УПРАВЛІННЯ ЗАЛЕЖНОСТЯМИ У ПРОЄКТАХ РОЗРОБКИ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ З ВИКОРИСТАННЯМ МУЛЬТИАГЕНТНОГО ПІДХОДУ ТА НАВЧАННЯ З ПІДКРІПЛЕННЯМ

Анотація

У роботі розглянуто проблему управління залежностями у великих проєктах розробки програмного забезпечення, що характеризуються високою складністю, динамічністю вимог та невизначеністю. Запропоновано модель мультиагентної системи, яка інтегрує методи штучного інтелекту (навчання з підкріпленням) для адаптивного управління залежностями між завданнями. Архітектура моделі включає три типи спеціалізованих агентів: агенти завдань, що відстежують статуси та параметри робіт; агенти ресурсів, які оптимізують розподіл людських і технічних ресурсів; агенти ризиків, що прогнозують можливі затримки та конфлікти. Центральним елементом є координуючий агент, який на основі даних від інших агентів перебудовує граф залежностей, змінює пріоритети та формує нові сценарії виконання. Для його оптимізації використано алгоритм Proximal Policy Optimization (PPO), що дозволяє агенту навчатися ефективним стратегіям управління. Експериментальна оцінка моделі проведена на тестовому проєкті в Jira, де порівнювалися результати роботи базового алгоритму та RL‑агента. Метрики включали кількість конфліктів ресурсів, середній ризик задач та довжину критичного шляху. Результати показали, що агент здатний усувати конфлікти, скорочувати критичний шлях та адаптивно вдосконалювати стратегії управління залежностями. Ключовою новизною є поєднання мультиагентної архітектури з навчанням з підкріпленням, що забезпечує не лише автоматизацію рутинних рішень, але й адаптивне навчання оптимальним діям. Водночас модель має обмеження, пов’язані з якістю даних Jira та складністю масштабування на дуже великі проєкти. Робота може слугувати експериментальною платформою для подальших досліджень мультиагентних систем у сфері управління проєктами.