تسطیح منابع نامحدود پروژه با در نظر گرفتن منابع متعدد و اهداف چندگانه- قسمت ۷

تسطیح منابع نامحدود پروژه با در نظر گرفتن منابع متعدد و اهداف چندگانه- قسمت ۷

۵-جوابهای پارتوئی یافته شده را گزارش کنید.
به هر حال هیچکدام از این روشها نمی توانند برای مسائل بزرگ استفاده شود چراکه قادر به یافتن جواب بهینه در دیگر مدت زمان منطقی نیستند. به همین خاطر روشهای ابتکاری و فراابتکاری مورد توجه قرار گرفتند.
 
روشهای ابتکاری[۱۷۰]
تالبوت(۱۹۸۲) و اسپرچرو درکسل(۱۹۹۷) پیشنهاد نمودند که برای روش شاخه و حدشان یک و حد زمانی[۱۷۱] قرار دهند. بوکتور[۱۷۲](۱۹۹۳) بیست و یک قاعده ابتکاری برای زمانبندی را تست کرده و ترکیبی از بیست و پنج روشی که احتمال بیشتری جهت تولید بهترین جواب را داشت پیشنهاد نمود. افوزرامارو اولسوی[۱۷۳](۱۹۹۴) یک روشابتکاری بر مبنای محدودیت ارائه نمود. بوکتور (۱۹۹۶) یک روش ابتکاری بر مبنای روش محاسبه مسیربحرانی[۱۷۴] ارائه نمودند. کولیش و درکسل[۱۷۵] (۱۹۹۷)یک روش جستجوی محلی با سه فاز پیشنهاد نمودند. لووا و همکاران[۱۷۶](۲۰۰۶) چندین روش چند مسیره[۱۷۷] بر اساس قواعد اولویت[۱۷۸] طراحی نمودند
 
روش فراابتکاری الگوریتم ژنتیک
همانگونه که در فصل قبل اشاره شد الگوریتک ژنتیک یک روش فراابتکاری است. این روش یک روش جستجوی توسعه یافته توسط هلند (۱۹۷۵) می باشد که برای نخستین بار در سال ۱۹۷۵ ارائه گردید و بر مبنای مکانیسم طبیعی و تولید مثل، جهت یک جستجوی تصادفی ولی جهت دار از میان فضای تصمیم گیری، برای یافتن راه حل بهینه استوار است. کاربرد روش الگوریتم ژنتیک مانند هر روش بهینه سازی، با مشخص نمودن متغییرهای بهینه سازی، تابع هدف و محدودیت ها، اطلاعات ورودی و پارامترهای مدل شروع می شود. الگوریتم ژنتیک با آزمون همگرائی به شیوه های متفاوت از سایر روشهای بهینه سازی به پایان می رسد.
دلایل استفاده از الگوریتم ژنتیک
در فصل ۲ به تفصیل به بیان جزییات الگوریتم ژنتیک پرداخته ایم .الگوریتم ژنتیک با دیگر روشهای بهینه سازی معمول چندفرق اساسی دارد که باعث شده کاربردهای بیشتری پیدا کند.
الگوریتم ژنتیک با مجموعه ای از جواب ها(نقاط) کار می کند و نه یک نقطه منفرد. این ویژگی باعث می شود تا در فرآیندهای محاسباتی، جواب به صورت موازی باشد. نکته دیگر اینکه این ویژگی باعث می شود در توابعی که دارای چند نقطه بهینه محلی می باشند، به طور موازی از نقاط بهینه محلی عبور کند و احتمال اینکه در دام یک جواب بهینه محلی بیافتد بسیار کم است.
الگوریتم ژنتیک با دسته ای از کدهای پارامترها کار می کند و نه خود پارامترها. این خاصیت باعث می شود که اولاً چون ژنتیک با رشته های منفصل کد شده کار می کند، محدودیت دیگر روش ها را نداشته باشد و ثانیاً با توجه به این خاصیت، دقت جستجو با طول کد پارامترها کنترل می شود.
الگوریتم ژنتیک قوانین احتمال را به کار می برد و نه قوانین معین و قطعی را.
در الگوریتم ژنتیک نیازی نیست که فضای جستجو پیوسته باشد. چون این الگوریتم با مجموعه ای از جواب های بهینه گسسته کار می کند و این امر سبب می شود مجموعه جواب های متفاوتی در مسئله به دست آید و در نتیجه در الگوریتم ژنتیک هیچ تضمینی وجود ندارد که جواب هائی که از جواب قبل بدست می آیند، الزاماً بهتر از جواب های قبلی باشد. ولی این روش بالاتر بودن احتمال جواب های برتر در نسل بعد را تضمین می کند. (Horn, 1997)
شکل ۱-۳ ، فلوچارت روند کلی مدل پیشنهادی را تا بدست آوردن جواب نشان داده است:
جمع آوری داده ها:
زمان هر فعالیت
منابع مورد نیاز برای هر فعالیت
روابط پیش نیازی بین فعالیت ها
هزینه غیرمستقیم پروژه
تخمین هزینه مستقیم برای هر فعالیت بر مبنای تخصیص داده شده و آنالیز زمان و هزینه
تعریف مدها برای هرفعالیت
تعیین پارامترهای الگوریتم ژنتیک:
احتمال آمیزش
احتمال جهش
تعداد نسل ها
اندازه جمعیت
شرط همگرائی
تعریف توابع هدف
تولید کروموزوم های جمعیت اولیه به صورت راندوم-هر کروموزوم شامل دو سطر هستند که در سطر اول ژن ها نشان دهنده ترتیب فعالیت ها و در سطر دوم مد تخصیص داده شده به فعالیت ها است.
اجرای عملگر آمیزش و جهش روی کروموزوم ها
جواب های جبهه پارتو-هر جواب نشان دهنده موارد زیرند:
زمان کل پروژه
هزینه کل پروژه
محاسبه مقادیر ۲ تابع هدف:
-مدت زمان انجام پروژه
– هزینه کل پروژه{هزینه استفاده از منابع و تاخیر در مدت زمان پروژه}
الگوریتمNSGA-II

این مطلب را هم بخوانید :
لقمه حلال و حرام در آیات و روایات و تاثیر آن در شکل گیری شخصیت ...

شکل ۱-۳- رویه الگوریتم ژنتیک NSGA-II

 
طرح کلی مساله
یک پروژه که شامل J فعالیت است را در نظر می گیریم. شبکه فعالیت ها به صورت “فعالیت در گره[۱۷۹]” توسط گراف G=(N,A) نمایش داده می شود. N مجموعه فعالیت ها روی شبکه است که به صورت j=0,…,J+1 نامگذاری شده اند. توجه شود فعالیت های ۰ و J+1 ، فعالیت های مجازی شروع و پایان می باشند. A یالهای گراف، در اینجا نشان دهنده روابط پیش نیازی بین فعالیت ها هستند. این روابط از نوع “پایان به شروع[۱۸۰]” پیش نیازهای فعالیت j، توسط مجموعه پیش نیازی های مستقیم  نشانداده می شود و بیان کننده این موضوع است، که فعالیت j شروع نمی شود مگر اینکه تمامی فعالیت های درون مجموعه  به پایان رسیده باشند. بجز فعالیت های مجازی شروع و پایان، هر فعالیت به مقدار مشخصی از منابع برای پروسه اجرای خود نیاز دارد.
برای این منبع(منبع تجدید نشدنی) ما در مدل اصلی الگوریتم ژنتیک، هیچ گونه قیدی در نظر نمیگیریم، برای اینکه مدلسازی در این پایان نامه توسط الگوریتم ژنتیک چندهدفه، به گونه ایست که ما را از اعمال این قید بی نیاز می سازد.
در واقعیت برای هر پروژه در مناقصه مبلغی تعیین می شود که نشاندهنده مبلغ آن پروژه است. پیمانکار پس از کسر سود خود از این مبلغ، عددی را به عنوان بودجه کل پروژه (مجموع هزینه های مستقیم و غیرمستقیم) در نظر می گیرد. البته امکان دارد در ابتدای امر مبلغ دقیق بودجه برای خود پیمانکار هم قطعی نباشد. پیمانکار با مشاهده نمودار زمان-هزینه-تسطیح منابع، و با در نظر گرفتن بهترین پاسخ ها(جواب های مدل)، آن زمان و هزینه و یا به تعریف دیگر، آن برنامه زمانبندی را انتخاب می کند که برای شرکت خود مناسب تر است. قطعاً در این تصمیم گیری، دیگر پروژه های موجود در سبد پروژه شرکت پیمانکار نیز تاثیر گذار خواهند بود.
با توجه به توضیحات داده شده از این به بعد هر کجای این پایان نامه، عبارت”منبع تجدید نشدنی” مطرح شد، منظور ما “هزینه مستقیم” است و بالعکس.

این مطلب را هم بخوانید :
تأثیر رفتار شهروندی سازمانی در ارتقاء هوش سازمانی مطالعه موردی کارکنان شرکت ...

برای دانلود فایل متن کامل پایان نامه به سایت 40y.ir مراجعه نمایید.

مدیر سایت