Βέλτιστη Κατανομή Πόρων σε Έργο με Χρήση Γενετικού Αλγορίθμου

Optimal project recourse allocation with the use of genetic algorithm (english)

  1. MSc thesis
  2. Μητρόπουλος, Γεώργιος - Ηλίας
  3. Διαχείριση Τεχνικών Έργων (ΔΧΤ)
  4. 07 June 2020 [2020-06-07]
  5. Ελληνικά
  6. 93
  7. Τσινόπουλος, Στέφανος
  8. Τσινόπουλος, Στέφανος | Μαντάς, Μιχαήλ
  9. Διαχείριση Έργων | Μεταευρετικοί Αλγόριθμοι | Γενετικοί Αλγόριθμοι | Χρονοπρογραμματισμός Έργων | Βελτιστοποίηση
  10. 1
  11. 7
  12. 12
  13. Περιέχει : πίνακες, σχήματα, εικόνες.
    • Το πρόβλημα προγραμματισμού έργων με περιορισμένους πόρους είναι ένα από τα πιο δύσκολα και ενδιαφέροντα προβλήματα στον τομέα του προγραμματισμού έργων, το οποίο προκαλεί όλο και περισσότερο το ενδιαφέρον των ερευνητών τις τελευταίες δεκαετίες. Στόχος σε κάθε έργο είναι η βελτιστοποίηση τριών βασικών παραμέτρων, του χρόνου, του κόστους και της απόδοσης/ποιότητας, στοιχεία τα οποία αλληλοεπιδρούν και συγκρούονται μεταξύ τους. Δεδομένα και εργαλεία διαχείρισης έργων, τα οποία βοηθούν στην επίτευξη αυτού του στόχου, ξεκίνησαν να δημιουργούνται κατά τον 19ο αιώνα από τους δύο πρωτεργάτες του τομέα αυτού, τον Henri Fayol και τον Henry Gantt , παρ’ ότι η προϊστορία της διαχείρισης έργων φτάνει μέχρι την αιγυπτιακή εποχή. Ο προγραμματισμός έργου με περιορισμένους πόρους αφορά ένα σετ δραστηριοτήτων, οι οποίες εξαρτώνται από συγκεκριμένα δεδομένα, όπως είναι οι σχέσεις προτεραιότητας μεταξύ τους, ο περιορισμός των διαθέσιμων πόρων, η ποικιλία των πόρων κλπ. Για την επίλυση τέτοιων προβλημάτων έχουν αναπτυχθεί αλγόριθμοι (ευρετικοί και στην πορεία μεταευρετικοί), οι οποίοι, μέσω της παρατήρησης διαφόρων λειτουργιών της φύσης και της προσαρμογής τους σε προγραμματιστικό περιβάλλον, αποδίδουν πολύ αξιόπιστα αποτελέσματα. Στην ΜΔΕ θα μελετηθεί η περίπτωση της επίλυσης τέτοιων προβλημάτων με χρήση γενετικών αλγορίθμων και συγκεκριμένα η ανάπτυξη ενός αλγορίθμου σε γλώσσα προγραμματισμού Matlab, η μεθοδολογία του οποίου αναπτύχθηκε από τους J. Alcaraz και C. Maroto (2001). Ο ψευδοκώδικας που αναπτύχθηκε βασίζεται στις εξής παραμέτρους: δημιουργία του αρχικού πληθυσμού, αξιολόγηση και ταξινόμηση του πληθυσμού, για όσο δεν ικανοποιείται η συνθήκη τερματισμού που ορίζεται, επιλέγεται μέρος του πληθυσμού, οι οποίοι μέσω της διασταύρωσης («αναπαραγωγή») δημιουργούν ένα νέο πληθυσμό («τέκνα») που αντικαθιστά τον παλαιό («γονείς») και τέλος σε «προβληματικό» μέρος του πληθυσμού πραγματοποιείται μετάλλαξη για την αντιμετώπιση οιωνδήποτε σφαλμάτων που προκύπτουν. Η επανάληψη, υλοποιείται έως ότου να ικανοποιηθεί η συνθήκη τερματισμού που έχει δώσει ο χρήστης (ανάλογα τον μέγιστο αριθμό των επαναλήψεων και το συνόλου των συγκλινόντων λύσεων). Μέσα από τη σύγκριση των αποτελεσμάτων που αποδίδει ο γενετικός αλγόριθμος και ένα πακέτο λογισμικού προγραμματισμού έργων θα επιδιωχθεί να διερευνηθεί αν τα αποτελέσματα του πρώτου είναι πιο αξιόπιστα και γρήγορα σε σχέση με του δεύτερου.
    • The Recourse Constraint Project Scheduling Problem is one of the most difficult and interesting problems in the project management science, which has been of increasing interest to researchers in recent decades. The goal of each project is to optimize three, key, parameters, time, cost and performance / quality, elements that interact and conflict. Project management data and tools began to be created in the 19th century by the two leaders in the field, Henri Fayol and Henry Gantt, although the prehistory of project management goes back to the Egyptian era. The Recourse Constraint Project Scheduling Problem is about a set of activities that depend on specific data structures, such as priority relationships between them, limitation of available resources, variety of resources, etc. Algorithms (heuristic algorithms, at first, and then metaheuristics) have been developed to solve such problems, which, by observing the various functions of nature and adapting them to a programming environment, give back very reliable results. This thesis attempts to solve such problems using Genetic Algorithms, specifically the development of an algorithm, in the Matlab programming language, the methodology of which was developed by J. Alcaraz and C. Maroto (2001). The pseudocode developed is based on the following parameters: creation of the original population, evaluation and classification of the population, if the specified condition is not met, a part of the population is selected, which through the crossing procedure ("reproduction") creates a new population which replaces the old one ("parents") and finally a "problematic" part of the population undergoes mutation to address any deficiencies that arise. Repeat is implemented until the end of the term given by the user (depending on the maximum number of repetitions and the total of convergent solutions). By comparing the results of the genetic algorithm and a project planning software package will be investigated whether the results of the former are more reliable and faster than the latter.
  15. Αναφορά Δημιουργού 4.0 Διεθνές