CC BY
7
УДК 519.8 А.К. Еналеев1, В.В. Цыганов1, А.И. Искоростинский2
Институт проблем транспорта имени Н.С. Соломенко РАН 2Институт проблем управления им.В.А. Трапезникова РАН
РАЗМЕЩЕНИЕ РАБОТ ПРИ ЭКСПЕРТИЗЕ СЛОЖНЫХ ТРАНСПОРТНЫХ ПРОЕКТОВ
Предложена модель и процедура распределения работ для обработки больших объемов информации при проведении экспертизы крупномасштабных проектов. Представлены примеры выполнения таких работ по отношению к транспортным системам. Модель применима при анализе больших данных в других отраслях.
Ключевые слова: большие данные, механизм распределения заданий, оптимизация, управление экспертизой, транспорт,
A.R. Enaleev1, V.V. Tsyganov1, A.I. Iskorostinsky2
institute of Transport Problems named after N.S. Solomenko RAS 2Institute of Management Problems named after V.A. Trapeznikova RAS
WORK ALLOCATION AT EXAMINATION OF COMPLEX TRANSPORT PROJECTS
This paper consider a model and propose a procedure for work allocation in processing of big data during the large-scale projects examination. We present examples of such study with respect to distributed transport system. They can apply this model when analyzing big data in other areas. Keywords: big data, job allocation, optimization, management of examination, transport
В процессе реализации экспертизы и проведения технологического и ценового аудитов ряда крупномасштабных транспортных проектов, например, таких как
- реконструкция транспортных сетей (Байкало-Амурской магистрали (БАМ);
- строительство высокоскоростной магистрали «Москва — Казань»;
- строительство транспортно-логистического центра «Белый Раст» и др.
были сформированы основные принципы и методические рекомендации по проведению этих работ [1 - 3].
Эти принципы и рекомендации касаются, в основном, структуры и содержания материалов экспертизы. Наряду с этим были разработаны методы организации работ по проведению экспертизы в условиях ограниченного промежутка времени, отводимого на экспертизу, и ограниченного финансирования. При таких ограничениях необходимо изучить и провести анализ большого объема разнородных данных. В этих условиях важнейшей задачей является правильная организация и мотивация работ. Ниже будет рассмотрена математическая модель, постановка задачи, предложен метод ее решения и приведен пример области приложения этого метода.
Модель и постановка задачи. Пусть I={1,...,n} - множество номеров всех файлов сложного проекта, gi - объем i-го файла, lij - объем информационной связи i-го файла с j-м файлом. Рассмотрим m-й информационный кластер как некоторую совокупность файлов Im = {im} из
множества I. Обозначим A множество допустимых совокупностей {Im} непересекающихся друг
с другом из N модулей, N<n . Здесь N фиксированное число кластеров, m=1,.. ,,N. Таким образом множество A определяется условиями,
Im с I, и Im П I j =0 при m * j .
Объем (сложность) m-го кластера определяется в виде суммы объемов входящих в него файлов вместе с объемами их взаимосвязей и связей с внешними файлами,
Gm =!gi + Ц!* .
ieIm ieIm keI
Обозначим S0 исходную стоимость (цену) реализации проекта, а s0 - исходные стоимости реализации доли проекта, относящейся к i-му файлу,
s0 > 0, i е I, S0 =Х s0.
ieI
Пусть задана сумма средств H, выделенная на выполнение экспертизы сложного проекта. Примем, что в экспертизе проекта участвуют N экспертов, т.е. число экспертов равно числу кластеров. Примем, что для каждого i-го файла задана цена di экспертизы единицы объема проекта.
Тогда стоимость обработки >го файла равна . Обозначим цену анализа перекрестных ссылок. Тогда стоимость работы с информационным модулем Ош равна
К^) = 1^ + (1)
;е1ш ;е1ш кеГ
Справедливо следующее ограничение
^^ш) < н. (2)
т=1
В этом ограничении подразумевается, что каждый эксперт работает над одним информационным модулем.
Предположим, что при работе с файлом gl эксперт может уменьшить стоимость части проекта, связанной с файлом gl , на величину (1 - УуХ°, где у^ заданная величина, 0 < у^ < 1. Величина (1 - у-, характеризует «экономию» в результате проведения экспертизы >го файла, а
величина Si =У^° соответствует получившейся после проведения экспертизы (новой) стоимости
доли проекта, связанной с файлом gi.
Параметр у- далее будем представлять в виде у- = у° V-, где у° характеризует уровень
до которого можно снизить стоимость реализации доли проекта, определяемой файлом gi, у -
параметр, характеризующий квалификацию эксперта, 0 < у° < 1, 0 < V- < 1.
Таким образом стоимость проекта после проведения экспертизы уменьшается по сравнению с 8° и равна
N N
S({Im}) = Ц У,= 1^14 . (3)
Здесь I- представляет собой --й кластер в совокупности кластеров {1ш} .
Задача формирования оптимальной системы {1ш}, состоящей из N информационных
*
кластеров 1ш, выбранных для проведения экспертизы может быть сформулирована следующим образом:
ЗДО) = 1ШП S({Im}), (4)
{Гш}еА
при условии выполнения ограничения (2).
Дополним рассматриваемую модель условием учета интересов привлекаемых экспертов. Предположим, что при определении объема выполняемых работ для каждого эксперта должна устанавливаться соответствующая оплата труда, а его работа сопровождается затратами. Этот факт представим в виде целевой функции эксперта
wш ^ш ^ш ^ш ^ш ,Vш ),
где hm (Gj) - размер оплаты в зависимости от объема работы по экспертизе (1) информационного кластера Гш, zш ^ ш ) - функция затрат эксперта в зависимости от объема работ Ош
и параметра Уш, характеризующего квалификацию эксперта.
Будем предполагать, что объем работ выполняемый экспертом должен удовлетворять условию выгодности для эксперта
hш ^ш Кп ^ш ,Vш ) ^ ^ (5)
при ограничении (2).
Метод выбора равносложных модулей экспертизы.
В частном случае, когда hm I digi + Ц dijlik и а функция затрат
1еГш 1еГш кеГ
имеет вид zш (Gш,Vш )= —С— GШ , где с - нормировочный коэффициент, получаем для модуля с
IV
ш
номером m оптимальный объем работ в результате решения задачи (2),(5)
Gm = H7 ' (6)
V cd
N
где V = I Vj. j=i
Это означает, что оптимальные объемы работ кластеров проекта (сложности выполнения работ) равны для всех кластеров работ по отношению к одинаковой величине уровня квалификации эксперта(6).
На этом свойстве будем основывать используемый далее «принцип равносложности», который формулируется следующим образом: «Кластеры из файлов работ, устанавливаемые экспертам, равны по удельной сложности на одинаковую величину параметра квалификации эксперта». Таким образом этот принцип отражает с определенной степенью приближения условие (5) выгодности кластеров работ для экспертов.
В этом случае рассматриваемую задачу (4) при условии (2), (3) выборочной экспертизы можно переформулировать следующим образом.
Обозначим экономию затрат на выполнение проекта
N
A((Im}) = S0 ({Im}) - S({Im}) = II (1 - j0 )s?.
j=1 ielj
Определим систему кластеров {Im}, такую что справедливо
a ({im})=max A ({im})
{UeA
*
при условии «равносложности» G: < G: .
Jm Jm
Эта задача представляет собой по существу известную задачу о мультипликативном рюкзаке (Multiple Knapsack problem) [4], являющуюся NP-полной задачей комбинаторной оптимизации.
Если не придерживаться строгого формализма в прикладных задачах, а именно допустить вариабельность правых частей ограничений, т.к. параметры обычно Vm определяются экспертным путем, то задачу разумно решать приближенными методами, например, «жадным алгоритмом» [4].
Пример области применения метода.
Рассмотрим применение этого метода на примере технологического аудита высокоскоростного железнодорожного проекта «Москва-Казань». В ходе аудита были приняты следующие правила.
На первом этапе руководство аудиторской работой провело семантический анализ больших данных о рассматриваемом проекте. В результате была выявлена необходимость рассмотрения 453 документов, распределенных в соответствии со следующими разделами проекта:
- основные железнодорожные пути (результаты геологических, гидрологических, инженерных и экологических исследований, связывание маршрута с рельефом и земляными работами, структура нижнего и верхнего слоев железной дороги и т. д.) - 116 документов;
- - мост и другие инженерные сооружения - 45 документов;
- - подвижной состав (локомотивы, вагоны, поезда, их техническое обслуживание и ремонт, требования к взаимодействию с колесами и др.) - 97 документов;
- - энергоснабжение (контактные сети, электроподстанции, трансформаторы и т. д.) - 43 документа;
- - организация и управление трафиком (телекоммуникации, автоматизация и телемеханика и т. д.) - 48 документов;
- - мультимодальные транспортные и перевалочные пункты - 39 документов;
- - безопасность (технические, экологические и т. д.) - 24 документа;
- - обслуживание инфраструктуры (управление отказами, техническое обслуживание и т. д.) - 41 документ.
Для аудита этих разделов проекта было привлечено 21 эксперт, среди которых было распространено 453 документа. В принципе, каждому эксперту приходилось анализировать от 17 до 23 документов.
На втором этапе каждый эксперт провел анализ предоставленных ему документов, чтобы идентифицировать 4 - 7 приоритетных документов, подлежащих аудиту. Результаты этого анализа были согласованы с руководителем аудита, и был составлен список из 127 приоритетных документов, подлежащих рассмотрению. Этот список был представлен всем экспертам. В то же время были определены априорные трудности при анализе каждого из 127 приоритетных документов.
На третьем этапе каждый эксперт провел семантический анализ связей каждого приоритетного документа, присвоенного ему, с приоритетными документами, рассмотренными другими 20 экспертами. Необходимость проведения этой работы была связана, например, с тем, что работа по рассмотрению проекта основных железных дорог связана с работой по исследованию моста и других инженерных сооружений, подвижного состава, мультимодальных перевозок и передаточные устройства и т. д. Работа над экспертизой подсистем электроснабжения и безопасности, в большей или меньшей степени, с работой по изучению всех других разделов и т. д.
На основании результатов анализа семантических ссылок эксперты определили ссылки на приоритетные документы, проанализированные их коллегами. Количество ссылок обычно не превышало 4, и в некоторых случаях такие ссылки отсутствовали вообще. На основе этих ссылок эксперты сформировали или «двумерные» реляционные таблицы, отражающие взаимосвязь их работы с аудиторской работой, проводимую другими экспертами. Эти «плоские» таблицы соответствовали мнениям экспертов о зависимости их выводов от данных других приоритетных документов. На пересечении строки и столбца реляционной таблицы каждый эксперт указал свою оценку сложности работы по анализу соответствующей части упомянутого приоритетного документа. Эта сложность была связана с объемом и разнообразием информации, содержащейся в этой части документа.
После согласования реляционных таблиц с руководителем аудита был составлен список из 246 перекрестных ссылок между 127 приоритетными документами и определены сложности работы по их анализу. Принимая во внимание априорные сложности анализа приоритетных документов, это позволило определить, насколько апостериорная сложность экспертов работает над анализом приоритетных документов.
На четвертом этапе, основываясь на апостериорных сложностях работы, используя описанный в разделе 6 алгоритм, распределенные между экспертами средства, выделенные на аудит (2,9 млн. Рублей), на ограниченное время (2 месяца). Оптимальным решением был анализ 86 приоритетных документов с 159 перекрестными ссылками. По результатам проверки этих документов с перекрестными ссылками стоимость проекта строительства высокоскоростной железной дороги Москва-Казань была сокращена на 2,2 млрд. рублей.
Основываясь на этом, авторы считают, что в данной работе новыми являются следующие положения и результаты. Предложены математическая модель и метод определения объемов и размещения работ для обработки больших объемов информации при проведении экспертизы крупномасштабных проектов. Приведен пример с учетом особенностей применения метода для экспертизы такого крупномасштабного проекта, как строительство высокоскоростной магистрали «Москва-Казань». Полученные результаты также использованы при экспертизе других крупномасштабных транспортных систем.
Литература
1. Белый О.В., Малыгин И.Г., Цыганов В.В., Еналеев А.К., Савушкин С.А. Принципы научной экспертизы крупномасштабных транспортных систем. - М.: Транспорт: Наука, Техника, Управление. № 3. 2015. С. 3-11.
2. Белый О. В., Малыгин И. Г., Еналеев А. К., Савушкин С. А., Цыганов В. В. Экспертиза и разработка крупномасштабных железнодорожных проектов / Ренессанс железных дорог: фундаментальные научные исследования и прорывные инновации: коллективная монография членов и научных партнеров Объединенного ученого совета ОАО "РЖД" / под ред. Б. М. Лапидуса. - МО, Ногинск: АНАЛИТИКА РОДИС, 2015. С. 165-182.
3. Цыганов В.В., Малыгин И.Г., Еналеев А.К., Савушкин С.А. Большие транспортные системы: теория, методология, разработка и экспертиза. - СПб.: ИПТ РАН, 2016. 216 с.
4. Kellerer H., Pferschy U., andPisinger D. Knapsack Problems. Berlin, Heidelberg: Springer-Vertlag, 2004. - 546p.
Сведения об авторах
Анвер Касимович Еналеев
к.т.н., ведущий научный сотрудник Институт проблем транспорта имени Н. С. Со-ломенко РАН Росссия, Москва Эл. почта: anver.en@gmail.com Владимир Викторович Цыганов д.т.н., профессор, зав. отделом Институт проблем транспорта имени Н. С. Со-ломенко РАН Росссия, Москва Эл. почта: v188958@akado.ru Александр Иннокентьевич Искоростинский Институт проблем управления им. В.А. Трапезникова РАН Росссия, Москва Эл. почта: bbc@ipu.ru
Information about authors
Anver Kasimovich Enaleev
Ph.D, Leading researcher Institute of Transport Problems named after N.S. Solomenko RAS Russia, Moscow E-mail: anver.en@gmail.com Vladimir Victorovich Tsyganov Doctor of Technical Sciences, Professor, Head. department
Institute of Transport Problems named after N.S. Solomenko RAS, Russia, Moscow E-mail: v188958@akado.ru Alexandr Inokkentievich Iskorostinsky
Institute of Management Problems V.A. Trapeznikova RAS
Russia, Moscow E-mail: bbc@ipu.ru
УДК 658.314.7:330.115 С.А. Савушкин1, В.В. Цыганов1, В.Г. Горбунов2
1Институт проблем транспорта им. Н.С. Соломенко РАН Экспериментальный завод научного приборостроения РАН
ИНТЕЛЛЕКТ В ЦИФРОВОЙ ТРАНСПОРТНОЙ СИСТЕМЕ
Переход к цифровой экономике означает активное использование программных интеллектуальных систем, однако они не могут решить все вопросы управления. Необходимо обеспечить гармоничное взаимодействие естественного и искусственного интеллектов при осуществлении когнитивного управления транспортной системой.
Ключевые слова: система, автоматизация, услуга, каталог, цифровое управление, информация, искусственный интеллект
S.A. Savushkin1, V.V. Tsyganov1, V.G. Gorbunov2
institute of Transport Problems N.S. Solomenko RAS Experimental Plant of Scientific Instrument Engineering of the
Russian Academy of Sciences
INTELLIGENCE IN THE DIGITAL TRANSPORT SYSTEM
The transition to a digital economy means the active use of software intellectual systems, but they can't solve all management issues. It is necessary to ensure a harmonious interaction of natural and artificial intelligence in the implementation of cognitive management of the transport system. Keywords: system, automation, service, catalog, digital control, information, artificial intelligence
Введение
Данная статья выполнена в направлении разработки информационной теории управления большими транспортными системами [1,2], связана с вопросами цифрового когнитивного управления [3-5] большими транспортными компаниями, т.е. управления на основе компьютерных технологий и знаний о различных сферах деятельности компании и методах управления. Например, это могут быть знания об оказываемых компанией транспортных услугах, которые собраны в каталоге услуг [6-13], являющемся разделом компьютерной базы знаний. Цель работы - исследовать вопросы взаимодействия естественного и искусственного интеллектов в когнитивном управлении и процессе перехода к цифровой экономике. В статье использованы результаты работ выполненных по заказу ОАО «РЖД» [14].
Основой транспортной системы России является железнодорожный транспорт. Концепция INDUSTRIE 4.0 создает предпосылки для появления современных транспортных систем с элементами искусственного интеллекта и когнитивного управления. В частности, такие системы обеспечивают решение задач планирования и маршрутизации, а также когнитивной адаптации к изменяющимся условиям внешней среды и требованиям клиента [15].
