Russian Federation
Russian Federation
Russian Federation
VAK Russia 2.1.14
UDC 69.05
The growth of construction volumes necessitates the automation of labor resource management, as traditional planning methods fail to efficiently consider numerous factors, including construction crew specialization, site geography, completion dates, and others. This can lead to downtime and inefficient resource utilization. Therefore, the objective of this study is to develop and test an automated labor resource allocation system that can improve the efficiency of the construction process. The system is based on a genetic algorithm implemented in the Python programming language. Task allocation options are evaluated based on the criterion of maximizing the total profit from completed work, excluding transportation costs. The architecture includes an asynchronous web server based on FastAPI for request processing and a PyQt client application with route visualization on a map. Testing was conducted using four production units with different specializations and seven construction sites with individual task sets. As a result of testing, the system automatically distributed tasks across production units, eliminating three sites with low profitability or specialization inconsistencies. The developed approach can be applied to automate scheduling and logistics planning in construction organizations.
task distribution optimization, genetic algorithm, construction crew routing, scheduling and logistics planning, construction production organization, human resource management
Введение
Строительная отрасль в настоящее время находится в процессе цифровой трансформации [1-9]. В этой связи современное строительное производство предъявляет повышенные требования к эффективности, точности и сокращению затрат с применением информационных технологий.
В то же время в условиях растущей конкуренции и увеличения объёмов работ ключевым аспектом успешного управления проектами становится оптимизация распределения задач и планирования строительных работ. Традиционные методы, основанные на ручном планировании, не позволяют оперативно учитывать множество факторов. В результате возникают простои, нерациональное использование квалифицированных кадров и увеличение транспортных издержек. Разработка автоматизированной системы распределения задач и построения маршрутов призвана решить эти проблемы. Такая система должна учитывать специализацию и компетенции каждой бригады; географические координаты бригад и строительных объектов; даты начала и среднюю продолжительность работ; экономическую ценность (прибыль) от выполнения работ на объекте.
Таким образом, цель настоящей работы сводится к разработке и апробации программного комплекса, реализующего автоматическое распределение задач между строительными бригадами с одновременной оптимизацией маршрутов их перемещения, обеспечивающий максимизацию суммарной прибыли и снижение непроизводительных затрат.
Материалы и методы
В основе исследования положены общенаучные методы познания, позволяющие обеспечить системность, достоверность и воспроизводимость полученных результатов.
В качестве основного метода оптимизации выбран генетические алгоритм, относящийся к классу эволюционных методов стохастической оптимизации. Данный выбор обоснован результатами сравнительного анализа с альтернативными подходами, который представлен в табл.1 и показал преимущества генетического алгоритма в гибкости, способности к многокритериальной оптимизации и возможности адаптации к изменяющимся условиям.
На рис. 1 представлена структура генетического алгоритма. Кандидатное решение – это один из возможных вариантов распределения всех задач по бригадам. Множество одновременно рассматриваемых вариантов – пул кандидатных решений. Один полный цикл селекции, рекомбинации, приводящий к формированию нового пула - эволюционная итерация, а целевая функция – количественная мера качества кандидатного решения, максимизирующая суммарную прибыль за вычетом транспортных расходов.
Таблица 1
Сравнение алгоритмов оптимизации
|
№ |
Алгоритм |
Преимущества |
Недостатки |
Применимость к задаче |
|
1 |
2 |
3 |
4 |
5 |
|
1 |
Ветвей и границ |
Гарантированно |
Экспоненциальная сложность, |
|
|
2 |
Жадный алгоритм |
Простота, |
Отсутствие локальной оптимизации, |
|
|
3 |
Табличный поиск |
Избегает локальных |
Чувствителен |
|
|
4 |
Муравьиный алгоритм |
Распределенный поиск, |
Медленная сходимость |
|
|
5 |
Имитация отжига |
Глобальный поиск, |
Медленная работа |
|
|
6
|
Генетический алгоритм |
Гибкость, параллельный поиск, |
Зависимость от входных параметров, |
|
Рис. 1. Структура генетического алгоритмаАрхитектура системы построена по клиент-серверному принципу (рис.2).
При этом серверный компонент реализован на асинхронном веб-фреймворке FastAPI, что позволяет избежать проблем при операциях ввода-вывода, обеспечивая эффективную обработку множества параллельных запросов. Клиентское приложение разработано на фреймфорке PyQt. Для визуализации географических данных использована библиотека Folium, а пользовательский интерфейс обеспечивает ввод данных, управление справочниками специализаций и отображение результатов в виде карты с маркерами объектов и бригад, а также маршрутами перемещения.
Рис. 2. Клиент-серверное взаимодействие
Для оценки работоспособности системы были использованы данные по 4 производственным звеньям – бригадам с индивидуальными профилями специализации, уровень компетенции которых оценивается весовым коэффициентом от 4 до 9 и по 7 строительным объектам (A,B,C,D,E,F,G). Полученные планы сравнивались с экспертным планирование, т.е. рассчитанным вручную. В качестве базовых были приняты следующие показатели: суммарная прибыль от выполненных работ, суммарное транспортное расстояние, пройденное бригадами, а также время, затраченное на формирование плана. Каждый эксперимент проводился трехкратно с фиксацией средних значений для обеспечения статистической устойчивости результатов.
Результаты
В данном разделе представлены результаты экспериментальной апробации разработанной системы автоматического распределения задач и маршрутизации строительных бригад. Основное диалоговое окно разработанного приложения представлено на рис.3. Пример меток рабочих бригад и строительных объектов представлен на рис.4, а на рис.5 - пример меток рабочих бригад и строительных объектов.
Рис. 3. Основное диалоговое окно приложения демонстрации
Рис. 4. Пример меток рабочих бригад и строительных объектов
Рис. 5. Пример результата распределения задач системой
Синими метками отмечены строительные объекты, а цветные метки – рабочие бригады. Также изображены пути для бригад, которые отображают очередность работ на каждом из строительных объектов.
Из рис. 5 видно, что Бригада 1, базирующаяся в центральной части региона, направляется на объект B (северо-восточное направление); Бригада 2, расположенная на северо-западе, обслуживает объект F (юго-западное направление); Бригада 3 перемещается к объекту C (северное направление); Бригада 4 следует к объекту D (южное направление). Все маршруты являются кратчайшими по расстоянию, что подтверждается отсутствием пересечений и возвратных движений.
Для оценки эффективности оптимизационного процесса проанализирована динамика изменения значения целевой функции в ходе эволюционных итераций. Анализ показал, что на первых 5–7 итерациях наблюдается интенсивный рост как максимального, так и среднего значения целевой функции, после 25-й итерации темп прироста замедляется, значения стабилизируются, к 45-й итерации разница между лучшим и средним значениями сокращается до менее 5 %, что свидетельствует о сходимости алгоритма. Полученные данные подтверждают корректность выбранных параметров (размер пула – 100 кандидатов, число итераций – 50, вероятность рекомбинации – 0,8, вероятность мутации – 0,05) и достижение устойчивого оптимума.
Для оценки эффективности разработанной системы проведено сопоставление с результатами экспертного (ручного) планирования. В эксперименте участвовали три специалиста в области организации строительства со стажем работы более 5 лет. Каждому эксперту было предложено разработать план распределения задач и маршрутов для тех же исходных данных. Результаты усреднены и представлены в таблице 2.
Таблица 2
Сравнение автоматизированного и ручного планирования
|
№ |
Показатель |
Автоматизированное |
Ручное планирование |
Отклонение |
|
1 |
2 |
3 |
4 |
5 |
|
1 |
Суммарная прибыль, у.е. |
245 тыс. |
219 тыс |
+12% |
|
2 |
Суммарное транспортное |
59,8 |
74,2 |
-19,4% |
|
3 |
Время планирования, мин |
2,5 |
48 |
-94,8 |
Прирост прибыли на 12 % достигнут за счёт отказа от низкорентабельных объектов (A и G), которые в ручном планировании были включены без учёта точного соотношения затрат и выгоды. Сокращение транспортных издержек на 19,4 % обусловлено более точным учётом географических координат и выбором объектов, близко расположенных к базированию бригад. Временные затраты на планирование сокращены практически в 20 раз, что подтверждает эффективность автоматизации.
Полученные результаты создают основу для формулирования выводов о целесообразности внедрения разработанной системы в практику организации строительного производства.
Обсуждение
Проведённое исследование было направлено на разработку и апробацию автоматизированной системы распределения задач и маршрутизации строительных бригад на основе генетического алгоритма. Полученные результаты позволяют сформулировать ряд положений, имеющих значение для теории и практики организации строительного производства.
Экспериментально установлено, что разработанный алгоритм достигает устойчивого оптимума за 45–50 эволюционных итераций при размере пула кандидатных решений, равном 100. Динамика изменения целевой функции демонстрирует классический для эволюционных методов характер: интенсивный рост на начальных итерациях с последующей стабилизацией. Коэффициент вариации значений целевой функции в серии из 30 независимых запусков не превышает 2,0 %, что свидетельствует о высокой воспроизводимости результатов. Данный факт подтверждает корректность выбранных параметров алгоритма (вероятность рекомбинации 0,8, вероятность мутации 0,05) и позволяет рекомендовать их в качестве базовых для аналогичных задач оптимизации в строительной сфере.
Сравнение с ручным планированием, выполненным экспертами, показало преимущество автоматизированного подхода. Прирост суммарной прибыли составил 12,0 %, сокращение транспортных издержек – 19,4 %, что достигается за счёт двух ключевых факторов. Во-первых, алгоритм способен оценивать экономическую целесообразность включения каждого объекта в план, исключая низкорентабельные работы, которые в ручном планировании зачастую назначаются «по инерции» или в силу субъективных предпочтений. Во-вторых, использование точного расчёта расстояний позволяет минимизировать непроизводительные перемещения.
Сокращение времени на формирование плана с 48 минут до 2,5 минут (более чем в 19 раз) имеет не только техническое, но и организационное значение. Оперативность планирования позволяет быстрее реагировать на изменения в проекте – перенос сроков, появление новых объектов, корректировку состава бригад, что особенно важно в условиях динамически изменяемой строительной среды, где задержки в принятии решений могут приводить к срыву графиков работ.
Несмотря на полученные положительные результаты, следует указать на ряд ограничений, определяющих границы применимости разработанного подхода. Качество работы алгоритма напрямую зависит от полноты и достоверности входной информации. Некорректное определение специализаций бригад, неточное указание координат объектов или завышенная оценка прибыли могут привести к субоптимальным решениям. В реальных условиях строительного производства сбор и верификация таких данных требуют дополнительных организационных усилий.
Кроме того, в текущей реализации алгоритм выполняет расчёт на основе данных, актуальных на момент запуска, и не учитывает динамические изменения, которые могут происходить в ходе выполнения работ (например, задержки поставок материалов, временная нетрудоспособность рабочих, изменение погодных условий). Для работы в реальном времени требуется внедрение механизмов периодического пересчёта плана.
Экспериментальная апробация проводилась на данных, включающих 4 бригады и 7 объектов. Хотя теоретически алгоритм масштабируется на большее количество сущностей, при значительном увеличении размерности (более 100 бригад и 200 объектов) время расчёта может возрасти, поэтому требуется дополнительное исследование производительности на больших массивах данных.
Заключение
В рамках выполненного исследования разработана и апробирована система автоматического распределения задач и построения маршрутов для строительных бригад, базирующаяся на генетическом алгоритме.
Результаты работы открывают перспективы для ряда дальнейших исследований. Одним из ключевых является интеграция с BIM-технологиями. Автоматическое извлечение данных о задачах, сроках и объёмах работ из информационной модели здания позволит исключить ручной ввод информации и повысить актуальность исходных данных. Кроме того, актуально использование методов машинного обучения для прогнозирования продолжительности работ на основе исторических данных, а также для оценки надёжности бригад и вероятности возникновения отклонений от графика.
1. Shalennyy V.T., Oleynik P.P., Pakhomova L.A., Zamsha O.N., Tadzhiyev A.SH. Sovershenstvovaniye tekhnologii shtukaturnykh rabot s primeneniyem bezmayachnogo metoda v kontekste tsifrovoy transformatsii stroitel'stva [Improving the technology of plastering works using the beacon-free method in the context of the digital transformation of construction] //Stroitel'noye proizvodstvo. 2025. № 3. S. 112-120. DOI: https://doi.org/10.54950/26585340_2025_3_112; EDN: https://elibrary.ru/JTCRXL
2. Adamtsevich L.A., Kharisov I.Z., Kamayeva YU.V. Mezhdunarodnyy opyt primeneniya tekhnologiy industrii 4.0 dlya monitoringa aktual'nogo sostoyaniya stroitel'nogo proizvodstva [International experience in applying Industry 4.0 technologies to monitor the current state of construction production]//Stroitel'noye proizvodstvo. 2022. № 3. S. 58-66. DOI: https://doi.org/10.54950/26585340_2022_3_58; EDN: https://elibrary.ru/EUJSKM
3. Shilova L.A. Informatsionnaya podderzhka upravleniya ob"yektami zhizneobespecheniya s uchetom kriteriyev inzhenernoy i funktsional'noy ustoychivosti na sluchay chrezvychaynoy situatsii [Information support for the management of life support facilities taking into account the criteria of engineering and functional sustainability in the event of an emergency] //Informatsionnyye resursy Rossii. 2014. № 6 (142). S. 24-27. EDN: https://elibrary.ru/TBRWKF
4. Ginzburg A., Shilov L., Shilova L. The methodology of storing the information model of building structures at various stages of the life cycle//V sbornike: Journal of Physics: Conference Series. International Scientific Conference on Modelling and Methods of Structural Analysis 2019, MMSA 2019. 2020. S. 012156. DOI: https://doi.org/10.1088/1742-6596/1425/1/012156; EDN: https://elibrary.ru/JNGNOD
5. Adamtsevich L.A., Kharisov I.Z. Obzor tekhnologiy industrii 4.0 dlya razrabotki sistemy distantsionnogo upravleniya stroitel'noy ploshchadkoy [Review of Industry 4.0 technologies for the development of a construction site remote control system // Construction and Architecture]//Stroitel'stvo i arkhitektura. 2021. T. 9. № 4. S. 91-95. DOI: https://doi.org/10.29039/2308-0191-2021-9-4-91-95; EDN: https://elibrary.ru/RLENTY
6. Sinenko S.A., Savin I.M. Tsifrovizatsiya deyatel'nosti podryadnykh stroitel'nykh organizatsiy [Digitalization of the Activities of Contracting Construction Organizations]//Stroitel'noye proizvodstvo. 2023. № 2. S. 146-149. DOI: https://doi.org/10.54950/26585340_2023_2_146; EDN: https://elibrary.ru/EVUHRW
7. Adamtsevich L.A., Ginzburg Ye.A., Shilov L.A. Stroitel'stvo 4.0 [Construction 4.0] //Zhilishchnoye stroitel'stvo. 2023. № 11. S. 18-23. DOI: https://doi.org/10.31659/0044-4472-2023-11-18-23; EDN: https://elibrary.ru/WZTILE
8. Karpushkin A.S. Sovershenstvovaniye formy i poryadka vedeniya obshchego zhurnala rabot v usloviyakh tsifrovizatsii stroitel'noy otrasli [Improving the Form and Procedure for Maintaining a General Work Log in the Context of Digitalization of the Construction Industry] //Stroitel'noye proizvodstvo. 2022. № 2. S. 6-14. DOI: https://doi.org/10.54950/26585340_2022_2_6; EDN: https://elibrary.ru/SVSSTS
9. Abramov I.L., Grigor'yev M.I. Sreda obshchikh dannykh kak instrument tsifrovogo upravleniya stroitel'nymi proyektami [Common Data Environment as a Tool for Digital Management of Construction Projects] //Stroitel'noye proizvodstvo. 2025. № 1. S. 47-55. DOI: https://doi.org/10.54950/26585340_2025_1_47; EDN: https://elibrary.ru/TCQBHP
