基于人工智能的全生命周期自适应管理方法及系统与流程

摘要: 本发明涉及人工智能,尤其涉及一种基于人工智能的全生命周期自适应管理方法及系统。背景技术:1、随着大型工程、研发与信息化项目的复杂性不断增加,项目全生命周期管理已...
基于人工智能的全生命周期自适应管理方法及系统与流程

本发明涉及人工智能,尤其涉及一种基于人工智能的全生命周期自适应管理方法及系统。

背景技术:

1、随着大型工程、研发与信息化项目的复杂性不断增加,项目全生命周期管理已成为保障按期交付和控制成本的核心环节。在项目执行过程中,通常需要对成本、进度以及潜在风险进行持续监控与预测。然而,现有的项目管理技术在面对海量、动态的现场数据时,暴露出明显的局限性。

2、首先,项目执行过程中产生的数据多为会议纪要、工作日志、变更单等非结构化文本。现有的管理系统主要依赖人工手动填报和梳理任务关系,难以自动化、系统性地提取项目实体之间的深层逻辑依赖,导致项目状态更新存在严重滞后,且容易遗漏关键的底层关联。其次,传统的预测机制通常是孤立运作的,成本评估、进度排程与风险分类往往由不同部门使用独立的软件模型完成。这种静态、割裂的模式无法实现多维度的偏差联动分析。例如,当某一前置任务发生延期或产生资源冲突时,现有系统无法实时推演出其对全局资金消耗或后续节点风险概率的连锁反应。

3、此外,在应对突发风险或预测偏差时,现有排程技术多采用全局重排策略或仅依赖人工经验进行干预。全局重排不仅计算资源消耗大,还会打乱原本正常的并行任务,导致牵一发而动全身,增加项目执行的动荡感;而人工干预主观性强,难以在工期、成本、资源的复杂约束下快速穷举出合理的局部调整方案。同时,大多数智能辅助排程工具缺乏从结果中学习演进的能力,无法将管理人员的历史采纳或拒绝记录转化为经验,导致生成的推荐方案僵化。综上所述,现有技术因数据融合度低、多目标预测割裂、缺乏精准的局部影响评估及动态学习能力,难以满足现代复杂项目精细化管理的迫切需求。

技术实现思路

1、本发明提供了一种基于人工智能的全生命周期自适应管理方法及系统,解决了现有技术存在的项目管理中数据孤立、多目标预测割裂及全局重排代价高昂的问题。

2、本发明实施例第一方面提出一种基于人工智能的全生命周期自适应管理方法,包括:

3、从项目全生命周期的非结构化项目文档中提取项目实体及实体间的依赖关系,以项目实体为图节点,以依赖关系为边关系,构建具有动态状态属性的项目生命周期知识图谱;

4、在项目执行阶段,持续采集项目执行数据,基于项目执行数据结合项目生命周期知识图谱,计算当前阶段的多目标预测偏差以及动态风险概率;

5、当多目标预测偏差或动态风险概率超过预设阈值时,触发局部重排机制,沿项目生命周期知识图谱的边关系进行影响传播分析,识别受影响的图节点作为关联图节点并确定局部排程范围;

6、将局部排程范围转换为任务依赖子图,利用人工智能模型对任务依赖子图进行处理,生成局部任务的推荐调整方案;

7、获取针对推荐调整方案的人工处置结果,将人工处置结果作为反馈信号更新人工智能模型的模型参数,以实现全生命周期管理的自适应优化。

8、在一种可选的实现方式中,从项目全生命周期的非结构化项目文档中提取项目实体及实体间的依赖关系,以项目实体为图节点,以依赖关系为边关系,构建具有动态状态属性的项目生命周期知识图谱,包括:

9、利用基于transformer架构的文本语义解析模型,对包括项目会议纪要、工作日志和变更单在内的非结构化项目文档进行自然语言处理,提取出代表任务、责任主体、风险事件的项目实体及相互之间的依赖关系,并组装为关系三元组;

10、以关系三元组中的项目实体为图节点,以依赖关系为边关系,构建统一关联的项目生命周期知识图谱;

11、在项目生命周期知识图谱中配置时间序列监听器,当由项目执行数据驱动的实际环境状态发生变化并生成新的非结构化项目文档时,通过文本语义解析模型实时更新项目生命周期知识图谱对应图节点的动态状态属性。

12、在一种可选的实现方式中,在项目执行阶段,持续采集项目执行数据,基于项目执行数据结合项目生命周期知识图谱,计算当前阶段的多目标预测偏差以及动态风险概率,包括:

13、在项目立项阶段,基于历史相似项目数据,分别建立成本预测模型、进度预测模型和风险预测模型,以生成初始成本基线、工期基线和风险基线;

14、进入项目执行阶段后,持续接收包含实际任务完成率、设备资源投入数据以及合同变更费用的项目执行数据,利用成本预测模型和进度预测模型根据当前实际完成量不断向前滚动生成新的完工成本预测值和新的完工进度预测值;

15、分别计算新的完工成本预测值与初始成本基线的差值生成成本预测偏差,计算新的完工进度预测值与工期基线的差值生成进度预测偏差,多目标预测偏差包括成本预测偏差和进度预测偏差;

16、同时利用风险预测模型,结合项目生命周期知识图谱中对应图节点的特征权重动态更新方式,输出当前阶段的动态风险概率。

17、在一种可选的实现方式中,边关系包括任务时序依赖边及资源共享冲突边;沿项目生命周期知识图谱的边关系进行影响传播分析,识别受影响的图节点作为关联图节点并确定局部排程范围,包括:

18、将成本预测偏差、进度预测偏差或动态风险概率超过预设阈值对应的图节点标记为异常源节点;

19、以异常源节点为起点,沿项目生命周期知识图谱中定义的任务时序依赖边及资源共享冲突边执行带深度限制的广度优先搜索算法;

20、计算遍历路径上各相邻图节点的风险传播概率,当相邻图节点的累积风险传播概率高于预设的传播阈值时,将对应的相邻图节点标记为关联图节点;

21、将所有关联图节点及其内部图拓扑从项目生命周期知识图谱中提取出来,形成仅包含受影响局部网状拓扑结构的局部排程范围,从而在实际环境状态发生变化时仅锁定并更新受影响的范围。

22、在一种可选的实现方式中,人工智能模型联合了图神经网络和深度强化学习模型;将局部排程范围转换为任务依赖子图,利用人工智能模型对任务依赖子图进行处理,生成局部任务的推荐调整方案,包括:

23、利用图神经网络的图卷积层对任务依赖子图进行图节点特征提取,生成融合了节点自身状态与邻居节点拓扑信息的图嵌入向量;

24、将图嵌入向量作为状态空间特征输入至深度强化学习模型的深度q网络中;

25、构建包含任务工期不确定性的资源受限项目排程动作空间,利用深度q网络在探索过程中,引入惩罚掩码机制屏蔽违反工期上限与资源最大可用量约束的无效动作,在动作空间中进行自主试错评估;

26、输出累计期望奖励值最大的最优动作序列,将最优动作序列转换为包含局部任务执行时序调整及动态资源分配的推荐调整方案。

27、在一种可选的实现方式中,利用深度q网络在探索过程中进行自主试错评估由基于多维度奖励项加权融合构成的奖励函数驱动,奖励函数包括基础资源利用率奖励项以及复合风险惩罚项;

28、复合风险惩罚项的计算模型将当前任务节点的已知风险等级、处于关键路径上的任务关键度权重、预期发生延期导致的经济延期损失以及因频繁切换分配目标产生的资源切换成本一并量化归一化处理,形成统一的负向惩罚因子;

29、通过动态调整基础资源利用率奖励项与负向惩罚因子之间的平衡系数,指导深度q网络在复杂约束条件下生成平衡全局资源效率与核心关键节点进度的最优动作序列。

30、在一种可选的实现方式中,模型参数包括图神经网络的特征提取权重以及深度强化学习模型中状态价值评估的参数;获取针对推荐调整方案的人工处置结果,将人工处置结果作为反馈信号更新人工智能模型的模型参数,以实现全生命周期管理的自适应优化,包括:

31、通过管理系统交互界面展示推荐调整方案,并监听记录项目管理人员针对该推荐调整方案执行的完全采纳、拒绝执行或针对局部参数微调的人工处置结果;

32、以最终实际落地执行并被确认为有效的人工处置结果及其对应的项目实际推进绩效数据为基准目标,构建状态转移日志并存入经验回放池;

33、利用策略梯度下降算法从经验回放池中随机采样历史执行数据,计算深度q网络的预测评估策略与专家人工处置策略之间的交叉熵损失及奖励偏差;

34、基于交叉熵损失及奖励偏差计算反向传播梯度,动态更新模型参数。

35、在一种可选的实现方式中,在持续接收项目执行数据,利用成本预测模型和进度预测模型生成新的完工成本预测值和新的完工进度预测值,以及利用风险预测模型输出动态风险概率的过程中,建立成本预测模型、进度预测模型和风险预测模型之间的底层特征偏差联动机制;

36、当任一预测模型的预测偏差超过安全阈值时,将超过安全阈值的预测偏差及关联特征向量作为动态扰动变量跨通道输入至另外两个预测模型中;

37、具体地,当新的完工进度预测值显示特定建设任务存在超过安全阈值的延期偏差时,将该延期偏差数值及关联任务权重转化为进度惩罚因子输入成本预测模型中以同步推高新的完工成本预测值,同时将进度惩罚因子输入风险预测模型中,以直接提高资金流转相关图节点的动态风险概率,实现三维预测目标的多模态动态联动预测。

38、在一种可选的实现方式中,风险预测模型为融合了遗传算法与随机森林算法的混合人工智能分类模型;

39、风险预测模型利用遗传算法的全局启发式搜索能力,在多代种群进化过程中对影响项目进度延期与成本超支的冗余特征向量进行交叉变异与适应度评估,筛选剔除低相关性特征以提取出核心关键风险因素组合;

40、将核心关键风险因素组合作为随机森林算法的输入决策特征集,利用多棵决策树并行构建分类器对项目当前面临的风险事件类型进行分类识别,并输出量化后的动态风险概率,以保障对复杂风险环境的自适应持续预测能力。

41、本发明实施例第二方面提出一种基于人工智能的全生命周期自适应管理系统,系统包括:

42、项目状态图谱构建模块,用于从项目全生命周期的非结构化项目文档中提取项目实体及实体间的依赖关系,以项目实体为图节点,以依赖关系为边关系,构建具有动态状态属性的项目生命周期知识图谱;

43、多目标偏差预测模块,用于在项目执行阶段,持续采集项目执行数据,基于项目执行数据结合项目生命周期知识图谱,计算当前阶段的多目标预测偏差以及动态风险概率;

44、影响传播图分析模块,用于当多目标预测偏差或动态风险概率超过预设阈值时,触发局部重排机制,沿项目生命周期知识图谱的边关系进行影响传播分析,识别受影响的图节点作为关联图节点并确定局部排程范围;

45、局部智能排程模块,用于将局部排程范围转换为任务依赖子图,利用人工智能模型对任务依赖子图进行处理,生成局部任务的推荐调整方案;

46、人机协同反馈模块,用于获取针对推荐调整方案的人工处置结果,将人工处置结果作为反馈信号更新人工智能模型的模型参数,以实现全生命周期管理的自适应优化。

47、本发明实施例第三方面提出一种电子设备,包括:存储器和处理器;

48、存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,以实现如前述实施例所提出的基于人工智能的全生命周期自适应管理方法。

49、本发明实施例第四方面提出一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如前述实施例所提出的基于人工智能的全生命周期自适应管理方法。

50、有益效果:

51、本发明实施例提供的一种基于人工智能的全生命周期自适应管理方法及系统,通过从非结构化文档中提取实体与依赖关系构建动态的项目生命周期知识图谱(knowledgegraph,kg),克服了传统管理中数据孤立与人工填报滞后的局限,实现了项目要素的统一关联与状态感知。引入了多目标预测偏差与动态风险的联动监控机制,当触发阈值时,能够沿图谱进行精准的影响传播分析并锁定局部排程范围。该机制结合图神经网络(graphneural network,gnn)等模型生成局部任务的推荐调整方案,克服了传统全局重排牵涉面广的缺陷,在多重约束下提供了平衡的应对策略。构建了人机协同的闭环架构,将人工处置结果作为反馈信号持续更新模型参数。这种自适应学习机制使系统能够根据实际项目环境不断进化,提高了调整方案的贴合度,为复杂项目提供了智能化且动态演进的管理能力。