بکارگیری دانش مدیریت پروژه و الگوریتم هیبریدی در پیش‌بینی زمان و هزینه تکمیل پروژه‌های سدسازی

مقدمه: یکی از وظایف مدیر پروژه، کنترل پروژه با استفاده از دو فاکتور زمان و هزینه می‌باشد. این دو اهرم از مهمترین کلیدهای کنترلی پروژه به منظور استفاده بهینه از منابع می‌باشد.روش : در این تحقیق روش جدیدی با بکارگیری ارزش کسب شده و الگوریتم های هیبریدی برای پیش بینی زمان و هزینه تکمیل پروژه های سد سازی توسعه داده شد. برای این منظور گزارشات مالی و زمان بندی پنج سد a، b، c، d و e گردآوری شدند. ارزش کسب شده، پیشرفت واقعی، برنامه کسب شده و هزینه واقعی برای هر ماه از گزارشات این سدها استخراج شد. سپس از پارامترهای چهار سد (a تا d) به عنوان ورودی در توسعه مدل هایی برای پیش بینی زمان با استفاده از الگوریتم حداقل مربعات ماشین بردار پشتیبان (lssvm) و تلفیق شده با الگوریتم های بهینه سازی ازدحام ذرات (pso) و ژنتیک (ga) استفاده گردید.یافته ها: مقایسه نتایج حاصل از این مدل های در مرحله آموزش نشان داد که الگوریتم lssvm-pso از دقت بالاتری برخوردار است. در ادامه برای توسعه مدل پیش بینی کننده هزینه با استفاده از الگوریتم های هیبریدی علاوه بر پارامترهای ورودی استفاده شده در مرحله، زمان پیش بینی شده توسط مدل ها نیز به عنوان ورودی الگوریتم ها تعریف شد. مقایسه نتایج این مرحله نیز نشان داد که الگوریتم lssvm-pso از دقت بالاتری نسبت به سایر مدل ها برخوردار است. در ادامه برای اعتبارسنجی مدل های توسعه داده شده، این مدل‌ها برای پیش بینی زمان و هزینه در پروژه ساخت سد e استفاده شد. نتایج نشان داد که الگوریتم lssvm-pso نسبت به سایر الگوریتم های هیبریدی از دقت بالاتری در تخمین زمان اتمام پروژه برخوردار است که نشان دهنده قابلیت تعمیم بالای این مدل برای پیش بینی زمان سایر پروژه های ساخت سد است. این در حالی است که برخلاف انتظار این مدل از دقت کمتری در پیش بینی هزینه اتمام پروژه ساخت سد e نسبت به مدل mlp-pso برخوردار است که نشان می دهد پیش بینی هزینه از پیچیدگی بالاتری برخوردار است و بکارگیری مدل ها در این مسئله بایستی با احتیاط بیشتری صورت گیرد. برای ارزیابی بیشتر نتایج مدل های هیبریدی از روش احتمالاتی فیلتر کالمن نیز برای پیش بینی زمان و هزینه پروژه استفاده شد که نتایج آن حاکی از دقت بالاتر مدل های حاصل از الگوریتم های هیبریدی است.نتیجه گیری: مدل lssvm-pso می تواند با دقت بالاتری نسبت به روش های مرسوم به پیش بینی زمان و هزینه پروژه بپردازد.