زمانبندي پروژه با استفاده از روش‌ها و الگوريتم‌هاي شبكه عصبي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

امروزه، زمان‌بندي پروژه به‌عنوان يكي از مهم‌ترين عوامل موفقيت يك پروژه شناخته شده است. در اين روزها، با پيشرفت تكنولوژي و استفاده از نرم‌افزارهاي مديريت پروژه، زمان‌بندي پروژه به‌صورت دقيق‌تر و كاملاً بر اساس فعاليت‌هاي پروژه و منابع موردنياز آن تعيين مي‌شود. درعين‌حال، با وجود پيشرفت‌هاي حاصل در زمينه مديريت پروژه، هنوز هم مشكلاتي اعم از عدم درك صحيح از مشكل يا نياز بازار، تغييرات مكرر در پروژه ها، تنظيم برنامه غير واقع بينانه، عدم درك صحيح از محدوديت زماني در زمان‌بندي پروژه وجود دارد كه مي‌تواند بر روي موفقيت يك پروژه تأثير بگذارد . براي بهبود زمان‌بندي پروژه، مي‌توان از روش‌هاي مديريت پروژه مانند تغيير در ساختار پروژه، بهبود فرآيندهاي كاري، استفاده از نرم‌افزارهاي پيشرفته مديريت پروژه و همچنين ارتقاي مهارت‌هاي افراد در زمينه مديريت پروژه استفاده كرد. مدل‌هاي هوش مصنوعي با تكيه بر داده‌هاي تاريخي، شرايط خاص مكاني و ساير متغيرهايي كه روش‌هاي زمان‌بندي سنتي ممكن است در نظر نگيرند، در بهبود دقت زمان‌بندي ساخت‌وسازها ، پيشرفت هاي نويدبخشي را نشان داده‌اند. در اين پژوهش شبكه‌هاي عصبي مصنوعي و مدل‌هاي فازي عصبي با استفاده از داده‌هاي استخراج‌شده از زمان‌بندي پروژه هاي ساخت و ساز توسعه داده شدند. در اين پژوهش از مدلهاي فازي و پرسپترون چندلايه و مدل هيبريدي وهمچنين از دو مدل رگرسيون خطي ساده ، رگرسيون بردار پشتيبان استفاده شده است. عملكرد اين مدلها مقايسه شده است. هر چه پيش‌بيني زمان و هزينه پروژه دقيق‌تر باشد، مديران پروژه مي‌توانند برنامه‌ريزي‌هاي مناسب‌تري براي تخصيص منابع، تنظيم دستور كار، مديريت تغييرات و مديريت ريسك‌ها را براي پروژه خود ايجاد كنند. اين مسئله باعث افزايش احتمال موفقيت پروژه، كاهش هزينه‌ها و زمان‌هاي تأخير، و در نهايت بهبود كيفيت پروژه خواهد شد. به‌علاوه، پيش‌بيني دقيق زمان و هزينه پروژه، به تيم‌هاي پروژه كمك مي‌كند تا باتوجه‌به زمان و منابع موردنياز، بهترين راهكارهاي ممكن را براي انجام فعاليت‌ها پيشنهاد دهند و در نتيجه، از مديريت بهتر پروژه برخوردار شوند. در كل، پيش‌بيني دقيق زمان و هزينه پروژه، بهبود كيفيت، مديريت بهتر پروژه، كاهش هزينه‌ها و زمان‌هاي تأخير، و در نهايت، افزايش موفقيت و سود پروژه را به دنبال دارد. نتايج حاصل از ارزيابي مدل‌هاي مختلف نشان مي‌دهد كه مدل هيبريدي با مقدار 108/0 در ميانگين خطاي مطلق، 025/0 در خطاي ميانگين مربعات، 159/0 در ريشه ميانگين مرعات خطاو 728/0 در ضريب تعيين در مقايسه با مدل رگرسيون بردار پشتيبان با مقادير 133/0، 033/0، 181/0 و 701/0 و مدل رگرسيون خطي ساده با مقادير 142/0، 037/0، 193/0 و 660/0 بهتر مي‌باشد.

231491

بهينه سازي سيستم ها

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان