بکارگیری دانش مدیریت پروژه و الگوریتم هیبریدی در پیش‌بینی زمان و هزینه تکمیل پروژه‌های سدسازی

Abstract

چکیدهمقدمه: یکی از وظایف مدیر پروژه، کنترل پروژه با استفاده از دو فاکتور زمان و هزینه می‌باشد. این دو اهرم از مهمترین کلیدهای کنترلی پروژه به منظور استفاده بهینه از منابع می‌باشد.روش­: در این تحقیق روش جدیدی با بکارگیری ارزش کسب شده و الگوریتم ­های هیبریدی برای پیش­بینی زمان و هزینه تکمیل پروژه ­های سد سازی توسعه داده شد. برای این منظور گزارشات مالی و زمان­ بندی پنج سد A، B، C، D و E گردآوری شدند. ارزش کسب شده، پیشرفت واقعی، برنامه کسب شده و هزینه واقعی برای هر ماه از گزارشات این سدها استخراج شد. سپس از پارامترهای چهار سد (A تا D) به عنوان ورودی در توسعه مدل­ هایی برای پیش­بینی زمان با استفاده از الگوریتم حداقل مربعات ماشین بردار پشتیبان (LSSVM) و تلفیق شده با الگوریتم­ های بهینه ­سازی ازدحام ذرات (PSO) و ژنتیک (GA) استفاده گردید.یافته ­ها: مقایسه نتایج حاصل از این مدل­ های در مرحله آموزش نشان داد که الگوریتم LSSVM-PSO از دقت بالاتری برخوردار است. در ادامه برای توسعه مدل پیش­بینی­ کننده هزینه با استفاده از الگوریتم­ های هیبریدی علاوه­ بر پارامترهای ورودی استفاده شده در مرحله، زمان پیش­بینی شده توسط مدل­ ها نیز به عنوان ورودی الگوریتم­ ها تعریف شد. مقایسه نتایج این مرحله نیز نشان داد که الگوریتم LSSVM-PSO از دقت بالاتری نسبت به سایر مدل­ها برخوردار است. در ادامه برای اعتبارسنجی مدل­های توسعه داده شده، این مدل‌ها برای پیش­بینی زمان و هزینه در پروژه ساخت سد E استفاده شد. نتایج نشان داد که الگوریتم LSSVM-PSO نسبت به سایر الگوریتم­های هیبریدی از دقت بالاتری در تخمین زمان اتمام پروژه برخوردار است که نشان دهنده قابلیت تعمیم بالای این مدل برای پیش­بینی زمان سایر پروژه­های ساخت سد است. این در حالی است که برخلاف انتظار این مدل از دقت کمتری در پیش­بینی هزینه اتمام پروژه ساخت سد E نسبت به مدل MLP-PSO برخوردار است که نشان می­دهد پیش­بینی هزینه از پیچیدگی بالاتری برخوردار است و بکارگیری مدل­ ها در این مسئله بایستی با احتیاط بیشتری صورت گیرد. برای ارزیابی بیشتر نتایج مدل­های هیبریدی از روش احتمالاتی فیلتر کالمن نیز برای پیش­بینی زمان و هزینه پروژه استفاده شد که نتایج آن حاکی از دقت بالاتر مدل­ های حاصل از الگوریتم­های هیبریدی است.نتیجه ­گیری: مدل LSSVM-PSO می­تواند با دقت بالاتری نسبت به روش­های مرسوم به پیش­بینی زمان و هزینه پروژه بپردازد.