computer-Aided Design & Applications. 2016. vol. 13. no. 5. pp. 600–609.
9. Zhao Menglong, Huang Shengzhi, Huang Qiang, Wang Hao, Leng Guoyong, Liu Siyuan, Wang Lu. Copula-Based Research on the Multi-Objective Competition Mechanism in Cascade Reservoirs Optimal Operation // Water. 2019. vol. 11. iss. 995. pp. 1–19.
10. Wicaksono Albert, Jeong Gimoon, Kang Doosun. Water–Energy–Food Nexus Simulation: An Optimization Approach for Resource Security // Water. 2019. vol. 11. iss. 4: 667. pp. 1–19.
11. Akhanova M.A., Eropkina A.S., Ovchinnikova S.V., Skifskaya A.L. Methodology of estimating an IT project efficiency // International Journal of Mechanical Engineering and Technology (IJMET). 2018. vol. 9. iss. 13. pp. 803–809.
12. Орехова Н.Ю. Построение математической модели инвестиционного проекта // Труды СПИИРАН. 2003. Вып. 1. Т. 3, С. 187–195.
13. Kharchenko Volodymyr, Kharchenko Hanna. Simulation Modeling in Assessing the Effectiveness and Risk of Investment Projects // Modern Economics. 2020. vol. 22(1). pp. 119–124.
14. Glukhikh I.N., Pisarev M.O., Nonieva K.Z. Developing an Automated System for Assessing an Innovative Project's Economic Efficiency for an Oil and Gas Industry Case // International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon), IEEE. 2020. October 6–9. access. no. 20256255.
15. Мусаев А.А., Нозик А.А., Русинов Л.А. Прогностический анализ безопасности промышленного предприятия // Известия Санкт-Петербургского государственного технологического института (технического университета). 2016. № 34(60). C. 87–93.
16. Aliyev Elchin, Rzayev Ramin, Ali Adila. Multi-criteria Evaluation of Investment Projects Using the Fuzzy Method of Weighted Maximin Convolution // 11th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions and Artificial Intelligence (ICSCCW–2021). 2022. pp. 671–679.
17. Vanhoucke Mario, Batselier Jordy. A Statistical Method for Estimating Activity Uncertainty Parameters to Improve Project Forecasting // Entropy. 2019. vol. 21. iss. 952. pp. 1–28.
18. Chernyakhovskaya Liliya, Nizamutdinov Marsel. Development of Knowledge Base for Intellectual Decision Support in the Process of Innovative Project Management // IEEE XXI International Conference Complex Systems: Control and Modeling Problems (CSCMP). 2019. access. no. 19318924.
19. Piterska Varvara, Shakhov Anatoliy, Lohinov Oleh, Lohinova Liliia. The Method of Transfer of Research Project Results of Institution of Higher Education // IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT). 2019. access. no. 19250579.
20. Ayaz Ahsan, Rasheed Ashhad. Multi-Objective Design Optimization of Multicopter using Genetic Algorithm // IEEE International Bhurban Conference on Applied Sciences and Technologies (IBCAST). 2021. access. no. 20633290.
21. Sanjeev Kumar Dash, Ajit Kumar Behera, Satchidananda Dehuri, Sung-Bae Cho. Radial basis function neural networks: a topical state-of-the-art survey // Open Computer Science. 2016. vol. 6. iss. 1. pp. 33–63.
22. Пименов В.И., Кофнов О.В., Пименов И.В. Оценка эффективности проектов на основе применения моделей машинного обучения и методов многокритериальной оптимизации // Совершенствование математического образования – 2020: состояние и перспективы развития: Материалы XI междунар. науч.-методич. конф. Тирасполь. 2020. С. 115–119.
23. Pimenov V.I., Pimenov I.V. Interpretation of a trained neural network based on genetic algorithms // Информационно-управляющие системы. 2020. № 6. С. 12–20.
24. Qin Shufen, Sun Chaoli, Jin Yaochu, Tan Ying, Fieldsend Jonathan. Large-Scale Evolutionary Multiobjective Optimization Assisted by Directed Sampling // IEEE Transactions on Evolutionary Computation. 2021. vol. 25. iss. 4. pp. 724–738.
25. Li Yuping, Petrov D.A., Sherlock Gavin. Single nucleotide mapping of trait space reveals Pareto fronts that constrain adaptation // Nature Ecology & Evolution. 2019. vol. 3. pp. 1539–1551.
26. Израйлевич С.В., Цудикман В.Я. Опционы: системный подход к инвестициям. Критерии оценки и методы анализа торговых возможностей // М.: Альпина Паблишер. 2008. 280 с.
27. Handl Julia, Knowles Joshua. Modes of Problem Solving with Multiple Objectives: Implications for Interpreting the Pareto Set and for Decision Making // Multiobjective Problem Solving from Nature. 2008. pp.131–151.
28. Chikumbo Oliver, Granville Vincent. Optimal Clustering and Cluster Identity in Understanding High-Dimensional Data Spaces with Tightly Distributed Points // Machine learning & knowledge extraction. 2019. vol. 1. iss. 2. pp. 715–744.
29. Mercioni Marina Adriana, Holban Ştefan. Evaluating hierarchical and non-hierarchical grouping for develop a smart system // IEEE International Symposium on Electronics and Telecommunications (ISETC). 2018. access. no. 18326471.
30. Ida Masaaki. Consideration on the variation of financial data of institutions for canonical correlation analysis // IEEE 21st International Conference on Advanced Communication Technology (ICACT). 2019. access. no. 18636837.
31. Georgioudakis Manolis, Fragiadakis Michalis. Selection and Scaling of Ground Motions Using Multicriteria Optimization // Journal of Structural Engineering (ASCE). 2020. vol. 146. iss. 11: 04020241.
32. Zhu Yun, Wang Jun, Liang Shuang. Multi-Objective Optimization Based Multi-Bernoulli Sensor Selection for Multi-Target Tracking // Sensors. 2019. vol. 19. iss. 4: 980. pp. 1–18.
33. Титов В.Г., Залазинский А.Г., Крючков Д.И., Нестеренко А.В. Многокритериальная оптимизация методом «идеальной точки» состава сырья для изготовления композитной заготовки // Известия вузов. Порошковая металлургия и функциональные покрытия. 2019. №2. С. 49–56.
34. Xiaoping Fang, Yaoming Cai, Zhihua Cai, Xinwei Jiang, Zhikun Chen. Sparse Feature Learning of Hyperspectral Imagery via Multiobjective-Based Extreme Learning Machine // Sensors. 2020. vol. 20. iss. 5: 1262. pp. 1–19.
35. Березкин В.Е., Каменев Г.К., Лотов А.В. Программа для визуализации многомерной границы Парето в невыпуклых задачах многокритериальной оптимизации (PFV-II). Свидетельство о государственной регистрации программы для ЭВМ № RU 2019664809 от 13.11.2019.
36. Long Lim Kian, Hui Lim Chien, Fook Gim Yeong, Wan Zainon Wan Mohd Nazmee. A Study on the Effectiveness of Tree-Maps as Tree Visualization Techniques // Procedia Computer Science. 2017. iss. 124. pp. 108–115.
37. Пименов В.И., Пименов И.В. Применение генетического алгоритма для оптимизации дискретной структуры решающего дерева // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Серия 1. Естественные и технические науки. 2020. № 3. C. 55–60.
Опубликован
Как цитировать
Раздел
Copyright (c) Виктор Игоревич Пименов, Илья Викторович Пименов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).