Разработка AI-системы оптимизации строительного графика

Разработка AI-системы оптимизации строительного графика

Строительный график — сотни взаимосвязанных работ с ресурсными ограничениями. Традиционные инструменты (MS Project, Primavera P6) требуют ручного планирования. AI автоматизирует создание оптимального графика и динамически пересчитывает его при отклонениях.

Автоматическое составление графика

Resource-Constrained Project Scheduling (RCPSP):

Задача строительного расписания: N работ с predecessor/successor зависимостями, R видов ресурсов (бригады, краны, опалубка) с ограниченной доступностью → минимизировать общий срок.

from ortools.sat.python import cp_model

def schedule_construction_project(tasks, dependencies, resources, resource_limits):
    """
    tasks: [{'id', 'duration_days', 'resource_demand': {type: qty}}]
    dependencies: [(task_a, task_b)] — b начинается после a
    resources: {'rebar_crew': 5, 'formwork_crew': 3, 'tower_crane': 2}
    """
    model = cp_model.CpModel()
    horizon = sum(t['duration_days'] for t in tasks) + 10  # мин. возможный срок

    task_vars = {}
    for task in tasks:
        start = model.NewIntVar(0, horizon, f"start_{task['id']}")
        end = model.NewIntVar(0, horizon, f"end_{task['id']}")
        interval = model.NewIntervalVar(start, task['duration_days'], end, f"interval_{task['id']}")
        task_vars[task['id']] = {'start': start, 'end': end, 'interval': interval}

    # Зависимости (precedence constraints)
    for pred_id, succ_id in dependencies:
        model.Add(task_vars[succ_id]['start'] >= task_vars[pred_id]['end'])

    # Ресурсные ограничения: кумулятивная нагрузка не превышает лимит
    for resource_type, capacity in resource_limits.items():
        intervals = []
        demands = []
        for task in tasks:
            if resource_type in task.get('resource_demand', {}):
                intervals.append(task_vars[task['id']]['interval'])
                demands.append(task['resource_demand'][resource_type])
        if intervals:
            model.AddCumulative(intervals, demands, capacity)

    # Целевая функция: минимизировать время завершения проекта
    project_end = model.NewIntVar(0, horizon, 'project_end')
    model.AddMaxEquality(project_end, [task_vars[t['id']]['end'] for t in tasks])
    model.Minimize(project_end)

    solver = cp_model.CpSolver()
    solver.parameters.max_time_in_seconds = 60.0
    status = solver.Solve(model)

    if status in [cp_model.OPTIMAL, cp_model.FEASIBLE]:
        return {t['id']: solver.Value(task_vars[t['id']]['start']) for t in tasks}
    return None

Прогноз нарушений графика

Early Warning система:

ML-модель предсказывает работы, которые задержатся:

• Признаки: текущий процент выполнения vs. плановый, темп выполнения последних 5 дней
• Доступность ресурсов: погода (рабочих дней меньше), поставки материалов
• Тип работы: бетонные (зависят от погоды), монтаж (зависят от поставок)

import lightgbm as lgb
import pandas as pd

def predict_schedule_delay(task_progress_df, project_context):
    """
    Прогноз задержки для каждой незавершённой работы.
    task_progress_df: ежедневные отчёты о выполнении работ
    """
    features = task_progress_df.copy()

    # Ключевые признаки
    features['planned_vs_actual'] = (features['actual_pct'] -
                                     features['planned_pct_today'])
    features['velocity_7d'] = features['actual_pct'].diff(7) / 7  # % в день
    features['required_velocity'] = ((100 - features['actual_pct']) /
                                     (features['days_remaining'] + 1))
    features['velocity_gap'] = features['required_velocity'] - features['velocity_7d']

    # Контекстные признаки
    features['rain_days_forecast'] = project_context.get('rain_days_next7', 0)
    features['resource_availability'] = project_context.get('crew_availability', 1.0)
    features['material_on_site'] = features['material_stock_days']

    model = lgb.LGBMRegressor()  # предобученная модель
    delay_predictions = model.predict(features[feature_cols])

    return delay_predictions  # в рабочих днях

Динамический пересчёт при отклонениях

Сценарный анализ:

При задержке критической работы — автоматический пересчёт:

1. Определить affected downstream tasks (все последователи)
2. Проверить: есть ли буфер (float) или критический путь?
3. Предложить варианты recovery:
   • Добавить ресурсы на задержавшуюся работу
   • Перепланировать параллельные работы
   • Скорректировать scope (если допустимо)

Crash Analysis:

Что если сжать сроки: какие работы сжимать при минимальных дополнительных затратах?

• Crash cost per day для каждой работы (удвоить бригаду = +N руб/день, -M дней)
• Linear Programming: минимизировать дополнительные затраты для достижения target срока

Управление ресурсами

Планирование поставок:

Look-ahead schedule: какие материалы нужны через 2–4 недели → автоматические заявки на поставку:

• Реестр работ + нормы расхода → ведомость материалов по периодам
• Буфер: 10–15% запас на складе от недельной потребности
• Alert: материал заканчивается через 5 дней, а lead time поставщика 7 дней

Workforce planning:

Прогноз потребности в бригадах и специальностях по дням:

• Пик в опалубочных работах: нужны 3 бригады × 5 человек
• Спад: 1 бригада на зачистку
• Вывод: предупредить прораба о пиках за 2 недели для найма/привлечения

Срок разработки: 3–5 месяцев для системы автоматического планирования графика, прогноза задержек и динамического пересчёта с интеграцией в Primavera P6 / MS Project.