با سحافایل در خدمت شما هستیم با «پیشینه پژوهشی و تحقیق و مبانی نظری بهينه‌ سازي زمان و هزينه به روش الگوريتم ژنتيك براي پروژه‌هاي عمراني » که بطور کامل و جامع به این مبحث پرداخته و نیاز شما را به هرگونه جستجوی بیشتری برطرف خواهد نمود.

فهرست محتوا

فصل دوم ادبيات تحقيق. 4

2-1- مقدمه: 5

2-2- اصول تصمیم‌گیری چندهدفه 5

2-3- سابقه مطالعات صورت گرفته در زمینه الگوریتم‌های تکاملی چندهدفه 6

2-3-1- الگوریتم‌های تعاملی چند هدفه (Multi-Objective Evolutionary Algorithms) 7

2-3-2- الگوریتم‌های بهینه سازی نخبه‌گرا براساس رتبه‌بندی پارتو. 11

2-4- شناخت و تعیین مشخصات فعالیتهای پروژه 13

2-4-1- مراحل برنامه ریزی و کنترل پروژه 13

2-4-2- روشهای ریز کردن پروژه (Breakdown) 14

2-4-3- انواع روابط میان دو فعالیت.. 15

2-4-4- اصول برآورد فعالیت.. 17

2-4-5- برآورد مدت اجرای معادل. 19

2-4-6- برآورد مدت اجرای فشرده 20

2-4-7- شیب هزینه فعالیت.. 21

2-4-8- هزینه های مستقیم و غیر مستقیم پروژه 22

2-4-8-1- هزینه های مستقیم پروژه 22

2-4-8-2- هزینه های غیر مستقیم پروژه 22

2-4-8-3- هزینه کل پروژه 23

2-4-8-4- تغییرات مجموع هزینه ها و نقطه زمان بهینه 23

2-5- روش های کلاسیک تخصیص و تسطیح منابع. 24

2-5-1- مدل های رایج در برنامه ریزی و کنترل پروژه 24

2-5-1-1- مدل های با محدودیت زمانی. 24

2-5-1-2- مدل های با محدودیت مالی. 25

2-5-1-3- مدل های بدون محدودیت در زمان و هزینه 25

2-5-2- رویکردهای مختلف به استفاده از منابع. 26

2-5-2-2- تخصیص منابع. 27

2-5-3- الگوریتم تسطیح منابع محدود 27

2-5-4- روش برگس برای تسطیح منابع. 28

2-6- سابقه مطالعات صورت گرفته در زمینه کاربرد الگوریتم ژنتیک در موازنه زمان – هزینه و تسطیح و تخصیص منابع. 30

2-6-1- موازنه زمان – هزینه 30

2-6-2- تسطیح و تخصیص منابع. 32

2-7- جمع بندی. 32

منابع و مآخذ 93

منابع فارسي. 94

منابع انگليسي  94

2-1- مقدمه:

تمام عملکردهای انسان در طبیعت نتیجه تصمیم گیری های او و علم او به تمامی گزینه های ممکن و نتایج احتمالی مبتنی بر این نوع از فعالیت‌ها می باشد. با توجه به نوع مسئله و پیچیدگی های احتمالی آن، پیش بینی دقیق مطلوب ترین جواب عملاً غیر ممکن به نظر می‌رسد. در عمل، فرایند تصمیم گیری معمولاً با چندین تابع هدف مختلف و غیر هم وزن و اغلب غیر هم جهت در ارتباط است. این بدان معناست که فرایند ارزش گذاری توابع مختلف اساساً نمی تواند یکسان و هم سو باشد و در بسیاری از موارد، مقدار یک تابع هدف نمی تواند افزایش یابد، بدون آن که مقدار تابع هدف دیگر کاهش یابد. لذا برای تصمیم گیری نهایی، نیاز به نوعی توازن بین اهداف مختلف است که نحوه این مصالحه از اهمیت بسزایی در تصمیم گیری ها برخوردار است. در این راستا، ریسک، سود، هزینه اجرا و مصالح اجتماعی می توانند تاثیر بسزایی در این مصالحه داشته باشند. از قبیل مسائل با عنوان مسائل تصمیم گیری چند معیاره (MCDM) شناخته می شوند.

2-2- اصول تصمیم‌گیری چندهدفه

با توجه به غیر ممکن بودن رسیدن به مقادیر بهینه در تمامی توابع هدف به طور همزمان، مساله تصمیم گیری چند معیاره معمولاً به انتخاب یک گزینه از میان تعدادی راه حل کاندیدا منجر خواهد شد. در نهایت انتخاب نهایی، مصالحه و توازنی بین توابع هدف خواهد بود و دست آخر، ترجیح تصمیم گیرنده، مشخص کننده تک جواب نهایی از میان مجموعه جواب های کاندیدا می باشد.

بسیاری از مسائل تصمیم گیری شامل تعداد زیادی از متغیرهای تصمیم می باشند که عملاً مقایسه تمامی آنها و همه امکان های انتخاب، غیر ممکن می باشد. لذا با توجه به این نکته، مسائل بهینه‌سازی از این دست تبدیل به یک مساله جستجو با رویکرد انتخاب جواب بهینه بر اساس فرایند حذف جواب های نامطلوب خواهند شد. حل اینگونه مسائل تحت عنوان تصمیم گیری چند هدفه یا بهینه سازی چند هدفه شناخته می شود.

یک تقسیم بندی معمول برای حل اینگونه مسائل روشی است که در سال 1969 و بر اساس منظور نمودن نحوه اعمال اولویت های تصمیم گیرنده ارائه شده است. بر اساس این تقسیم بندی، چهار راهکار برای معرفی جواب نهایی در مسائل بهینه سازی چند هدفه وجود دارد:

1- عدم لحاظ کردن هر نوع برتری (صرفاً عمل جستجو انجام می‌گیرد)

2-لحاظ نمودن برتری (ارجحیت) تصمیم گیرنده قبل از فرآیند جستجو (تعیین ارجحیت قبل از جستجو)

3-منظور نمودن اطلاعات مربوط به برتری (ارجحیت) تصمیم گیرنده به شکل پویا (تعیین ارجحیت همزمان با جستجو)

4-منظور نمودن اطلاعات برتری (ارجحیت) تصمیم گیرنده بعد از اتمام فرایند جستجو

راهکار اول:

شامل روشهایی است که طی آن جستجو بدون درنظرگرفتن هرگونه اولویتی از جانب تصمیم گیرنده انجام می­شود.

راهکار دوم:

اهداف مختلف را براساس اولویت­های تصمیم گیرنده در قالب یک هدف پذیرفته و بهینه سازی را به صورت تک هدفه انجام می­دهد. این بدان معناست که خواسته­ها و رجحان­های تصمیم گیرنده در قالب اوزانی به توابع هدف نسبت داده می­شود. راهکار سوم شامل روشهایی می باشد که به تصمیم‌گیرنده این امکان را می دهد که به طور کاملا فعال، اولویت­های خود را در فرایند جستجو اثر دهد. در روش آخر، این امکان برای کاربر یا تصمیم گیرنده وجود دارد که بعد از اتمام فرایند جستجو، انتخاب را براساس اولویت­های خود انجام دهد. در این روش، پس از اتمام جستجو، مجموعه­ای شامل جوابهای قابل قبول تولید می شود و برای اعمال نظر در اختیار شخص تصمیم گیرنده قرار می­گیرد.

فهرست منابع

منابع فارسي

• امیرابراهیمی، امیرمحمد و صیقلی، سهیل (1383). تسطیح منابع با در نظر گرفتن بهینه‏سازی، پایان‏نامه جهت دریافت درجه کارشناسی ارشد، مهندسی عمران- مدیریت و مهندسی ساخت، دانشکده فنی دانشگاه تهران.
• حاج شیر محمدی، ع (1381). مدیریت و کنترل پروژه، انتشارات جهاد دانشگاهی دانشگاه اصفهان.
• صابر، وحید (1385). حل مسأله موازنه زمان- هزینه پروژه با در نظر گرفتن محدودیت منابع با استفاده از الگوریتم ژنتیک چندشاخصه، سومین کنفرانس بین‏المللی مدیریت و پروژه در سالن اجلاس سران.
• قدوسی، پرویز و کاظمی، محمدعلی (1384). بهینه‏سازی رابطه هزینه- زمان در پروژه‏های بزرگ عمرانی، پایان‏نامه جهت دریافت درجه کارشناسی ارشد، مهندسی عمران- مدیریت و مهندسی ساخت، دانشکده عمران دانشگاه علم و صنعت ایران.
• کساییان زیارتی، احمد (1385). موازنه زمان- هزینه با استفاده از الگوریتم چندجامعه‏ای مورچه‏ها، پایان‏نامه جهت دریافت درجه کارشناسی ارشد، مهندسی عمران- مدیریت و مهندسی ساخت، دانشکده عمران دانشگاه علم و صنعت ایران.

منابع انگليسي

1-Algorithms; Journal of Construction Engineering and Management, ASCE, Vol. 125, No.3, 167-175.

2-Burgess, A.R; and Killebrew, 1962, Variation in Activity Level on a Cyclic Arrow Diagram, Journal of Industial Engineering, No. 2,76-83.

3-Cuan Shih; Kuo, Shun Liu; Shu, 2006, Optimization Model Of External Resource Allocation For Resource-Constrained Project Scheduling Problems, ISARK, 864- 871.

4-Deb Kalyamoy, 2001. Multi-Objective Optimization Evolutionary Algorithms, John Wiley Publication.

5-Daisy X. M. Zheng; S. Thomas Ng: and Mohan M. Kumaraswamy, 2004. Applying a Genetic Algorithm-Based Multi-objective Approach for Time-Cost Optimization, Journal of Construction Engineering and Management, ASCE, Vol. 130, No. 2, 168-176.

6-Daisy X. M. Zheng; S. Thomas Ng, 2005. Stochastic Time-Cost Optimization, Model Incorporating Fuzzy Sets Theory and Nonreplicable Front, Journal of Construction Engineering and Management, ASCE, Vol. 131, No. 2, 176-186

7-Feng, C. W., Liu, L., and Burns, S. A., 1997. Using Genetic Algorithms to Solve Construction Time-Cost Trade-Off Problems, Journal of Construction Engineering and Management, ASCE, Vol. 11, No.3, 184-189.

8-Hegazy, T., 1999. Optimization of Resource Allocation and Leveling Using Genetic 7- 8- 9-Hegazy, T., 1999. Optimization of Construction Time-Cost Trade-Off Analysis Using Genetic Algorithms, University of Waterloo Report , ON N2L 3G1, Canada.

10-Haupt, Sue Ellen, Haupt, Randy L, 2004. Practical Genetic Algorithms, John Wiley Publication

11-Hiyassat, M.A.S , 2001, Modification of Minimum Moment Method to Multiple Resource Leveling, Journal of Construction Engineering and Management, ASCE, Vol. 127, No. 3,192-198.

12-Parks, G., T., Miller, I., 1998, Selective Breeding in a Multiobjective Genetic Algorithm. Parallel Problem Solving From Nature- PPSN V, Springer- Verlag, 250-259.

13-Que, B. C., 2002, Incorporation Practicability into Genetic Algorithm Based Time-Cost Optimization- Journal of Construction Engineering and Management, ASCE, Vol. 128, No. 2,139-143.

14-Toklu Y. Cengiz, 2002, Application of Genetic Algorithm to Construction Scheduling with or without Resource Constraints, Canadian Journal of Civil Engineering, No. 29, 421-429.

14-Yandamuri S.R. Murty, Srinivasan K. , Bhallamudi S. Murty, 2006, Mulitiobjective Optimal Waste Load Allocation Models for Rivers Using Nondominated Sorting Genetic Algorith-II, Journal of Water Resources Planning and Management, Vol. 132, No. 3, 133-143.

15-Zheng; D. X. M., S., Ng, T., and Kumaraswamy, M. M., 2005, Applying Pareto Ranking and Niche Formation to Genetic Algorithm-Based Multi-objective Time-Cost Optimization, Journal of Construction Engineering and Management, ASCE, Vol. 131, No. 1,81-91.

16-Zitzler, E. , Thiele, L., 1998, An Evolutionary Algorithm for Multiobjective Optimization: The Strength Pareto Approach. Technical Report 43, Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute if Technology, Zurich, Switzerland.