ارائه مدلي مفهومي براي انتخاب پرتفوي بهينۀ پروژه‌ها با رويكرد تركيبي كارايي-ريسك مبتني‌بر روش ژنتيك چندهدفه با مرتب‌سازي نامغلوب ((NSGAΙΙ

A New Multi-objective Model for Projects Portfolio Optimization considering Integrated Efficiency-risk Approach using NSGA-ΙΙ

از مهم‌ترين موضوعات براي موفقيت سازمان‌ها، مسئلۀ انتخاب مناسب پرتفوي پروژه‌ها است. در پژوهش‌هاي قبلي انتخاب سبد پروژه‌ها با تمركز روي ميزان كارايي پروژه‌ها انجام و كمتر به نقش ريسك توجه شده است؛ بنابراين در اين مقاله مدلي چندهدفه براي انتخاب پرتفوي بهينۀ پروژه‌ها با رويكرد تركيبي كارايي- ريسك و با استفاده از تكنيك‌هاي DEA، RPN، MOMP و NSGAII ارائه شده است كه در آن نه‌تنها پارامتر ريسك شاخص اصلي در نظر گرفته شده است، كارايي پروژه‌ها و محدوديت منابع نيز در آن لحاظ شده است. همچنين مدل پيشنهادي قابليت انتخاب سبد بهينه را در شرايط گوناگون از‌جمله نبود پروژه‌هاي ناسازگار (پروژه‌هاي متضاد كه تنها يكي از آنها انجام‌شدني است)، پروژه‌هاي پيش‌نياز (پروژه‌هايي كه انجام يكي وابسته به انجام ديگري است) و هم‌نياز (پروژه‌هايي كه لازم است هم‌زمان انجام شوند) دارد. از نوآوري‌هاي اصلي اين مقاله ارائۀ روش حل فرا ابتكاري است كه چندين پرتفوي بهينۀ نامغلوب پروژه‌ها را ارائه مي‌كند.

A project portfolio is a crucial decision-making process used to prepare an optimum collection of vast alternative projects. In most of the previous modeling methods, the focus is directed towards maximizing project efficiency and so, the role of risky aspects in selecting appropriate projects has been neglected. This paper presents an integrated multi-objective mathematical programming (MOMP) based on efficiency-risk for selecting a project portfolio using various techniques including data envelopment analysis (DEA), risk priority number (RPN) and non-dominated sorting genetic algorithm (NSGA-ΙΙ). The proposed model can support both the capability to nominate mutually exclusive projects (conflicting projects that only one of them can be done) or any type of predecessor projects (doing a project depends on another project) and concurrent projects (need to be done at the same time) selection. Another advantage of the model is that the hyper heuristic solutions can be found in the form of several non-dominated cases and it is possible for organization’s experts to choose the best and the most suitable solutions.