'ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΚΑΤΑΝΟΜΗΣ ΠΟΡΩΝ ΣΕ ΤΕΧΝΙΚΑ ΕΡΓΑ ΜΕ ΧΡΗΣΗ ΕΞΕΛΙΚΤΙΚΩΝ ΑΛΓΟΡΙΘΜΩΝ

  1. MSc thesis
  2. ΣΙΝΟΣ, ΧΑΡΑΛΑΜΠΟΣ
  3. Διαχείριση Τεχνικών Έργων (ΔΧΤ)
  4. 01 Σεπτεμβρίου 2016 [2016-09-01]
  5. Ελληνικά | Αγγλικά
  6. 190
  7. ΧΑΣΙΑΚΟΣ, ΑΘΑΝΑΣΙΟΣ
  8. Τσώλας, Ιωάννης
  9. 2
  10. 10
  11. 83
  12. 5
  13. δες πίνακα περιεχομένων, πίννακες εικόνων, σχημάτων και διαγραμμάτων.
    • Σε αυτή την εργασία μελετήθηκαν οι κυριότεροι εξελικτικοί αλγόριθμοι ως προς την ικανότητα επίλυσης προβλημάτων βελτιστοποίησης κατανομής πόρων που παρουσιάζονται σε τεχνικά έργα. Η αποπεράτωση ενός τεχνικού έργου σημαίνει ότι ένα πλήθος διακριτών εργασιών έχει εκτελεστεί σωστά, ακολουθώντας κάποιες σχέσεις διαδοχής μεταξύ των εργασιών, ενώ κάθε εργασία απαιτεί ένα πλήθος πόρων (εργάτες, μηχανήματα, υλικά), έχει μια ελάχιστη διάρκεια εκτέλεσης και κάποιο κόστος εκτέλεσης. Πρωταρχικός στόχος των αλγορίθμων είναι να ελεγχθεί αν μπορούν να επιλύσουν προβλήματα με μεγάλο πλήθος εργασιών, που η αναλυτική λύση είναι χρονοβόρα και πολλές φορές καθίσταται αδύνατη. Στη συνέχεια στόχος είναι να μπορέσουν να βρουν θεμιτές λύσεις με ελάχιστο κόστος, το οποίο μπορεί να οφείλεται σε πολλαπλούς στόχους, όπως στην ομαλότητα χρήσης των πόρων, στη μη υπέρβαση ή την ελαχιστοποίηση της υπέρβασης ενός μεγέθους πόρων και στην ελαχιστοποίηση της διάρκειας του έργου. Το συνολικό κόστος που είναι και η αντικειμενική συνάρτηση ελαχιστοποίησης απαρτίζεται από επιμέρους κόστη που λαμβάνουν υπόψη τους όλους τους παραπάνω περιορισμούς και απαιτήσεις.
    • In this thesis project the most known evolutionary algorithms were studied for their effectiveness to solve resource allocation problems presented in the construction field. The completion of a technical work means that a number of discrete activities has been executed efficiently, directed by precedence relations between activities, while each activity requires a number of resources (labors, machines, materials), it spends a minimum execution duration and it costs a part of the total budget. The main objective of evolutionary algorithms is to conclude if they can solve such problems with a large number of discrete activities, that the analytical solution needs very high computational effort or sometimes is ineffective. Besides, a secondary objective is to find project schedules with minimized cost, raised from multiobjective scheduling, consisted from either resource leveling, or resource usage being kept limited and the minimization of project's makespan. The total cost is the objective function under minimization and it consists of cost terms including all above requirements and constrains. The evolutionary algorithms were studied in problems consisted of different number of activities. Initially a problem with 5 activities studied, then a problem with 8 activities and finally a problem with 11 activities. For 5 activities problem, only a scenario was studied, while for the two greater problems 3 scenarios were studied, where various costs of execution and various objectives and constrains were studied. A multimode execution of activities was also applied in one out of the 3 scenarios. The algorithms applied are: 1. Genetic Algorithm, 2. Ant Colony Optimization, 3. Particle Swarm Optimization, 4. Harmony Search and 5. Simulated Annealing Algorithm. The tool of the algorithm coding and execution is Matlab. The expanding into problems with more activities is relatively easy, because the operation of each algorithm is split into files and sub-files with a certain objective for each one. Results have proved that most algorithms, except from Ant Colony Optimization Algorithm can find out the near optimum solutions. The ACO gave near optimium solutions only for the small size problem of 5 activities. On the other side it is expected that as the size of the problem is extended, the algorithm needs more iterations to reach the near optimum solutions, the execution of the algorithm must be also repeated manifold as the success rate is reduced and then the computation effort increases as well. Obviously the probability that the algorithm can approach a near optimum solution shrinks as the size of possible project schedules expands.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.