Спосіб управління проектами

Реферат: Спосіб управління проектами, при якому здійснюють побудову нейронної мережі, яка визначає відхилення фактичних показників від планових, на підставі чого приймається рішення щодо фінансування альтернативних проектів або вживання корегуючих дій, який відрізняється тим, що як додаткову ознаку використовують показник ризику неуспішності проекту, а вибір архітектури нейронної мережі та обчислення ваг зв'язків нейронної мережі здійснюють за допомогою генетичного алгоритму на основі даних, розподілених на кластери, показник ризику неуспішності проекту визначають за допомогою ансамблів нейронних мереж, які формують на основі відповідної кластеризації даних за показником Project Definition Rating Index та запланованими обсягом витрат або тривалістю проекту. UA 67813 U (12) UA 67813 U UA 67813 U 5 10 15 20 25 30 35 40 45 50 55 60 Корисна модель належить до галузей інформаційних технологій, кібернетики й обчислювальної техніки й може бути використана для управління проектами на ранніх стадіях з метою вживання корегуючих дій, щоб зменшити відхилення фактичних показників проекту від планових, а також для прийняття рішень інвестором щодо вибору альтернативних шляхів вкладання інвестицій або вибору такого варіанту проекту, що розглядається, який найкраще відповідає вимогам осіб, які приймають рішення. Може бути використано для будівельних, промислових та інфраструктурних проектів або для будь-яких інших проектів, для яких повинна бути розроблена процедура обчислення рівня визначеності проекту на стадії перед-проектного планування. Процесом як об'єктом технології корисної моделі є сукупність дій з вимірювання параметрів, які характеризують проекти, перетворення даних про виконані проекти для формування кластерів даних та налаштування нейронної мережі в процесі навчання, управління проектами, що виконуються шляхом прийняття рішень на основі визначення розміру відхилень фактичних показників проекту від планових. Продуктами, щодо яких у корисній моделі виконуються дії, є дані про значення параметрів проектів. Продуктом, за допомогою якого в корисній моделі виконуються дії, є електроннообчислювальна машина (ЕОМ). Відомий спосіб управління проектами [1] полягає в тому, що як інформативну ознаку використовують індекс рівня визначеності проекту -Project Definition Rating Index (PDRI) [2-3], а визначення відхилення фактичних показників проекту від планових виконують за допомогою регресійної моделі. При цьому передбачається, що менше значення PDRI відповідає більш визначеному проекту. Недоліками відомого способу є те, що він спирається на минулий досвід в управлінні проектами і цілковито від нього залежить, тому отримані дані виявляються часто досить неінформативними для особи, яка приймає рішення; менші значення PDRI не завжди відповідають меншим відхиленням фактичних показників проекту від планових у результаті виконання проекту; результати в значній мірі залежать від обсягу та якості наявних даних. Відомий спосіб управління проектами [4], прийнятий за прототип, полягає в тому, що як інформативну ознаку використовують PDRI, a визначення відхилення фактичних показників проекту від планових виконують за допомогою нейронних мереж. Недоліками відомого способу є складність вибору архітектури нейронної мережі та нестабільність її налаштування, врахування тільки оцінки визначеності масштабності проекту на основі PDRI в якості інформативної ознаки. В основу корисної моделі поставлено задачу створення способу управління проектами, у якому здійснюється визначення загального ризику неуспішності проектів та який дозволяє підвищити точність отриманих результатів, при цьому автоматизовано процес вибору архітектури нейронних мереж для визначення відхилення фактичних показників проекту від планових, що розширяє можливі варіанти рішення, призводячи тим самим до підвищення надійності. Поставлена задача вирішується наступним чином: спосіб управління проектами, в якому як інформативну ознаку використовують Project Definition Rating Index, який полягає у тому, що здійснюють побудову нейронної мережі, яка визначає відхилення фактичних показників від планових, на підставі чого приймається рішення щодо фінансування альтернативних проектів або вживання корегуючих дій, при чому як додаткову ознаку використовують показник ризику неуспішності проекту, а вибір архітектури нейронної мережі та обчислення ваг зв'язків нейронної мережі здійснюють за допомогою генетичного алгоритму на основі даних, розподілених на кластери, показник ризику неуспішності проекту визначають за допомогою ансамблів нейронних мереж, які формують на основі відповідної кластеризації даних за показником Project Definition Rating Index та запланованими обсягом витрат або тривалістю проекту. Для вибору архітектури нейронної мережі використовують нейро-еволюційний підхід, тобто налаштування кількості шарів та кількості нейронів на кожному шарі виконують за допомогою генетичного алгоритму, в той самий спосіб виконують і обчислення ваг зв'язків; обчислення ризику неуспішності проекту виконують на основі визначення класу неуспішності проекту (для підвищення точності результатів використовують не тільки показник PDRI, але й додаткову інформативну ознаку - запланований відповідний показник проекту - запланований обсяг витрат або тривалість проекту, на основі чого оцінюється не тільки рівень визначеності масштабу проекту, але й сама масштабність проекту) за допомогою ансамблів нейронних мереж; для підвищення точності отриманих результатів проводять кластеризацію даних, а навчання кожної 1 UA 67813 U 5 10 15 20 25 30 35 40 45 нейронної мережі з ансамблю (для визначення неуспішності проекту) або окремої нейронної мережі (для визначення відхилення фактичних показників проекту від планових) та відповідне визначення відхилення фактичних показників нових проектів від планових виконують на основі тільки тих даних, які належать до відповідного кластеру, в результаті чого досягають спеціалізації нейронних мереж. У порівнянні з прототипом відмінними ознаками є: використання показника ризику неуспішності проекту як додаткову ознаку; вибір архітектури та обчислення ваг зв'язків нейронної мережі за допомогою генетичних алгоритмів; кластеризація даних і відповідна спеціалізація нейронних мереж. Технічним результатом корисної моделі є: автоматизація процесу визначення відхилення фактичних показників проекту від планових за допомогою відмови від використання людини для налаштування параметрів архітектури нейронної мережі шляхом використання для даних цілей генетичного алгоритму; підвищення ефективності управлінських рішень, що приймаються, на основі покращення точності отриманих за даним способом результатів шляхом введення додаткової ознаки (ризику неуспішності проекту), розподілення даних на кластери та виділення для кожного кластеру даних спеціалізованої нейронної мережі, налаштування її параметрів автоматизовано. У технічному рішенні, що заявляється, нові ознаки при взаємодії з відомими дають новий технічний результат, що дозволяє вирішити поставлена задача. Таким чином, у порівнянні з прототипом запропоноване технічне рішення містить вищевказані істотні ознаки й, отже, відповідає вимозі «новизна». Визначення відхилення фактичних показників проекту від планових для управління проектами відбувається в такий спосіб. Навчальну вибірку формують у вигляді 1 2 ({х і, х і}, уі), 1 де х і - значення показника PDRI і-го проекту; 2 х і - значення показника ризику неуспішності і-го проекту; уі - відхилення фактичного обсягу витрат або тривалості і-го проекту від планового обсягу витрат або тривалості, %. Сформовану навчальну вибірку вносять у пам'ять ЕОМ. Виділяють кластери на основі всіх наявних даних за допомогою карт самоорганізації Кохонена відповідно до 2 параметрів: показника PDRI та ризику неуспішності проекту, формуючи K кластерів. Для кожного кластеру k=1...K виділяють з навчальної вибірки k-ту навчальну під-вибірку, в яку входять проекти, що відповідно до карти самоорганізації Кохонена належать до k-го кластеру. На основі k-ої навчальної підвибірки за допомогою генетичного алгоритму обирають оптимальну архітектуру та обчислюють ваги зв'язків нейронної мережі. Для цього в хромосомі кодують архітектуру мережі та ваги зв'язків нейронної мережі. Пристосованість кожної особини, яка представляє структуру мережі, оцінюють в залежності від результатів навчання. На основі найбільш пристосованої особини формують відповідну нейронну мережу. Використовуючи сформовану нейронну мережу, для кожного нового проекту (рішення про управління яким приймається), що відповідно до карти самоорганізації Кохонена належить до кластеру k, визначають відхилення обсягу фактичних витрат або фактичної тривалості проекту від відповідно планових витрат та тривалості. Успішним вважають проект, для якого виконуються наступні умови: ІВ  55 (1) ІТ  50 Фактичні витрати 1 0 Планові витрати Фактична тривалість 1 0 Планова тривалість (2) Якщо хоча б одна умова не виконується, то проект ідентифікують як неуспішний. Проект також розглядають як успішний та неуспішний окремо за витратами та тривалістю. Для того щоб визначити, чи проект виявиться в результаті успішним, необхідно визначити клас проекту (0 - неуспішний, 1 - успішний). Тоді показник ризику неуспішності проекту встановлюється на рівні ймовірності того, що проект у результаті виконання буде належати до класу 0. Визначення ризику неуспішності проектів виконують на основі ансамблів нейронних мереж з кластеризацією. Для цього в пам'ять ЕОМ вносять навчальну вибірку, яку формують у вигляді 1 2 ({х і, х і}, уі), 1 де х і - значення показника PDRI і-го проекту; 2 х і - запланований обсяг витрат або тривалість і-го проекту; уі - клас, до якого належить і-й проект (0 або 1) за витратами або тривалістю. 2 UA 67813 U 5 10 15 Виконують кластеризацію даних на основі карт самоорганізації Кохонена відповідно до 2 параметрів: показника PDRI та запланованого обсягу витрат або тривалості, формуючи К кластерів. Формують ансамбль нейронних мереж, де для кожного з К кластерів передбачають окремий набір нейронних мереж, кожний з яких представлений M×N нейронними мережами, де М кількість різних архітектур, а N - кількість нейронних мереж кожної архітектури в даному кластері (нейронну мережу в такому випадку характеризують множиною (k,m,n), де n - порядковий номер нейронної мережі архітектури m з кластеру k). Проводять навчання n нейронних мереж з архітектурою m (m=1, ..., М) в середині кожного kго кластеру (k=1, ..., K) за допомогою методу Adaptive Boosting на основі частини навчальної вибірки, дані якої належать до кластеру k. 1 2 Рішення про відношення проекту, що характеризується показниками {х і, х і} та належить до кластеру k, до одного з двох класів (0 або 1) приймають на основі нейронних мереж з підансамблю k, шляхом незалежного винесення рішення, а загальне рішення ансамблю приймають рівномірним голосуванням всіх M×N нейронних мереж кластеру k. Розраховують ризик неуспішності проекту шляхом усереднення результатів прогнозування (число від 0 до 1) нейронних мереж, що приймали участь у голосуванні: M N   rk,m,n R 20 25 m1 1 n MN (3) , де r(k,m,n) - одиниця, скоригована на прогнозоване n нейронною мережею архітектури m з підансамблю k значення класу проекту, що за характеристиками був віднесений до кластеру k, тобто ризик неуспішності проекту, визначений окремою нейронною мережею. Для проведення експериментального дослідження запропонованого способу була сформована вибірка проектів, з яких випадковим чином на кожній ітерації формувалась навчальна вибірка, а всі інші проекти формували тестову вибірку. Прогнозування обсягу витрат та тривалості проекту відбувалось окремо. Приклад вибірки для визначення ризику неуспішності проекту наведено в таблиці 1. Таблиця 1 Вибірка даних для визначення ризику неуспішності проекту № 1 2 3 4 5 ... 30 PDRI проекту 292 172 460 139 619 ... Заплановані витрати проекту 5,2 4,0 186 22,4 3,8 Клас успішності проекту 0 0 0 1 0 ... Приклад вхідних даних для представленого способу управління проектами наведено в таблиці 2. До параметрів, які подаються на вхід нейронної мережі, належать: PDRI та ризик неуспішності проекту, а на вихід - відхилення фактичних витрат проекту від планових. Таблиця 2 Вхідні дані для навчання нейронної мережі № PDRI проекту Ризик неуспішності проекту 1 2 3 4 5 ... 292 172 460 139 619 ... 0,95999 0,84416 0,98982 0,74534 0,99799 ... 3 Відхилення фактичних витрат проекту від планових, % 3,3 1,6 7,5 -0,5 19,5 ... UA 67813 U Фрагмент результатів визначення відхилення фактичних витрат проекту від планових на основі запропонованого способу порівняно з фактично отриманими наведено в таблиці 3. Таблиця 3 Результати визначення відхилення фактичних результатів проекту від планових № 1 2 3 4 5 ... 5 10 15 20 25 30 35 Прогнозоване відхилення фактичних витрат, Зафіксоване відхилення фактичних витрат, % % 4,0575 3,3 1,6162 1,6 7,2537 7,5 2,4398 -0,5 10,2809 19,5 ... ... Усереднені результати продемонстрували, що даний спосіб дозволив отримати результати в середньому в 2,77 рази точніші за результати способу [1] і в 2,5 рази точніші за спосіб [4]. До того ж результати даного способу не змінювались так залежно від варіанту формування вибірок, як у випадку зі способом [4], а тому середній результат їх виявився більш точним за умов формування вибірок випадковим чином. На підставі вище викладеного можна зробити висновок, що корисна модель, що заявляється, є промислово придатною. Література: 1. Wang, Y.-R. Applying The PDRI in Project Risk Management: Ph.D. Thesis [Текст] / Yu-Ren Wang. - Austin, TX, 2002. - P. 150-220. 2. Gibson, G.E. Project Definition Rating Index (PDRI): Construction Industry Institute Research Report [Текст] / G.E. Gibson, P.R. Dumont. - Austin : UTA, 1996. - 95 p. 3. Cho, C.-S. Building Project Scope Definition Using Project Definition Rating Index [Текст]/ Chung-Suk Cho, G.Edward Gibson Jr. - Journal of Architectural Engineering. - Vol. 7, No. 4. - 2001. P. 115-125. 4. Wang, Y.-R. A Study of Preproject Planning and Project Success Using ANN and Regression th Models [Текст] / Yu-Ren Wang, G.Edward Gibson Jr. // The 25 International Symposium on Automation and Robotics in Construction. - Vilnius: Vilnius Gediminas Technical University, 2008. - P. 688-695. ФОРМУЛА КОРИСНОЇ МОДЕЛІ Спосіб управління проектами, в якому як інформативну ознаку використовують Project Definition Rating Index, який полягає у тому, що здійснюють побудову нейронної мережі, яка визначає відхилення фактичних показників від планових, на підставі чого приймається рішення щодо фінансування альтернативних проектів або вживання корегуючих дій, який відрізняється тим, що як додаткову ознаку використовують показник ризику неуспішності проекту, а вибір архітектури нейронної мережі та обчислення ваг зв'язків нейронної мережі здійснюють за допомогою генетичного алгоритму на основі даних, розподілених на кластери, показник ризику неуспішності проекту визначають за допомогою ансамблів нейронних мереж, які формують на основі відповідної кластеризації даних за показником Project Definition Rating Index та запланованими обсягом витрат або тривалістю проекту. Комп’ютерна верстка В. Мацело Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601 4