Εφαρμογή Εξελικτικών Αλγορίθμων σε Σύστημα Διαχείρισης Ανθρώπινου Δυναμικού

  1. Bachelor’s thesis
  2. Γρίβας, ΔΗΜΗΤΡΗΣ
  3. Πληροφορική (ΠΛΗ)
  4. 2016 [2016]
  5. Ελληνικά
  6. 122
  7. Πλαγιανάκος, Βασίλειος
  8. Χρονοπρογραμματισμός εργασιών | ανάθεση εργασιών | βελτιστοποίηση χρονοπρογραμματισμού | γενετικοί αλγόριθμοι | CLP | τεχνητή νοημοσύνη
  9. 0
  10. 0
    • Το πρόβλημα της ανάθεσης και του χρονικού προγραμματισμού εργασιών παρουσιάζεται σε διάφορες μορφές τόσο σε πραγματικά περιβάλλοντα όσο και στην έρευνα. Θεωρείται κρίσιμο για την ομαλή λειτουργία των επιχειρήσεων, αλλά και ιδιαίτερα δύσκολο στην επίλυσή του. Όσον αφορά στον κλάδο παροχής τεχνικών υπηρεσιών το πρόβλημα της ανάθεσης εργασιών σε τεχνικούς πεδίου έχει κάποια χαρακτηριστικά που το διαφοροποιούν. Η εξειδίκευση, τα εργαλεία, αλλά και η απόδοση διαφέρουν μεταξύ των τεχνικών. Οι εργασίες, ανάλογα με τις απαιτήσεις θα πρέπει να ανατεθούν στους κατάλληλους τεχνικούς, ενώ η ίδια εργασία μπορεί να ολοκληρωθεί σε διαφορετικό χρόνο ανάλογα με την απόδοση του τεχνικού που θα την αναλάβει. Κατά την ανάθεση των εργασιών θα πρέπει να αποφεύγεται η άνιση κατανομή τους μεταξύ των τεχνικών και να λαμβάνονται υπόψιν οι τυπικοί περιορισμοί σχετικά με τον χρόνο εργασίας. Παράλληλα, το κόστος υπερωριών και μετακινήσεων θα πρέπει να ελαχιστοποιείται. Η επίλυση του προβλήματος αποσκοπεί στη μείωση του κόστους και στη βελτίωση των παρεχόμενων υπηρεσιών. Πολλές εταιρείες αναπτύσσουν συστήματα διαχείρισης ανθρώπινου δυναμικού για την ανάθεση και τον χρονοπρογραμματισμό των εργασιών, χρησιμοποιώντας, μεταξύ άλλων, μεθόδους γραμμικού προγραμματισμού και τεχνητής νοημοσύνης. Στη συγκεκριμένη εργασία γίνεται μια προσπάθεια αντιμετώπισης του προβλήματος ανάθεσης εργασιών και του χρονικού προγραμματισμού, με μεθόδους τεχνητής νοημοσύνης. Πιο συγκεκριμένα, το πρόβλημα επιλύεται με γενετικούς αλγόριθμους και με λογικό προγραμματισμό με περιορισμούς. Αναφέρονται εν συντομία κάποια γενικά στοιχεία σχετικά με το πρόβλημα του χρονοπρογραμματισμού και παρουσιάζεται το πρόβλημα αναφοράς. Στη συνέχεια, καταγράφονται βασικές έννοιες των γενετικών αλγορίθμων και αναλύεται η σχεδίαση και η υλοποίηση με χρήση της γλώσσας Python του προγράμματος για την επίλυση του προβλήματος ανάθεσης εργασιών. Αντίστοιχα, αναφέρονται κάποια βασικά στοιχεία του λογικού προγραμματισμού, ενώ παρουσιάζεται αναλυτικά η σχεδίαση και η υλοποίηση της λύσης με τη γλώσσα λογικού προγραμματισμού ECLiPSe CLP.
    • Workforce scheduling problems arise in various forms in real environments and in research. It is critical for the optimal operation of companies, but also difficult to solve. Especially, in services industry the problem has some specific characteristics, which differentiate it. Specialization, available tools, but also efficiency differ among technicians. Jobs should be assigned to technicians according to specifications and restrictions. The same job may have different completion time depending on technician's efficiency. While assigning jobs, unequal allocation among engineers should be avoided and due times should be considered. Overtime and travel time costs should be minimized. A good schedule should minimize the cost and improve the quality of service. Many companies develop workforce management systems for the assignment and scheduling of jobs, using among others linear programming methods and genetic algorithms. In this research the problem of job allocation and scheduling is addressed with methods of artificial intelligence. Specifically, genetic algorithms and constraint logic programming are used. The problem of job scheduling is reported and the specific problem is analyzed. Genetic algorithms main features are reviewed and the design and implementation of the problem's solution with the Python programming language is described. The development of a solution with constraints logic programming with the ECLiPSe CLP open source software system is also analyzed.
  11. Hellenic Open University
  12. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.