Тип работы:
Предмет:
Язык работы:


Цифровизация сервисного обслуживания

Работа №148027

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы64
Год сдачи2023
Стоимость4970 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
27
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ
ГЛАВА 1. БИЗНЕС-АНАЛИЗ КОМПАНИИ
1.1. Бизнес-анализ компании, характеристика, продукт
1.2. Анализ заинтересованных лиц
1.3. План взаимодействия с заинтересованными лицами
1.4. План управления бизнес-анализом
1.5. План управления информацией
1.6. Анализ внешней среды
Выводы
ГЛАВА 2. АВТОМАТИЗАЦИЯ РАСПРЕДЕЛЕНИЯ ЗАЯВОК ПО СОТРУДНИКАМ
2.1. Постановка задачи
2.2. Модель бизнес-процесса разработки алгоритма распределения заявок по сотрудникам
2.3. Выбор методов решения задачи распределения заявок по сотрудникам
2.2. Формализация ограничений задачи и целевая функция
2.3. Схема алгоритма автоматизации распределения заявок по сотрудникам
Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ


В настоящее время во многих странах мира цифровизация стала одним из основных приоритетов стратегического развития наравне с инновационной политикой. Согласно прогнозам ведущих мировых экспертов, к 2025 г. практически более четверти мировой экономики будет цифровой. Цифровизации будут подвержены все сферы и сектора экономики: государственный сектор, сектор крупных промышленных предприятий, сектор малого и среднего бизнеса, социальная сфера. С учетом данного аспекта каждая страна в разрабатываемых стратегических планах стремится предусмотреть развитие тех отраслей экономики, которые играют наибольшую роль в цифровизации производственно-хозяйственных процессов.
Сервисное обслуживание— совокупность видов деятельности компании, позволяющая клиентам рационально и полноценно эксплуатировать приобретенный, внедренный или разработанный под заказ товар (особенно технически сложную продукцию) или услугу.
Задача сервисного обслуживания — обеспечить бесперебойную работу инфраструктуры (любое оборудование) или ПО заказчика — по сути, бесперебойный бизнес — будь то компьютерная техника в офисе, инженерные системы здания или специализированные системы на транспорте [1].
В нынешних условиях, в нашей быстроменяющейся ситуации современные бизнес-процессы сложно организовать без использования цифровых технологий. Их использование изменило различные сферы деятельности бизнеса.
Многие предприятия из разных отраслей из-за неорганизованного сервисного обслуживания часто теряют своих клиентов. Особенно это болезненно, когда из-за человеческого фактора – поведения курьера, несвоевременной передачи заявки на доставку или неаккуратности грузчика, компания теряет крупных постоянных клиентов и, как следствие, часть своего оборота [2].
Есть ИТ-решения, которые дают возможность контролировать работу сервисных специалистов, максимально исключить влияние сотрудников на качество процессов. Но любая автоматизация кажется затратной по времени или с финансовой стороны. Однако на российском рынке уже существуют простые интуитивно понятные приложения, с работой в которых справится практически любой пользователь.
Рынок сервисного обслуживания стабильно растет год от года. В России, в связи с уходом западных конкурентов освободившеюся нишу активно занимают локальные игроки.
К сожалению, уровень автоматизации основных сервисных процессов в отечественных компаниях находится еще на достаточно низком уровне [2].
Field Service Management системы (далее FSM) дают возможность перейти на электронный документооборот по сервисным актам, контролировать сервисных специалистов, автоматизировать работу диспетчеров, стандартизировать работы, систематизировать работу по заявкам.
Проблемы большинства сервисных компаний:
• Отсутствие контроля работы персонала;
• Большая трудозатратность на ручное управление процессами. Отсутствие стандартизации и формализации работ;
• Затруднения при составлении расписаний и рабочих графиков и планировании маршрутов;
• Отсутствие минимизации внеурочной работы и неравномерная загрузка работников в течение рабочего дня;
• Нецелевые транспортные расходы;
• Выполнение работ некачественно или не с первого визита;
• Отсутствие управления клиентскими обращениями;
• Несвоевременное выставление счетов и отсутствие формирование актов.
Согласно отчету Allied Market Research, в 2020 году мировой объем рынка FSM-решений оценивался в $4 млрд. К 2030 году, по прогнозам Allied Market Research, он должен вырасти в шесть раз, до $24,3 млрд [3].
На Российском рынке программных продуктов класса FSM бизнес-процесс сервисного обслуживания не автоматизирован полностью, на рынке существуют решения, которые отчасти покрывают проблему по отчетности персонала, прозрачности SLA (ServiceLevelAgreement), но нет программного продукта, который бы автоматизировал распределение заявок по сотрудникам и избавил бы диспетчера от неэффективной, трудоемкой работы. Также нужно учитывать, что фактор оптимизации может пострадать при ручной работе.
Насколько бы очевиднее не были проблемы и задачи сервисного бизнеса, для начала нужно провести бизнес-анализ компании, понять потребности и цели заинтересованных лиц, выявить сильные и слабые стороны компании, понять, как можно уменьшить влияние слабых сторон и усилить влияние сильных, возможности роста и угрозы, также важен внешний анализ, после - можно сформулировать задачу.
Цель: Цифровизация сервисного обслуживания(на примере ООО «Смарт-Сервис»).
Для достижения данной цели необходимо выполнить следующие задачи:
1. бизнес-анализ компании:
• анализ характеристик продукта;
• анализ заинтересованных лиц;
• составление плана взаимодействия с заинтересованными лицами;
• составление плана управления бизнес-анализом;
• составление плана управления информацией;
• анализ внешней среды;
2. анализ литературных источников по теме исследования;
3. формализация задачи автоматизации бизнес-процесса распределения заявок (далее РЗ);
4. разработка схемы алгоритма автоматизации бизнес-процесса РЗ.
Объект исследования: компания ООО «Смарт-Сервис».
Предмет исследования: бизнес-процесс распределения заявок по сотрудникам.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В рамках ВКР проведен бизнес-анализ компании ООО «Смарт-Сервис», представлены характеристики, продукт компании, составлен план управления информацией и план взаимодействия с заинтересованными лицами, проведено глубинное интервью со всеми заинтересованными лицами, в результате анализа были выявлены потребности, боли, задачи и цели заинтересованных лиц.
Проведен SWOT-анализ, выявлены сильные, слабые стороны, возможности и угрозы для компании.
Проведен анализ внешней среды, который даёт возможность увидеть, какие решения предлагают конкуренты, какие у них преимущества и недостатки.
Было выявлено, что один из самых востребованных функционалов, который влияет на повышение удовлетворенности клиентов и слабая сторона в SWOTанализе, влияющая на развитие FSM-платформы – автоматизация бизнес-процесса распределения заявок по сотрудникам.
Для системы разработчика HubEx,данный функционал станет конкурентным преимуществом, который поможет захватить больше сегментов рынка. Зарубежный программный продукт,MicrosoftDynamics 365,который закрывал данную потребность в больших компаниях, ушел с российского рынка, т.е. часть рынка освободилась.
Есть конкурент (Planado), у которого реализован данный функционал, а для FSM-платформы HubEx, важно не отставать от своих конкурентов и повысить свою конкурентоспособность, что поможет достичь своих экономических целей. Следовательно, можно отметить экономическую эффективность разработки данного функционала.
На основе вышесказанного, можно рекомендовать руководство HubEx доработать функционал системы, добавив автоматизацию распределения заявок по сотрудникам. Автоматизация распределения заявок по сотрудникам увеличит эффективность обслуживания, что приведет к увеличению экономических показателей для самих обслуживающих компаний тоже. Нужно отметить, что данный функционал важен для всех заинтересованных лиц (клиент, обслуживающая компания, руководства FSM-платформы HubEx), влияет на повышение удовлетворенности клиента, поможет обслуживать больше заявок, привлечь больше клиентов, приведет к повышению экономических показателей для самих обслуживающих компаний. Они в свою очередь расширят свой штат, будут покупать больше лицензий у платформы HubEx.Также сама платформа, имея более расширенный функционал, сможет привлечь освободившейся от зарубежных конкурентов сегмент рынка и, следовательно, добьется своих экономических целей.
Данная работа актуальна для многих предприятий сервисного обслуживания.
Проведен широкий литературный обзор на тему методов решения задачи РЗ. Публикована статья [9], где результаты исследования представлены на систематических картах высокого и низкого уровня.
Формализованы исходные данные, ограничения задачи и целевая функция, которая определяет, насколько пригоден каждый вариант решения задачи.
Для крупного и среднего бизнеса, где количество сотрудников, количество заявок, разновидность выполняемых работ, количество объектов довольно большое, целесообразнее применить ГА. Для малого бизнеса, где <20 сотрудников, следовательно, количество заявок, количество обслуживаемых объектов тоже меньше, целесообразно применить полный перебор решений. В работе представлены схемы работы алгоритма как с использованием ГА, так и с использованием полного перебора решений.
Компания «Смарт-Сервис» рассмотрела данный алгоритм и приняла его в разработку. Со стороны руководства FSM-платформы HubEx замечаний не было(см. Приложение 1).



1. URL: https://okdesk.ru/blog/service-maintenance/ (Дата обращения: 14.08.2022) - сайт компании Okdesk
2. URL: https://hubex.ru/news/vebinar-kak-povysit-kachestvo-servisa-i-sekonomit-s-pomoshhyu-avtomatizaczii-proczessov-dostavki/ (Дата обращения: 01.11.2022) - сайт компании ООО «Смарт-Сервис»
3. URL: https://www.alliedmarketresearch.com/field-service-management-market/ (Дата обращения: 21.12.2022) - сайт компании «Alliedmarketresearch»
4. URL:https://hubex.ru/about/#company/ (Дата обращения: 01.11.2022) - сайт компании ООО «Смарт-Сервис»
5. URL: https://okdesk.ru/about/ (Дата обращения: 12.05.2022) - сайт компании Okdesk
6. URL: https://www.planado.ru/about/ (Дата обращения: 04.06.2022) - сайт компании Planado
7. URL: https://pyrus.com/ru/about / (Дата обращения: 13.06.2022) - сайт компании Pyrus
8. Матренин, П. В. Обзор методов оптимизации в комбинаторных задачах класса job-shopscheduling / П. В. Матренин // Сборник научных трудов Новосибирского государственного технического университета. – 2014. – № 4(78). – С. 113-124. – DOI 10.17212/2307-6879-2014-4-113-124. – EDN THXETH.
9. Саргсян, А. Г. Цифровизация сервисного бизнеса: автоматизация календарного планирования / А. Г. Саргсян, И. Е. Егорова // Экономика, менеджмент, сервис: современные проблемы и перспективы: Материалы IV Всероссийской научно-практической конференции, Омск, 14–15 ноября 2022 года / Редколлегия: Е.В. Яковлева (отв. ред.) [и др.]. – Омск: Омский государственный технический университет, 2022. – С. 369-373. – EDNGWTJOA.
10. Матренин П.В., Гриф М.Г., Секаев В.Г. Методы стохастической оптимизации: учебное пособие // Новосибирск: Изд-во НГТУ, 2016. – 67 с.
11. Матренин, П. В. Системное описание алгоритмов роевого интеллекта / П. В. Матренин, В. Г. Секаев // Программная инженерия. – 2013. – № 12. – С. 39-45. – EDN ROTQYJ.
12. Панченко, Т. В. Генетические алгоритмы: учебно-методическое пособие / под ред. Ю. Ю. Тарасевича. — Астрахань: Издательский дом «Астраханский университет», 2007. — 87 [3] с.
13. Купоросов, А. А. Программное средство для нахождения оптимального решения комбинаторных задач путѐм применения оптимальной комбинации генетических операторо / А. А. Купоросов, Д. М. Бочаров // Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2017) : Сборник материалов VIII Международной научно-технической конференции в рамках III Международного Научного форума Донецкой Народной Республики, Донецк, 25 мая 2017 года / Редколлегия: Ю.К. Орлов [и др.]. – Донецк: Донецкий национальный технический университет, 2017. – С. 439-444. – EDN QWEPZT.
14. СаденоваА. М., РахимоваС. А., КунанбаеваК. Б., Титков А. А. Цифровизация предпринимательских структури оценка экономического эффекта от применения на практике приоритетов развития цифровой экономики // Экономические системы. – 2020. – Т. 13, № 3. – С. 22-31. – EDN TEKKRE
15. Селиванова, Д. И. Составление расписания занятий для обучающихся автошколы с помощью генетического алгоритма / Д. И. Селиванова // Актуальные вопросы в науке и практике: Сборник статей по материалам X международной научно-практической конференции, Самара, 18 сентября 2018 года. – Самара: Общество с ограниченной ответственностью Дендра, 2018. – С. 21-27.
16. Ермоленко, Т. В. Применение генетических алгоритмов для задачи автоматического составления расписания в вузе / Т. В. Ермоленко, В. Н. Котенко, А. А. Бакулин // Донецкие чтения 2019: образование, наука, инновации, культура и вызовы современности: материалы IV Международной научной конференции, Донецк, 29–31 октября 2019 года. – Донецк: Донецкий национальный университет, 2019. – С. 226-229.
17. Галаванова, Ю. И. Обзор современных методов в автоматизации составления расписания в организациях общего образования / Ю. И. Галаванова // Достижения науки и образования. – 2018. – № 3(25). – С. 15-17.
10. Kai Petersen, Robert Feldt and Shahid Mujtaba et al. Systematic Mapping Studies in Software Engineering // 12th International Conference on Evaluation and Assessment in Software Engineering (EASE). – 2008.– DOI: 10.14236/ewic/EASE2008.8.
11. Овчинников, В. А. Систематизация точных методов дискретной оптимизации / В. А. Овчинников // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. – 2015. – № 6. – С. 288-304. – DOI 10.7463/0615.0778982.
12. Jian Su, Yuhong Wang. A bi-level model integrating planning and scheduling for the optimization of process operation and energy consumption of a PVC plant under uncertainty // Computers & Chemical Engineering: Volume 168, 2022, 108033, ISSN 0098-1354, https://doi.org/10.1016/j.compchemeng.2022.108033.
13. HaoxinGuo, Jianhua Liu, Cunbo Zhuang. Automatic design for shop scheduling strategies based on hyper-heuristics: A systematic review // Advanced Engineering Informatics: Volume 54, 2022, 101756, ISSN 1474-0346, https://doi.org/10.1016/j.aei.2022.101756.
14. Селезнев, А. Д. Краткий обзор наиболее важных вопросов, связанных с составлением системы автоматизированного составления расписания занятий в учебном заведении //Advancedscience: сборник статей III Международной научно-практической конференции: в 2 ч., Пенза, 23 апреля 2018 года. Том Часть 1. – Пенза: "Наука и Просвещение" (ИП Гуляев Г.Ю.), 2018. – С. 74-76.
15. Могилев, А. А. Обзор методов решения задач теории расписаний / А. А. Могилев // Информатика, вычислительная техника и инженерное образование. – 2019. – № 4(37). – С. 19-32.
16. Разработка системы для составления расписания вуза на основании генетического алгоритма / Е. Ю. Тарнавская, А. П. Маркелова, М. А. Кабаков, А. С. Маковецкий // Молодой ученый. – 2020. – № 40(330). – С. 12-17.
17. Бубарева, О. А. Интеллектуальная система составления расписания учебных занятий / О. А. Бубарева // Автоматизация: проблемы, идеи, решения : сборник статей по итогам Международной научно-практической конференции, Челябинск, 04 февраля 2018 года. – Челябинск: Общество с ограниченной ответственностью "Агентство международных исследований", 2018. – С. 18-20.
18. Ignatov, A. N. On the Scheduling Problem of Cargo Transportation on a Railway Network Segment and Algorithms for Its Solution / A. N. Ignatov // Bulletin of the South Ural State University. Series: Mathematical Modelling, Programming and Computer Software. – 2021. – Vol. 14. – No 3. – P. 61-76.
19. Purgina, M. V. Schedule formation in multi-project developments management systems / M. V. Purgina, A. S. Dobrynin, R. S. Koynov // Computational Technologies. – 2022. – Vol. 27. – No 4. – P. 118-126.
20. RuiHou, Akbar Maleki, Peng Li. Design optimization and optimal power management of standalone solar-hydrogen system using a new metaheuristic algorithm //Journal of Energy Storage: Volume 55, Part B, 2022, 105521, ISSN 2352-152X, https://doi.org/10.1016/j.est.2022.105521.
21. Dehao Min, Zhen Song, Huicui Chen, Tianxiang Wang, Tong Zhang. Genetic algorithm optimized neural network based fuel cell hybrid electric vehicle energy management strategy under start-stop condition // Applied Energy: Volume 306, Part B, 2022,118036,ISSN 0306-2619, https://doi.org/10.1016/j.apenergy.2021.118036.
22. Abdullah Ayub Khan, Asif Ali Laghari, Thippa Reddy Gadekallu, Zaffar Ahmed Shaikh, Abdul Rehman Javed, Mamoon Rashid, Vania V. Estrela, Alexey Mikhaylov. A drone-based data management and optimization using metaheuristic algorithms and blockchain smart contracts in a secure fog environment // Computers and Electrical Engineering: Volume 102, 2022, 108234, ISSN 0045-7906, https://doi.org/10.1016/j.compeleceng.2022.108234.
23. RaminTorkan, Adrian Ilinca, MiladGhorbanzadeh. A genetic algorithm optimization approach for smart energy management of microgrids // Renewable Energy: Volume 197, 2022, Pages 852-863, ISSN 0960-1481, https://doi.org/10.1016/j.renene.2022.07.055.
24. Adrián Pascual, Juan Guerra-Hernández. Spatial connectivity in tree-level decision-support models using mathematical optimization and individual tree mapping // Forest Policy and Economics: Volume 139, 2022, 102732, ISSN 1389-9341, https://doi.org/10.1016/j.forpol.2022.102732.
25. RubeenaKhaliq, Pervaiz Iqbal, Shahid Ahmad Bhat, Aadil Rashid Sheergojri. A fuzzy mathematical model for tumor growth pattern using generalized Hukuhara derivative and its numerical analysis // Applied Soft Computing: Volume 118, 2022, 108467, ISSN 1568-4946, https://doi.org/10.1016/j.asoc.2022.108467.
26. Mauricio M. Coletto, J. Alberto Bandoni, Aníbal M. Blanco. Mathematical modeling and simulation of an industrial Desolventizer-Toaster // Journal of Food Engineering: Volume 318, 2022, 110870, ISSN 0260-8774, https://doi.org/10.1016/j.jfoodeng.2021.110870.
27. MohdArifMisrol, Sharifah Rafidah Wan Alwi, JengShiun Lim, Zainuddin Abd Manan. Optimising renewable energy at the eco-industrial park: A mathematical modelling approach // Energy: Volume 261, Part B, 2022, 125345, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2022.125345.
28. Guohui Zhang, Xixi Lu, Xing Liu, Litao Zhang, Shiwen Wei, Wenqiang Zhang. An effective two-stage algorithm based on convolutional neural network for the bi-objective flexible job shop scheduling problem with machine breakdown // Expert Systems with Applications: Volume 203, 2022, 117460, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2022.117460.
29. Qiang Luo, Qianwang Deng, Guiliang Gong, Xin Guo, Xiahui Liu. A distributed flexible job shop scheduling problem considering worker arrangement using an improved memetic algorithm // Expert Systems with Applications: Volume 207, 2022, 117984, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2022.117984.
30. Huali Fan, Rong Su. Mathematical Modelling and Heuristic Approaches to Job-shop Scheduling Problem with Conveyor-based Continuous Flow Transporters // Computers & Operations Research: Volume 148, 2022, 105998, ISSN 0305-0548, https://doi.org/10.1016/j.cor.2022.105998.
31. Guohui Zhang, Xixi Lu, Xing Liu, Litao Zhang, Shiwen Wei, Wenqiang Zhang. An effective two-stage algorithm based on convolutional neural network for the bi-objective flexible job shop scheduling problem with machine breakdown // Expert Systems with Applications: Volume 203, 2022, 117460, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2022.117460.
32. Qiang Luo, Qianwang Deng, Guiliang Gong, Xin Guo, Xiahui Liu. A distributed flexible job shop scheduling problem considering worker arrangement using an improved memetic algorithm // Expert Systems with Applications: Volume 207, 2022, 117984, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2022.117984.
33. Huali Fan, Rong Su. Mathematical Modelling and Heuristic Approaches to Job-shop Scheduling Problem with Conveyor-based Continuous Flow Transporters // Computers & Operations Research: Volume 148, 2022, 105998, ISSN 0305-0548, https://doi.org/10.1016/j.cor.2022.105998.
34. Thomas ReitenBovim, Anita Abdullahu, Henrik Andersson, Anders N. Gullhav. Integrated master surgery and outpatient clinic scheduling // Operations Research for Health Care: Volume 35, 2022, 100358, ISSN 2211-6923, https://doi.org/10.1016/j.orhc.2022.100358.
35. Simon Strassl, NysretMusliu. Instance space analysis and algorithm selection for the job shop scheduling problem // Computers & Operations Research: Volume 141, 2022, 105661, ISSN 0305-0548, https://doi.org/10.1016/j.cor.2021.105661.
36. JiaqingQiao, Langyu Liu, Fei Guan, Wenbin Zheng. The BH-mixed scheduling algorithm for DAG tasks with constrained deadlines // Journal of Systems Architecture: Volume 131, 2022, 102692, ISSN 1383-7621, https://doi.org/10.1016/j.sysarc.2022.102692.
37. Yisheng An, Yuxin Gao, Naiqi Wu, Jiawei Zhu, Hongzhang Li, Jinhui Yang. Optimal scheduling of electric vehicle charging operations considering real-time traffic condition and travel distance // Expert Systems with Applications: Volume 213, Part B, 2023, 118941, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2022.118941.
38. Xiaohan Wang, Lin Zhang, Yongkui Liu, Feng Li, Zhen Chen, Chun Zhao, Tian Bai. Dynamic scheduling of tasks in cloud manufacturing with multi-agent reinforcement learning // Journal of Manufacturing Systems: Volume 65, 2022, Pages 130-145, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2022.08.004.
39. Yibing Li, Zhiyu Tao, Lei Wang, Baigang Du, Jun Guo, Shibao Pang. Digital twin-based job shop anomaly detection and dynamic scheduling // Robotics and Computer-Integrated Manufacturing: Volume 79, 2023, 102443, ISSN 0736-5845, https://doi.org/10.1016/j.rcim.2022.102443.
40. Ali ParchamiAfra, AmirsamanKheirkhah, HamidrezaAhadi. Systematic literature review of integrated project scheduling and material ordering problem: Formulations and solution methods // Computers & Industrial Engineering: Volume 173, 2022, 108711, ISSN 0360-8352, https://doi.org/10.1016/j.cie.2022.108711.
41. Wenliang Zhou, Yu Huang, Lianbo Deng, Jin Qin. Collaborative optimization of energy-efficient train schedule and train circulation plan for urban rail // Energy: Volume 263, Part A, 2023, 125599, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2022.125599.
42. ElhamKarimi, Yuanzhu Chen, Behzad Akbari. Task offloading in vehicular edge computing networks via deep reinforcement learning // Computer Communications: Volume 189, 2022, Pages 193-204, ISSN 0140-3664, https://doi.org/10.1016/j.comcom.2022.04.006.
43. Chen Yang, Fangyin Liao, Shulin Lan, Lihui Wang, Weiming Shen, George Q. Huang. Flexible Resource Scheduling for Software-Defined Cloud Manufacturing with Edge Computing // Engineering: 2021, ISSN 2095-8099, https://doi.org/10.1016/j.eng.2021.08.022.
44. Remy Estran, Antoine Souchaud, David Abitbol. Using a genetic algorithm to optimize an expert credit rating model // Expert Systems with Applications: Volume 203, 2022, 117506, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2022.117506.
45. Shuangfei Xu, Wenhao Bi, An Zhang, Zeming Mao / Optimization of flight test tasks allocation and sequencing using genetic algorithm // Applied Soft Computing: Volume 115, 2022, 108241, ISSN 1568-4946, https://doi.org/10.1016/j.asoc.2021.108241.



Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ