СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В статье рассматривается применение муравьиного алгоритма (Ant Colony Optimization, ACO) для решения задачи оптимизации управления мультипроектными разработками с ограниченными ресурсами. Мультипроектная среда характеризуется конкуренцией между задачами

за ресурсы, технологическими и ресурсными зависимостями, что делает задачу комбинаторной и NP-трудной.

В работе описан алгоритм муравьиной колонии, включающий формирование допустимых расписаний одновременно несколькими искусственными муравьями, вероятностный выбор операций с учетом уровня феромона и эвристической информации, а также обновление феромонных следов в процессе итераций. Проведены эксперименты на задачах различной размерности, показавшие, что при корректной настройке параметров алгоритм стабильно находит оптимальные или близкие к оптимальным решения. Для малых задач решение полностью совпадает

с результатами точной оптимизации в IBM ILOG CPLEX, для средних и больших задач метод обеспечивает эффективное нахождение качественных расписаний за существенно меньшее время по сравнению с точными методами.

Результаты исследования демонстрируют полиномиальную вычислительную трудоемкость алгоритма ACO и его высокую эффективность при планировании мультипроектных разработок, что делает его перспективным инструментом для применения в практических задачах управления ресурсами и сроками проектов.

Лазарев А.А., Гафаров Е.Р. Теория расписаний. Задачи и алгоритмы. – М.: МГУ, 2011.

Manne A.S. On the job-shop scheduling problem // Operations Research. – 1960. – Vol. 8 (2). – P. 219–223.

Олейникова С.А. Математическая модель и оптимизационная задача составления расписания для мультипроектной системы с временными и ресурсными ограничениями и критерием равномерной загрузки // Вестник ВГТУ. – 2013. – № 6-3. – С. 58–61.

Матвеев А.И. Алгоритм оптимизации планирования ресурсов (на примере метода отжига) // Перспективные информационные технологии (ПИТ 2018). – Самара, 2018. – С. 1046–1050.

Xiong H. A survey of job shop scheduling problem: The types and models // Computers & Operations Research. – 2022. – Vol. 142. – P. 105731.

Курейчик В.М., Кажаров А.А. Использование роевого интеллекта в решении NP-трудных задач // Известия ЮФУ. Технические науки. – 2011. – № 7. – С. 30–36.

Гончаров Е.Н., Леонов В.В. Генетический алгоритм для задачи календарного планирования с ограниченными ресурсами // Автоматика и телемеханика. – 2017. – № 6. – С. 173–189.

Блок И.Н., Секаев В.Г. Разработка, исследование и адаптация метода роя частиц в задачах дискретной оптимизации теории расписаний // Глобальный научный потенциал. – 2015. – № 5. – С. 70–75.

Chakraborty S., Bhowmik S. Job shop scheduling using simulated annealing // First International Conference on Computation and Communication Advancement. – 2013. – Vol. 1 (1). – P. 69–73.

Mezentsev Y.A., Chubko N.Y. On one bicriterion discrete optimization problem and a hybrid ant colony algorithm for its approximate solution // Lecture Notes in Computer Science. – 2021. – Vol. 12689. – P. 289–300.

Саймон Д. Алгоритмы эволюционной оптимизации. – М.: ДМК Пресс, 2020. – 1002 с.

Dorigo M., Stützle T. Ant colony optimization: overview and recent advances // Handbook of Metaheuristics. – Springer, 2018. – P. 311–351.

IBM. Constraint programming in CP Optimizer. – URL: https://www.ibm.com/products/ilog-cplex-optimization-studio/cplex-cp-optimizer (accessed: 16.03.2026).

Клеванский Н.Н., Красников А.А. Формирование календарных графиков мультипроектного планирования // Образовательные ресурсы и технологии. – 2015. – № 3. – С. 11–33.

Son P.V.H., Khoi L.N.Q., Loc L.X. Multi-project scheduling optimization with artificial intelligence: a novel metaheuristic framework // Cluster Computing. – 2026. – Vol. 29. – P. 63.