بهینه‌سازی چندهدفه پروژه‌های ساختمانی با رویکرد تلفیقی مدل‌سازی اطلاعات ساختمان (bim) و الگوریتم ژنتیک در راستای توسعه پایدار

در عصر کنونی، پروژه‌های ساختمانی به دلیل تنوع و پیچیدگی نیازمندی‌ها، با چالش‌های فراوانی در زمینه مدیریت هم‌زمان هزینه، زمان، کیفیت و پایداری روبه‌رو هستند. هدف این پژوهش، توسعه یک چارچوب تلفیقی مبتنی بر الگوریتم ژنتیک و فناوری مدل‌سازی اطلاعات ساختمان (bim) جهت بهینه‌سازی چند هدفه در پروژه‌های عمرانی است. در بخش روش کار، ابتدا داده‌های مربوط به پروژه ساختمانی شامل هزینه مصالح، مدت زمان فعالیت‌ها، ویژگی‌های محیطی و استانداردهای کیفیت جمع‌آوری گردید. سپس با بهره‌گیری از نرم‌افزارهای bim، مدل سه‌بعدی ساختمان ایجاد شد و متغیرهای کلیدی پروژه به عنوان ورودی الگوریتم ژنتیک تعریف شدند. الگوریتم ژنتیک با تعریف تابع برازش ترکیبی شامل معیارهای هزینه، زمان، کیفیت و پایداری، فرآیند بهینه‌سازی را آغاز نمود. در ادامه، مدل پیشنهادی در قالب یک مطالعه موردی عملی اجرا و عملکرد آن با سایر الگوریتم‌های متداول نظیر pso، sa و aco مقایسه گردید. نتایج حاصل نشان داد که مدل bim-ga قادر است هزینه کل پروژه را به میزان 11 درصد کاهش داده، مدت زمان اجرا را 9 درصد کوتاه‌تر کرده و سطح کیفی و زیست‌محیطی پروژه را بهبود دهد. همچنین مدل توانست هماهنگی بهتری میان واحدهای طراحی، اجرا و بهره‌برداری ایجاد نماید. این یافته‌ها نشان می‌دهند که ترکیب فناوری bim با الگوریتم ژنتیک، ابزاری کارآمد برای تصمیم‌گیری هوشمند در پروژه‌های ساختمانی پیچیده و حرکت به سوی توسعه پایدار فراهم می‌آورد.

multi-objective optimization of construction projects with an integrated approach of building information modeling (bim) and genetic algorithm towards sustainable development

in the modern era, construction projects face numerous challenges due to the diversity and complexity of requirements, particularly in the simultaneous management of cost, time, quality, and sustainability. the aim of this study is to develop an integrated framework based on genetic algorithm (ga) and building information modeling (bim) technology for multi-objective optimization in construction projects. in the methodology section, data related to a construction project—including material costs, activity durations, environmental characteristics, and quality standards—were collected. subsequently, using bim software, a 3d model of the building was created, and key project variables were defined as inputs to the genetic algorithm. the ga initiated the optimization process by employing a composite fitness function comprising cost, time, quality, and sustainability criteria. next, the proposed model was implemented through a practical case study, and its performance was compared with other common algorithms such as particle swarm optimization (pso), simulated annealing (sa), and ant colony optimization (aco). the results showed that the bim-ga model was able to reduce the total project cost by 11%, shorten the execution time by 9%, and enhance both the quality and environmental performance of the project. additionally, the model improved coordination among design, construction, and operation units. these findings indicate that integrating bim technology with genetic algorithms provides an effective tool for intelligent decision-making in complex construction projects and facilitates progress toward sustainable development.