Применение графовых моделей в проектном управлении

Автор: Асанов А.З., Мышкина И.Ю., Грудцына Л.Ю.

Журнал: Онтология проектирования @ontology-of-designing

Рубрика: Инжиниринг онтологий

Статья в выпуске: 2 (48) т.13, 2023 года.

Бесплатный доступ

Исследуется возможность применения графовых моделей в проектном управлении для решения задачи формирования проектной группы и распределения работ проекта между потенциальными исполнителями. Выделены возможные направления применения онтологического моделирования в проектном управлении. Средствами редактора онтологий Protégé реализована онтология проекта. Исследуется возможность построения векторных представлений элементов простых графов и графов знаний в задаче формирования проектной группы. Задачи исследования: построение графовых моделей проектов - простого графа и графа знаний; применение векторных представлений вершин и отношений графовых моделей для решения задачи распределения работ проекта. Рассматривается возможность применения мер семантической близости в онтологии. Новизна предложенного подхода заключается в использовании при формировании проектной группы данных об участниках реализованных проектов, что повышает вероятность успешной реализации проекта. Представление элементов графа в виде числовых векторов позволяет применить к исследованию предметной области методы машинного обучения. Приводится пример решения задачи формирования рабочей группы проекта, в котором осуществлён выбор исполнителей проектной работы. Все расчёты осуществлены средствами языка Python .

Еще

Графовая модель, граф знаний, онтология, проект, команда, исполнитель

Короткий адрес: https://sciup.org/170199745

IDR: 170199745   |   DOI: 10.18287/2223-9537-2023-13-2-232-242

Список литературы Применение графовых моделей в проектном управлении

  • Царьков И.Н. Математические модели управления проектами. Москва: ИНФРА-М, 2019. 514 с.
  • Асанов А.З., Мышкина И.Ю. Процедура формирования команды исполнителей проекта на основе когнитивных карт и генетических алгоритмов // Проблемы управления и моделирования в сложных системах: труды XXI Международной конференции. Самара : Офорт, 2019. С. 354-358.
  • Сукар Л.Э. Вероятностные графовые модели. Принципы и приложения. Москва: ДМК Пресс, 2021. 338 с.
  • Уилсон Робин. Введение в теорию графов, 5-е изд. Санкт-Петербург: ООО "Диалектика", 2019. 240 с.
  • Кудрявцев Д.В., Беглер А.М., Гаврилова Т.А., Лещева И.А., Кубельский М.В., Тушканова О.Н. Метод коллективной визуальной разработки онтологического графа знаний // Искусственный интеллект и принятие решений. 2019. №1. С. 27-38.
  • Крюков К.В., Панкова Л.А., Пронина В.А., Суховеров В.С., Шипилина Л.Б. Меры семантической близости в онтологии // Проблемы управления. 2010. №5. С.2-14.
  • Цуканова Н.И. Онтологическая модель представления и организации знаний. Москва: Горячая линия -Телеком, 2015. 272 с.
  • Гаврилова T.A., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Санкт-Петербург: Питер, 2020. 384 с.
  • Черняховская Л.Р., Малахова А.И. Разработка моделей и методов интеллектуальной поддержки принятия решений на основе онтологии организационного управления программными проектами // Онтология проектирования. 2013. №4. С. 42-52.
  • Левенчук A. Системноинженерное мышление. TechlnvestLab, 2 апреля 2015. 305 с. sys-tems_engineering_thinking_2015 .pdf (techinvestlab. ru).
  • Zaouga Wiem, Arfa Rabai Latifa Ben, Alalyani Wafa Rashid. Towards an Ontology Based-Approach for Human Resource Management // The 10th International Conference on Ambient Systems, Networks and Technologies (ANT). April 29 - May 2, 2019. Leuven, Belgium. P.417-424.
  • Podgorelec V., Grasic B. Implementing Innovative IT Solutions with Semantic Web Technologies // Products and Services; from R&D to Final Solutions. Nov., 2010. DOI: 10.5772/10399.
  • Макарова И.В., Хабибуллин Р.Г., Ушенин А.М., Михеева С.А., Карабцев В.С. Компьютер в инженерном образовании: новые возможности в подготовке инженеров для креативной экономики // Инженерное образование. 2016. №20. С.72-79.
  • Асанов А.З., Мышкина И.Ю., Грудцына Л.Ю. Прогнозирование востребованности компетенций при корректировке программ обучения с помощью когнитивных моделей // Онтология проектирования. 2019. Т.9. №2 (32). С.203-213. DOI: 10.18287/2223-9537-2019-9-2-203-213.
  • Болотова Л.С. Системы искусственного интеллекта: модели и технологии, основанные на знаниях. Москва: Финансы и статистика, 2012. 664 с.
  • Флах П. Машинное обучение. Москва: ДМК, 2015. 400 с.
  • KG Course 2021. Курс по графам знаний (Knowledge Graphs) и как их готовить в 2021 году. На русском языке. https://migalkin.github.io/kgcourse2021/.
  • PerozziB., Al-Rfou R., Skiena S. DeepWalk: Online learning of social representations // KDD '14: Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. August 2014. Pages 701-710. DOI: 10.1145/2623330.2623732.
  • Grover Aditya, Leskovec Jure. node2vec: Scalable Feature Learning for Networks // KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. August 2016. P.855-864. https://doi.org/10.1145/2939672.2939754.
  • Ali M., Berrendorf M., Hoyt C. T., Vermue L., Galkin M., Sharifzadeh S., Fischer A., Tresp V., Lehmann J. Bringing Light Into the Dark:A Large-scale Evaluation of Knowledge GraphEmbedding Models Under a Unified Framework. 2020. DOI: 10.48550/arXiv.2006.13365.
  • Jean-Baptiste Lamy. Ontologies with Python Programming OWL 2.0 Ontologies with Python and Owlready2. Apress, 2021. 270 p.
  • Yang Bishan, Yih Wen-tau, He Xiaodong, Gao Jianfeng, Deng Li. Embedding Entities and Relations for Learning and Inference in Knowledge Bases // ICLR'15: Proceedings of the 3rd International Conference on Learning Representations. USA. May 7-9, 2015. https://arxiv.org/abs/1412.6575.
Еще
Статья научная