Генетический алгоритм оптимизации квалификации групп программистов

Разбиение множества профессиональных программистов на множество команд, когда программистский проект определяет требования к компетенциям в различных технологиях и инструментах программирования, представляет собой сложную комбинаторную проблему. В статье предлагается генетический алгоритм, который способен находить конкурентоспособные и высококачественные решения по разбиению за приемлемое процессорное время. Алгоритм вводит хромосомы таким образом, чтобы распределить каждого программиста в команду, определить состав команд и легко реконструировать команды в процессе оптимизации. Функция приспособленности характеризует каждую хромосому с точки зрения качества разбиения программистов. В ней учитывается средняя квалификация команд и квалификация лучших представителей команд по каждой из технологий. Функция распознает команды, которые удовлетворяют всем ограничениям проекта и являются работоспособными с этой точки зрения. Она также способна распознавать команды, которые не соответствуют требованиям и не являются работоспособными. Алгоритм определяет генетические операции отбора, скрещивания и мутации таким образом, чтобы перемещать программистов из неработоспособных команд в работоспособные, увеличивать количество работоспособных команд, обмениваться программистами между работоспособными командами, повышать компетентность каждой работоспособной команды, и, таким образом, максимально увеличивать общую квалификацию команд. Экспериментальные результаты, полученные на выборке программистов, окончивших вузы Беларуси, показывают способность генетического алгоритма находить хорошие решения для разбиения, максимизировать компетенцию команд и минимизировать количество не работающих программистов.

1. Barricelli, N.A. Symbio genetic evolution processes realized by artificial methods / N.A. Barricelli // Methodos, 1957, pp. 143–182.

2. McCall, J. Genetic algorithms for modelling and optimization / J. McCall // Journal of Computational and Applied Mathematics, Vol. 184, 2005, pp. 205–222.

3. Lamini, C. Genetic Algorithm Based Approach for Autonomous Mobile Robot Path Planning / C. Lamini, S. Benhlima, Elbekri // Procedia Computer Science, Vol. 127, 2018, pp. 180–189.

4. Thomas, D., Kovoor B. C. A Genetic Algorithm Approach to Autonomous Smart Vehicle Parking system / D. Thomas, B. C. Kovoor // Procedia Computer Science, Vol. 125, 2018, pp. 68–76.

5. Assi, M. Genetic Algorithm Analysis using the Graph Coloring Method for Solving the University Timetable Problem / Assi, M., Halawi, B., Haraty, R.A. // Procedia Computer Science, Vol. 126, 2018, pp. 899–906.

6. M. Sergeeva, D. Delahaye, C. Mancel, A. Vidosavljevic. Dynamic airspace configuration by genetic algorithm / // journal of traffic and transportation engineering 2017; 4 (3): pp. 300–314.

7. Прихожий, А. Эвристический генетический алгоритм оптимизации вычислительных конвейеров / А. А. Прихожий, А. М. Ждановский, О. Н. Карасик, М. Маттавелли // Доклады БГУИР, 2017, № 1, с. 34–41.

8. Joshi, S. Agile Development – Working with Agile in a Distributed Team Environment / S. Joshi // MSDN Magazine, 2012, Vol.27, No.1, pp.1–6.

9. Müller, J. P., Rao, A. S., Singh, M. P. A-Teams: An Agent Architecture for Optimization and Decision-Support, Proceedings 5th International Workshop, ATAL’98 Paris, France, July 4–7, 1998, pp. 261–276.

10. Прихожий, А. А. Метод оценки квалификации и оптимизация состава профессиональных групп программистов / А. А. Прихожий, А. М. Ждановский // Системный анализ и прикладная информатика. – № 2. – 2018. – С. 4–12.

11. Prihozhy, A. Genetic algorithm of optimizing the size, staff and number of professional teams of programmers /Prihozhy, A. Zhdanouski // Open Semantic Technologies for Intelligent Systems: Research Paper Collection, Issue 3. – Minsk, BSUIR, 2019. – P. 305–310.

12. Prihozhy, A.A. Analysis, transformation and optimization for high performance parallel computing / A.A. Prihozhy // Minsk, BNTU. – 2019. – 229 p.