|
Пространство решений визуализируется деревом поиска, где каждый путь в ветвях – потенциальное решение, а узлы представляют отдельные проекты. Основная идея состоит в использовании при лучевом поиске оценочных функций для определения, по каким ветвям следует продолжать поиск. Процедура состоит из ряда шагов. Шаг 1 – генерация начальных узлов (то есть списка проектов). Шаг 2 – оценка узлов на текущем уровне по задаче 1 ранга. На этом этапе остаются только лучшие узлы. Шаг 3 – наилучшие узлы по шагу 2 оцениваются в соответствии с задачей фильтрации 2 ранга. Шаг 4 – узлы, прошедшие фильтрацию, снова оцениваются по задаче ранга 1. Лучшие узлы сохраняются, а остальные ветви аннулируются (проекты сохраняются). Шаг 5 – генерируется следующий уровень поиска и ветвей, отобранных на шаге 4. Шаг 6 – узлы отсеиваются по бюджетным ограничениям. Шаг 7 – если нарушения остаются, процесс возвращается к шагу 2. Процедура FBS хороша в том смысле, что она позволяет менеджеру подстраивать вариант списков проектов и использовать эвристику, которая отражает его мнение по действительному рыночному окружению фирмы. В общем случае сложности решения подобных задач объективны. Традиционный подход к отбору НИОКР или других типов уникальных проектов состоит, во-первых, в выборе ряда проектов, которые отвечают экономическим целям и ресурсным ограничениям, а затем в попытках спланировать выполнение этого ряда при различных научных или конструкторских особенностях. Подходы к выбору проектов обычно не содержат планирование как часть процесса выбора. Когда невозможно спланировать выбранные проекты в рамках приемлемых сроков, проекты могут быть исключены, рассмотрены альтернативные проекты, увеличены ресурсы снижения, экономические цели или желательное планирование может быть ослаблено. Ни одна из этих альтернатив не представляет сгруппированного подхода к решению, которое бы обеспечило лучший или даже хороший выбор проектов. Причина исключения планирования как части моделей выбора проектов ясна. Проекты НИОКР как объекты планирования принадлежат к большому классу известных в нейропроцессорной технике (NP-hard) задач планирования, вычислительные затраты в которых растут экспоненциально с увеличением размера проблемы. Если размер проблемы растет, время, требуемое для получения оптимального решения, становится чрезмерным даже для самых быстрых компьютеров. Проблемы NP-hard планирования, относящегося к НИОКР, требует решения проблем мультипроцессорного планирования, планирования по приоритетам с учетом ограничений, трудового планирования и т.д. Поэтому большинство практических плановых задач решается с использованием эвристических алгоритмов. Однако наиболее эффективные и существенные модели численного выбора не могут включить в себя эвристику. Трудно создать удобные модели, которые включали бы одновременно выбор и планирование проектов. — 128 —
|