Автоматизированный подбор руководителей образовательных проектов на основе генетических алгоритмов

Цель исследования. Целью работы является проведение исследования возможности применения автоматизированных методов поиска решения для задачи формирования подбора кандидатов при решении широкого спектра бизнес задач с предусмотренной возможность учесть влияние таких факторов, как: требования к качествам бизнес процессов, ограничения по компетенции кандидатов, занятость кандидатов в других процессах компании, планируемая срочность выполнения задач, объем наличествующих в пуле и ожидаемых задач, характеристики задач, частная политика компании при подборе кандидатов, политика компании в отношении рисков.

Методы. Приведена типологизация инновационных бизнес-задач по характеру предметной области, спектру целевых результатов, длительности выполнения и т.д. Рассмотрены внешние и внутренние факторы, обеспечивающие эффективную работу проектной команды и успешность проекта. Предложены наборы атрибутивных характеристик для оценки качества проектов и потенциальных проектантов. Рассмотрена структура алгоритма решения задачи формирования подбора кандидатов для решения набора задач. Приведены предпосылки для использования принципов генетического программирования при решении рассматриваемой задачи. Определены параметры реализации алгоритма поиска, критерии и ограничения. В среде Jupyter Lab v2 произведена реализация алгоритма, а также проведено моделирование, результаты которого представлены в тексте. Проведен относительный анализ практической эффективности алгоритма в зависимости от параметров моделирования с целью обоснования выбора их значений.

Результаты. В ходе исследования рассмотрена задача формирования подбора кандидатов для выполнения пула проектов с учетом ряда факторов. Разработан подход к решению задачи на основе генетического алгоритма эвристического поиска. Проведено численное моделирование в среде Jupyter Lab v2. Проанализированы результаты моделирования и подобраны параметры алгоритма.

Заключение. Предложенный подход позволяет не только автоматизировать подбор руководителей на основе накопленной истории данных, но и вносить коррективы в устоявшийся процесс для изменения вектора развития организации. Взаимодействие образования и информатики (информационных технологий) способно обогатить и расширить поле обеих наук в сфере комплектования инновационных проектных команд. Их объектный анализ, дополненный возможностями генетического программирования, в своей совокупности позволяет добиться заданных качеств руководителя инновационных проектных команд, способствующих максимизации пользы для бизнеса при минимизации материальных затрат. В качестве результата вычислительных экспериментов с применением математического аппарата и технологий генетических алгоритмов, необходимо подчеркнуть возможность экстраполяции подобного рода подходов на любой уровень реализации инновационных проектов.

1. Давидсон Н., Мариев О., Пушкарёв А. Региональные факторы инновационной активности российских предприятий // Форсайт. 2018. № 3. С. 62 –72.

2. Кашпаров Д. В., Кочин М. С. От тренинга стартапа как инструмента обучения разработке инноваций к инновационной экономике региона и страны // Вестник БФУ им. И. Канта. 2017. №4. С. 52–59.

3. Кэлоф Д. Л. Повышение эффективности инновационной деятельности компаний // Форсайт. 2018. Т. 12. № 3. С. 30–33.

4. Латур Бруно. Наука в действии: следуя за учеными и инженерами внутри общества / Бруно Латур; пер. с анг. К. Федоровой; СПб.: Изд-во Европейского университета в Спб. 2013. 414 с.

5. Мамчур Е.А. Фундаментальная наука и технологии: поиски механизмов взаимодействия // Современные технологии: философско-методологические проблемы. М., 2010. URL: http://iph.ras.ru/uplfile/natsc/articals/mamchur/modem-tehnology.pdf (дата обращения: 03.05.2020).

6. Яблонский А.И. Модели и методы исследования науки. М.: Эдиториал УРСС, 2001. 400 с.

7. Соколов К. О. Оценка потенциала инновационной команды // Дайджестфинансы. 2011. №8. URL: https://cyberleninka.ru/article/n/otsenka-potentsialainnovatsionnoy-komandy (дата обращения: 08.05.2020).

8. Пельц Д., Эндрюс Ф. Ученые в организациях. Об оптимальных условиях для исследований и разработок. М., 1973.

9. Рассказова В.В. Командообразование в инновационных стартап-проектах //Научное обозрение. Педагогические науки. 2019. № 2-3. С.66-68; URL: https://science-pedagogy.ru/ru/article/view?id=1898 (дата обращения: 08.05.2020).

10. Форд М. Роботы наступают: Развитие технологий и будущее без работы. [пер. с англ.]. М.: Альпина нон-фикшн, 2019. 430 с.

11. Stevenson M. An Optimist's Tour of the Future: One Curious Man Sets Out to Answer What's Next? // Avery; No Edition Stated edition (February 3, 2011). 384 p.

12. Кречетов И. А., Романенко В.В. Реализация методов адаптивного обучения // Вопросы образования. 2020. № 2. С. 252–277.

13. Сайранов А.С., Нефедов Д.Г., Русяк И.Г. Применение генетических алгоритмов для управления организационными системами при возникновении нештатных ситуаций // Компьютерные исследования и моделирование. 2019. Т. 11, № 3. С. 533-556.

14. Чеканин В.А., Ковшов Е.Е., Хуэ Н.Н. Повышение эффективности эволюционных алгоритмов при решении оптимизационных задач упаковки объектов // Системы управления и информационные технологии. 2009. № 3. С. 63-67.

15. Koz John R. Human-Competitive Results Produced by Genetic Programming, Genetic Programming and Evolvable Machines 11, nos. 3-4 (September 2010), http://dl.acm.org/citation.cfm?id=1831232.

16. Пресс-релиз Национального научного фонда (National Science Foundation) Maybe Robots Dream of Electric Sheep, But Can They Do Science?", April 2, 2009, http://www.nsf.gov/mobile/news/news_summ.jsp?cntn_id=114495

17. Schmidt Michael and Lipson Hod Distilling Free-Form Natural Laws from Experimental Data, Science 324 (April 3, 2009) http://creativemachines.cornell.edu/sites/default/files/Science09_Schmidt.pdf.

18. Perkel J. M. Why Jupyter is data scientists' computational notebook of choice // Nature. 2018. Vol. 563. №. 7732. P. 145-147.

19. Чеканин В. А., Куликова М. Ю. Адаптивная настройка параметров генетического алгоритма // Вестник МГТУ Станкин. 2017. №. 3. С. 85-89.

20. Bernal E. et al. Imperialist competitive algorithm with dynamic parameter adaptation using fuzzy logic applied to the optimization of mathematical functions // Algorithms. 2017. Vol. 10. №. 1. P. 18.