Forming the Generations of New Technological Products as a Set Covering Problem

Cover Page

Cite item

Full Text

Abstract

The development of any enterprise implies improving its control mechanisms for the manager to make decisions based on the achievements of science rather than intuitive ideas of his (or her) personal experience. It is necessary to improve the model-building process in order to eliminate the coinciding peaks of resource consumption when working on multiple projects. For this purpose, the concept of a generation of new technological products can be adopted: a new product is formed from separate prototypes (operating models), which can serve to determine some features of the project under development. Naturally, it is unreasonable to include the entire model range in the generation of new technological products: one should select the minimum number of prototypes required. This problem belongs to the class of set covering problems: complete covering (when the selected prototypes must possess the entire set of properties possessed by the model series under development) or partial covering (when the selected prototypes must possess only some of these properties). Exact algorithms and approximate heuristic algorithms are presented to solve both problems.

About the authors

S. A Barkalov

Voronezh State Technical University

Email: bsa610@yandex.ru
Voronezh, Russia

V. N Burkov

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: vlab17@bk.ru
Moscow, Russia

P. N Kurochka

Voronezh State Technical University

Email: kpn55@ramler.ru
Voronezh, Russia

E. A Serebryakova

Voronezh State Technical University

Email: sea-parish@mail.ru
Voronezh, Russia

References

  1. Асатурова Ю.М., Хватова Т.Ю. Повышение инновационной активности предприятий в условиях дефицита финансов // Научно-технические ведомости СПбГПУ. Экономические науки. – 2019. – Т. 12, № 1. – С. 132–145. [Asaturova, Yu.M., Khvatova, T.Y. Improving Innovative Activity of Enterprises in Conditions of Financial Deficit / St. Petersburg State Polytechnical University Journal. Physics and Economics. – 2019. – Vol. 12, no. 1. – P. 132–145. (In Russian)]
  2. Курочка П.Н., Чередниченко Н.Д. Задачи ресурсного планирования в строительном проекте // Труды XII всероссийского совещания по проблемам управления (ВСПУ-2014). – Москва, 2014. – С. 4745–4753. [Kurochka, P.N., Cherednichenko, N.D. Zadachi resursnogo planirovaniya v stroitel'nom proekte. / Trudy XII vserossijskogo soveshchaniya po problemam upravleniya (VSPU-2014). – Moscow, 2014. – S. 4745–4753. (In Russian)]
  3. Новиков Д.А., Иващенко А.А. Модели и методы организационного управления инновационным развитием фирмы. – М.: КомКнига, 2006. – 332 с. [Novikov, D.A., Ivashchenko, A.A. Modeli i metody organizacionnogo upravleniya innovacionnym razvitiem firmy. – M.: KomKniga, 2006. – 332 s. (In Russian)]
  4. Белов М.В. Оптимальное управление жизненными циклами сложных изделий, объектов, систем // Проблемы управления. – 2022. – № 1. – С. 19–32. [Belov, M.V. Optimal Control of the Life Cycle of Complex Systems / Control Sciences. – 2022. – No. 1. – P. 15–26.]
  5. Курочка П.Н., Сеферов Г.Г. Модель управления объемами незавершенного производства при произвольной связи между работами проекта // Вестник Воронежского государственного технического университета. – 2011. – Т. 7, № 4. – С. 178–182. [Kurochka, P.N., Seferov, G.G. Model' upravleniya ob"emami nezavershennogo proizvodstva pri proizvol'noj svyazi mezhdu rabotami proekta // Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta. – 2011. – Vol. 7, no. 4. – S. 178–182. (In Russian)]
  6. Barkalov, S.A., Kurochka, P.N. Model for determining the term of execution of subcontract works // Proceedings of 2017 tenth international conference “Management of large-scale system development (MLSD)”. – Moscow, 2017. – doi: 10.1109/MLSD.2017.8109598.
  7. Moncef, E. Stochastic calculus in a risk model with stochastic return on investments / Stochastics. – 2021. – Vol. 93. – P. 110–129.
  8. Fox, W.P., Burks, R. Mathematical programming: linear, integer, and nonlinear optimization in military decision-making / In: Applications of Operations Research and Management Science for Military Decision Making. – New York: Springer, 2019. – P. 137–191.
  9. Knight, F. Risk, Uncertainty and Profit. – Boston and New York: Houghton Mifflin, 1921. – 381 p.
  10. Кофман А., Анри-Лабордер А. Методы и модели исследования операций. – М.: Мир, 1977. – 432 с. [Kofman, A., Anri-Laborder, A. Metody i modeli issledovaniya operacij. – M.: Mir, 1977. – 432 s. (In Russian)]
  11. Кристофидес Н. Теория графов. Алгоритмический подход. – М.: Мир, 1978. – 435 с. [Christofides, N. Graph theory : an algorithmic approach. – London: Academic Press, 1975. – 400 p.]
  12. Селезнева И.Е., Клочков В.В., Егошин С.Ф. Математическая модель межотраслевой координации стратегий развития (на примере здравоохранения и авиастроения) // Управление большими системами. – 2022. – Вып. 99. – С. 57–80. [Selezneva, I.E., Klochkov, V.V., Egoshin, S.F. Mathematical Model of Intersectoral Coordination of Development Strategies (on the Example of Healthcare and Aircraft Industry) // Large-Scale System Control. – 2022. – Iss. 99. – P. 57–80. (In Russian)]
  13. Медведев С.Н. Жадные и адаптивный алгоритмы решения задачи маршрутизации транспортных средств с несколькими центрами с чередованием объектов // Автоматика и телемеханика. – 2023. – Вып. 3. – С. 139–168. [Medvedev, S.N. Greedy and Adaptive Algorithms for Multi-Depot Vehicle Routing with Object Alternation // Automation and Remote Control. – 2023. – Vol 84, iss. 3. – P. 341–364.]
  14. Дранко О.И. Модель финансового прогнозирования и сценарии внутренних инвестиций // Проблемы управления. – 2007. – № 1. – С. 37–40. [Dranko, O.I. A Financial Prediction Model and Home Investment Scenarios // Control Sciences. – 2007. – No. 1. – P. 37–40. (In Russian)]
  15. Бурков В.Н., Буркова И.В. Задачи дихотомической оптимизации. – М.: Радио и связь, 2003. – 156 с. [Burkov, V.N., Burkova, I.V. Zadachi dihotomicheskoj optimizacii. – M.: Radio i svyaz', 2003. – 156 s. (In Russian)]

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».