WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 ||

«Институт проблем управления им. В.А. Трапезникова Е.В. Колосова, Д.А. Новиков, А.В. Цветков МЕТОДИКА ОСВОЕННОГО ОБЪЕМА В ОПЕРАТИВНОМ УПРАВЛЕНИИ ПРОЕКТАМИ Москва - 2000 УДК 336 ББК 65.050.9(2) К 61 ...»

-- [ Страница 2 ] --

1] НОП Qi с функцией принадлежности ~ (si, si2, s-i ). При фиксированной обстановке игры s-i, в част Qi ~ ном случае, функцию принадлежности НОП Qi можно записать в 1 ~ ~ виде: (si, si2, s-i ) = ( (si, s-i ), (si2, s-i )). Значит НОП Qi Ri ~ ~ Qi является прообразом НОП Ri при отображении ( ), то есть объединением всех нечетких множеств в Si Si, образы которых ~ при этом отображении лежат в нечетком множестве (опреде Qi ление прообраза нечеткого множества для общего случая приведе но в [82]).

Построим в Si нечеткое подмножество недоминируемых аль тернатив с функцией принадлежности ~ ~ (18) (si, s-i) = 1 - sup [ (z, si, s-i ) - (si, z, s-i ) ].

i Qi Qi zSi Функцию (18) можно рассматривать как функцию выигрыша i-го АЭ и определять по ней нечеткое равновесие Нэша. В пре дельном случае (при переходе к четким предпочтениям АЭ) нечет кое равновесие Нэша переходит в четкое (см. выражение (6)).

2.2. Механизмы стимулирования Рассмотрим задачу оперативного управления продолжительно стью проекта. Пусть проект состоит из двух участников – руково дителя проекта (центра в терминологии теории активных систем [22, 78]), осуществляющего управление проектом, и исполнителя (активного элемента (АЭ) в терминологии теории активных сис тем). Таким образом, проект рассматривается в виде активной системы (АС), имеющей следующую структуру.

Участники АС - менеджер проекта (центр) и исполнитель (АЭ).

Центр выполняет планирующие, управляющие и контролирующие функции и несет ответственность за завершение проекта в дирек тивные сроки с требуемым качеством и запланированными затра тами. Активный элемент является исполнителем работ по проекту, то есть от его действий (и, быть может, от состояния природы – см.

первую главу) зависят качество, сроки и т.д.

В качестве основного выберем такой показатель как время за вершения проекта (см. также обсуждение во введении к данной главе). Если в процессе реализации проекта оказывается, что про гнозируемое время его завершения отличается от планового, то возникает необходимость в оперативном управлении – дополни тельных мерах по сокращению продолжительности выполнения незавершенной части проекта. Реализация этих мер требует соот ветствующих затрат, то есть возникает задача определения опти мальных коррекционных воздействий, причем критерием эффек тивности, как правило, выступают финансовые показатели, зависящие как от продолжительности проекта (санкции и штрафы за задержку сроков завершения и т.д.), так и от затрат на выполне ние проекта (см. примеры в первой главе).

При решении задачи управления центр должен учитывать ак тивность АЭ, то есть вознаграждение исполнителя в зависимости от сокращения им сроков должно быть согласовано с его предпоч тениями. В теории активных систем задачи согласования предпоч тений и интересов изучаются при синтезе механизмов стимулиро вания [77, 79], поэтому рассмотрим постановку задачи стимулирования исполнителей, в которой критерием эффективно сти являются финансовые показатели центра, зависящие в свою очередь от продолжительности проекта.

Последовательность изложения материала настоящего раздела следующая. Сначала рассматривается задача стимулирования в детерминированной АС, то есть в АС, функционирующей в усло виях полной информированности о существенных внешних и внут ренних параметрах. Затем исследуются более сложные модели, учитывающие возможность наличия интервальной, вероятностной или нечеткой неопределенности. В качестве одного из способов снижения неопределенности предлагается также использовать механизмы с сообщением информации, которые подробно рассмат риваются в следующем разделе.

2.2.1. Детерминированная АС (отсутствие неопределенности) Будем считать, что известны плановое T0 и прогнозируемое T времена завершения проекта (ограничимся наиболее распростра ненным на практике случаем T T0). Как отмечалось выше, рас сматриваемая модель охватывает как задачи планирования (решае мые до начала реализации проекта), так и задачи оперативного управления, которые могут последовательно решаться в ходе реа лизации проекта по мере поступления новой информации – уточне ния прогнозируемого времени завершения проекта и других пара метров (см. модели в разделах 1.2. и 1.3, а также механизмы экспертного прогнозирования в разделе 2.1).

Предположим, что в случае задержки выполнения проекта центр выплачивает, например, заказчику или вышестоящей органи зации, штрафы (t), t T0 (в частном случае, например, штрафы могут быть линейны: (t) = t). Исполнитель имеет возможность сократить срок реализации проекта (относительно прогнозируемо го) или, что то же самое – сократить продолжительность одной или нескольких критических операций, что требует от него определен ных затрат1 c(y), где y A – время, на которое сокращается про должительность проекта. Переменная y может интерпретироваться как действие АЭ – выбираемая им стратегия.

Следует подчеркнуть, что в настоящем и следующем разделе c(y) – затраты исполнителя, но не затраты на проект (как это имело место во введении и первой главе)!

Для того, чтобы побудить АЭ к выбору некоторой стратегии центр должен использовать соответствующую систему стимулиро вания, то есть назначить зависимость (y) вознаграждения АЭ от выбираемых им действий. Эта зависимость ( ) M называется функцией стимулирования (M – множество допустимых функций стимулирования).

Интересы участников проекта (активной системы) выражены их целевыми функциями. Будем считать, что рациональность пове дения участников проекта заключается в стремлении к максимиза ции целевых функций. Более подробно, предположим, что центр заинтересован в том, чтобы минимизировать свои выплаты (сум марные выплаты по штрафам и стимулированию АЭ), то есть целевая функция центра •( ( ), y) имеет вид:

(1) ( ( ), y) = (y) + (T – T0 – y).

Целевая функция активного элемента f( ( ), y) представляет собой разность между стимулированием и затратами:

(2) f( ( ), y) = (y) – c(y).

Введем следующие предположения:

А.2.3. A = [0;

T – T0].

А.2.4. M – множество кусочно-непрерывных положительно значных функций.

А.2.5. c(y) – положительнозначная, монотонно возрастающая, строго выпуклая, непрерывно дифференцируемая функция, такая, что c(0) = 0.

В ходе всего изложения материала настоящего раздела, если не будет оговорено особо, будем предполагать, что выполнена гипоте за благожелательности (ГБ) – из множества реализуемых действий P( ) = Arg max f(y, ) yA активный элемент выбирает действия, наиболее благоприятные для центра.

Последовательность функционирования следующая: центр со общает АЭ функцию стимулирования, после чего АЭ при извест ной функции стимулирования выбирает свое действие. Следова Реализуемым некоторой системой стимулирования действием АЭ называется такое его допустимое действие, на котором достигается максимум его целевой функции [78, 79].

тельно, задача центра заключается в выборе такой допустимой системы стимулирования, которая минимизировала бы значение его целевой функции при условии, что АЭ выбирает допустимое действие, максимизирующее его собственную целевую функцию:

( ( y*), y*) min M, y*[0;

T -T0 ] (3).

y* Arg max f ( y) yA Задача (3) является игрой типа Г2 (в терминологии теории ие рархических игр [38, 40, 56]) и может рассматриваться как детер минированная задача стимулирования второго рода (в терминоло гии теории активных систем [22, 78]). Ее решение дается следующей теоремой1.

* Теорема 2.3. Оптимальное решение (y) задачи (3) имеет вид:

c( y*), y = y* * (4) (y) =, 0, y y* где оптимальное действие АЭ y* определяется следующим выраже нием:

(5) y* = arg min (y).

y[0,T -T0 ] При использовании центром системы стимулирования (4) (на зываемой в теории активных систем квазикомпенсаторной [22, 78, 79]), максимальное значение целевой функции равно нулю * и принимает это значение в двух точках, то есть P( ) = {0} {y*}.

В [78, 79] доказано, что оптимальной является такая допусти мая система стимулирования, на которой достигается минимум затрат центра на стимулирование по реализации действий АЭ.

Поэтому докажем, что система стимулирования (4)-(5) характери зуется минимальными затратами центра на стимулирование. Пусть существует система стимулирования ~, такая, что * y* P( ~ ), ~ (y*) < (y*). Условие реализуемости имеет вид:

В теории активных систем существует семейство теорем, дающих оптимальное решение задачи стимулирования в различных моделях АС [22, 79]. Поэтому теорема 2.3 может рассматриваться как результат применения этой общей методологии к конкретной модели оперативного управления продолжительностью проекта.

y A ~ (y*) – c(y*) ~ (y) – c (y).

Подставим в это условие y = 0. Получим: ~ (y*) – c(y*) ~ (0).

В силу введенных предположений ~ <0, что противоречит А.2.4. • Пример 3. В частном случае, когда штрафы центра линейны:

(t) = t, действие (5) единственно (так как штрафы линейны, а функция затрат АЭ строго выпукла), следовательно на отрезке [0;

T – T0] функция {c(y) - y)} достигает единственного максиму ма. Более того, оптимальное решение оказывается устойчивым по параметрам модели в следующем смысле.

Обозначим = c’ –1( ), где c’ –1( ) – функция, обратная произ водной функции затрат АЭ (она существует в силу А.2.5). Тогда оптимальное решение задачи (3) можно записать в виде:

T - T0, T T0 + (6) y*( ) =, T T0 +.

Содержательно, в случае линейных штрафов центру не обяза тельно знать «точную» оценку реального времени T завершения проекта (неизвестного и приближенно оцениваемого в ходе его реализации), если оптимистичная оценка задержки T – T0 времени завершения проекта превышает величину, которая зависит от внешних штрафов и функции затрат АЭ, то оптимальное с точки зрения внешних выплат центра сокращение продолжительности проекта «не зависит» от оценки будущей его продолжительности. • Итак, мы рассмотрели задачу оптимизации продолжительности проекта за счет использования механизмов стимулирования в одноэлементной активной системе. Перейдем к описанию много элементного случая.

Пусть имеется многоэлементная АС с n 1 активными элемен тами, каждый из которых отвечает за соответствующую операцию (комплекс которых и составляет проект) и может сокращать ее продолжительность, независимо от продолжительности других операций. Обозначим yi 0 – время сокращения i-ой операции, i I, где I = {1, 2, …, n} – множество АЭ.

Время сокращения продолжительности проекта T зависит от порядка выполнения и технологической связи операций и является функцией от сокращений каждой из операций (как критических, так и околокритических), то есть: T = Y(y1, y2, …, yn). Получили многоэлементную активную систему со слабо связанными элемен тами [79].

Пусть центр решил n задач типа (3) – по одной для каждого АЭ. Результатом является набор { (yi)} минимальных затрат цен i тра на стимулирование по реализации1 соответствующего вектора y действий АЭ: y = (y1, y2,,…, yn). Целевая функция центра имеет при этом вид:

(y) = (T – T0 – Y(y)) - (yi).

i iI Следовательно, задача стимулирования заключается в поиске n такого допустимого (y A’ = ) вектора действий АЭ, который минимизировал бы целевую функцию центра (y). Задача (y) min является стандартной задачей условной оптимизации.

yA В качестве ограничения множества допустимых действий АЭ может выступать, например, бюджетное ограничение: если фонд оперативного управления центра ограничен величиной R, то, оче видно, допустимыми будут такие действия, для которых имеет место: A’ = {y + | (yi) R}.

i n iI В зависимости от технологической взаимосвязи показателей операций (см. раздел 1.4, посвященный проблемам агрегирования показателей освоенного объема) возможны различные зависимости Y( ). Например, если операции выполняются последовательно, то T = yi, если параллельно, то T = min yi и т.д.

iI iI Проиллюстрируем использование предложенного похода к решению задач стимулирования в многоэлементных АС на сле дующем примере.

Пример 4. Предположим, что штрафы линейны, а бюджетное ограничение отсутствует и T = yi, тогда получаем набор iI В случае оптимальности компенсаторных функций стимулирования минимальные затраты центра на стимулирование определяются затра тами АЭ, то есть имеет место: (yi) = ci(yi), i I.

i одноэлементных задач, в каждой из которых оптимально решение - типа (6) с соответствующей функцией ( ) = ci' ( ), i I.

i Если T = min yi, тогда, очевидно, что в оптимальном реше iI нии все АЭ должны завершить свои операции одновременно, то есть v 0: i I yi = v. Следовательно, решение задачи стиму лирования заключается в поиске такого значения скалярной вели чины v, которое минимизировало бы целевую функцию центра, то есть: (T – T0 – v) - (v) min. Получили стандартную зада i v iI чу скалярной оптимизации. Если штрафы линейны, то оптималь ным оказывается следующее сокращение продолжительности - проекта: v* = () ( ). • c' iI i Итак, задача оперативного управления продолжительностью проекта в случае многоэлементной АС со слабо связанными АЭ сводится к параметрическому набору одноэлементных задач сти мулирования и задаче поиска оптимальных значений параметров.

Основную сложность при этом представляет решение одноэле ментных задач1, так как второй этап сводится к стандартной задаче условной или безусловной оптимизации. Поэтому при изучении задач стимулирования в условиях неопределенности мы ограни чимся рассмотрением, в основном, одноэлементных задач.

Рассмотрев детерминированные задачи стимулирования, пе рейдем к рассмотрению задач оперативного управления продолжи тельностью проекта в условиях неопределенности.

Для случая сильно связанных АЭ игра АЭ может быть декомпозирована.

При этом оптимальной является «компенсаторная» «одноэлементная» система стимулирования, то есть сделанные качественные выводы, относительно необходимости акцентирования основного внимания на специфике одноэлементных задач, остаются в силе и в общем случае многоэлементных АС, то есть при сильно связанных активных элемен тах.

2.2.2. Внешняя интервальная неопределенность относительно результатов деятельности АЭ В рамках модели, рассмотренной в предыдущем подразделе, предположим, что реальное сокращение z A0 = A = [0;

+ ) про должительности проекта зависит от действия АЭ и от состояния природы. Будем считать, что, выбирая свои стратегии, участники проекта имеют информацию лишь об интервале возможных значе ний: z Z(y) = [Q-(y);

Q+(y)]. Кроме того, предположим, что дейст вия, выбираемые АЭ, не наблюдаются центром, которому стано вится известен лишь результат деятельности. Поэтому стимулирование АЭ центром уже не может (как в детерминирован ном случае) основываться на действиях АЭ, а должно зависеть от неопределенной величины – результата деятельности.

Целевая функция АЭ равна: f(, y, z) = (z) – c(y). Устраняя ин тервальную неопределенность, то есть применяя метод максималь ного гарантированного результата (МГР), получим, что гарантиро ванное значение целевой функции АЭ равно:

(7) fГ(, y) = min (z) – c(y).

zZ ( y) Следовательно, в рассматриваемой модели множество реали зуемых действий АЭ есть P( ) = Arg max fГ(, y).

yA Введем следующее предположение:

А.2.6. y A Q-(y) y, Q+(y) y;

Q-( ), Q+( ) – строго возрас тающие непрерывные функции.

Если целевая функция центра зависит от фактического сокра щения продолжительности проекта z A0, то ее гарантированное значение равно:

(8) (, y) = max (z, ).

Г zZ ( y) Итак, задача стимулирования имеет вид:

г ( ( y* ), y* ) min M, y*[0;

T -T0 ] (9).

* y Arg max fг (, y) y Задача (9) является детерминированной задачей стимулирова ния (см. задачу (3)).

Теорема 2.4а. Система стимулирования c( y* ), z [Q - ( y* );

Q + ( y* )] (10) (y*, z) =, - + 0, z [Q ( y* );

Q ( y* )] реализует действие АЭ y*. Оптимальное значение реализуемого действия АЭ определяется следующим выражением:

(11) y* = arg min max (z, (z)).

y[0,T -T0 ] zZ ( y) При этом гарантированное значение целевой функции АЭ рав но нулю.

Реализуемость действия y* A системой стимулирования (10) следует из определения гарантированной реализуемости и предпо ложения А.2.6. Справедливость остальных утверждений теорема 2.4а очевидна. • Отметим, что в условиях теоремы 2.4а не фигурирует правая граница Q+(y) диапазона возможных значений результата деятель ности при заданном действии. Это объясняется тем, что при вычис лении МГР в (7) и (8) используется минимум (соответственно, максимум) про множеству Z(y) (см. также [79]).

Содержательно, для того, чтобы побудить АЭ выбрать дейст вие y* A центр вынужден компенсировать ему затраты в размере c(y*) во всем множестве Z(y).

Предположим, что функция штрафов центра монотонна, тогда целевая функция центра имеет вид:

(y) = max { (T – T0 – z) + (y, z)}.

zZ ( y) Так как функция штрафов монотонна, а система стимулирова ния (10) кусочно-постоянна, то (y) = (T – T0 –Q-(y)) + c(y). Задача (y) min является скалярной оптимизационной задачей.

y Пример 5. Пусть левая граница множества возможных резуль татов деятельности имеет следующий вид: Q-(y) = (1- )y, где вы полнено: [0;

1], а функция штрафов линейна. Тогда получаем, что оптимальное решение y* = arg min (y) имеет вид (3), где y ( ) = c’-1((1 – ) ).

Легко проверить, что с ростом неопределенности (увеличением [0;

1]) эффективность стимулирования не возрастает. В пре дельном случае (при = 0) решение задачи в условиях неопреде ленности переходит в решение соответствующей детерминирован ной задачи, что вполне согласуется с общими принципами, изло женными в [79]. • Рассмотрим теперь случай, когда на момент принятия решений участники АС информированы асимметрично (данная модель близка к задачам стимулирования, рассмотренным в [79]): АЭ знает достоверно каким будет результат деятельности z A0 в зависимо сти от выбираемого им действия: z = z(y), а центр имеет информа цию об интервале возможных значений: z(y) Z(y). Для простоты можно положить y A z(y) = y.

Целевая функция АЭ равна: f(, y) = (z(y)) – c(y). Следова тельно, в рассматриваемой модели множество реализуемых дейст вий АЭ есть P( ) = Arg max { (z(y)) – c(y)}.

yA Если целевая функция центра зависит от фактического сокра щения продолжительности проекта z A0, то ее гарантированное значение равно:

(12) (, y) = max (z, ).

Г zZ ( y) Итак, задача стимулирования имеет вид:

( ( y* ), y* ) min г M, y*[0;

T -T0 ] (13).

* y Arg max { (z( y)) - c( y)} y Задача (13) является детерминированной задачей стимулиро вания (см. задачу (3)).

Теорема 2.4б. Система стимулирования c( y* ), z [Q - ( y* );

Q + ( y* )] (14) (y*, z) =, - + 0, z [Q ( y* );

Q ( y* )] реализует действие АЭ y*. Оптимальное с точки зрения центра значение реализуемого действия АЭ определяется следующим выражением:

(15) y* = arg min max (z, (z)).

y[0,T -T0 ] zZ ( y) При этом гарантированное значение целевой функции АЭ равно:

fГ(y*) = c(y*) – c(Q-(y*)) 0.

Доказательство теоремы 2.4б аналогично доказательству тео ремы 2.4а и опускается. Обсудим качественное различие результа тов.

Отличие моделей заключается в том, что в задаче (13), по сравнению с задачей (10), АЭ достоверно знает зависимость между своим действием и результатом деятельности, а центру по прежнему известен лишь интервал возможных значений. Следова тельно, имеет место асимметричная информированность участни ков. Так как в обоих случаях информированность центра одинако ва, то одинакова в обоих случаях и максимальная гарантированная эффективность управления (максимальное гарантированное значе ние целевой функции центра на множестве гарантированно реали зуемых действий АЭ). Отличие в информированности АЭ приводит к тому, что увеличивается гарантированное значение его целевой функции. Системы стимулирования (11) и (14) одинаковы, однако АЭ имеет возможность «обмануть центр», то есть выбрать действие Q-(y*) (обеспечив тем самым z = Q-(y*)) и получить при этом возна граждение c(y*) превышающее его реальные затраты c(Q-(y*)).

В предельном случае, то есть при увеличении информирован ности участников АС, задачи (10) и (13) и их решения переходят, соответственно, в детерминированную задачу (3) и ее решение (5), то есть принцип соответствия [79] имеет место.

2.2.3. Внешняя вероятностная неопределенность относительно результатов деятельности АЭ В рамках модели, рассмотренной в предыдущем подразделе, предположим, что реальное сокращение z A0 = [0;

+ ) продол жительности проекта зависит от действия АЭ, но является случай ной величиной с интегральной функцией условного распределения F(z, y) – модель теории контрактов [79, 105, 107, 133-136, 144].

Будем считать, что, выбирая свои стратегии, участники проекта имеют информацию лишь об этом распределении. Кроме того, предположим, что действия, выбираемые АЭ, не наблюдаются центром, которому становится известен лишь результат деятельно сти. Поэтому стимулирование АЭ центром уже не может (как в детерминированном случае) основываться на действиях АЭ, а должно зависеть от случайной величины – результата деятельно сти.

Дополнительно к предположениям А.2.4 и А.2.5 введем сле дующее предположение относительно свойств функции распреде ления (модель простого активного элемента [22, 79, 42]):

F(z), z < y А.2.7. F(z, y) = 1, z y, F(T - T0) < 1.

Содержательно предположение А.2.7 означает, что реальное сокращение продолжительности проекта оказывается не большим, чем действие АЭ. Кроме того, считается, что, даже если АЭ ориен тируется (выбирает действие) на такое сокращение длительности, что продолжительность проекта в детерминированном случае оказалась бы меньшей, чем плановая, то существует ненулевая вероятность того, что фактическая продолжительность проекта превысит плановую.

Так как функции полезности (не путать с целевыми функция ми! [78]) участников проекта:

(16) ( (z), z) = (z) + (z), (17) f( (z), z) = (z) – c(z) зависят от случайных величин, распределения которых им известны, будем считать, что они выбирают свои стратегии, стре мясь максимизировать ожидаемую полезность. Таким образом, целевые функции участников определяются их ожидаемой полез ностью, то есть имеет место1: (, y) = E (, z) = E { (z) + (T – T0 – z)}, f(, y) = E f(, z) = E { (z) – c(z)}, а задача управления имеет вид:

( (z), z) p(z, y* ) dz min M, y*[0;

T -T0 ] A (18) y0* Arg max f ( (z), z) p(z, y) dz.

y A Символ «E» обозначает оператор вычисления математического ожи дания.

* Теорема 2.5а. Оптимальное решение (z) задачи (18) имеет вид:

c(z), z z* * (19) (z*, z) =, 0, z > z* где оптимальное значение результата деятельности АЭ z* определя ется следующим выражением:

* (20) z* = arg min (, y).

y[0,T -T0 ] Доказательство теоремы 2.5а использует тот факт, что в моде ли простого АЭ стационарные точки функции полезности и целе вой функции совпадают, то есть, практически, повторяет доказа тельство утверждения 3.1.15, приведенного в работе [79], и по этой причине опускается.

Если затраты АЭ зависят не от результата его деятельности, а непосредственно (и только!) от его действия, то есть c = c(y), то дело обстоит несколько более сложным образом. Для этого случая оптимальное решение задачи оперативного управления дается следующей теоремой.

Теорема 2.5б. Если затраты АЭ зависят от его действия, то оп * тимальное решение (z) задачи (18) имеет вид:

c( y*), z = y* * (21) (y*, z) =, - F( y*) 0, z y* где оптимальное значение результата деятельности АЭ z* определя ется следующим выражением1:

(22) z* = arg max {с(y) + E (T – T0 – z)}.

yA Докажем, что система стимулирования (21)2 реализует дейст вие y* A. Ожидаемая полезность АЭ равна:

Символ «E» обозначает оператор математического ожидания.

Отметим, что в работе [42] для близкой к рассматриваемой задачи (также в модели простого АЭ) была доказана оптимальность следующей z c'(x) системы стимулирования: w0(z) = dx.

1- F(x) y f(y, ) = (z) p(z) dz + (y) [1 – F(y)] – c(y).

Подставляя систему стимулирования (21), легко видеть, что * * выполнено условие реализуемости: y A f(y*, ) f(y, ).

Докажем, что (21) минимизирует затраты центра на стимули рование. Предположим противное, то есть пусть существует ~ M, такое, что выполнено:

y* * (23) ~ (z) p(z) dz + ~ (y*) [1 – F(y*)] < E (y*, z) = c(y*).

Подставляя в условие реализуемости действия y* системой стимулирования ~ конкретное значение действия АЭ: y = 0, полу чим (первое неравенство следует из (23)):

0 > ~ (z)p(z, y*) dz – c(y*) ~ (0) – c(0), A что противоречит А.2.4. • Сравним эффективность стимулирования в двух случаях. Пер вый случай - когда функция затрат АЭ зависит от результата его деятельности, второй случай когда функция затрат АЭ зависит от его действия. Так как множества A и A0 совпадают, то будем рас сматривать одну и ту же функцию затрат c( ).

Следствие. Эффективность стимулирования в случае, когда за траты АЭ зависят от ненаблюдаемого центром действия АЭ, не выше, чем в случае, когда затраты АЭ зависят от его результата деятельности, наблюдаемого центром.

Вычислим ожидаемое значение функции стимулирования (19):

z* * E (z*, z) = c(z) p(z) dz + c(z*) [1 – F(z*)] c(z*).

Последнее неравенство получено оценкой интеграла сверху в силу монотонности и неотрицательности затрат АЭ.

В ходе доказательства теоремы 2.5б было установлено, что ожидаемое значение функции стимулирования (21) равно следую * щей величине : E (y*, z) = c(y*).

Если приравнять действия y* и z*, реализуемые, соответствен но, системами стимулирования (21) и (19), то получим:

* * E (y*, z) E (z*, z).

Так как минимальные затраты на стимулирование по реализа ции любого действия системой стимулирования (21) выше, чем системой стимулирования (19), то по теореме о минимальных затратах на стимулирование [78] получаем утверждение следст вия. • Итак, теоремы 2.5а и 2.5б дают решение задачи синтеза опти мальной функции стимулирования, побуждающей простой актив ный элемент к сокращению времени выполнения проекта.

Проверим выполнение принципа соответствия – при «предель ном переходе» от вероятностной АС (рассматриваемой модели простого АЭ) к соответствующей детерминированной АС опти мальные решения должны совпадать. Действительно, система стимулирования (19) переходит в оптимальную в детерминирован ной модели компенсаторную систему стимулирования [79], а (21) в точности совпадает с оптимальной квазикомпенсаторной системой стимулирования (4).

2.2.4. Внешняя нечеткая неопределенность относительно результатов деятельности АЭ В рамках модели, рассмотренной в предыдущем подразделе, предположим, что реальное сокращение z A0 = [0;

+ ) продол жительности проекта зависит от действия АЭ, но, выбирая свои стратегии, участники проекта имеют о нем нечеткую информацию ~ ~ P (z, y), P : A A0 [0;

1]. По-прежнему будем считать, что дей ствия, выбираемые АЭ, не наблюдаются центром, а стимулирова ние зависит от результата деятельности, в то время как целевая функция центра зависит от действия АЭ (если в рассматриваемой модели с нечеткой неопределенностью целевая функция центра зависит от результата деятельности АЭ, то в рамках вводимых ниже предположений задача управления сводится [79] к детерми нированной, то есть описанной выше).

Дополнительно к предположениям А.2.4 и А.2.5 введем сле дующее предположение относительно свойств нечеткой информа ционной функции:

~ А.2.8. Нечеткая информационная функция P (z, y) 1 нормальна [82], то есть:

~ ~ y A sup P (z, y) = 1 и z A0 y A: P (z, y) = 1.

zA Так как функции полезности участников проекта (центра и АЭ): ( (z), z) и f( (z), z) = (z) – c(z) зависят от неопределенных величин, то будем считать, что они выбирают свои стратегии, недоминируемые по индуцированному нечеткому отношению предпочтения (НОП) [82]. Множество максимально недоминируе мых (по НОП, индуцированному на множестве A функцией полез ~ ности АЭ f(z) и нечеткой информационной функцией P (z, y)) ~ обозначим P(RA0 ( ), A). Алгоритм построения этого множества описан в [75, 82]. Таким образом, задача управления имеет вид:

( ( y* ), y* ) min M, y*[0;

T -T0 ] (24).

~ y* P(RA0 ( ), A) ~ Обозначим Q(z) = {y A | P (z, y) = 1}. Решение задачи (24) дается следующей теоремой.

* Теорема 2.6. Оптимальное решение (z) задачи (24) имеет вид:

c(z* ), z = z* * (25) (z) =, 0, z z* где оптимальное значение результата деятельности АЭ z* в рамках гипотезы благожелательности определяется следующим выражени ем:

(26) z* = arg min { min [c(z) + (T – T0 – y)]}.

zA0 yQ(z) Если гипотеза благожелательности не выполнена, то опти мальное значение результата деятельности АЭ z* определяется следующим выражением:

(27) z* = arg min { max [c(z) + (T – T0 – y)]}.

zA0 yQ(z) Множество максимально недоминируемых (по НОП, индуци рованному на множестве A целевой функцией АЭ f(, z) и нечеткой ~ информационной функцией P (z, y)) действий АЭ описывается достаточно сложно (см. [75, 82]), и использование такого описания для решения задачи стимулирования затруднительно. Поэтому в теории активных систем (по аналогии с тем как это делалось в теории принятия решений [82]) был предложен подход, заключаю щийся в сведении задачи анализа зависимости множества недоми нируемых альтернатив от системы стимулирования к анализу зависимости решения задачи четкого математического программи рования (ЧМП) от системы стимулирования [75, 79]. Более кон кретно, было доказано, что, если выполнено предположение А.2.8, то действие y0 A является четко недоминируемым [82] тогда и только тогда, когда существует результат деятельности z0 A0, такой, что пара (y0, z0) является решением следующей задачи ЧМП:

~ (28) f(, z) max, P (z, y) = 1, y A, z A0.

В соответствии с результатом теоремы 2.3 при использовании системы стимулирования (25) максимум целевой функции АЭ достигается в точке z. Кроме того, (25) – минимальная (квазиком пенсаторная) система стимулирования, реализующая этот результат деятельности. В соответствии с (28) множество Q(z) A и только оно [78] будет множеством четко недоминируемых действий, то ~ * есть P(RA0 ( (z)), A) = Q(z).

Значит АЭ выберет одно из четко недоминируемых при данной системе стимулирования действий. Осталось устранить неопреде ленность относительно конкретного выбора АЭ. В рамках ГБ для этого используется минимум по множеству Q(z), при использова нии МГР – максимум (см. выражения (26) и (27)), то есть на втором этапе (этапе согласованного планирования [19, 78]) центру остается решить задачу поиска оптимального реализуемого действия АЭ – см., соответственно, выражения (26) и (27). • Отметим, что при предельном переходе к соответствующему 1, z = y ~ детерминированному случаю (в котором P (z, y) = 0, z y ) из теоремы 2.6 следует, что оптимальным становится решение (5), которое оптимально в соответствующей детерминированной зада че.

1, z [ y(1 - );

y(1 + )] ~ Пример 6. Пусть P (z, y) = 0, z [ y(1 - );

y(1 + )], где [0;

1]1. Тогда Q(z) = [z - ;

z + ]. Вычислим множество z z Q(z) = [ ;

]. Тогда оптимальное решение имеет вид:

1 + 1 - z* = arg min { min [c(z) + (T - T0 - y)]} = zA0 yQ(z) z = arg min [c(z) - (T - T0 - )].

zA 1 + Получили скалярную задачу оптимизации. В случае линейных штрафов получаем, что оптимально решение (6), где ( ) = c’-1( ).

1 + Отметим, что полученное решение совпадает с решением, оп тимальным в случае соответствующей интервальной неопределен ности (см. теоремы 2.4а и 2.4б), то есть методы учета этих двух типов неопределенности согласованы.

При отсутствии неопределенности ( = 0) получаем решение, в точности совпадающее с (5). Легко проверить, что с ростом неоп ределенности (увеличением [0;

1]) эффективность стимулиро вания не возрастает. • В случае интервальной и вероятностной неопределенности и симметричной информированности участников АС относительно времени завершения проекта устранение неопределенности произ водится, соответственно, применением МГР и ожидаемых полезно стей, то есть методами, исследованными достаточно подробно [79].

Рассматривать их адаптацию к частному случаю задачи оператив ного управления временем завершения проекта мы не будем, по этому сконцентрируем основное внимание на случае нечеткой неопределенности относительно времени завершения проекта, который, практически, не исследован в литературе по управлению АС в условиях неопределенности.

При данной функции принадлежности нечеткая неопределенность может рассматриваться как интервальная неопределенность – см.

обсуждение совпадения соответствующих решений ниже.

2.2.5. Внешняя нечеткая неопределенность относительно времени завершения проекта Предположим, что результат деятельности АЭ совпадает с его действием, однако относительно времени T завершения проекта имеется нечеткая информация: (t), : [0;

+ ) [0;

1]. Задача T T оперативного управления заключается в выборе центром системы стимулирования, которая минимизировала бы его выплаты с уче том имеющейся информации.

Воспользовавшись результатом теоремы 2.3, получаем, что минимальные затраты центра на стимулирование АЭ, побуждаю щие последнего сократить продолжительность проекта на величину y 0 равны c(y).

Четкая целевая функция центра равна:

(y, T) = c(y) + (T – T0 – y).

Обозначим Y(T) = Arg min (y, T). Множество Y(T) может рас yA сматриваться как нечеткое отображение (t, y): A A [0;

1] Y времени окончания проекта в действия АЭ, то есть:

1, yArg min ( y,t) yA (29) (t, y) = Y 0, yArg min ( y,t) yA Образом нечеткого множества (t) при нечетком отображении T (t, y) в соответствии с принципом обобщения [82] будет нечеткое Y множество (y) с функцией принадлежности (30) (y) = sup min { (t);

(t, y)}.

T Y t Обозначим Amax = Arg max (y) – множество действий АЭ, yA максимизирующих функцию принадлежности (30).

Оптимальным будем считать максимизирующее решение [82], то есть любое действие из множества Amax. Из вышесказанного следует справедливость следующей теоремы.

Теорема 2.7. Оптимальной в условиях нечеткой неопределен ности относительно времени завершения проекта является сле дующая система стимулирования:

c( y), y Amax * (31) (y) = 0, y Amax.

Доказательство теоремы 2.7 повторяет (с учетом выражений (29)-(31)) доказательство теоремы 2.3 (см. также теорему 2.6 и ее доказательство) и не приводится.

В предельном (детерминированном) случае нечеткое множест 1, t = T во (t) имеет вид (t) = T T 0, t T, а множество Amax = Arg max (y) = Arg min (y, T) соответствует (5).

yA yA Пример 7. Рисунки 12 и 13 являются графической иллюстраци ей использования теоремы 2.7 для случая линейных штрафов. • y y*(t) (t) (y) T t t T T0 T0+ Рис. 12. Нечеткое множество (t) T Рис. 13. Образ нечеткого множества продолжительностей проекта (t) в примере T в примере 2.3. Механизмы планирования В разделе 2.2 рассмотрены механизмы стимулирования, побу ждающие активные элементы сокращать продолжительность вы полнения проекта в случае, когда последняя превышает директив ные сроки. Анализ механизмов управления в условиях неопределенности свидетельствует, что с ростом информированно сти управляющего органа эффективность оперативного управления не снижается. Выше были рассмотрены случаи интервальной, вероятностной и нечеткой внешней неопределенности, то есть неопределенности относительно результатов деятельности АЭ.

Кроме нее в системе может присутствовать внутренняя неопреде ленность – недостаточная информированность центра о параметрах самих активных элементов.

В настоящем разделе рассматриваются механизмы управления в условиях внутренней неопределенности. В том числе, традицион но в качестве одного из методов снижения неопределенности ис пользуются механизмы с сообщением информации от более ин формированных участников менее информированным. При их применении возникают две основные задачи – оценки эффективно сти и исследования достоверности сообщаемой центру информа ции. Обе эти задачи для случая сокращения продолжительности времени реализации проекта рассматриваются ниже.

2.3.1. Внутренняя интервальная неопределенность относительно возможностей АЭ Предположим, что функция затрат c(y, r), удовлетворяющая при любом допустимом значении параметра r предположению А.2.4, активного элемента зависит от неизвестного центру парамет ра r [d;

D], относительно которого центру известен лишь диапа зон [d;

D] его возможных значений (случай внутренней интерваль ной неопределенности в соответствии с классификацией, введенной в [22, 79]). Рассмотрим задачу синтеза оптимальных управляющих воздействий.

Если, помимо множества возможных значений неопределенно го параметра, центр не имеет никакой дополнительной информа ции, то он вынужден применять принцип максимального гаранти рованного результата (МГР) и решать затем соответствующую задачу стимулирования.

Запишем условия гарантированной реализуемости некоторого действия y* A системой стимулирования M:

(1) y A r [d;

D] (y*) – c(y*, r) (y) – c(y, r).

Положив (y) = 0 y y* и используя А.2.4, оценим по (1) ми нимальные затраты центра на стимулирование:

(2) (y*) max c(y*, r).

r[d ;

D] Следовательно, решение задачи синтеза оптимальной системы стимулирования (по аналогии с теоремой 2.3) имеет вид:

max r[d ;

D] c( y*, r), y = y*, * (3) (y*, y) = 0, y y* где оптимальное действие АЭ y* определяется следующим выраже нием:

* (4) y* = arg min { (y) + (T – T0 - y)}.

y[0,T -T0 ] Выше при рассмотрении задачи стимулирования в АС с интер вальной внешней неопределенностью было показано, что при асимметричной информированности выигрыш АЭ (значение его целевой функции на реализуемом центром действии) не ниже, чем в случае симметричной информированности. Такое же заключение может быть сделано и для рассматриваемой модели. Выигрыш АЭ (по сравнению с детерминированным случаем) равен следующей величине: { max c(y*, r) – c(y*, r)}, причем этот выигрыш не убы r[d ;

D] вает с ростом неопределенности (расширением отрезка [d;

D]).

Качественно этот факт можно сформулировать следующим обра зом: чем меньше знает центр об АЭ, тем это более выгодно для последнего.

Сделанный вывод справедлив и для многоэлементных АС со слабо связанными АЭ (см. раздел 2.2.1 выше). Переход осуществ ляется следующим образом – для i-го АЭ используется функция затрат max ci(yi*, ri). Другими словами, вектор {xi} гарантиро ri[di ;

Di ] ванно оптимальных действий АЭ определяется как решение сле дующей задачи:

(5) (T - T0 - xi ) + max ci (xi, ri ) min.

ri[di ;

Di ] xi T -T iI iI iI Пример 8. Пусть n = 1 и функция затрат АЭ имеет вид:

c(y;

r) = y2/2r, а штрафы линейны: (t) = t. Если истинное значе ние параметра r известно центру, то, применяя результат теоремы 2.3, получаем, что оптимальное решение имеет вид:

c( y* ), y = y* T - T0, T T0 + r * (y) =, y* = r, T T0 + r.

0 0, y y* Оптимальное значение целевой функции центра при этом рав но:

(T - T0 ) * ( (y*), y*) = min { ;

(T - T0) - r / 2}.

2r Если истинное значение параметра затрат АЭ неизвестно цен тру, то решение, максимизирующее гарантированный результат, имеет вид:

c( y*, d ), y = y* T - T0, T T0 + d * (y) =, y* =.

g y y* 0d, T T0 + 0d 0, Оптимальное гарантированное значение целевой функции цен тра при этом равно:

(T - T0 ) * * ( (y*), y*) = min { ;

(T - T0) - d / 2}.

g g 2d Очевидно, что имеет место:

* * * r [d;

D] ( (y*), y*) * ( (y*), y*), g g то есть эффективность управления в случае неопределенности (незнания или неточного знания центром возможностей АЭ) не выше, чем в условиях полной информированности, причем с рос том неопределенности гарантированная эффективность управления не возрастает. • 2.3.2. Механизмы с сообщением информации Одним из способов повышения эффективности управления в условиях неопределенности является сообщение информации от более информированных участников системы менее информиро ванным (в нашем случае – от активных элементов центру). Так как участники системы обладают свойством активности, в том числе – способностью к самостоятельному выбору своих действий, то в общем случае активные элементы сообщат центру такую информа цию (не обязательно достоверную), чтобы принятое центром на основании этой информации решение оказалось наиболее выгод ным для АЭ [17, 78].

Принцип принятия решений центром на основании информа ции, сообщенной АЭ, называется механизмом планирования. Ис следование свойств этого механизма, побуждающих АЭ сообщать достоверную информацию, называется в теории активных систем и теории принятия решений проблемой манипулируемости [19, 73, 104, 119, 138, 141, 144].

Рассмотрим сначала одноэлементную АС. Итак, пусть АЭ со общает центру оценку s [d;

D] параметра своей функции затрат.

Механизмом планирования (s), s S, в данном случае является отображение множества возможных сообщений S во множество X планов – параметров функции стимулирования, например - в то действие, которое центр хотел бы реализовать при данной инфор мации о параметрах АЭ, то есть X = A, : S A.

В теории активных систем известен следующий результат: в системах с одним активным элементом для любого механизма планирования существует неманипулируемый механизм не мень шей эффективности [15, 19, 78]. Этот принцип, называемый также принципом открытого управления, позволяет достаточно просто решить задачу синтеза оптимального механизма планирования для рассматриваемой модели, ограничившись классом механизмов открытого управления. Содержательно, центр должен принять сообщения АЭ за истинные и назначить такой план, который был бы наиболее выгоден для АЭ, если бы истинное значение парамет ра его функции затрат совпадало с сообщенным.

Следовательно, если центр использует принцип открытого управления, то АЭ в общем случае сообщит s r и центр будет вынужден, например, использовать систему стимулирования, ком пенсирующую затраты c(y, s), то есть получим задачу стимулиро вания, методы решения которой описаны выше.

К сожалению, в многоэлементных АС утверждение об опти мальности принципа открытого управления не имеет места. Будем считать, что центр определяет планы (на основании предоставляе мой элементами информации) по процедуре планирования : S X, где S = Si, X = Xi и план, назначаемый i-му iI iI АЭ, будет определяться выражением: xi = (s), i I, i s = (s1, s2,.., sn), s S. В качестве моделей поведения АЭ примем концепции равновесия Нэша и равновесия в доминантных страте гиях.

Механизм : S X, в котором АЭ сообщают оценки из множеств {Si}, называется непрямым механизмом [78, 85]. При фиксированном соответствии отбора равновесий для непрямого механизма ( ) можно построить соответствующий ему прямой ~ механизм: h(~) = (s*(~)), где s*( r ) – вектор равновесных по r r ~ Нэшу при значениях параметров r стратегий, в котором АЭ сооб щают непосредственно оценки своих параметров. Если в соответст вующем прямом механизме сообщение достоверной информации является доминантной стратегией, то он называется эквивалентным прямым механизмом [78].

В предположении рационального поведения элементов при фиксированных планах выбираемые ими действия yi будут макси мизировать соответствующие целевые функции, то есть:

yi Pi (xi, ri ) = Argmax fi (xi, yi, ri ). Таким образом, можно yi Ai говорить о функции полезности АЭ (в игре с сообщением инфор мации функции полезности АЭ называют функциями предпочтения [22, 78]): (xi, ri ) = max fi (xi, yi, ri ).

i yi Ai Очевидно, в механизмах с сообщением информации АЭ будут руководствоваться своей собственной полезностью и необязательно будут сообщать достоверную информацию. Явление сообщения АЭ недостоверной информации называется манипулированием инфор мацией, а механизмы, в которых выгодно (является равновесием) сообщение достоверной информации называются неманипулируе мыми. Для прямых механизмов неманипулируемым называется механизм, в котором при любых типах АЭ сообщение достоверной информации является равновесием в доминантных стратегиях.

Для механизмов управления проектами задача планирования (задача сокращения продолжительности производственного цикла) рассматривалась в работах [8, 18, 22]: для частного случая функций затрат АЭ типа Кобба-Дугласа [48] построен оптимальный немани пулируемый механизм. Этот результат, наряду с механизмами опережающего самоконтроля [18, 21] и другими, естественно, может использоваться и при применении методики освоенного объема (см. пример ниже).

Пусть центр использует следующий механизм планирования – назначаемые АЭ планы {xi} определяются в результате решения следующей задачи1:

(6) (T - T0 - xi ) + (xi, si ) min.

c i xi T -T iI iI iI Содержательно, решая задачу (6), центр определяет вектор действий АЭ, реализация которого при использовании соответст вующей компенсаторной системы стимулирования минимизирует суммарные выплаты центра при условии, что сообщенная АЭ информация считается истинной.

Отметим, что, если функция штрафов линейна, то получаем АС со слабо связанными АЭ (задача (6) распадается на набор одно элементных задач, для которых существует общее бюджетное ограничение).

Очевидно, что в условиях внутренней интервальной неопреде ленности эффективность управления при использовании механиз мов с сообщением информации не ниже, чем при использовании метода максимального гарантированного результата. Справедли вость этого утверждения следует сравнения максимальных значе ний целевых функций в задачах (5) и (6).

Пусть зависимость затрат АЭ от параметра удовлетворяет сле дующему предположению:

(7) y A r1 r2 c(y, r1) c(y, r2).

Если имеет место (7), то при использовании центром механиз ма планирования (6) выполнена гипотеза реальных оценок: i I si < ri. Справедливость этого утверждения следует из того, что целевая функция i-го АЭ при выборе им действия xi, удовлетво ряющего (6), имеет вид:

(8) fi(xi, ri, si) = ci(xi, si) – ci(xi, ri), i I.

Содержательно, центр согласованно распределяет величины сокраще ний продолжительностей критических операций между соответствую щими исполнителями.

В силу условия индивидуальной рациональности значение це левой функции (8) должно быть неотрицательно, поэтому из (7) следует, что i I si < ri.

Пример 9. Пусть функции затрат АЭ имеют вид1:

ci(yi, ri) = ri (yi / ri), i I. Если функция штрафов центра линейна, ’- то, обозначая ( ) = ( ) и предполагая, что (T-T0)/ ( ), r i iI получим, что решение задачи (6) имеет вид: yi*(si) = si ( ).

Функция предпочтения i-го АЭ имеет вид:

(9) (si, ri) = max fi(yi, ri, si) = ci(xi, si) – ci(xi, ri), i I.

i yiAi В рассматриваемом примере (si, ri) = si ( ( )) - ri ( ( )si/ri).

i 0 Так как функция предпочтения каждого АЭ зависит только от его собственной стратегии si, то в равновесии АЭ сообщат:

(10) si*(ri) = max {di, ri min {1, [ ( ( ))/ ( )]}}, i I.

0 Итак, у каждого АЭ существует доминантная стратегия (10), следовательно, можно воспользоваться принципом открытого управления.

Например, для функций Кобба-Дугласа выполнено:

[ ( ( ))/ ( ) = 1, 0 0 - то есть при квадратичных затратах si*(ri) = ri / 2 и т.д.2 Легко ви деть, что при 1 si* ri. • Итак, мы рассмотрели задачу синтеза неманипулируемого ме ханизма, причем вопрос о его эффективности не ставился. Ниже Частным случаем функции ( ) является функция Кобба-Дугласа:

(z) = z /.

Отметим, что мы решили задачу синтеза неманипулируемого механиз ма для рассматриваемой в примере модели. При этом оказалось, что в исходном (непрямом) механизме сообщение достоверной информации не является равновесной стратегией АЭ. На первый взгляд этот факт противоречит серии теорем об оптимальности принципа открытого управления в механизмах внутренних цен [6, 76, 78]. Противоречие, одна ко, кажущееся – в упомянутых работах использовалась пропорциональная система стимулирования, а в приведенном примере – квазикомпенсатор ная (см. также механизмы В-типа в [76]).

рассматривается класс активных систем, для которых также суще ствует неманипулируемый механизм планирования.

Введем следующее предположение.

А.2.9. Функция штрафов и функции затрат АЭ линейны, при чем относительно функций затрат АЭ центр не имеет никакой дополнительной информации1.

В рамках предположения А.2.9 задача (6) примет вид:

(11) xi (si - ) min, xi T -T iI iI где si – сообщение i-го АЭ центру о коэффициенте ri линейной функции затрат: ci(yi, ri) = ri yi, i I.

Пусть функции затрат АЭ упорядочены следующим образом:

(12) r1 r2 … rn.

Примем следующую договоренность: если несколько АЭ со общили одинаковые заявки, то приоритет имеет АЭ с меньшим номером.

Если выполнено (12), то решение задачи (11) очевидно: упоря дочиваем АЭ в порядке возрастания значений сообщенных ими параметров и назначаем планы в соответствии со следующей про цедурой:

(13) x1* = T – T0, если s1, иначе x1* = 0;

xi* = 0, i = 2, n.

При этом ненулевой план получает единственный АЭ (если он существует), а именно тот, который сообщил минимальное значе ние коэффициента (не превосходящее ставки ). Содержательно, если s1, то центру выгоднее платить внешние штрафы, чем сокращать продолжительность проекта.

Теорема 2.8. Если выполнено предположение А.2.9, то равно весие в механизме (13) имеет следующую структуру2:

(14) если < r1, то si* = ri, xi* = 0, i I;

(15) если r1, то s1* = r2, x1* = T - T0, si* = ri, xi* = 0, i = 2, n.

Более того, соответствующий прямой механизм неманипули руем.

В терминах рассмотренной выше модели последнее утверждение озна чает, что i I di = 0, Di = +.

Отметим, что (15) является аукционным равновесием [64, 86, 143].

Доказательство теоремы 2.8 заключается в построении соот ветствующего механизму (13) прямого механизма планирования.

В рассматриваемой модели гипотеза реальных оценок имеет вид: si ri, i I, то есть ни один из АЭ не сообщит оценку, строго меньшую истинного значения (в противном случае, попадая в число победителей при использовании центром компенсаторной системы стимулирования он получит строго отрицательную полез ность). С другой стороны, если некоторый АЭ имеет значение ri строго меньшее ставки, то центру невыгодно включать его в число победителей. Поэтому введем множества (, ri) = [ri, ], i 0 i I. Очевидно, множество потенциальных победителей I’ есть множество тех АЭ, у которых соответствующее множество i непусто: I’ = {i I | (, ri) }.

i Рассмотрим два случая. Первый – когда < r1. Понятно, что в этом случае центру невыгодно поручать сокращение продолжи тельности проекта ни одному из АЭ: xi* = 0, i I, поэтому в равно весии они сообщат минимальные (в силу гипотезы реальных оце нок) оценки, то есть si* = ri, i I.

Во втором случай один или несколько АЭ имеют истинные значения параметров, не превосходящие ставку штрафов, то есть r1. При этом первый АЭ является монополистом и может уве личивать свою заявку в диапазоне [r1;

r2]. Сообщая s1 > r2, первый АЭ рискует не попасть в число победителей, так как в этом случае второй АЭ может «перехватить инициативу», сообщив r2 s2 s1.

Аналогичным образом определяются множества диктаторства [85] всех АЭ. Следовательно, все АЭ, кроме первого (диктатора) сооб щат минимальные заявки и не войдут в число победителей: si* = ri, xi* = 0, i = 2, n. Первый АЭ сообщит s1* = min { ;

r2} и будет единственным победителем: x1* = T - T0. Сообщать меньшее значе ние заявки ему невыгодно, так как при этом уменьшается значение его целевой функции.

Выражения (14)-(15) определяют соответствующий исходному прямой механизм, в котором АЭ сообщают непосредственно оцен ки своих параметров, а центр восстанавливает равновесие в исход ном непрямом механизме по (14)-(15). • Оценим эффективность K1 механизма (13). Если бы центру бы ли достоверно известны истинные значения параметров АЭ, то при r1, он назначил бы победителем первого АЭ, заплатив цену r за единицу сокращения продолжительности проекта. Значение целевой функции центра при этом было бы равно K* = (T – T0) min {r1;

}. В механизме (13) цена за единицу сокращения продолжительности проекта равна min { ;

r2}, а значение целевой функции центра равно K1 = (T – T0) min { ;

r2}. Разность K1 – K* = (T – T0) (min { ;

r2} - min { ;

r1}) 0 определяет потери эффективности, обусловленные неполной ин формированностью центра.

В более общем случае, то есть если существуют ограничения на максимальные значения действий АЭ: Ai = [0;

Li], то величину (T – T0) сокращения времени выполнения проекта следует распре делять последовательно в порядке возрастания номеров АЭ (в упорядочении значений сообщенных ими параметров) при условии, что коэффициент штрафов не меньше сообщенного коэффициен та. Прежде чем рассматривать соответствующий механизм плани рования, решим соответствующую детерминированную задачу, то есть найдем решение, которое оптимально в условиях полной информированности центра.

Итак, пусть центру известны значения {ri} и он распределяет величину требуемого сокращения продолжительности проекта T = (T –T0) между АЭ следующим образом: если r1 и T – T0 L1, то x1 = L1, если r2 и T – T0 – L1 L2, то x2 = L2 и так далее до тех пор, пока не найдется АЭ с номером k такой, что либо k - rk+1 > (далее - первый случай), либо Li < T - T0 и i= k Li T - T0 (далее – второй случай, который изображен на i= рисунке 14). Тогда равновесное сокращение продолжительности проекта равно:

k (16) T* = min {T – T0;

Li }.

i= Суммарные затраты центра равны:

k k (17) C*( T*) = ri Li - max {[ Li - (T–T0)] rk, 0} + (T–T0- T*).

i=1 i= Зная (16) и (17), можно определить среднюю стоимость для центра сокращения продолжительности проекта на единицу време ни (см. рисунок 14):

* (18) ( T*) = C*( T*) / T*.

* Очевидно, что, но данное соотношение не может яв ляться критерием включения соответствующего АЭ во множество победителей.

y = T - T c(y) – кусочно линейная функция, k = ( r3, T*=T–T0) c*( T*) r * r y r L1 L1+L2 L1+L2+L Рис. 14. Затраты центра на сокращение продолжитель ности проекта в условиях полной информированности Сделав маленькое отступление, отметим, что двойственной (содержательно, но не формально) к рассматриваемой модели является модель отбора проектов в методе «затраты эффективность». Напомним, что в этом методе центр имеет воз можность привлекать внешние средства по ставке и имеет набор проектов, требующих каждый некоторого финансирования и при носящих определенную прибыль, причем рентабельности проектов неизвестны центру и сообщаются АЭ. Проекты выстраиваются в порядке убывания рентабельности (получается кусочно-линейная вогнутая функция – см. рисунок 14) и получают финансирование в порядке убывания рентабельности до тех пор, пока не закончится имеющийся у центра ресурс, или пока рентабельность очередного проекта не станет ниже ставки привлечения внешних средств.

Понятно, что результаты исследования рассматриваемой в настоя щем разделе модели АС с сообщением информации могут быть использованы в методе «затраты-эффективность».

Имея решение (16)-(18) детерминированной задачи, перейдем к анализу случая, когда истинные затраты АЭ неизвестны центру.

Если центр использует вместо истинных значений параметров функций затрат АЭ сообщенные ими заявки, то равновесие и его свойства определяются следующей теоремой.

Теорема 2.9. Если возможности АЭ ограничены, то равновесие имеет следующую структуру1:

(19) si* = ri, i > k;

si* = min { ;

rk+1}, i = 1, k ;

k - (20) xi* = 0, i > k;

xi* = Li, i = 1, k - 1, xk* = min {Lk;

T – T0 - Li }.

i= Доказательство очевидно и не приводится2.

Равновесное сокращение продолжительности проекта равно как и в случае полной информированности T*, определяемой (16) (содержательно совпадение для случаев полной и неполной инфор мированности обеспечивается за счет гипотезы реальных оценок).

Значение целевой функции центра в равновесии (19)-(20) (то есть суммарные затраты центра) равно:

k (21) C( T*) = min{, rk +1}Li i= k - max {[ Li - (T – T0)] min { ;

rk+1};

0} + (T - T0 - T*).

0 i= Зная (16) и (21), можно определить среднюю стоимость для центра сокращения продолжительности проекта на единицу време ни:

Отметим, что при неограниченных возможностях АЭ k = 1 и резуль тат теоремы 2.9 переходит в результат теоремы 2.8.

Рассматриваемый механизм чрезвычайно близок к простым конкурсным механизмам с «игрой на эффекте», описанным в работах [64]. Поэтому перспективным представляется использование в рассматриваемой модели конкурсных механизмов, имеющих более высокую гарантирован ную эффективность, например, прямые конкурсы, двухэтапные конкурсы и др. [21].

(22) ( T*) = C( T*) / T*.

Разность C = C( T*) - C*( T*) характеризует потери центра, обусловленные неполной его информированностью. Видно, что при предельном переходе к случаю полной информированности раз ность С обращается в ноль, причем с уменьшением неопределен ности уменьшаются и потери центра.

Отметим, что при фиксированных параметрах функций затрат АЭ потери С центра уменьшаются с ростом величины ограниче ний на действия АЭ.

Глава 3. Прикладная методика освоенного объема Настоящая глава преследует следующие цели: во-первых, по казать связь теоретических результатов первых двух глав с практи ческими задачами управления проектами, и, во-вторых, продемон стрировать возможность их практического использования в рамках существующих программных средств по управлению проектами.

Как отмечалось выше, методика освоенного объема предпола гает составление полного описания проекта и детального графика его реализации еще на начальной стадии. Это позволяет произво дить оценки фактических данных и контролировать проект с начала и до полного завершения работ. Преимущество этого инструмента состоит в том, что он позволяет получать надежные данные о ходе выполнения проекта уже на стадии 15-20%-ного его выполнения.

Руководитель проекта может использовать эти данные для прогноза затрат, требующихся для завершения всех работ по проекту (см.

введение и разделы 1.1 и 1.3). Если на ранней стадии выполнения проекта руководитель получает данные по фактическому выполне нию проекта, неприемлемые по ряду показателей, это может по служить для него предупредительным сигналом и позволит пред принять своевременные шаги для предотвращения нежелательных последствий.

Последовательность этапов, составляющих прикладную ме тодику освоенного объема, приведена на рисунке 15.

Рассмотрим подробно этапы, изображенные на рисунке 15.

I. Планирование Как показано на рисунке 15, фаза планирования состоит из че тырех основных этапов: (1.1) определение полного объема работ по проекту, (1.2) разработка структуры затрат по проекту (CAP), (1.3) разработка детального графика проекта и (1.4) оптимизация и согласование графика проекта. Рассмотрим подробно эти этапы.

1.1. Определение полного объема работ по проекту. Данный этап обычно является наиболее трудным в применении методики освоенного объема. Однако, если не определить на первом этапе полного объема работ (100% объема работ), необходимых для завершения проекта, оценивать ход выполнения проекта становится затруднительным. Без понимания того, что есть 100% работ, прак тически невозможно оценить, например, 10-ти, 20-ти или 25-ти процентное выполнение работ по проекту.

1.1. Определение полного объема работ по проекту 1.2. Разработка структуры затрат по проекту (CAP) 1.3. Разработка детального III. ОПЕРАТИВНОЕ графика проекта УПРАВЛЕНИЕ 1.4. Оптимизация и согла сование графика проекта I. ПЛАНИРОВАНИЕ 2.1. Сбор фактической II. КОНТРОЛЬ информации 2.2. Сравнение фактического и директивного графиков 3.3. Оценка показателей освоенного объема 3.4. Перепланирнрование оставшихся работ Рис. 15. Блок-схема процесса применения методики освоенного объема в оперативном управлении проектами (серым цветом выделены основные с точки зрения методики освоенного объема этапы).

В действительности с абсолютной точностью определить объ ем предстоящих работ достаточно сложно. Для этого необходимо определить границы проекта, чтобы появилась возможность плани рования, расчета расписания и оценки его стоимости с определен ной степенью достоверности.

Одним из наиболее распространенных инструментов оценки предстоящего объема работ по проекту является структура деком позиции работ – WBS (Work Breakdown Structure), которая также необходима для руководителя проекта, как и организационная структура для администратора. WBS позволяет руководителю проекта определить объем работ по новому проекту с помощью разбиения каждой задачи (или операции в терминах СПУ) на изме римые пакеты работ. Если WBS-структура принята в качестве инструмента для ограничения области нового проекта, можно предпринимать следующие шаги для планирования проекта: анализ соотношения собственных и подрядных работ, оценка рисков, составление графиков, предварительные расчеты и, наконец, запуск проекта.

Пакет работ Сроки выполне ния пакета работ Бюджет План затрат План доходов пакета работ по пакету по пакету работ работ Рис. 16. Пример структуры декомпозиции работ Пример1 WBS приведен на рисунке 16: по каждому пакету ра бот может быть определен бюджет (Budget) – стоимость пакета работ, план затрат (Spending Plan) – финансы, имеющиеся в распо ряжении для выполнения пакета работ, а также доход или выручка (Benefit Plan) – сумма, причитающаяся за выполнение пакета работ.

1.2. Разработка структуры затрат по проекту (САР). Управ ление проектом с использованием методики освоенного объема осуществляется в рамках детальных CAP-планов (см. введение), которые и являются составными частями планирования проектов "снизу-вверх" (см. раздел 1.4).

Рис. 17. Пример распределения затрат по «ячейкам» Применения методики освоенного объема показаны на примере реально го проекта модернизации автомобильного производства. К нему отно сятся как выпуск новых видов автомобилей, так и реконструкция старо го и строительство нового здания для размещения новой линии сборки автомобилей. Автоматизация управления в рассматриваемом примере осуществлялась с помощью программного продукта Primavera Project Planner for Enterprise фирмы Primavera Systems.

Каждая «ячейка» CAP-плана представляет собой объединение всех важнейших процедур, включая определение объема работ, планирование, расчет расписания, оценку затрат и санкционирова ние начала выполнения группы работ (см. рисунок 17).

Оценку выполнения проекта также целесообразно осуществ лять в рамках детальных CAP-планов. Суммарное выполнение проекта является не чем иным, как суммой всего того, что отража ют детальные CAP-планы. В сущности, каждый CAP-план пред ставляет собой фрагмент общего проекта, а руководство над его выполнением, оценку его реализации и контроль берет на себя ответственный за данную CAP-ячейку.

Таким образом, при определении ответственности отдельных исполнителей или участников проекта за пакеты работ, формирует ся структура затрат (см. рисунок 18).

Графическое представление WBS Пакет работ Ответственный за выделенный пакет работ Рис. 18. Пример определения ответственных за пакеты работ.

Каждая ячейка позволяет оценить стоимость объема работ по пакету, относящемуся к ответственности определенного исполни теля. Такое представление позволяет достаточно быстро оценить стоимость проекта, проанализировать затраты по видам работ и участникам проекта, а также оценивать результаты реализации проекта и фактические затраты.

1.3. Разработка детального графика проекта. Ответственные за пакеты работ или соответствующие сотрудники плановых служб разрабатывают детальные графики по пакетам работ, согласовывая их между собой (см. рисунок 19).

Детальный график по пакету работ Рис. 19. Пример детального графика по пакетам работ Это один из наиболее важных моментов, необходимых для внедрения методики освоенного объема. Результат планирования проекта должен отражать утвержденный объем работ, ограничен ный временными рамками его выполнения. В терминологии мето дики освоенного объема стоимость этих запланированных работ и составит запланированный объем проекта. Когда предварительная работа над проектом закончится, и он перейдет в стадию реализа ции, фактически выполненные части запланированного объема работ будут переходить в разряд освоенного объема. Оба объема:

запланированный и физически выполненный (освоенный объем) должны использовать одну и ту же систему измерения при оценке их выполнения (см. раздел 1.1).

Ресурсы с расценками и/или фиксированные затраты назнача ют работам, тем самым формируя бюджет проекта. Если разрабо тать детальный сетевой график затруднительно, достаточно опи сать вехи выполнения пакета работ (WBS Milestone), оценить вес каждой из них и в дальнейшем оценивать выполнение пакета работ по достижению вех пакета (как показано на рисунке 20).

Рис. 20. Пример назначения вех для пакетов работ (WBS Milestone) 1.4. Оптимизация и согласование графика проекта. По скольку обычно в проекте принимает участие большое количество участников, каждый из которых обладает собственными интереса ми, ресурсы ограничены, а также существуют ограничения по времени как на проект в целом, так и на отдельные его этапы, то первоначально разработанный график работ, как правило, требует оптимизации. Под оптимизацией в данном случае понимается перепланирование графика для максимального удовлетворения интересов всех участников проекта, а также существующих огра ничений. Для этого используется механизм «Что-если», разработка и сравнение альтернативных вариантов и выбор наилучшего из них с использованием механизмов планирования, описанных в разделе 1.3. Такой план утверждается всеми участниками и является дирек тивным при реализации проекта.

Подобные директивные графики должны содержать все зафик сированные CAP-планы плюс управленческие резервы, которыми может распоряжаться руководитель проекта. В том случае, если этот резерв не передан под ответственность руководителя проекта, а контролируется вышестоящим руководителем, он должен быть исключен из директивного графика выполнения проекта.

В коммерческих проектах директивный график может вклю чать также косвенные издержки, прибыль или даже налоги для адекватной привязки к выделенным фондам. Косвенные затраты, доход или управленческие резервы во внутренних проектах обычно не учитываются, поэтому в большинстве внутренних проектов стоимость директивного плана будет состоять исключительно из суммы CAP-планов.

Таким образом, в директивном графике содержится следующая основная информация:

100% объема работ по проекту;

стоимость проекта, график финансирования и расходования средств;

структура затрат;

детальный график работ с разбивкой по видам работ, участ кам, исполнителям и т.д.

II. Контроль Как показано на рисунке 15, после завершения фазы планиро вания начинается фаза контроля. Эта фаза состоит из следующих этапов: (2.1) сбор фактической информации, (2) сравнение факти ческого и директивного графиков, (3) оценка показателей освоен ного объема и (4) перепланирование оставшихся работ. Особенно стью данной фазы является то, что именно здесь в явном виде появляются показатели освоенного объема, подробно описанные в первой главе. Кроме того, в случае перепланирования оставшейся части работ, необходимо вернуться на стадию планирования для оптимизации и согласования, а также утверждения графика проек та, что есть суть оперативного управления проектом на стадии его реализации (см. ниже).

2.1. Сбор фактической информации. Информация о фактиче ских датах начала и окончания для завершенных работ1, дате фак тического начала и проценте выполнения работы для выполняю щихся работ, объеме использованных ресурсов и произведенных затратах позволяет оценить текущее положение дел по работам, пакетам работ или проекту в целом.

Рис. 21. Пример заполнения табеля. Вводятся фактически отра ботанные часы по каждой из работ, а также завершение шагов по работам. На основании информации о завершенных шагах опреде ляется процент выполнения по работам.

Если по какому-либо из пакетов работ детальная информация о графике его выполнения отсутствует, то вводятся данные о достижении вех пакетов работ (WBS Milestone) – см. рисунок 20.

На рисунке 21 представлен один из способов сбора фактиче ской информации по проекту, использующих ведение табеля.

При этом процент выполнения может быть рассчитан на осно вании различных подходов, описанных в первой главе (см. рисунок 22).

Фактор выполнения вводится пользователем (может определяться с использованием механиз мов, описанных в первой и второй главах) Определение правил оценки Определение правил оценки стоимо процента выполнения сти оставшейся части работы Рис. 22. Определение процента выполнения и способа расчета стоимости оставшейся части работы. Следует обратить внима ние на то, что в случае расчета фактора выполнения (PF – Per formance Factor) пользователем по собственной методике резуль тат расчета может быть введен для каждого из пакетов работ.

2.2. Сравнение фактического и директивного графиков. В случае планирования и контроля проекта в рамках CAP-планов, появляется возможность определять соотношение между заплани рованными и выполненными работами. Разница между планируе мым и выполненным объемом работ в методике освоенного объема называется отклонением по графику. Сравнение данных о текущем выполнении проекта с директивным (согласованным) графиком позволяет оценить соответствие фактической интенсивности вы полнения работ по проекту запланированным показателям.

Отрицательный показатель отклонения по графику означает, что объем выполненных работ по проекту не соответствует объему запланированных работ, то есть проект отстает от согласованного графика работ. Необходимость ускорения выполнения работы, выполнение которой отстает от графика, должна определяться исходя из ее критичности для выполнения всего проекта. Если отстающая работа имеет существенное значение, или отставание от графика по ней может привести к срыву срока завершения всего проекта в целом, то немедленно должны быть предприняты усилия для наверстывания сроков (см. механизмы оперативного управле ния, описанные во второй главе).

Рис. 23. Пример сравнения текущего и директивного графиков. В таблице для сравнения приведены данные по фактическому и плановому времени начала и окончания, процент выполнения по работе, отклонение по времени завершения и перерасход. На гра фической части темные линии соответствуют выполненным работам, светлые – соответствующим работам директивного графика.

И наоборот, если показатель отклонения по графику при вы полнении работ по данной задаче имеет положительное значение или отставание не несет большого риска для выполнения всего проекта в целом, то нет необходимости привлекать дополнитель ные ресурсы, чтобы ускорить выполнение этой задачи (см. также обсуждение во введении ко второй главе). Пример сравнения теку щего и директивного графиков показан на рисунке 23.

2.3. Оценка показателей освоенного объема. После сравне ния фактических и директивных показателей по проекту целесооб разно рассчитать показатель освоения затрат, который определяет ся как отношение между стоимостью освоенного объема работ в процессе выполнения проекта и расходами, которые фактически пришлось понести для того, чтобы достичь этого результата (см.

введение и первую главу). Разница между стоимостью выполнен ных работ и величиной фактических затрат (иногда удобнее ис пользовать отношение этих величин – см. введение) составляет показатель освоения затрат. Если на проект в течение всего време ни его реализации тратится больше, чем плановая стоимость вы полненных работ, то суммарный перерасход перерасход по проекту неизбежен. Известно, что абсолютные перерасходы компенсиро вать невозможно. Перерасход, выраженный в процентных величи нах, также говорит об ухудшении ситуации в проекте, если только руководитель проекта не предпримет активных действий для уст ранения непредвиденного роста затрат. Примеры форм для анализа (см. методики анализа во введении и первой главе) показателей освоенного объема приведены на рисунках 24-26.

Рис. 24. Пример табличной формы представления показателей освоенного объема по пакетам работ.

Рис. 25. Пример табличной формы представления показателей освоенного объема по ответственным за пакеты работ.

Рис. 26. Пример графической формы представления показателей освоенного объема.

2.4. Перепланирование оставшихся объемов работ. Перио дически, необходимо пересчитывать стоимость проекта, основыва ясь на сравнении хода его выполнения с исходным планом. Один из наиболее полезных аспектов методики освоенного объема – ее способность прогнозировать стоимость проекта. На основании сравнения результатов выполнения проекта с планом руководитель проекта может точнее оценить общий объем финансирования, необходимый для завершения той или иной работы или проекта в целом (см. введение и раздел 1.3). В частности, в рамках сущест вующих программных средств с учетом специфики различных пакетов работ к ним могут быть применены различные схемы пересчета стоимости оставшейся части работ (см. рисунок 22):

1. назначение стоимости оставшейся части работ «вручную» (по усмотрению пользователя);

2. вычисление разницы между плановым и фактическим объе мом;

3. пересчет с использованием поправки на показатель освоения затрат (CPI);

4. пересчет с использованием поправки на показатели освоения затрат и выполнения графика работ (CPI и SPI);

5. пересчет с использование коэффициента, назначенного от ветственным исполнителем.

Подобные расчеты обеспечивают реалистичную оценку затрат, необходимых для завершения работ, и являются чем-то вроде проверки умозрительных заключений, производимых обычно на основании принятия желаемого за действительное.

Какими бы ни были результаты, достигнутые в проекте к те кущей дате (моменту принятия оперативных управленческих реше ний), в сущности, они являются пройденным этапом, т.е. "что упало, то пропало". Таким образом, любые улучшения выполнения проекта (см. механизмы управления, описанные во второй главе) должны быть связаны с будущими работами (задачами), которые находятся на отрезке времени между текущей датой и моментом завершения проекта. Методика освоенного объема позволяет руко водителю проекта оценить выполнение проекта по затратам и графику на сегодняшний день. В том случае, если результаты на текущую дату далеки от ожидаемых, руководитель проекта может занять более активную позицию по отношению к оставшимся работам по проекту. Описанная методика дает руководителю про екта возможность оценивать объем выполненных работ и объем работ, которые осталось выполнить до завершения проекта для того, чтобы оставаться в рамках существующих ограничений.

III. Оперативное управление Исходный директивный график выполнения проекта, согласо ванный до начала реализации проекта, будет функционировать настолько хорошо, насколько хорошо отслеживаются внесения всех предлагаемых изменений по мере его реализации. Любой базовый проект быстро придет в несоответствие, если вовремя не вносить изменения в утвержденный график путем добавления или исключения дополнительного объема работ, а также корректировки технологии. Как и на этапе планирования (см. рисунок 15), такое внесение изменений должно быть согласовано со всеми участника ми проекта для обеспечения их скоординированных действий при реализации проекта. Механизмы управления, используемые в фазе оперативного управления, подробно описаны в разделе 1.3 и второй главе настоящей работы.

ЛИТЕРАТУРА 1. Авдеев Ю.А. Оперативное планирование в целевых программах.

Одесса: Маяк, 1990. - 132 с.

2. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. – 1022 с.

3. Александров Н.И., Комков Н.И. Моделирование организации и управления решением научно-технических проблем. М.: Наука, 1988. – 216 с.

4. Алтаев В.Я., Бурков В.Н., Тейман А.И. Теория сетевого планирования и управления // Автоматика и Телемеханика. 1966. № 5.

5. Ансоф И. Стратегическое управление. М.: Экономика, 1989. - 519 с.

6. Ануфриев И.К., Бурков В.Н., Вилкова Н.И., Рапацкая С.Т. Модели и механизмы внутрифирменного управления. М.: ИПУ РАН, 1994. - 72 с.

7. Багриновский К.А. Основы согласования плановых решений. М.: Наука, 1977. - 303 с.

8. Баркалов С.А., Бурков В.Н., Гилязов Н.М. Методы агрегирования в управлении проектами. М.: ИПУ РАН, 1999. – 55 с.

9. Баркалов С.А., Бурков В.Н., Курочка П.Н., Образцов Н.Н. Задачи управления материально-техническим снабжением в рыночной экономике. М.: ИПУ РАН, 2000. – 58 с.

10. Бир С. Мозг фирмы. М.: Радио и связь, 1993. - 416 с.

11. Бобрышев Д.Н., Русинов Ф.М. Управление научно-техническими разработками в машиностроении. М.: Машиностроение, 1976. – 236 с.

12. Болтянский В.Г. Математические методы оптимального управления.

М.: Наука, 1968. – 408 с.

13. Бурков В.Н. Распределение ресурсов как задача оптимального быстродействия // Автоматика и Телемеханика. 1966. № 7.

14. Бурков В.Н., Горгидзе И.А., Ловецкий С.Е. Прикладные задачи теории графов. Тбилиси: Мецниереба, 1974. - 234 с.

15. Бурков В.Н., Данев Б., Еналеев А.К. и др. Большие системы:

моделирование организационных механизмов. М.: Наука, 1989. - 245 с.

16. Бурков В.Н., Еналеев А.К., Новиков Д.А. Механизмы стимулирования в вероятностных моделях социально-экономических систем // Автоматика и Телемеханика. 1993. № 11. С. 3 - 30.

17. Бурков В.Н., Еналеев А.К., Новиков Д.А. Механизмы функционирования социально-экономических систем с сообщением информации // Автоматика и Телемеханика. 1996. № 3. С. 3 - 25.

18. Бурков В.Н., Квон О.Ф., Цитович Л.А. Модели и методы мультипроектного управления. М.: ИПУ РАН, 1998. – 62 с.

19. Бурков В.Н., Кондратьев В.В. Механизмы функционирования организационных систем. М.: Наука, 1981. - 384 с.

20. Бурков В.Н., Ланда Б.Д., Ловецкий С.Е., Тейман А.И., Чернышев В.Н.

Сетевые модели и задачи управления. М.: Советское радио, 1967. – 144 с.

21. Бурков В.Н., Новиков Д.А. Как управлять проектами. М.: Синтег, 1997. – 188 с.

22. Бурков В.Н., Новиков Д.А. Теория активных систем: состояние и перспективы. М.: СИНТЕГ, 1999. – 128 с.

23. Бурков В.Н. и др. Сетевые модели и задачи управления. Библиотека технической кибернетики. М.: Советское радио, 1967.

24. Бушуев С.Д., Колосова Е.В., Хулап Г.С., Цветков А.В. Методы и средства разрешения конфликтов при управлении сложными проектами / Материалы Международного симпозиума по управлению проектами. С. Пб., 1995. С. 212 – 216.

25. Вагнер Г. Основы исследования операций. М.: Мир, 1972. Т. 1 – 4.

26. Васильев В.М., Зеленцов Л.Б. Автоматизация организационно технологического планирования в строительном производстве. М.:

Стройиздат, 1991. – 152 с.

27. Васильев Д.К., Карамзина Н.С., Колосова Е.В., Цветков А.В. Деловая игра как средство внедрения системы управления проектами / Материалы Международного симпозиума по управлению проектами в переходной экономике. Москва, 1999.

28. Васильев Д.К., Колосова Е.В., Хулап Г.С., Цветков А.В. Системы и механизмы реализации проектов: опыт внедрения / Материалы Международного симпозиума по управлению проектами в переходной экономике. Москва, 1997. Том 1. С. 683 – 687.

29. Васильев Д.К., Колосова Е.В., Цветков А.В. Процедуры управления проектами // Инвестиционный эксперт. 1998. № 3. С. 9 – 10.

30. Васкевич Д. Стратеги клиент/сервер. Руководство по выживанию для специалистов по реорганизации бизнеса. К.: «Диалектика», 1996. – 384 с.

31. Виханский О.С., Наумов А.И. Менеджмент: человек, стратегия, организация, процесс. М.: Изд-во МГУ, 1996. - 416 с.

32. Воронов А.А. Исследование операций и управление. М.: Наука, 1970. – 128 с.

33. Воропаев В.И., Любкин С.М., Голенко-Гинзбург Д. Модели принятия решений для обобщенных альтернативных стохастических сетей // Автоматика и Телемеханика. 1999. № 10. С. 144 – 152.

34. Воропаев В.И. Методические указания по декомпозиции объектов строительства на проектно-технологические модули. М.: ВНИИГМ, 1988.

– 91 с.

35. Воропаев В.И. Модели и методы календарного планирования в автоматизированных системах управления строительством. М.:

Стройиздат, 1974. – 232 с.

36. Воропаев В.И. Управление проектами в России. М.: Аланс, 1995.-225с.

37. Воропаев В.И., Шейнберг М.В. и др. Обобщенные сетевые модели. М.:

ЦНИПИАС, 1971. – 118 с.

38. Гермейер Ю.Б. Игры с непротивоположными интересами. М.: Наука, 1976. - 327 с.

39. Голенко Д.И. Статистические методы сетевого планирования и управления. М.: Наука, 1968. – 400 с.

40. Горелик В.А., Кононенко А.Ф. Теоретико-игровые модели принятия решений в эколого-экономических системах. М.: Радио и связь, 1982. 144 с.

41. Гриценко Н.Л., Зеленова А.В., Колосова Е.В., Цветков А.В. От сметы к проекту / Материалы Международного симпозиума по управлению проектами в переходной экономике. Москва, 1999.

42. Губко М.В. Задача теории контрактов для модели простого АЭ / «Управление в социально-экономических системах». Сборник трудов молодых ученых ИПУ РАН. М.: Фонд «Проблемы управления», 2000.

43. Губко М.В., Спрысков Д.С. Учет кооперативного взаимодействия активных элементов в механизмах распределения ресурса и активной экспертизы / «Управление в социально-экономических системах».

Сборник трудов молодых ученых ИПУ РАН. М.: Фонд «Проблемы управления», 2000.

44. Зуховицкий С.И., Радчик И.А. Математические методы сетевого планирования. М.: Наука, 1965. – 296 с.

45. Иванилов Ю.П., Лотов А.В. Математические модели в экономике. М.:

Наука, 1979. - 304 с.

46. Интриллигатор М. Математические методы оптимизации и экономическая теория. М.: Прогресс, 1975. - 606 с.

47. Кини Р.Л., Райфа Х. Принятие решений при многих критериях:

предпочтения и замещения. М.: Радио и связь, 1981. – 560 с.

48. Клейнер Г.Б. Производственные функции: теория, методы, применение. М.: Финансы и статистика, 1986. - 238 с.

49. Клименко С.В., Крохин И.В., Кущ В.М., Лагутин Ю.Л. Электронные документы в корпоративных сетях. М.: Анкей, 1998. – 272 с.

50. Кокс Д., Хинкин Д. Теоретическая статистика. М.: Мир, 1978.- 558 с.

51. Колосова Е.В. Методика освоенного объема: проблемы идентификации моделей проектов / Материалы международной конференции SICPRO’2000. М.: ИПУ РАН, 2000.

52. Колосова Е.В. Показатели освоенного объема в оперативном управлении проектами / «Управление в социально-экономических системах». Сборник трудов молодых ученых ИПУ РАН. М.: Фонд «Проблемы управления», 2000.

53. Колосова Е.В., Цветков А.В. Информатизация корпоративного управления проектами / Материалы Международного симпозиума по управлению проектами в переходной экономике. Москва, 1999.

54. Колосова Е.В., Цветков А.В. Корпоративные системы управления проектами на базе программных продуктов Primavera. М.: Материалы конференции «Офисные Информационные Системы‘96», Центр Информационных Технологий, 1996.

55. Комков Н.И., Левин Б.И., Журдан Б.Е. Организация систем планирования и управления прикладными исследованиями и разработками. М.: Наука, 1986. – 233 с.

56. Кононенко А.Ф., Халезов А.Д., Чумаков В.В. Принятие решений в условиях неопределенности. М.: ВЦ АН СССР, 1991. – 211 с.

57. Куликов Ю.А. Оценка качества решений в управлении строительством. М.: Стройиздат, 1990. – 144 с.

58. Либерзон В.И. Основы управления проектами. М.: Нефтяник, 1997. 150 с.

59. Ли Э.Б., Маркус Л. Основы теории оптимального управления. М.:

Наука, 1972 – 576 с.

60. Литвак Б.Г. Экспертная информация: методы получения и анализа. М.:

Радио и связь, 1982. – 184 с.

61. Литвак Б.Г. Экспертные оценки и принятие решений. М.: Патент, 1996. - 271 с.

62. Лотоцкий В.А. Идентификация структур и параметров систем управления // Измерения. Контроль. Автоматизация. 1991. № 3-4. С.30–38.

63. Маленво Э. Лекции по микроэкономическому анализу. М.: Наука, 1985. - 392 с.

64. Маркотенко Е.В. Поведение активного элемента в условиях простого конкурсного механизма распределения ресурса / «Управление в социально-экономических системах». Сборник трудов молодых ученых ИПУ РАН. М.: Фонд «Проблемы управления», 2000.

65. Менар К. Экономика организаций. М.: ИНФРА-М, 1996. - 160 с.

66. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. - 344 с.

67. Мескон М., Альберт М., Хедоури Ф. Основы менеджмента. М.: Дело, 1998. - 800 с.

68. Мильнер Б.З., Евенко Л.И., Раппопорт В.С. Системный подход к организации управления. М.: Экономика, 1983. - 224 с.

69. Мир управления проектами / Под. ред. Х. Решке, и Х. Шелле. М.:

Аланс, 1993. – 304 с.

70. Михалевич В.С., Волкович В.Л. Вычислительные методы исследования и проектирования сложных систем. М.: Наука, 1982. - 286 с.

71. Моисеев Н.Н. Элементы теории оптимальных систем. М.: Наука, 1974.

- 526 с.

72. Моррис У. Наука об управлении: Байесовский подход. М.: Мир, 1971.

73. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М.:

Мир, 1991. - 464 с.

74. Новиков Д.А. Закономерности итеративного научения. М.: ИПУ РАН, 1998. – 96 с.

75. Новиков Д.А. Механизмы стимулирования в моделях активных систем с нечеткой неопределенностью. М.: ИПУ РАН, 1997. - 101 с.

76. Новиков Д.А. Механизмы функционирования многоуровневых организационных систем. М.: Фонд "Проблемы управления", 1999. - 150 с.

77. Новиков Д.А. Обобщенные решения задач стимулирования в активных системах. М.: ИПУ РАН, 1998. - 68 с.

78. Новиков Д.А., Петраков С.Н. Курс теории активных систем. М.:

СИНТЕГ, 1999. – 108 с.

79. Новиков Д.А. Стимулирование в социально-экономических системах (базовые математические модели). М.: ИПУ РАН, 1998. - 216 с.

80. Ногин В.Д., Протодьяконов И.О., Евлампиев И.И. Основы теории оптимизации. М.: Высшая школа, 1986. – 384 с.

81. Орлов А.И. Устойчивость в социально-экономических моделях М.:

Наука, 1979. - 218 с.

82. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 206 с.

83. Оуэн Г. Теория игр. М.: Мир, 1971. - 230 с.

84. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.:

Высшая школа, 1989. - 367 с.

85. Петраков С.Н. Условия существования эквивалентных прямых механизмов для непрямых механизмов планирования общего вида / «Управление в социально-экономических системах». Сборник трудов молодых ученых ИПУ РАН. М.: Фонд «Проблемы управления», 2000.

86. Петросян Л.А., Зенкевич Н.А., Семина Е.А. Теория игр. М.: Высшая школа, 1998. - 304 с.

87. Поспелов Г.С., Ириков В.А., Курилов А.Е. Процедуры и алгоритмы формирования комплексных программ. М.: Наука, 1985. – 424 с.

88. Поспелов Г.С., Ириков В.А. Программно-целевое планирование и управление. М.: Советское радио, 1976. - 344 с.

89. Санталайнен Т. Управление по результатам. М.: Прогресс, 1988.-320с.

90. Толковый словарь по управлению проектами / Под ред. В.К. Иванец, А.И. Кочеткова, В.Д. Шапиро, Г.И. Шмаль. М.: ИНСАН, 1992.

91. Симионова Н.Е. Управление реформированием строительных организаций. М.: Синтег, 1998. – 224 с.

92. Технология и опыт вывода предприятия из критического и банкротного состояния в конкурентоспособное / Под. ред. В.А. Ирикова.

Москва, 1996. – 232 с.

93. Управление проектами. Зарубежный опыт / Под. ред. В.Д. Шапиро. С. Пб.: «ДваТрИ», 1993. – 443 с.

94. Управление проектами / Общая редакция – В.Д. Шапиро. С.-Пб.:

«ДваТрИ», 1996. – 610 с.

95. Фольмут Х.Й. Инструменты контроллинга. М.: Финансы и статистика, 1998. – 288 с.

96. Форд Л., Фалкерсон Д. Потоки в сетях. М.: Мир, 1966. – 276 с.

97. Цыганов В.В. Адаптивные механизмы в отраслевом управлении М.:

Наука, 1991. - 166 с.

98. Цыпкин Я.З. Основы информационной теории идентификации. М.:

Наука, 1984. – 336 с.

99. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1975. – 688 с.

100. Эткинд Ю.Л. Организация и управление строительством. Свердловск:

УГУ, 1991. – 312 с.

101. Янг С. Системное управление организацией. М.: Советское радио, 1982. - 456 с.

102. Abba W.F. Beyond communicating with earned value: managing integrated cost, schedule and technical performance / PMI Symposium. New Orleans, 1995. P. 2 – 6.

103. Abba W. Interview // Program Analyst. Office of the Under Secretary of Defense. Washington.

104. Arrow K.J. Social choice and individual values. Chicago: Univ. of Chicago, 1951. - 204 p.

105. Azariadis C. Implicit contracts and underemployment equilibria // Journal of Political Economy. 1975. N 6. P. 1183 - 1202.

106. Badiru A.B. Activity-resource assignment using critical resource diagramming // International Journal of Project Management. 1993. Vol. 24. N 3. P. 15 – 21.

107. Baily M. Wages and employment under uncertain demand // Review of Economic Studies. 1974. Vol. 41. N 125. P. 37 - 50.

108. Barr Z. Earned value analysis: a case study // PM Network. 1996. N 12. P.

31 – 37.

109. Bubshait K.A., Selen W.J. Project characteristics that influence the implementation of Project Management techniques: a survey // International Journal of Project Management. 1992. Vol. 23. N 2. P. 43 – 47.

110. Burkov V.N. Problems of optimal distribution of resources // Control and Cybernetics. 1972. Vol. 1. N. 1/2.

111. Buttle T. A Hitchhiker’s guide to Project Management / PMI Symposium.

Chicago, 1997. P. 89 – 97.

112. Christinsen D.S. A review of cost/schedule control systems criteria literature // International Journal of Project Management. 1994. Vol. 25. N 3. P.

32 – 39.

113. Christensen D.S. An analysis of costs overruns on defense acquisition contracts // International Journal of Project Management. 1993. Vol. 24. N 3. P.

43 – 48.

114. Christensen D.S. The estimate at complete problem: a review of three studies // International Journal of Project Management. 1993. Vol. 24. N 1. P.

37 – 42.

115. Coleman J.H. Using cumulative event curves on automotive programs / PMI Symposium. Pittsburgh, 1992. P. 101 – 107.

116. Connely A. Ad-hoc hierarchies for flat-flexible organizations / PMI Symposium. Pittsburgh, 1992. P. 329 – 335.

117. Cooper K.G. The rework cycle: benchmarks for the Project manager // International Journal of Project Management. 1993. Vol. 24. N 1. P. 17 – 22.

118. Cooper K.G. The rework cycle: why projects are mismanaged // PM Network. 1993. N 2. P. 5 – 7.

119. Dasgupta P., Hammond P., Maskin E. The implementation of social choice rules: some general results on incentive compatibility // Review of Economic Studies. 1979. Vol. 46. № 2. P. 185 - 216.

120. Devaux S.A. When the DIPP dips // International Journal of Project Management. 1992. Vol. 22. N 3. P. 45. – 49.

121. Fieldman R.E. Some thoughts on C/SCSC and current state of Project Management tools // PM Network. 1993. N 10. P. 6 – 8.

122. Fleming Q.W., Hoppelman J.M. Earned value Project Management. PMI, 1996. – 141 p.

123. Fleming Q.W., Hoppelman J.M. Forecasting the final costs and schedule results // PM Network. 1996. N 1. P. 13 – 18.

124. Fleming Q.W., Hoppelman J.M. Monitoring performance against the baseline // PM Network. 1995. N 9. P. 9 – 14.

125. Fleming Q.W., Hoppelman J.M. Taking step four with earned value:

establish the Project baseline // PM Network. 1995. N 5. P. 26 – 29.

126. Fleming Q.W., Hoppelman J.M. Taking step one with earned value: scope the Project // PM Network. 1994. N 5. P. 22 – 24.

127. Fleming Q.W., Hoppelman J.M. Taking step two with earned value: plan and schedule the Project // PM Network. 1994. N 9. P. 35 – 37.

128. Fleming Q.W., Hoppelman J.M. Taking step three with earned value:

estimate and budget resources // PM Network. 1995. N 1. P. 39 – 41.

129. Fleming Q.W., Hoppelman J.M. The earned value body of knowledge // PM Network. 1996. N 5. P. 11 – 16.

130. Fleming Q.W., Hoppelman J.M. The earned value concept - back to basis // PM Network. 1994. N 1. P. 27 – 29.

131. Gilyutin I. Using Project Management in a nonlinear environment // International Journal of Project Management. 1993. Vol. 24. N 4. P. 20 – 26.

132. Globerson S. Effective Management of Project process / PMI Symposium.

New Orleans, 1995. P. 381 - 387.

133. Grossman S., Hart O. An analysis of the principal-agent problem // Econometrica. 1983. Vol. 51. N 1. P. 7 - 45.

134. Groves T., Radner R. The allocation of resources in a team // Journal of Economic Theory. 1972. Vol. 4. N 2. P. 415 - 441.

135. Hart O.D., Holmstrom B. Theory of contracts // Advances in economic theory. 5th world congress. Cambridge: Cambridge Univ. Press, 1987. P. 71 155.

136. Hart O.D. Optimal labor contracts under asymmetric information: an introduction // Review of Economic Studies. 1983. Vol. 50. N 1. P. 3 - 35.

137. Hatfield M.A. Managing to the corner cube: three-dimensional Management in a three-dimensional world // International Journal of Project Management. 1995. Vol. 26. N 1. P. 13 – 20.

138. Hurwicz L. On informationally decentralized systems / Decision and organization. Amsterdam: North-Holland Press, 1972. P. 297 - 336.

139. Hatfield M.A. The case for earned value // PM Network. 1996. N 12. P. – 27.

140. Ingram T. Client/Server: Imaging and earned value: a success story / PM Network. 1995. N 12. P. 21 – 25.

141. Marchak J., Radner R. Economic theory of teams. New Haven - London:

Yale Univ. Press, 1976. - 345 p.

142. Matsuura N., Yonts M.G. Monitoring and rewarding multiple projects using a weighted performance index in a performance-based contract / PMI Symposium. Chicago, 1997. P. 142 – 146.

143. Myerson R.B. Game theory: analysis of conflict. London: Harvard Univ.

Press, 1991. - 568 p.

144. Myerson R.B. Optimal coordination mechanisms in generalized principal agent problems // Journal of Mathematical Economy. 1982. Vol.10. №1.

P. 67 - 81.

145. Newell M. Estimating techniques that will revolutionize your projects / PMI Symposium. Boston, 1996. P. 1 – 5.

146. Peters T.J., Watermann R.H. In search of excellence. NY: H&R, 1982. 360 p.

147. Primavera Project Planner: Manual Guide.

148. Project Management software survey // PM Network. 1996. N 9. P. 27–40.

149. Robinson P.B. The performance measurement baseline – a statistical view // PM Network. 1997. N 6. P. 47 – 52.

150. Simon H. Administrative behavior. N.Y.: Frece Press, 1976. - 364 p.

151. Singh A. A taxonomy of practical Project cost forecasting techniques / PMI Symposium. Chicago, 1997. P. 198 – 204.

152. Singh A. Earned value analysis interface with line of balance / PMI Symposium. Chicago, 1997. P. 193 – 197.

153. Singletary N. What’s the value of earned value // PM Network. 1996.

№ 12. P. 28 – 30.

154. Tabtabai H.M. Forecasting Project completion date using judgmental analysis / PMI Symposium. Pittsburgh, 1992. P. 436 – 440.

155. Tabtabai H.M. Modeling knowledge and experience to predict Project performance / PMI Symposium. Boston, 1996. P. 1 – 4.

156. Taylor F.W. The principles of scientific Management / Vroom V.H.

Industrial social psychology / The Handbook of Social Psychology. Vol. 5.

N.Y.: Addison-Wesley, 1969. P. 200 - 208.

157. Thambhain H.J. Best practices for controlling technology-based projects according to plan / PMI Symposium. New Orleans, 1995. P. 550 – 559.

158. Wilkens T.T. An effective model for applying earned value to any Project / PMI Symposium. Vancouver, 1994. P. 170 – 177.

159. Wilkens T.T. Are you being mislead by your progress Gantt’s chart // PM Network. 1997. N 8. P. 42 – 45.

160. Wilkens T.T. Earned value: clear and simple / PMI Symposium. Chicago, 1997. P. 54 – 60.

161. Wilkens T.T. Earned value: sounds basic for revenue recognition // PM Network. 1991. N 11. P. 28 – 32.

Pages:     | 1 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.