CC BY
9УДК 330.46+004.89 doi:10.18720/SPBPU/2/id21 -358
Булыгина Ольга Валентиновна1,
доцент, канд.экон. наук, доцент;
Иванова Олеся Александровна1, старший преподаватель
ИНСТРУМЕНТЫ ФОРМИРОВАНИЯ КОМАНДЫ ПОДДЕРЖКИ ИЗМЕНЕНИЙ НА ОСНОВЕ МЕТОДОВ РОЕВОГО ИНТЕЛЛЕКТА
1 Россия, Смоленск, филиал ФГБОУ ВО «Национальный исследовательский университет «МЭИ» в г. Смоленске, baguzova_ov@mail.ru 2 Россия, Пущино, ФГБОУ ВО «Пущинский государственный естественнонаучный институт», olesya.alex.ivanova@bk.ru
Аннотация. В статье рассматривается проблема сопротивления персонала организационным изменениям, вызванным инновационными проектами. В качестве решения данной проблемы предложено формирование специальной команды поддержки изменений, отличающейся инициативностью. Для формирования ее состава разработана процедура, отличающаяся возможностью объединения нескольких групп (например, для разных типов изменений), создаваемых с использованием модифицированного алгоритма «пчелиных колоний».
Ключевые слова: организационные изменения, команда поддержки изменений, роевый интеллект, пчелиные алгоритмы.
Olga V. Bulygina1,
Associate Professor, Candidate of Economic Sciences;
Olesya A. Ivanova2, Senior Lecturer
TOOLS FOR FORMING A CHANGE SUPPORT TEAM BASED ON SWARM INTELLIGENCE METHODS
1 Branch of National Research University MPEI in Smolensk, Smolensk, Russia, baguzova_ov@mail.ru 2 Pushchino State Institute of Natural Sciences, Pushchino, Russia,
olesya.alex. ivanova@bk.ru
Abstract. The article deals with the problem of personnel resistance to organizational changes caused by innovative projects. As a solution to this problem, it is proposed to form a special team to change support, distinguished by their initiative. To form its composition, the authors have developed a procedure characterized by the possibility of combining several groups (for example, for different types of changes) created using a modified algorithm of "bee colonies".
Keywords, organizational change, change support team, swarm intelligence, bee algorithms.
Введение
В современных социально-экономических и политических условиях ключевым направлением государственной политики является активизация деятельности по созданию наукоемкой продукции, которая должна
не только решать проблемы импортозамещения, но и быть востребованной на мировом рынке. Реализация подобных проектов обычно включает в себя не только создание инновационных продуктов и/или внедрение передовых технологий, но осуществление различных видов изменений.
В общем, под изменением понимается переход предприятия на качественно новый уровень развития путем реализации комплекса мероприятий, направленных на получение дополнительных конкурентных преимуществ и улучшение показателей эффективности деятельности.
На сегодняшний день существует несколько подходов к классификации изменений, различающиеся в зависимости от используемого критерия. Например, в зависимости от области осуществления выделяют:
- стратегические (изменение долгосрочных целей развития),
- технологические (создание новых или усовершенствование продуктов или технологий),
- организационные (реинжиниринг бизнес-процессов),
- культурные (перемены в системе ценностей, нормах поведения, моделях взаимодействия, целевых установках сотрудников).
С управленческой точки зрения наибольший интерес представляют организационные изменения, вызванные реализацией проектов, направленных на создание и производство инновационной продукции. Проведенный анализ публикаций в данной области показал, что существующие подходы к управлению такими изменениями недостаточно уделяют внимания вопросам кадрового обеспечения, что может снижать эффективность реализуемых инноваций.
1. Постановка задачи управления
Важность человеческого фактора при реализации организационных изменений, вызванных инновационными проектами, в значительной степени определяется возможностью возникновения сопротивления, которое может быть обусловлено различными причинами (психологическими, социальными, организационными, профессиональными, экономическими или иными).
На сегодняшний день опубликовано большое количество публикаций, посвященных проблемам сопротивления организационным изменениям и применению различных инструментов для их анализа. Обобщенно их можно разделить на две группы методов, которые используются для анализа:
1) поведения персонала (используется для выявления возможного сопротивления и разработки соответствующих мероприятий);
2) причин сопротивления (применяются после выявления негативной реакции персонала на организационные изменения).
Для анализа причин сопротивления обычно используются качественные методы (оценочные мероприятия и обучение), а для исследова-
ния поведения — аналитические инструменты. Это обусловлено тем, что анализ поведения персонала является более сложной задачей, требующей исследования большего числа взаимосвязанных факторов.
Среди инструментов, используемых для анализа поведения персонала, наибольший интерес представляют методы моделирования поведения. Одной из сфер их применения может быть задача формирования команды, которая будет заниматься поддержкой организационных изменений. В ее состав должны входить сотрудники, которые хотят и готовы внедрять различные изменения. Ключевым отличием команды поддержки изменений от рабочей группы является ее неформальность, добровольность и инициативность. Однако на практике достаточно трудно выявить таких сотрудников, которые не только желают участвовать в реализации изменений, но обладают достаточными знаниями, навыками, опытом для их проведения.
В результате возникает актуально-практическая научная задача, связанная с разработкой экономико-математических инструментов формирования состава команды поддержки изменений, деятельность которой позволит повысить эффективность их реализации и снизить сопротивления остального персонала.
2. Экономико-математические инструменты формирования команды поддержки изменений
При формировании команды поддержки изменений необходимо производить детальный анализ различных характеристик сотрудников предприятия, при этом многие из этих могут оцениваться экспертных путем. Данный факт обуславливает необходимость применения методов искусственного интеллекта, которые позволяют устанавливать закономерности на базе квазистатистики и накопленного экспертного опыта. В свою очередь, проблема отбора участников команды поддержки изменений сводится к поиску таких сотрудников, которых могут обеспечить максимальный синергетический эффект, т. е. к решению оптимизационной задачи.
В настоящее время в рамках искусственного интеллекта выделяют два подхода к решению оптимизационных задач:
1) экспертные системы, которые дают точную оценку процессу и определяют функциональные (детерминированные методы) или вероятностные (детерминистические вероятностные методы) связи между входами и выходами (например, нечеткая логика);
2) эвристические методы, построенные на интуитивных предположениях и позволяющий ускорить поиск решения (например, эволюционное моделирование).
Поскольку большое число показателей, используемых для оценки сотрудников, формируют огромное множество их комбинаций, то поставленную задачу целесообразно решать эвристическими методами.
Базис эволюционных методов формируют генетические алгоритмы. Они используются для решения задач оптимизации и моделирования путем последовательного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию [2]. Среди генетических методов, применяемых для поиска оптимальных решений, широкое распространение получили алгоритмы роевого интеллекта.
Под роевой оптимизацией понимается класс алгоритмов, направленных на решение сложных оптимизационных задач (дискретная оптимизация, многомерная оптимизация и многокритериальная оптимизация), работа которых основана на моделировании коллективного поведения различных колоний живых организмов. Основными методами роевой оптимизации, описанными в отечественной и зарубежной литературе, являются методы муравьиной колонии, имитации поведения бактерий, пчелиного роя, частиц в стаи [4].
Для решения поставленной задачи был выбран такой полиномиальный эвристический метод решения оптимизационных задач, как алгоритм пчелиных колоний, который моделирует поведение медоносных пчел в процессе поиска источников нектара в природе.
В целом, суть алгоритма пчелиных семей заключается в том, что на каждом шаге все пчелы будут выбирать как элитные участки для исследования, так и участки по соседству с элитными. Это позволит, во-первых, разнообразить совокупность решений на последующих итерациях, а во-вторых, повысить вероятность обнаружения решений, близких к оптимальным [1, 3].
Однако необходимо отметить такой недостаток, как отсутствие обоснованного подхода к определению начальные позиции поиска. Так, в исходном алгоритме они определяются случайным образом, что может приводить к снижению эффективности метода (например, в результате увеличения числа итерации).
Для решения описанной проблемы предлагается использовать методы нечеткой логики. Например, для определения начальных позиций поиска (шаги 3 и 6) можно использовать нечетко-логический вывод по алгоритму Мамдани (входными данными будут выступать экспертные оценки).
В общем, алгоритм пчелиных колоний для формирования команды поддержки изменений включает следующие этапы:
1. Поставка задачи поиска состава эффективной команды поддержки изменений: определение пространства решений, области определения поиска, целевой функции (критерий оптимизации) F.
2. Генерация пчелиной колонии С = Сs + Сf, состоящей из разведчиков Сs и фуражиров С f.
3. Определение множества начальных позиций поиска \P'k} с
помощью нечетко-логического вывода.
4. Расчет целевой функции для каждой начальной позиции (некоторой комбинации участников) lFkP'} и выбор базовых позиций
\Pi } на основе критерия максимизации Ptb = arg max Ff , где L < K.
5. Определение размера окрестностей базовых позиций U(Pb) (радиус отклонения от точки в пространстве признаков).
6. Определение точек в окрестности базовых позиций T} м, где
T eU(Pb), которые будут исследоваться пчелами-фуражирами, выполняемое с помощью нечетко-логического вывода.
7. Расчет целевой функции для каждой точки в окрестности базовых
позиций \FT} и выбор перспективных позиций (комбинаций участ-
' 'm=1..M
\ b тЬ
ников) на основе критерия максимизации Pb = arg max Ft , где J < M.
Последующие два этапа являются итерационными:
8. Формирование набора базовых позиций, включающего лучшие позиции, определенные в последнем пункте, и новые позиции, полученные в результате повторного выполнения первой итерации.
9. Если в результате расчета целевой функции для перспективных позиций на текущей итерации получились лучшие результаты, чем на предыдущей, то они принимаются за начальные и осуществляется переход на следующую итерацию. Выполнение алгоритма завершается по достижению заданного числа итераций.
При построении комплексной системы управления изменениями, вызванными реализацией инновационных проектов, требуется учитывать все виды изменений (стратегические, технологические, организационные и культурные), что обуславливает необходимость формирования нескольких групп в составе команды поддержки изменений.
На рисунке 1 показана процедура формирования команды поддержки изменений различных типов.
Рис. 1. Процедура формирования команды поддержки изменений
Заключение
В работе предложена процедура формирования команды поддержки изменений, вызванных реализацией инновационных проектов, которая отличается возможностью объединения нескольких групп, создаваемых с использованием модифицированного алгоритма пчелиных колоний с заданием начальных позиций поиска в виде нечетких параметров, что позволяет повысить сходимость алгоритма за счет сокращения количество итерационных этапов поиска лучших комбинаций.
Благодарности
Работа выполнена при поддержке гранта Президента Российской Федерации для государственной поддержки молодых российских ученых - кандидатов наук МК-1534.2020.9 «Методы моделирования сложных систем с использованием нечетко-сетевых алгоритмов и роевого интеллекта».
Список литературы
1. Basturk B., Karaboga D. An artificial bee colony (ABC) algorithm for numeric function optimization // IEEE Swarm Intelligence Symposium 2006. - Indianapolis, 2006.
2. Emelyanov A.A., Bulygina O.V., Emelyanova N.Z. Complex swarm-simulation modeling of innovative projects promotion into the regions // 4th International Conference on Information Technologies in Engineering Education (INFORINO). - Moscow, 2018.
3. Karaboga D., Basturk B., Ozturk C. Artificial bee colony (ABC) optimization algorithm for training feed-forward neural networks, Modeling decisions for artificial intelligence // Lecture Notes in Computer Science. - 2007. - Vol. 4617. - Pp. 318-319.
4. Булыгина О.В., Дли М.И., Емельянов А.А., Селявский Ю.В. Математические методы и инструменты анализа реализуемости проектов в промышленности. - Смоленск: Универсум, 2020. - 250 с.
