مدل استوار نوين در مسيله ي موازنه ي زمان-هزينه گسسته

A Novel Robust Model for Discrete Time-Cost Trade off Problem

يكي از مسايل مهم در كنترل پروژه، برآورد دقيق زمان اتمام و هزينه ي اجرايي و ميزان منابع مصرفي در يك پروژه مي باشد. به علت عدم قطعيت در كنترل پروژه هايي كه در محيط بسيار متغير اجرا مي شوند، در مديريت پروژه ها، اغلب ممكن است با صرف هزينه هاي اضافي طول زمان برخي از فعاليتها را كاهش دهيم تا زمان تكميل پروژه را تسريع بخشيم. مسيله ي موازنه ي زمان-هزينه، روشهاي تعيين اقتصادي ترين زمان براي اجراي پروژه و بررسي ميزان حساسيت تغييرات هزينه در مقابل تغييرات زمان مي باشد. در اين پژوهش ، يك مدل رياضي كارامد و استوار براي مسيله ي موازنه زمان- هزينه گسسته، ارايه مي گردد كه در شرايط عدم قطعيت و غير قابل پيش بيني همواره جوابهاي نزديك به بهينه داشته باشد. براي استوار كردن و حفظ كارايي مدل مفروض از روش بهينه سازي استوار و براي حل مدل از الگوريتم ژنتيك استفاده مي كنيم. با بررسي نتايج آزمايشات برروي پروژه هاي مختلف، به استواري، دقت و كارايي روش پيشنهادي پي مي بريم.

In project scheduling, the activity durations can often be reduced by dedicating additional resources. Time/Cost Trade-off Problem considers the compromise between the total cost and project duration. The discrete version of the problem assumes a number of time/cost pairs, so called modes, and selects a mode for each activity. In this paper, we consider the Discrete Time/Cost Trade-off Problem. We study the problem of minimizing total cost subject to a deadline on project duration so called Deadline problem. Projects are often subject to various sources of uncertainties that have a negative impact on activity durations and costs. Therefore, it is crucial to develop effective approaches to generate robust project schedules that are less vulnerable to disruptions caused by non-controllable factors. We propose a novel robust model for the DTCTP in which interval uncertainty is assumed for the unknown cost parameters. We use genetic algorithms to solve the proposed robust optimization model. Our computational results on large-sized problem instances have revealed the satisfactory behavior of our algorithms.