CN115130828A - 一种敏捷研发项目的冲刺划分及其排序优化方法及装置 - Google Patents
一种敏捷研发项目的冲刺划分及其排序优化方法及装置 Download PDFInfo
- Publication number
- CN115130828A CN115130828A CN202210635207.0A CN202210635207A CN115130828A CN 115130828 A CN115130828 A CN 115130828A CN 202210635207 A CN202210635207 A CN 202210635207A CN 115130828 A CN115130828 A CN 115130828A
- Authority
- CN
- China
- Prior art keywords
- sprint
- research
- agile
- strength
- rework
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012827 research and development Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 150
- 230000003993 interaction Effects 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 18
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000003012 network analysis Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 6
- 238000005192 partition Methods 0.000 description 4
- 230000009192 sprinting Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000005056 compaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种敏捷研发项目的冲刺划分及其排序优化方法及装置，涉及项目管理技术领域。包括以下步骤：通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；基于连接强度，通过两阶段聚类方法进行冲刺划分；对所得冲刺的返工概率和返工影响强度进行测度；基于冲刺的返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目的冲刺划分及其排序优化。本发明提供的冲刺划分及其排序优化方法可以有效划分出独立性、自主性较高的敏捷冲刺，同时能够缩短敏捷研发项目的工期、降低协调/沟通成本。本发明可以促进敏捷研发项目的成功实施。
Description
技术领域
本发明涉及项目管理技术领域，特别是指一种敏捷研发项目的冲刺划分及其排序优化方法及装置。
背景技术
数字化转型背景下，越来越多的企业采用了敏捷研发方式。敏捷冲刺是加快敏捷研发流程的关键和核心，决定着项目的成功与失败。但缺乏解决敏捷冲刺划分及其执行顺序问题的技术与方法。一方面，划分问题属于模块化设计问题，可以采用聚类的方法实现。常见的聚类方法有：考虑元素相似性的谱聚类和层次聚类方法；考虑依赖关系的两阶段聚类方法等。执行顺序问题属于排序优化问题，可以采用求解优化目标函数的方法实现。排序优化目标函数有：最小化总协调成本、最大化压缩工期和最小化迭代时间等。
此外，依赖结构矩阵(Dependency Structure Matrix,DSM)作为一种展示系统内元素间交互作用的结构化方法，被广泛地应用于复杂系统的建模。DSM能够通过可视化的方法识别、分析和管理研发活动间的交互关系。同时，社会网络分析(Social NetworkAnalysis,SNA)是分析与量化复杂网络的重要方法，连接强度(Tie Strange)是核心评价指标。
首先，通常的聚类方法包括：谱聚类、层次聚类、K-means聚类等。敏捷冲刺的本质是紧密联系的一组研发活动，但现有研究主要以研发项目的组织架构和产品架构为研究对象展开聚类研究，忽略了以研发流程DSM为优化对象进行聚类方法的设计。
其次，现有方法中涉及的流程DSM排序优化目标函数包括：最小化总协调成本、最大化压缩工期、最小化反馈距离、最小化迭代数量、最小化迭代时间等。但以上方法均是针对单个活动的排序优化，没有考虑以活动组(冲刺)为对象进行排序优化。
发明内容
针对现有技术中产生的均是针对单个活动的排序优化，没有考虑以活动组(冲刺)为对象进行排序优化的问题，本发明提出了一种敏捷研发项目的冲刺划分及其排序优化方法及装置。
为解决上述技术问题，本发明提供如下技术方案：
一方面，提供了一种敏捷研发项目的冲刺划分及其排序优化方法，其特征在于，包括以下步骤：
S1：通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；通过交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
S2：基于连接强度，通过两阶段聚类方法进行冲刺划分；
S3：对所得冲刺的返工概率和返工影响强度进行测度；
S4：基于返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化。
可选地，步骤S1中，通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度，包括：
构建如下述公式(1)的测度敏捷研发项目上下游活动之间的二元交互强度的函数模型：
其中，λ表示研发团队解决问题和减少不确定性的能力与经验，能力越强、经验越丰富，则λ越小；反之，则越大，λ>0；Di和Dj分别表示i、j的持续时间，Tov(i,j)是两个活动的重叠时间，IFR(i,j)表示活动间的接口数量比。
可选地，步骤S1中，基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度，包括：
根据下述公式(2)计算活动间的连接强度TS：
其中，IS(i,j)表示活动i与活动j之间的交互强度；
表示活动i在网络中的出度与入度之和。
可选地，步骤S2中，基于连接强度，通过两阶段聚类方法进行冲刺划分，包括：
S21：以最大化增加的类内外连接强度比ATSR为聚类准则，对所述连接强度进行聚类；
S22：以最小化与聚类相关的总协调成本TCCc为聚类准则进行聚类，对S21结果再次进行聚类，完成划分得到冲刺。
可选地，S3中，对所得冲刺的返工概率和返工影响强度进行测度，包括：
S31：通过DSM描述活动间的返工概率，对冲刺间的返工概率进行计算；
S32：通过DSM描述活动间的返工影响强度，对冲刺间的返工影响强度进行计算。
可选地，步骤S31中，根据下述公式(3)计算单个活动的类外返工概率RP(I,J)：
其中，i是冲刺I内的活动，j是冲刺J内的活动，p是J内活动的数量。
可选地，步骤S31中，根据下述公式(4)计算冲刺间的返工概率：
其中，q是冲刺I内活动的数量。
可选地，所述步骤S32中，根据下述公式(5)和(6)计算冲刺间的返工影响强度：
可选地，步骤S4中，基于返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目的冲刺划分及其排序优化，包括：
构建以最小化与冲刺间排序相关的总协调成本为目标函数，其中流程DSM排序优化问题属于组合优化中的NP-hard问题，通过采用遗传算法求解；最终的结果即为优化后的冲刺执行顺序，完成敏捷研发项目的冲刺划分及其排序优化。
一方面，提供了一种敏捷研发项目的冲刺划分及其排序优化装置，该装置应用于电子设备，该装置包括：
测度模块，用于通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
冲刺划分模块，用于基于连接强度，通过两阶段聚类方法进行冲刺划分；
返工数据测度模块，用于对所得冲刺的返工概率和返工影响强度进行测度；
排序优化模块，用于基于返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种敏捷研发项目的冲刺划分及其排序优化方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种敏捷研发项目的冲刺划分及其排序优化方法。
本发明实施例的上述技术方案至少具有如下有益效果：
上述方案中，本发明提出一种敏捷研发项目的冲刺划分及其排序优化方法。采用DSM和SNA方法，构建了测度敏捷研发项目活动间因频繁迭代而导致的连接强度量化模型，进而提出了适用于冲刺的流程DSM聚类方法。提出了测度敏捷冲刺(活动组)返工风险的方法，在此基础上，构建了适用于冲刺的排序优化流程DSM目标函数。可以有效划分出独立性、自主性较高的敏捷冲刺，同时能够缩短敏捷研发项目的工期、降低协调/沟通成本。本发明可以促进敏捷研发项目的成功实施。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的流程图；
图2是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的流程图；
图3是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的活动间的敏捷重叠-迭代与二元交互关系图；
图4是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的活动间信息输出时间因子O的DSM矩阵图；
图5是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的活动间信息接收时间因子I的DSM矩阵图；
图6是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的接口数量IF的DSM矩阵图；
图7是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的基于ATSR的流程DSM聚类图；
图8是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的DSM排序优化过程图；
图9是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的返工概率RP矩阵图；
图10是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化方法的返工影响强度RI矩阵图；
图11是本发明实施例提供的一种敏捷研发项目的冲刺划分及其排序优化装置框图；
图12是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种敏捷研发项目的冲刺划分及其排序优化方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的敏捷研发项目的冲刺划分及其排序优化方法流程图，该方法的处理流程可以包括如下的步骤：
S101：通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
S102：基于连接强度，通过两阶段聚类方法进行冲刺划分；
S103：对所得冲刺的返工概率和返工影响强度进行测度；
S104：基于冲刺的返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化。
可选地，步骤S101中，通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度，包括：
构建如下述公式(1)的测度敏捷研发项目上下游活动之间的二元交互强度的函数模型：
其中，λ表示研发团队解决问题和减少不确定性的能力与经验，能力越强、经验越丰富，则λ越小；反之，则越大，λ>0；Di和Dj分别表示i、j的持续时间，Tov(i,j)是两个活动的重叠时间，IFR(i,j)表示活动间的接口数量比。
可选地，步骤S101中，基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度，包括：
根据下述公式(2)计算活动间的连接强度TS：
其中，IS(i,j)表示活动i与活动j之间的交互强度；
表示活动i在网络中的出度与入度之和。
可选地，步骤S102中，基于交互强度以及连接强度，通过两阶段聚类方法进行冲刺划分，包括：
S121：以最大化增加的类内外连接强度比ATSR为聚类准则，对所述连接强度进行聚类；
S122：以最小化与聚类相关的总协调成本TCCc为聚类准则进行聚类，S121结果再次进行聚类，完成划分得到冲刺。
可选地，S3中，对冲刺划分后的返工概率和返工影响强度进行测度，包括：
S131：通过DSM描述活动间的返工概率，对冲刺间的返工概率进行计算；
S132：通过DSM描述活动间的返工影响强度，对冲刺间的返工影响强度进行计算。
可选地，步骤S131中，根据下述公式(3)计算单个活动的类外返工概率RP(I,J)：
其中，i是冲刺I内的活动，j是冲刺J内的活动，p是J内活动的数量。
可选地，步骤S131中，根据下述公式(4)计算冲刺间的返工概率：
其中，q是冲刺I内活动的数量。
可选地，步骤S132中，根据下述公式(5)和(6)计算冲刺间的返工影响强度：
可选地，步骤S104中，基于冲刺间的返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化，包括：
构建以最小化与冲刺间排序相关的总协调成本为目标函数，其中流程DSM排序优化问题属于组合优化中的NP-hard问题，通过采用遗传算法求解；最终的结果即为优化后的冲刺执行顺序，完成敏捷研发项目冲刺的排序优化。
本发明实施例中，提出一种敏捷研发项目的冲刺划分及其排序优化方法。采用DSM和SNA方法，构建了测度敏捷研发项目活动间因频繁迭代而导致的连接强度量化模型，进而提出了适用于冲刺的流程DSM聚类方法。提出了测度敏捷冲刺(活动组)返工风险的方法，在此基础上，构建了适用于冲刺的排序优化流程DSM目标函数。可以有效划分出独立性、自主性较高的敏捷冲刺，同时能够缩短敏捷研发项目的工期、降低协调/沟通成本。本发明可以促进敏捷研发项目的成功实施。
本发明实施例提供了一种敏捷研发项目的冲刺划分及其排序优化方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图2所示的敏捷研发项目的冲刺划分及其排序优化方法流程图，该方法的处理流程可以包括如下的步骤：
S201：通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
一种可行的实施方式中，敏捷研发活动间因频繁的信息迭代而产生交互强度如图3所示。迭代又由它们之间的重叠时间和接口数量决定。本发明构建测度敏捷研发项目上下游活动之间的二元交互强度(即依赖强度)的函数模型，通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度，包括：
构建如下述公式(1)的测度敏捷研发项目上下游活动之间的二元交互强度的函数模型：
其中，λ表示研发团队解决问题和减少不确定性的能力与经验，能力越强、经验越丰富，则λ越小；反之，则越大，λ>0；Di和Dj分别表示i、j的持续时间，Tov(i,j)是两个活动的重叠时间，IFR(i,j)表示活动间的接口数量比。
活动间的重叠时间Tov可由信息输出时间因子O矩阵如图4所示，信息接收时间因子I矩阵如图5所示计算得到，可以表示为：
其中，Di和Dj分别表示活动i和活动j的持续时间。
本发明进一步构建接口数量IF矩阵如图6所示来计算接口数量比IFR，其表示两个活动的接口数量占它们总接口数量之和的比值：
其中，
和
分别表示i、j在整个项目中的接口数量，n表示活动的数量。
一种可行的实施方式中，在确定了活动间的交互强度后，可进一步通过社会网络分析的视角测度它们之间的连接强度。SNA视角下，信息源(上游活动i)和接收者(下游活动j)之间因存在技术性信息交互而产生连接强度TS。两个活动间的连接强度TS是指：活动i和活动j之间的交互强度占活动i与其他所有活动交互强度的比值，根据下述公式(2)计算活动间的连接强度TS：
其中，IS(i,j)表示活动i与活动j之间的交互强度；
表示活动i在网络中的出度与入度之。
S202：以最大化增加的类内外连接强度比ATSR为聚类准则，对所述连接强度进行聚类。
一种可行的实施方式中，如图7所示，第一阶段以最大化“增加的类内外连接强度比(Added Internal and External Tie Strength Ration,ATSR)”为聚类准则，其表达式为：
其中，g表示被选择活动所在的类，ng和mg分别代表g的第一个活动和最后一个活动，n表示活动总数。
和
分别表示被选择活动mg因与类内其他活动存在信息输出和信息接收关系而产生的连接强度，
表示mg与其他所有活动的总连接强度。ωS和ωA是权重系数，且满足ωS+ωA＝1。
S203：以最小化与聚类相关的总协调成本TCCc为聚类准则进行聚类，对S202的结果再次进行聚类，完成划分得到冲刺。
一种可行的实施方式中，第二阶段以最小化与聚类相关的总协调成本(TotalCoordination Cost-cluster,TCCc)为聚类准则。TCCc是指敏捷研发项目活动间因频繁信息迭代而产生的成本和时间，它由类内协调成本(Inter Cluster Cost,ICC)和类外协调成本(Extra Cluster Cost,ECC)组成。
ICC与活动的类内连接强度和沟通频率有关：
其中，M是类的个数，clg表示g的规模，TCF(clg)是第g类内活动间的沟通频率。
ECC与活动的类外连接强度和沟通频率有关：
其中，CF(cell_out)表示活动类外的沟通频率。
一种可行的实施方式中，最小化TCCc表示为：
Min TCCc＝v1×ICC+v2×ECC
其中，v1和v2是权重系数，且v1+v2＝1。
S204：通过DSM描述活动间的返工概率，对单个活动的类外返工概率、冲刺间的返工概率进行计算；
S205：通过DSM描述活动间的返工影响强度，对冲刺间的返工影响强度进行计算。
一种可行的实施方式中，如图8所示为DSM排序优化过程图。每个冲刺是由联系紧密、连接强度较高的一组活动构成。冲刺间的返工概率和影响强度由活动间的返工风险决定。本发明采用DSM描述活动的返工概率RP和返工影响强度RI如图9、图10所示。进而，冲刺间的返工概率可以分两步表示。根据下述公式(3)计算单个活动的类外返工概率RP(I,J)：
其中，i是冲刺I内的活动，j是冲刺J内的活动，p是J内活动的数量。
根据下述公式(4)计算冲刺间的返工概率：
其中，q是冲刺I内活动的数量。
同理计算冲刺J导致冲刺I发生返工的强度RI(I,J)。首先，冲刺J导致冲刺I内活动i发生返工的强度RI(I,J)表示为：
其中，i是冲刺I的活动，j是冲刺J的活动，N是活动i与冲刺J的非零RI(I,J)(即有返工影响的单元格)个数。
进一步，可得冲刺J对冲刺I的返工影响强度，它是指I内各活动的类外(与J的)平均返工量之和与I内所有活动的工作量之和的比值(此处用活动持续时间表示工作量)，可由下式(6)计算：
其中，Di是活动i的持续时间，q是冲刺I内活动的数量。
S206：基于返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化。
一种可行的实施方式中，构建以最小化与冲刺间排序相关的总协调成本为目标函数，TCCs综合反映了敏捷研发过程中下游冲刺对上游冲刺的信息迭代、以及迭代对返工时间和返工成本的影响，可由下式得到：
Min TCCs＝ω1×NC+ω2×RCT+ω3×RCC
其中，NC是指冲刺间的迭代距离和迭代个数，RCC是指冲刺的返工成本，RCT是指冲刺的返工时间。ω1、ω2、ω3是权重系数，且ω1+ω2+ω3＝1。
NC表示冲刺之间的迭代距离和迭代个数。各冲刺之间的信息反馈和多次迭代可能会产生返工成本和返工时间，因此，有必要减小迭代距离和迭代个数。NC可表示为：
其中，w(I,J)表示I和J的迭代关系，当存在迭代且可能会导致返工时，w(I,J)＝1；反之，w(I,J)＝0。α是惩罚系数，M是冲刺(活动组)的数量。
RCC和RCT可分别由式(7)和式(8)计算：
其中，CI是指冲刺I的成本(即冲刺内各活动成本的累加值)，DI是冲刺I的持续时间(即冲刺内各活动时间的累加值)。
一种可行的实施方式中，流程DSM排序优化问题属于组合优化中的NP-hard问题，通过采用遗传算法求解；最终的结果即为优化后的冲刺执行顺序，完成敏捷研发项目的冲刺划分及其排序优化。
本发明实施例中，提出一种敏捷研发项目的冲刺划分及其排序优化方法。采用DSM和SNA方法，构建了测度敏捷研发项目活动间因频繁迭代而导致的连接强度量化模型，进而提出了适用于冲刺的流程DSM聚类方法。提出了测度敏捷冲刺(活动组)返工风险的方法，在此基础上，构建了适用于冲刺的排序优化流程DSM目标函数。可以有效划分出独立性、自主性较高的敏捷冲刺，同时能够缩短敏捷研发项目的工期、降低协调/沟通成本。本发明可以促进敏捷研发项目的成功实施。
图11是根据一示例性实施例示出的一种敏捷研发项目的冲刺划分及其排序优化装置框图。参照图11，该装置300包括：
测度模块310，用于通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；通过交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
冲刺划分模块320，用于基于连接强度，通过两阶段聚类方法进行冲刺划分；
返工数据测度模块330，用于对冲刺划分后的返工概率和返工影响强度进行测度；
排序优化模块340，用于基于返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目的冲刺划分及其排序优化。
可选地，测度模块，还用于构建如下述公式(1)的测度敏捷研发项目上下游活动之间的二元交互强度的函数模型：
其中，λ表示研发团队解决问题和减少不确定性的能力与经验，能力越强、经验越丰富，则λ越小；反之，则越大，λ>0；Di和Dj分别表示i、j的持续时间，Tov(i,j)是两个活动的重叠时间，IFR(i,j)表示活动间的接口数量比。
可选地，测度模块，还用于根据下述公式(2)计算活动间的连接强度TS：
其中，IS(i,j)表示活动i与活动j之间的交互强度；
表示活动i在网络中的出度与入度之。
可选地，步冲刺划分模块320，用于以最大化增加的类内外连接强度比ATSR为聚类准则，对所述连接强度进行聚类；
以最小化与聚类相关的总协调成本TCCc为聚类准则进行聚类，对所述连接强度进行聚类。
可选地，返工数据测度模块330，用于：通过DSM描述活动间的返工概率，对冲刺间的返工概率进行计算；
通过DSM描述活动间的返工影响强度，对冲刺间的返工影响强度进行计算。
可选地，返工数据测度模块330，用于根据下述公式(3)计算单个活动的类外返工概率RP(I,J)：
其中，i是冲刺I内的活动，j是冲刺J内的活动，p是J内活动的数量。
可选地，返工数据测度模块330，用于根据下述公式(4)计算冲刺间的返工概率：
其中，q是冲刺I内活动的数量。
可选地，返工数据测度模块330，用于根据下述公式(5)和(6)计算冲刺间的返工影响强度：
可选地，排序优化模块340，用于构建以最小化与冲刺间排序相关的总协调成本为目标函数，其中流程DSM排序优化问题属于组合优化中的NP-hard问题，通过采用遗传算法求解；最终的结果即为优化后的冲刺执行顺序，完成敏捷研发项目冲刺的排序优化。
本发明实施例中，提出一种敏捷研发项目的冲刺划分及其排序优化方法。采用DSM和SNA方法，构建了测度敏捷研发项目活动间因频繁迭代而导致的连接强度量化模型，进而提出了适用于冲刺的流程DSM聚类方法。提出了测度敏捷冲刺(活动组)返工风险的方法，在此基础上，构建了适用于冲刺的排序优化流程DSM目标函数。可以有效划分出独立性、自主性较高的敏捷冲刺，同时能够缩短敏捷研发项目的工期、降低协调/沟通成本。本发明可以促进敏捷研发项目的成功实施。
图12是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)401和一个或一个以上的存储器402，其中，所述存储器402中存储有至少一条指令，所述至少一条指令由所述处理器401加载并执行以实现下述敏捷研发项目的冲刺划分及其排序优化方法的步骤：
S1：通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
S2：基于连接强度，通过两阶段聚类方法进行冲刺划分；
S3：对所得冲刺的返工概率和返工影响强度进行测度；
S4：基于返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述敏捷研发项目的冲刺划分及其排序优化方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种敏捷研发项目的冲刺划分及其排序优化方法，其特征在于，包括以下步骤：
S1：通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
S2：基于连接强度，通过两阶段聚类方法进行冲刺划分；
S3：对所得冲刺的返工概率和返工影响强度进行测度；
S4：基于冲刺的返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度，包括：
构建如下述公式(1)的测度敏捷研发项目上下游活动之间的二元交互强度的函数模型：
其中，λ表示研发团队解决问题和减少不确定性的能力与经验，能力越强、经验越丰富，则λ越小；反之，则越大，λ>0；Di和Dj分别表示i、j的持续时间，Tov(i,j)是两个活动的重叠时间，IFR(i,j)表示活动间的接口数量比。
3.根据权利要求1所述的方法，其特征在于，所述步骤S1中，基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度，包括：
根据下述公式(2)计算活动间的连接强度TS：
其中，IS(i,j)表示活动i与活动j之间的交互强度；
表示活动i在网络中的出度与入度之和。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，基于连接强度，通过两阶段聚类方法进行冲刺划分，包括：
S21：以最大化增加的类内外连接强度比ATSR为聚类准则，对所述连接强度进行聚类；
S22：以最小化与聚类相关的总协调成本TCCc为聚类准则进行聚类，对S21的结果再次进行聚类，完成划分得到冲刺。
5.根据权利要求1所述的方法，其特征在于，所述S3中，对所得冲刺的返工概率和返工影响强度进行测度，包括：
S31：通过DSM描述活动间的返工概率，对冲刺间的返工概率进行计算；
S32：通过DSM描述活动间的返工影响强度，对冲刺间的返工影响强度进行计算。
6.根据权利要求5所述的方法，其特征在于，所述步骤S31中，根据下述公式(3)计算单个活动的类外返工概率RP(I,J)：
其中，i是冲刺I内的活动，j是冲刺J内的活动，p是J内活动的数量。
7.根据权利要求5所述的方法，其特征在于，所述步骤S31中，根据下述公式(4)计算冲刺间的返工概率：
其中，q是冲刺I内活动的数量。
8.根据权利要求7所述的方法，其特征在于，所述步骤S32中，根据下述公式(5)和(6)计算冲刺间的返工影响强度：
9.根据权利要求1所述的方法，其特征在于，所述步骤S4中，基于冲刺的返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化，包括：
构建以最小化与冲刺间排序相关的总协调成本为目标函数，其中流程DSM排序优化问题属于组合优化中的NP-hard问题，通过采用遗传算法求解；最终的结果即为优化后的冲刺执行顺序，完成敏捷研发项目冲刺的排序优化。
10.一种敏捷研发项目的冲刺划分及其排序优化装置，其特征在于，所述装置适用于上述权利要求1-9中任意一项的方法，装置包括：
测度模块，用于通过依赖结构矩阵DSM测度敏捷研发项目活动间的交互强度；基于交互强度和社会网络分析SNA视角测度敏捷研发项目活动间的连接强度；
冲刺划分模块，用于基于连接强度，通过两阶段聚类方法进行冲刺划分；
返工数据测度模块，用于对所得冲刺的返工概率和返工影响强度进行测度；
排序优化模块，用于基于返工概率和返工影响强度，构建流程DSM优化目标函数，完成敏捷研发项目冲刺的排序优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635207.0A CN115130828A (zh) | 2022-06-07 | 2022-06-07 | 一种敏捷研发项目的冲刺划分及其排序优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635207.0A CN115130828A (zh) | 2022-06-07 | 2022-06-07 | 一种敏捷研发项目的冲刺划分及其排序优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115130828A true CN115130828A (zh) | 2022-09-30 |
Family
ID=83378517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210635207.0A Pending CN115130828A (zh) | 2022-06-07 | 2022-06-07 | 一种敏捷研发项目的冲刺划分及其排序优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115130828A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609799A (zh) * | 2011-12-08 | 2012-07-25 | 北京空间飞行器总体设计部 | 一种基于航天器测试信息化平台的自动编排方法 |
| CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
| CN110348623A (zh) * | 2019-07-03 | 2019-10-18 | 西安交通大学 | 基于设计结构矩阵的复杂产品开发时间预测及优化方法 |
-
2022
- 2022-06-07 CN CN202210635207.0A patent/CN115130828A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609799A (zh) * | 2011-12-08 | 2012-07-25 | 北京空间飞行器总体设计部 | 一种基于航天器测试信息化平台的自动编排方法 |
| CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
| CN110348623A (zh) * | 2019-07-03 | 2019-10-18 | 西安交通大学 | 基于设计结构矩阵的复杂产品开发时间预测及优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘志林: "复杂研发项目流程和組织的建模与优化研究" * |
| 杨娜: "基于复杂网络与设计结构矩阵的研发项目组织聚类优化研究" * |
| 杨青 等: "基于返工风险传播和预处理的研发项目流程DSM优化" * |
| 杨青 等: "研发项目中"团队-产品-功能"多领域集成与组织聚类研究" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
| Emrouznejad et al. | An overall profit Malmquist productivity index with fuzzy and interval data | |
| Pierro et al. | A user-oriented model for oracles’ gas price prediction | |
| Sillero et al. | A curated list of R packages for ecological niche modelling | |
| CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
| CN115357554A (zh) | 一种图神经网络压缩方法、装置、电子设备及存储介质 | |
| Yuan et al. | Calibration of stochastic computer models using stochastic approximation methods | |
| CN112418341A (zh) | 模型融合方法、预测方法、装置、设备及存储介质 | |
| CN112181659B (zh) | 云仿真内存资源预测模型构建方法与内存资源预测方法 | |
| US20110231336A1 (en) | Forecasting product/service realization profiles | |
| CN117370065B (zh) | 一种异常任务确定方法、电子设备及存储介质 | |
| CN115130828A (zh) | 一种敏捷研发项目的冲刺划分及其排序优化方法及装置 | |
| CN117057031A (zh) | 基于多区间几何相似度的飞行器敏感性分析方法及装置 | |
| CN114581220B (zh) | 数据处理方法、设备及分布式计算系统 | |
| CN113837552B (zh) | 一种航天型号试验鉴定指标评估方法及装置 | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
| CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
| CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
| CN114841664A (zh) | 一种多任务处理顺序确定方法及装置 | |
| Ead | Using Monte Carlo simulation to evaluate performance of forecasting models in project control | |
| CN114462760A (zh) | 一种面向自主式公交信息化系统的建设时序确定方法 | |
| Wang et al. | Prediction of fatigue crack propagation based on dynamic Bayesian network | |
| CN113688287A (zh) | 一种企业风险传染路径分析方法、装置、设备及存储介质 | |
| Yang et al. | An empirical study on optimal solutions selection strategies for effort-aware just-in-time software defect prediction | |
| CN112396430A (zh) | 用于企业评价的处理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |