Агентная симуляция для многоресурсного планирования разнесённых нетипичных повторяющихся проектов

Почему планировать разнесённые проекты так сложно

Когда телефонная компания развертывает десятки новых вышек по всей стране или коммунальная служба обновляет разрозненные подстанции, на бумаге работа выглядит просто: повторять похожие операции на множестве объектов. На практике планировщикам приходится учитывать бригады, которые ездят на большие расстояния, непредсказуемые задержки и жёсткие сроки. Традиционные инструменты, такие как таблицы и диаграммы Ганта, плохо отражают эту подвижную картинку, что часто приводит к лишним поездкам, простаивающим бригадам и проектам, которые тянутся намного дольше, чем ожидалось. В этой статье представлено компьютерное решение, которое моделирует бригады и объекты как цифровых «агентов», перемещающихся по карте, и показывает, как более умные маршрутизация и расписание могут существенно сократить сроки таких сложных программ.

Много мелких работ — большие логистические проблемы

Исследование сосредоточено на том, что авторы называют разнесёнными нетипичными повторяющимися проектами: представьте более 100 телеком-вышек, разбросанных по городам, пустыням и деревням, каждая с небольшими отличиями в конструкции и времени строительства. Проблема не только в том, когда запускать каждый объект, но и в том, какой подрядчик должен выполнять какую площадку, в каком порядке и как удерживать бригаду занятыми, а не сидящими в машинах или ожидающими документов. Классические методы планирования, такие как метод критического пути или «линейное уравновешивание», хорошо работают для прямых дорог или одинаковых этажей жилых зданий, но слабеют, когда объекты далеко друг от друга, условия различаются, а неожиданные сбои — например, задержки с разрешениями или проблемы с доступом — распространены.

Преобразование бригад и объектов в цифровых акторов

Чтобы справиться с этим, авторы создают агентную модель симуляции, связанную с реальными геоданными. Каждый строительный объект — это программный агент с собственной локацией, типом (например, новая вышка на открытой местности или оборудование, добавляемое к существующей конструкции) и ожидаемой продолжительностью работ. Каждый подрядчик — ещё один агент, описанный точками, откуда начинают бригады, видами объектов, которые они квалифицированы обслуживать, и числом одновременно выполняемых работ. Эти агенты «живут» в среде на карте и следуют простым правилам: когда бригада заканчивает один объект, она ищет ближайший ещё не завершённый объект, на котором ей разрешено работать, и едет туда. Модель также вводит случайные задержки, отражающие погоду, разрешения или проблемы с доставкой, поэтому каждый прогон симуляции даёт немного отличающуюся, но реалистичную историю проекта.

Добавление умного поиска поверх симуляции

Поскольку существует множество способов распределить десятки объектов между несколькими подрядчиками, исследователи добавляют слой оптимизации, вдохновлённый биологической эволюцией. Компьютер генерирует множество альтернативных схем распределения — разные способы деления пула объектов между подрядчиками — и для каждой схемы многократно запускает симуляцию, чтобы увидеть, сколько времени займёт вся программа. За многие циклы система сохраняет более удачные схемы и комбинирует их, создавая новые, постепенно сходясь к сочетаниям бригад и объектов и маршрутам, которые завершаются быстрее. Параллельно модель автоматически фиксирует показатели эффективности, такие как время в пути каждой бригады, частота простоя и степень загрузки бригад.

Полевой тест на реальном телеком-проекте

Фреймворк протестирован на крупной программе развертывания телеком-инфраструктуры в Египте, включающей 138 вышек трёх основных типов: полностью новые «Greenfield»-вышки, крыши зданий и быстрые обновления «sharing» на существующих конструкциях. Авторы используют реальные координаты площадок, депо подрядчиков, реалистичные календари и статистику задержек, взятую из журналов проекта. Затем они сравнивают свои смоделированные графики с исходным планом компании в Excel, который предусматривал около 100 дней на завершение программы. При тех же подрядчиках и полевых ограничениях агентный подход стабильно завершал работы примерно за 49–56 дней в двадцати независимых прогонах симуляции, снижая среднюю продолжительность до примерно 54 дней — сокращение на 46 процентов. Модель также показывает, какие подрядчики больше всего ездят, где по-прежнему встречаются дальние назначения и насколько эффективно бригады загружены при разных сценариях ёмкости и специализации.

Что это значит для будущих проектов

Проще говоря, исследование демонстрирует: если рассматривать бригады и объекты как взаимодействующих акторов на карте и позволить компьютеру исследовать множество вариантов маршрутов и распределения ресурсов в условиях неопределённости, разросшуюся, разнесённую программу можно превратить в гораздо более эффективную операцию. Вместо вручную собранных таблиц, игнорирующих географию и случайности, планировщики могут использовать такую систему для тестирования сценариев «что если», видеть, как поездки и задержки распространяются по графику, и выбирать распределения бригад, которые надёжно приводят к более раннему завершению. Хотя текущая модель сосредоточена на времени и пока не оптимизирует затраты или расход топлива, её успех на реальном раскатном телеком-проекте указывает, что агентная симуляция с учётом карты в сочетании с оптимизацией может стать практичным инструментом принятия решений для многих видов географически распределённых строительных и инфраструктурных программ.

Цитирование: Sultan, R.A., Hamdy, K. & Essawy, Y.A.S. Agent-based simulation for multi-resource-constrained scheduling of scattered atypical repetitive projects. Sci Rep 16, 11759 (2026). https://doi.org/10.1038/s41598-026-42832-1

Ключевые слова: агентная симуляция, планирование строительства, географически разнесённые проекты, распределение бригад, телеком-инфраструктура