خلاصة:
از اهداف مهم هر پروژه زمان، هزینه و کیفیت میباشند. امروزه، ذینفعان هر پروژه به دنبال کاهش هزینههای کل پروژه همزمان با کاهش زمان و افزایش کیفیت پروژه میباشند. این مسئله پژوهشگران را به سوی توسعه مدلهایی که عامل کیفیت را به مدلهای قبلی موازنه هزینه -زمان میافزاید، هدایت میکند. در این مقاله یک مدل موازنه زمان – هزینه – کیفیت با سه تابع هدف، کمینه کردن زمان ختم پروژه، کمینه کردن هزینه کل پروژه و بیشینه کردن کیفیت کل انجام فعالیتها در یک شبکه PERT با فعالیتهای چند حالته مورد بررسی قرار گرفت. بعد از ارائه مدل ریاضی مناسب، بر اساس یک طرح آزمایش برای سطوح ممکن هر متغیر تصمیم تعیین گردید. سپس با استفاده از فرایند شبیهسازی، مقادیر تصادفی متغیرهای تصمیم و متغیرهای پاسخ در هر بار اجرا حاصل و با به کارگیری شبکههای عصبی، یک مدل شبکه عصبی برقرار گردید. برای حل این مدل، از آنجا که مسئله مورد نظر در مقوله NP-hard قرار میگیرد، از دو الگوریتم NSGA-II و MOPSO استفاده گردید. برای ارزیابی کارایی مدل، مسائل مورد نظر در یک شبکه PERT با مقیاسهای کوچک، متوسط و بزرگ آزمایش شد. پارامترهای این دو الگوریتم فراابتکاری به وسیله روش تاگوچی تنظیم و نتایج به دست آمده بر مبنای پارامترهای تنظیم شده نشان داد که الگوریتم NSGA-II نسبت به MOPSO عملکرد بهتری دارد
Time, cost and quality are important goals of any project. Todays, the demand of project stakeholders to reduce total project costs has increased simultaneously time reduction and augment in quality of the project. This leads researchers to develop models that add quality factor to previous models of cost-time balance. In this paper, a time-cost-quality trade -off model with three objective functions includes minimizing project termination, minimizing total project cost and maximizing total quality of activities in a multi-modal PERT network was investigated. After presenting the appropriate mathematical model, a decision was made on the basis of a test plan of possible levels for each variable. Then, using the simulation process, random values of decision variables and response variables were implemented at each time, and we developed a neural network model using artificial neural networks. To solve this model, since the problem is in the NP-hard category, two multi-objective meta-heuristic algorithms NSGA-II and MOPSO were used. To determine the performance of the proposed model, the problem was tested on a small, medium and large-scale PERT network. The parameters of these two meta-heuristic algorithms were adjusted by Taguchi method and the results were based on the parameters set showed that the NSGA-II algorithm performs better than the MOPSO algorithm.
ملخص الجهاز:
بنابراين با در نظر گرفتن پيچيدگي ساختار پروژه ها، تعداد زياد فعاليت ها، وجود چند حالت مختلف اجرا١براي هر فعاليت ، احتمالي بودن زمان اجراي فعاليت ها، رعايت روابط پيش نيازيهاي عمومي ٢ميان فعاليت هاي پروژه و همين طور چندهدفه بودن مسئله ، تصميم گيري براي مديران جهت انتخاب از ميان حالت هاي انجام فعاليت ها بسيار پيچيده بوده و نياز به روشي که براي مسائلي در ابعاد بزرگ در زمان معقول جواب هاي قابل قبولي را ارائه کند، احساس ميشود.
شروع استفاده از رويکرد شبکه عصبي بر روي خروجي شبيه سازي: ورودي شبيه سازي: نتايج آزمايشات انجام شده : برآورد رابطه زمان ختم انجام پروژه توزيع زمان انجام هر يک بين متغيرهاي مستقل و متغير وابسته (متغير وابسته ) از فعاليت هايپروژه (پارامترهاي مؤثر) ورودي بهينه سازي: مدل برنامه ريزي چند هدفه انجام آزمايشات طراحي شده در و استفاده از الگوريتم هاي فراابتکاري نرم افزار شبيه سازي طراحي شبکه هاي توليد شده در بستر نرم افزار شبيه سازي خروجي بهينه سازي: کمينه زمان ختم پروژه ، به کارگيري طراحي آزمايشات تاگوچي: هزينه و بيشينه کردن کيفيت انجام پروژه تعداد حالت هاي اجرايي براي هر فعاليت (متغيرهاي مستقل ) پايان شکل ١: چارچوب نظري تحقيق ٤- بيان مسئله و مدل سازي مسئله در اين بخش به بررسي و تعريف مدل برنامه ريزي مورد استفاده شده در اين مقاله خواهيم پرداخت .
جهت حل مدل ارائه شده در اين پژوهش از طريق باز طراحي و متناسب سازي الگوريتم NSGA-II مراحل زير انجام گرديد: طراحي ساختار کروموزوم : براي مسئله زمان بندي به هر فعاليت پروژه دو ژن تعلق ميگيرد که در نهايت کروموزوم به يک ساختار دو بعدي تبديل ميگردد.
Gas and oil project time-cost-quality tradeoff: Integrated stochastic and fuzzy multi-objective optimization applying a memetic, nondominated, sorting algorithm.