موازنه زمان هزینه کیفیت در شبکه‌های pert با استفاده از شبکه‌ عصبی و الگوریتمهای تکاملی

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 nphard قرار می‌گیرد، از دو الگوریتم nsgaii 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 nsgaii نسبت به mopso عملکرد بهتری دارد

TimeCostQuality Trade Off in PERT Networks Using Neural Network and Evolutionary Algorithms

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 costtime balance. In this paper, a timecostquality trade off model with three objective functions includes minimizing project termination, minimizing total project cost and maximizing total quality of activities in a multimodal 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 NPhard category, two multiobjective metaheuristic algorithms NSGAII and MOPSO were used. To determine the performance of the proposed model, the problem was tested on a small, medium and largescale PERT network. The parameters of these two metaheuristic algorithms were adjusted by Taguchi method and the results were based on the parameters set showed that the NSGAII algorithm performs better than the MOPSO algorithm.