بهینه‌سازی زمان‌بندی پروژه‌های چندگانه با محدودیت منابع و مهارت‌ها تحت تاثیر ورود سفارش جدید

زمان‌بندی چندپروژه‌ای با منابع محدود چندمهارتی و پیش‌نیازهای پیچیده یکی از چالش‌های اصلی در مدیریت پروژه‌های مدرن، به‌ویژه در صنایع ساخت‌وساز، فناوری اطلاعات و تولید صنعتی است. این پژوهش یک مدل ریاضی نوآورانه برای مسئله زمان‌بندی چندپروژه‌ای با منابع محدود چندمهارتی تحت اولویت پروژه جدید (msrcmpsp-npi) ارائه می‌دهد که با هدف کمینه‌سازی زمان کل تکمیل پروژه‌ها و هزینه‌های اجرایی طراحی شده است. الگوریتم ترکیبی ژنتیک-جستجوی ممنوعه (ga-ts) برای حل این مدل توسعه یافت، که از کاوش گسترده الگوریتم ژنتیک و بهره‌برداری محلی جستجوی ممنوعه بهره می‌برد. آزمایش‌ها روی سناریوی 30 پروژه با 40 فعالیت (1200 فعالیت)، 12 منبع چندمهارتی و پیش‌نیازهای چندلایه‌ای انجام شد. نتایج نشان‌دهنده بهبود 11٪ در زمان کل تکمیل پروژه‌ها (از 320 به 285 واحد زمان)، درصد اختلاف از جواب بهینه (gap) 1.8٪، و زمان حل 120 ثانیه است. تحلیل حساسیت نشان داد که افزایش تعداد منابع (از 12 به 15) زمان کل را 7٪ کاهش می‌دهد، در حالی که پیش‌نیازهای پیچیده زمان را 15.8٪ افزایش و مهارت‌های چندگانه آن را 9.5٪ کاهش می‌دهند. مقایسه با الگوریتم‌های pso، aco و sa برتری ga-ts را با gap 1.8٪ در مقابل 3.5٪ تا 5.0٪ تایید کرد. افزودن پروژه جدید با اولویت بالا تنها 8.8٪ افزایش در زمان کل و 9.5٪ تاخیر در پروژه‌های موجود ایجاد کرد، که انعطاف‌پذیری الگوریتم را نشان می‌دهد. این مدل و الگوریتم برای مدیریت پروژه‌های واقعی با پیچیدگی‌های پویا مناسب بوده و پیشنهادهایی برای تحقیقات آتی، از جمله ترکیب با یادگیری ماشین و مدل‌سازی عدم قطعیت، ارائه می‌شود. این پژوهش نه‌تنها کارایی زمان‌بندی را بهبود می‌بخشد، بلکه مبنایی علمی برای کاربرد در پروژه‌های صنعتی و توسعه دانش در حوزه بهینه‌سازی فراهم می‌کند.

optimization of multi-project scheduling with resource and skill constraints under the impact of new order insertion

multi-project scheduling with multi-skilled limited resources and complex precedence constraints is one of the main challenges in modern project management, particularly in construction, information technology, and industrial manufacturing industries. this study presents an innovative mathematical model for the multi-skilled resource-constrained multi-project scheduling problem under new project insertion priority (msrcmpsp-npi), designed to minimize total project completion time and execution costs. a hybrid genetic algorithm–tabu search (ga–ts) was developed to solve the model, combining the extensive exploration ability of the genetic algorithm with the local exploitation capability of tabu search. experiments were conducted on a scenario involving 30 projects with 40 activities each (1,200 activities in total), 12 multi-skilled resources, and multi-layered precedence constraints. the results indicate an 11% improvement in total project completion time (from 320 to 285 time units), a deviation from the optimal solution (gap) of 1.8%, and a solution time of 120 seconds. sensitivity analysis showed that increasing the number of resources (from 12 to 15) reduced the total completion time by 7%, while complex precedence constraints increased it by 15.8%, and multiple skills reduced it by 9.5%. comparison with pso, aco, and sa algorithms confirmed the superiority of ga–ts with a 1.8% gap compared to 3.5%–5.0%. the insertion of a new high-priority project caused only an 8.8% increase in total completion time and a 9.5% delay in existing projects, demonstrating the algorithm’s flexibility. the proposed model and algorithm are suitable for managing real-world projects with dynamic complexities and offer recommendations for future research, including integration with machine learning and uncertainty modeling. this study not only enhances scheduling efficiency but also provides a scientific basis for industrial project applications and contributes to knowledge development in the field of optimization.