حل مسئله تسطیح منابع در حالت چند پروژه ای به کمک الگوریتم فاخته

ﺗﺴﻄیح ﻣﻨﺎﺑﻊ در پروژه ها از اهمیت باﻻﻳﻲ ﺑﺮﺧﻮردار اﺳﺖ و مدیران پروژه همیشه ﺑﻪ ﻳﻚ ﺑﺮﻧﺎﻣﻪ زﻣﺎن بندی ﺑﺮاﺳﺎس ﻣﺼﺮف بهینه ﻣﻨﺎﺑﻊ ﻣﻮردﻧﻴاز ﺑﺮای ﺗﻜﻤﻴﻞ ﭘﺮوژه ها ﻧﻴﺎز دارند. بیشتر تحقیقات در زمینه ﺗﺴطیح ﻣﻨﺎﺑﻊ ﻓﻘﻂ در ﺣﺎﻟﺖ ﺗﻚ ﭘﺮوژه ای انجام ﮔﺮﻓﺘﻪ اﺳﺖ درحالی‌که در ﺑﺴﻴﺎری از ﺳﺎزﻣﺎنﻫﺎ نظیر ﺷﺮﻛﺖﻫﺎی ﭘﺮوژه ﻣﺤﻮر چندﻳﻦ ﭘﺮوژه را ﺑﻪ صورت هم زﻣﺎن اﺟﺮا ﻣﻲکنند. ﺑﺪین ﻣﻨﻈﻮر یک ﻣﺪل ریاﺿﻲ ﺑﺎ ﻫﺪف ﻛﻤﻴنه ﻛﺮدن تغییرات ﺳﻄﺢ ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻒ ﺗﻮﺳﻂ ﻛﻠیه ﭘﺮوژهﻫﺎ موردنیاز است. ﻫﻤچنین از آنجایی ﻛﻪ مسئله ﺗﺴطیح ﻣﻨﺎﺑﻊ ﻳﻚ مسئله با درجه پیچیدگی بالا ﺑﻮده و دﺳﺘﻴﺎﺑﻲ ﺑﻪ حل بهینه آن در ﺣﺎﻟﺖ کلی اﻣﻜﺎن ﭘﺬیر نیست در این مقاله ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ بهینه سازی فاخته، coa (cuckoo optimization algorithm) که یک الگوریتم الهام گرفته از طبیعت و از جدیدترین و قوی ترین روش های بهینه سازی تکاملی می باشد، استفاده خواهد شد. مقایسه نتایج به‌دست‌آمده از حل مسئله با الگوریتم فاخته که روشی تقریبی است با روش دقیق شاخه و کران حاکی از آن است که در ابعاد کم، استفاده از روش دقیق مناسب تر است و هرچه ابعاد مسئله گسترش می یابد الگوریتم فاخته در مدت زمان کوتاه تر و با سرعت بیشتری جواب مناسب را ارائه خواهد کرد.

the problem of resource leveling in multi-project mode by cuckoo optimization algorithm

resource leveling is very important in projects and project managers always need a schedule based on the optimal use of resources needed to complete their projects. most resource leveling research has been done in a single project, while in many organizations several projects are done simultaneously. for this purpose, a mathematical model is presented by all projects with the aim of minimizing changes in the level of different resources. leveling and allocating resources is one of the most basic tasks of project management. typically, project management uses specific methods such as gert and pert to plan and control the project (boctor, 1990). because the problem of resource leveling is an np-complete problem and it is not possible to achieve the optimal solution in the general case (guo et al., 2012), the cuckoo optimization algorithm has been used, which is one of the newest and most efficient evolutionary optimization methods.