انتخاب سبد پروژه‌های با اثر متقابل، با استفاده از الگوریتم بهینه‌سازی گروه ذرات (PSO) و دینامیک آشوبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار، دانشگاه شهید بهشتی.

2 کارشناس ارشد، دانشگاه شهید بهشتی.

3 کارشناس ارشد، دانشگاه علامه طباطبائی.

چکیده

انتخاب سبد پروژه برای سازمانها باتوجه به پیچیدگی اجرای پروژهها و همچنین محدودیت منابع، اهمیت بسیار زیادی دارد. از این رو محققان بسیاری تلاش کردهاند تا روشهایی برای انتخاب سبد پروژه ارائه دهند و اغلب بهنتایج قابل توجه دست یافتهاند. اما اکثر آنها اثر متقابل بین پروژهها را در نظر نگرفتهاند. لحاظکردن اثر متقابل بین پروژهها باعث پیچیده شدن مسئلۀ انتخاب سبد پروژه میشود و اگر از آن صرفنظر شود ممکن است فرآیند تصمیمگیری نتایج پایانی مطلوب را حاصل نکند. در این مقاله ابتدا مسئلة انتخاب سبد پروژه با درنظر گرفتن اثر متقابل بین پروژهها فرموله شده است. سپس مسئلة انتخاب سبد پروژه با درنظر گرفتن اثر متقابل پروژهها با استفاده از الگوریتم بهینه سازی گروه ذرات(PSO) و الگوریتم بهینهسازی گروه ذرات آشوبناک(CPSO) مورد بررسی قرار گرفت. اثر متقابل در انتخاب پروژه در جواب نهایی و برازندگی آن تأثیرهای با اهمیتی نشان میدهند. نشان داده شد که روشهای PSO و CPSO نسبت بهروش الگوریتم ژنتیک که پیش از این در اینگونه مسائل بهکار رفته است برتری دارند.

کلیدواژه‌ها


1. Aaker, D. A., & Tyebjee, T. T. (1978). A model for the selection of interdependent R&D projects. IEEE Transactions on Engineering Management, 25, 30–36.
2. Abido, M. A. (2002). Optimal design of power system stabilizers using particle swarm optimization. IEEE Trans. Energy Conversion, Vol. 17, pp. 406 - 413.
3. Abiyev, R. H., & Menekay, M. (2007). Fuzzy portfolio selection using genetic algorithm. Soft Computing, 11, 1157–1163.
4. Beni, G., Wang, J. (1989). Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30.
5. Bo Liu, Ling Wang, Yi-Hui Jin, Fang Tang, De-Xian Huang (2005). Improved particle swarm optimization combined with chaos. Chaos, Solitons and Fractals, 25, 1261–1271.
6. Bouyssou, D., Marchant, T., Pirlot, M., Tsoukias, A., & Vincke, P. (2006). Evaluation and decision models with multiple criteria: stepping stones for the analyst. New York: Springer.
7. Carlsson, C., & Fuller, R. (1995). Multiple criteria decision making: the case for interdependence. Computers& Operations Research, 22, 251–260.
8. Carraway, R. L., & Schmidt, R. L. (1991). An improved discrete dynamic programming algorithm for allocating resources among interdependent projects. Management Science, 37, 1195–1200.
9. Cooper, R. G., Edgett, S. J., & Kleinschmidt, E. J. (1999). New product portfolio management: practices and performance. Journal of Product Innovation Management, 16, 333–351.
10. De Castro, L. N. & Von Zuben, F. J. (2001). Learning and Optimization Using the Clonal Selection Principle. IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems.
11. Devaney & Robert L. (2003). An Introduction to Chaotic Dynamical Systems. 2nd ed. Westview Press, ISBN 0-8133-4085-3, (2003).
12. Dorigo, M. and Stützle, T. (2004). Ant Colony Optimization by, MIT Press. ISBN 0-262-04219-3.
13. Ewing, P. L. Jr., Tarantino, W., & Parnell, G. S. (2006). Use of decision analysis in the army base realignment and closure (BRAC) 2005 military value analysis. Decision Analysis, 3, 33–49.
14. Fox, G. E., Baker, N. R., & Bryant, J. L. (1984). Economic models for R and D project selection in the presence of project interactions. Management Science, 30, 890–902.
15. Fukuyama, Y. (2000). A particle swarm optimization for reactive power and voltage control considering voltage security assessment. IEEE Trans. Power Syst., Vol. 15, pp. 1232 - 1239.
16. Golabi, K. (1987). Selecting a group of dissimilar projects for funding. IEEE Transactions on EngineeringManagement, 34, 138–145.
17. Golabi, K., Kirkwood, C. W., & Sicherman, A. (1981). Selecting a portfolio of solar energy projects using multi-attribute preference theory. Management Science, 27, 174–189.
18. Henriksen, A. D. P., & Palocsay, S. W. (2008). An Excel-based decision support system for scoring and ranking proposed R&D projects. International Journal of Information Technology and Decision Making, 7(3), 529–546.
19. Karaboga & Dervis (2010). Artificial bee colony algorithm, Scholarpedia, 5(3): 6915.
20. Kennedi, J., & Eberhart, R. (1995). A Discrete Binary of the Particle Swarm Algorithm’ , in IEEE Int . Conf. Vol. 4, No.2, PP 1942-1948.
21. Kleinmuntz, C. E., & Kleinmuntz, D. N. (1999). Strategic approaches for allocating capital in healthcare organizations. Healthcare Financial Management, 53, 52–58.
22. Kleinmuntz, D. N. (2007). Resource allocation decisions. In W. Edwards, R. F. Miles, & D. von Winter- feldt (Eds.), Advances in decision analysis: from foundations to applications. New York: Cambridge University Press.
23. Krishnanand, K.N. & Ghose, D. (2009). Glowworm swarm optimisation: a new method for optimising multi-modal functions. Int. J. Computational Intelligence Studies, Vol. 1, No. 1.
24. Liesio, J. (2006). Robust portfolio optimization in multi-criteria project selection. Licentiate’s Thesis, Helsinki University of Technology.
25. Liesio, J., Mild, P., & Salo, A. (2007). Preference programming for robust portfolio modeling and project selection. European Journal of Operational Research, 181, 1488–1505.
26. Mavrotas, G., Diakoulaki, D., & Caloghirou, Y. (2006). Project prioritization under policy restrictions: a com- bination of MCDA with 0–1 programming. European Journal of Operational Research, 171, 296–308.
27. Medaglia, A. L., Graves, S. B., & Ringuest, L. J. (2007). A multiobjective evolutionary approach for linearly constrained project selection under uncertainty. European Journal of Operational Research, 179, 869– 894.
28. Medaglia, A. L., Hueth, D., Mendieta, J. C., & Sefair, J. A. (2007). Multiobjective model for the selection and timing of public enterprise projects. Socio-Economic Planning Sciences, 41, 31–45.
29. Peng, Y., Kou, G., Shi, Y., & Chen, Z. (2008). A descriptive framework for the field of data mining and knowledge discovery. International Journal of Information Technology and Decision Making, 7(4), 639–682.
30. Peng, Y., Kou, G.,