بهينه سازي مدل دوهدفة مسئلة زمان بندي پروژه با منابع محدود باوجود چند حالت اجرايي و امكان قطع فعاليت ها

Dual-objective Preemptive Multi-mode Resource-Constrained Project Scheduling Problem Optimization Model

مسئلة زمان‌بندي پروژه با منابع محدود با وجود چند حالت اجرايي (MRCPSP) ، به‌دنبال يافتن بهترين توالي انجام‌دادن فعاليت‌هاست، به‌نحوي‌كه با وجود انواع محدوديت منابع، بايد محدوديت‌هاي تقدم و تأخر پروژه ارضا شود و فعاليت‌ها نيز بيش از يك نوع حالت اجرايي داشته باشند. در هريك از اين حالت‌هاي اجرايي، مقدار منابع و زمان اجرايي فعاليت‌ها مشخص و متفاوت است. در مسئلة زمان‌بندي پروژه با منابع محدود و چند حالت اجرايي با امكان قطع فعاليت‌ها (P-MRCPSP)، فعاليت‌ها مي‌توانند در هر حالت اجرايي قطع و در هر زماني بدون اضافه‌شدن هزينه دوباره شروع شوند. در اين پژوهش كمينه‌ساختن زمان تكميل پروژه در كنار بيشينه‌سازي ارزش خالص فعلي پروژه در مسئله P-MRCPSP مدنظر قرار گرفته است. پس از حل مسئله با استفاده از روش محدوديت اپسيلون، با توجه به NP-hard بودن مسئله و چندهدفه‌بودن مدل، الگوريتم تكاملي چندهدفة بهينه‌سازي ازدحام ذرات (MOPSO) براي دستيابي به زمان‌بندي بهينه توسعه داده ‌شده است. به‌منظور ارزيابي كارايي روش پيشنهادي، نتايج براساس شاخص‌هاي طراحي‌شده با الگوريتم ژنتيك مرتب‌سازي نامغلوب (NSGAII) مقايسه مي‌شود. براي تنظيم پارامترهاي دو الگوريتم از روش تاگوچي در طراحي آزمايش‌ها استفاده شده است. نتايج حل مدل نشان‌دهندة قوت الگوريتم MOPSO است.

The Multi-Mode Resource Constrains Project Scheduling Problem (MRCPSP) tries to find the best sequence of activities in a manner that involves more than one type of operating mode and in the presence of resource constraints, project’s precedence constraints must be satisfied. In each execution mode, the amount of resources and execution time are specified and different. In The Preemptive multi-mode Resource Constraints Project Scheduling Problem (P-MRCPSP), each operating mode activity can be interrupted and restarted at any time without any extra cost. In this paper, minimizing the completion time along with maximizing the current net value of the project in the P-MRCPSP are considered. After solving the problem by using Epsilon limits method, according to NP-hard problem and multi-objective model, multi-objective particle swarm optimization (MOPSO) has been developed to achieve optimum scheduling. In order to evaluate the proposed method’s efficiency, results have been compared to non-dominance genetic algorithm sorting (NSGAII) based on designed indicators. The Taguchi method has been used in experimental design, to adjust these two algorithms’ parameters. The results of the model solution show the strength of MOPSO algorithm.