ВведениеСтроительная отрасль в настоящее время находится в процессе цифровой трансформации [1-9]. В этой связи современное строительное производство предъявляет повышенные требования к эффективности, точности и сокращению затрат с применением информационных технологий.В то же время в условиях растущей конкуренции и увеличения объёмов работ ключевым аспектом успешного управления проектами становится оптимизация распределения задач и планирования строительных работ. Традиционные методы, основанные на ручном планировании, не позволяют оперативно учитывать множество факторов. В результате возникают простои, нерациональное использование квалифицированных кадров и увеличение транспортных издержек. Разработка автоматизированной системы распределения задач и построения маршрутов призвана решить эти проблемы. Такая система должна учитывать специализацию и компетенции каждой бригады; географические координаты бригад и строительных объектов; даты начала и среднюю продолжительность работ; экономическую ценность (прибыль) от выполнения работ на объекте.Таким образом, цель настоящей работы сводится к разработке и апробации программного комплекса, реализующего автоматическое распределение задач между строительными бригадами с одновременной оптимизацией маршрутов их перемещения, обеспечивающий максимизацию суммарной прибыли и снижение непроизводительных затрат.Материалы и методыВ основе исследования положены общенаучные методы познания, позволяющие обеспечить системность, достоверность и воспроизводимость полученных результатов.В качестве основного метода оптимизации выбран генетические алгоритм, относящийся к классу эволюционных методов стохастической оптимизации. Данный выбор обоснован результатами сравнительного анализа с альтернативными подходами, который представлен в табл.1 и показал преимущества генетического алгоритма в гибкости, способности к многокритериальной оптимизации и возможности адаптации к изменяющимся условиям.На рис. 1 представлена структура генетического алгоритма. Кандидатное решение – это один из возможных вариантов распределения всех задач по бригадам. Множество одновременно рассматриваемых вариантов – пул кандидатных решений. Один полный цикл селекции, рекомбинации, приводящий к формированию нового пула  - эволюционная итерация, а целевая функция – количественная мера  качества кандидатного решения, максимизирующая суммарную прибыль за вычетом транспортных расходов. Таблица 1Сравнение алгоритмов оптимизации№АлгоритмПреимуществаНедостаткиПрименимость к задаче123451Ветвей и границГарантированнооптимальное решениеЭкспоненциальная сложность,неэффективен при больших данных2Жадный алгоритмПростота,высокая скоростьОтсутствие локальной оптимизации,не учитывает будущие зависимости  3Табличный поискИзбегает локальных оптимумовЧувствителенк настройкам параметров4Муравьиный алгоритмРаспределенный поиск,адаптивностьМедленная сходимостьна начальном этапе5Имитация отжигаГлобальный поиск,простотаМедленная работапри большом количестве параметров6 Генетический алгоритмГибкость, параллельный поиск,учет множества параметров,легкость модификацииЗависимость от входных параметров,не гарантирует абсолютный оптимум  Рис. 1. Структура генетического алгоритмаАрхитектура системы построена по клиент-серверному принципу (рис.2). При этом серверный компонент реализован на асинхронном веб-фреймворке FastAPI, что позволяет избежать проблем при операциях ввода-вывода, обеспечивая эффективную обработку множества параллельных запросов. Клиентское приложение разработано на фреймфорке PyQt. Для визуализации географических данных использована библиотека Folium, а пользовательский интерфейс обеспечивает ввод данных, управление справочниками специализаций и отображение результатов в виде карты с маркерами объектов и бригад, а также маршрутами перемещения.Рис. 2. Клиент-серверное взаимодействие  Для оценки работоспособности системы были использованы данные по 4 производственным звеньям – бригадам с индивидуальными профилями специализации, уровень компетенции которых оценивается весовым коэффициентом от 4 до 9 и по 7 строительным объектам (A,B,C,D,E,F,G). Полученные планы сравнивались с экспертным планирование, т.е. рассчитанным вручную. В качестве базовых были приняты следующие показатели: суммарная прибыль от выполненных работ, суммарное транспортное расстояние, пройденное бригадами, а также время, затраченное на формирование плана. Каждый эксперимент проводился трехкратно с фиксацией средних значений для обеспечения статистической устойчивости результатов. РезультатыВ данном разделе представлены результаты экспериментальной апробации разработанной системы автоматического распределения задач и маршрутизации строительных бригад. Основное диалоговое окно разработанного приложения представлено на рис.3. Пример меток рабочих бригад и строительных объектов представлен на рис.4, а на рис.5 - пример меток рабочих бригад и строительных объектов. Рис. 3. Основное диалоговое окно приложения демонстрации  Рис. 4. Пример меток рабочих бригад и строительных объектов Рис. 5. Пример результата распределения задач системой Синими метками отмечены строительные объекты, а цветные метки – рабочие бригады. Также изображены пути для бригад, которые отображают очередность работ на каждом из строительных объектов.Из рис. 5 видно, что Бригада 1, базирующаяся в центральной части региона, направляется на объект B (северо-восточное направление); Бригада 2, расположенная на северо-западе, обслуживает объект F (юго-западное направление); Бригада 3 перемещается к объекту C (северное направление); Бригада 4 следует к объекту D (южное направление). Все маршруты являются кратчайшими по расстоянию, что подтверждается отсутствием пересечений и возвратных движений.Для оценки эффективности оптимизационного процесса проанализирована динамика изменения значения целевой функции  в ходе эволюционных итераций. Анализ показал, что на первых 5–7 итерациях наблюдается интенсивный рост как максимального, так и среднего значения целевой функции, после 25-й итерации темп прироста замедляется, значения стабилизируются, к 45-й итерации разница между лучшим и средним значениями сокращается до менее 5 %, что свидетельствует о сходимости алгоритма. Полученные данные подтверждают корректность выбранных параметров (размер пула – 100 кандидатов, число итераций – 50, вероятность рекомбинации – 0,8, вероятность мутации – 0,05) и достижение устойчивого оптимума.Для оценки эффективности разработанной системы проведено сопоставление с результатами экспертного (ручного) планирования. В эксперименте участвовали три специалиста в области организации строительства со стажем работы более 5 лет. Каждому эксперту было предложено разработать план распределения задач и маршрутов для тех же исходных данных. Результаты усреднены и представлены в таблице 2.Таблица 2Сравнение автоматизированного и ручного планирования№ПоказательАвтоматизированноепланированиеРучное планирование(среднее)Отклонение123451Суммарная прибыль, у.е.245 тыс.219 тыс+12%2Суммарное транспортноерасстояние, км59,874,2-19,4%3Время планирования, мин2,548-94,8 Прирост прибыли на 12 % достигнут за счёт отказа от низкорентабельных объектов (A и G), которые в ручном планировании были включены без учёта точного соотношения затрат и выгоды. Сокращение транспортных издержек на 19,4 % обусловлено более точным учётом географических координат и выбором объектов, близко расположенных к базированию бригад. Временные затраты на планирование сокращены практически в 20 раз, что подтверждает эффективность автоматизации.Полученные результаты создают основу для формулирования выводов о целесообразности внедрения разработанной системы в практику организации строительного производства.ОбсуждениеПроведённое исследование было направлено на разработку и апробацию автоматизированной системы распределения задач и маршрутизации строительных бригад на основе генетического алгоритма. Полученные результаты позволяют сформулировать ряд положений, имеющих значение для теории и практики организации строительного производства.Экспериментально установлено, что разработанный алгоритм достигает устойчивого оптимума за 45–50 эволюционных итераций при размере пула кандидатных решений, равном 100. Динамика изменения целевой функции демонстрирует классический для эволюционных методов характер: интенсивный рост на начальных итерациях с последующей стабилизацией. Коэффициент вариации значений целевой функции в серии из 30 независимых запусков не превышает 2,0 %, что свидетельствует о высокой воспроизводимости результатов. Данный факт подтверждает корректность выбранных параметров алгоритма (вероятность рекомбинации 0,8, вероятность мутации 0,05) и позволяет рекомендовать их в качестве базовых для аналогичных задач оптимизации в строительной сфере.Сравнение с ручным планированием, выполненным экспертами, показало преимущество автоматизированного подхода. Прирост суммарной прибыли составил 12,0 %, сокращение транспортных издержек – 19,4 %, что достигается за счёт двух ключевых факторов. Во-первых, алгоритм способен оценивать экономическую целесообразность включения каждого объекта в план, исключая низкорентабельные работы, которые в ручном планировании зачастую назначаются «по инерции» или в силу субъективных предпочтений. Во-вторых, использование точного расчёта расстояний позволяет минимизировать непроизводительные перемещения.Сокращение времени на формирование плана с 48 минут до 2,5 минут (более чем в 19 раз) имеет не только техническое, но и организационное значение. Оперативность планирования позволяет быстрее реагировать на изменения в проекте – перенос сроков, появление новых объектов, корректировку состава бригад, что особенно важно в условиях динамически изменяемой строительной среды, где задержки в принятии решений могут приводить к срыву графиков работ.Несмотря на полученные положительные результаты, следует указать на ряд ограничений, определяющих границы применимости разработанного подхода. Качество работы алгоритма напрямую зависит от полноты и достоверности входной информации. Некорректное определение специализаций бригад, неточное указание координат объектов или завышенная оценка прибыли могут привести к субоптимальным решениям. В реальных условиях строительного производства сбор и верификация таких данных требуют дополнительных организационных усилий.Кроме того, в текущей реализации алгоритм выполняет расчёт на основе данных, актуальных на момент запуска, и  не учитывает динамические изменения, которые могут происходить в ходе выполнения работ (например, задержки поставок материалов, временная нетрудоспособность рабочих, изменение погодных условий). Для работы в реальном времени требуется внедрение механизмов периодического пересчёта плана.Экспериментальная апробация проводилась на данных, включающих 4 бригады и 7 объектов. Хотя теоретически алгоритм масштабируется на большее количество сущностей, при значительном увеличении размерности (более 100 бригад и 200 объектов) время расчёта может возрасти, поэтому требуется дополнительное исследование производительности на больших массивах данных.ЗаключениеВ рамках выполненного исследования разработана и апробирована система автоматического распределения задач и построения маршрутов для строительных бригад, базирующаяся на генетическом алгоритме.Результаты работы открывают перспективы для ряда дальнейших исследований. Одним из ключевых является интеграция с BIM-технологиями. Автоматическое извлечение данных о задачах, сроках и объёмах работ из информационной модели здания позволит исключить ручной ввод информации и повысить актуальность исходных данных. Кроме того, актуально использование методов машинного обучения для прогнозирования продолжительности работ на основе исторических данных, а также для оценки надёжности бригад и вероятности возникновения отклонений от графика.