Data Analysis and Visualization in the Tasks of the Project Solutions Multicriteria Optimization

Capa

Citar

Texto integral

Resumo

The accumulation of data on project management processes and standard solutions has made relevant research related to the use of knowledge engineering methods for a multi-criteria search for options that set optimal settings for project environment parameters. Purpose: Development of a method for searching and visualizing groups of projects that can be evaluated based on the concept of dominance and interpreted in terms of project variables and performance indicators. Methods: The enrichment of the sample while maintaining an implicit link between the project variables and performance indicators is carried out using a predictive neural network model. A set of genetic algorithms is used to detect the Pareto front in the multidimensional criterion space. The ontology of projects is determined after clustering options in the solution space and transforming the cluster structure into the criterion space. Automation of the search in the multidimensional space of the Pareto front greatest curvature zone, which determines the equilibrium design solutions, their visualization and interpretation are carried out using a tree map. Results: A tree map is constructed at any dimension of the criterion space and has a structure that has a topological correspondence with projections of shared cluster images from a multidimensional space onto a plane. For various types of transformations and correlations between performance indicators and project variables, it is shown that the areas of the Pareto front greatest curvature are determined either by the contents of the whole cluster or by part of the variants representing the "best" cluster. If an undivided rectangle of a cluster is adjacent to the upper right corner of a tree map, then its representatives in the criterion space are well separated from the rest of the clusters and, when maximizing performance indicators, are closest to the ideal point. All representatives of such a cluster are effective solutions. If the winning cluster contains dominant options inside the decision tree, then the ”best" cluster is represented by the remaining options that set the optimal settings for the project variables. Practical relevance: The proposed methods of searching and visualizing groups of projects can be used when choosing the conditions of resource and organizational and economic modeling of the project environment, ensuring the optimization of risks, cost, functional, and time criteria.

Sobre autores

V. Pimenov

Saint-Petersburg State University of Industrial Technologies and Design

Email: v_pim@mail.ru
Voznesensky Av. 46

I. Pimenov

Admiral Makarov State University of Maritime and Inland Shipping

Email: i-pim@mail.ru
Dvinskaya St. 5/7

Bibliografia

  1. Perrier N., Benbrahim S.-E., Pellerin R. The core processes of project control: A network analysis // Procedia Computer Science. 2018. vol. 138. pp. 697–704.
  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.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».