Μέθοδοι βελτιστοποίησης/επιτάχυνσης χρονοδιαγράμματος

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των κυριότερων μεθόδων βελτιστοποίησης χρονικού προγραμματισμού τεχνικών έργων, η συγκριτική τους αξιολόγηση και ο εντοπισμός της βέλτιστης. Αρχικά, αναλύθηκαν ο συνεταιρισμός, η κρίσιμη αλυσίδα και η ταχεία πορεία. Στη συνέχεια, εξετάσθηκε η επιλογή της εντατικοποίησης των εργασιών και ειδικότερα η εξειδικευμένη περίπτωση των γραμμικών έργων, καθώς επίσης και τα μοντέλα βελτιστοποίησης γραμμικού προγραμματισμού. Κατόπιν, η έρευνα πραγματεύεται την τεχνητή μάθηση και τη νοημοσύνη σμήνους. Οι εξελικτικοί αλγόριθμοι νοημοσύνης σμήνους έχουν κερδίσει έδαφος τα τελευταία χρόνια λόγω υψηλής απόδοσης, προσαρμοστικής ικανότητας σε πολύ διαφορετικές συνθήκες προβλημάτων (ευρεία εφαρμογή) και δυνατότητας να πραγματοποιούν βελτιστοποίηση πολλών κριτηρίων.

Θεωρώντας τη νοημοσύνη σμήνους ως την πιο αποδοτική, περιγράφεται με λεπτομέρεια η πιο πρόσφατη πρόταση των He, Wu, Saunders (2009), ο αλγόριθμος Group Search Optimizer (GSO). Δίνεται ιδιαίτερη έμφαση στη συμπεριφορά κάθε μέλους και στη βέλτιστη τιμή των παραμέτρων του αλγορίθμου. Συνδυάζοντας τα αποτελέσματα αξιολόγησης με 23 benchmark συναρτήσεις (σύγκριση αριθμητικών με αναλυτικές τιμές) και εφαρμογής τεχνητών νευρωνικών δικτύων (σύγκριση μέσου σφάλματος) σε πραγματικά προβλήματα (γεωπονία, ιατρική) διαφόρων δημοσιεύσεων, παρουσιάζεται και τεκμηριώνεται εποπτικά μέσω πλειάδας σχημάτων και διαγραμμάτων (δημιουργήθηκαν με Excel) και επεξηγηματικών σχολίων, η αριθμητική υπεροχή του GSO έναντι των έως τώρα χρησιμοποιούμενων αλγορίθμων νοημοσύνης σμήνους (Αποικία Μυρμηγκιών, Σμήνη Σωματιδίων) και άλλων μορφών προγραμματισμού (εξελικτικού προγραμματισμού, στρατηγικών εξέλιξης, γενετικών αλγορίθμων). Διαπιστώνεται ότι η αριθμητική αυτή υπεροχή μεταξύ άλλων έγκειται στο ιδιαίτερο χαρακτηριστικό του GSO, που αποτελεί η παρουσία των περιφερόμενων μελών, τα οποία απεγκλωβίζουν τον αλγόριθμο από τοπικά ελάχιστα όχι μόνο κατά τις πρώτες επαναλήψεις αλλά καθ’ όλη τη διάρκεια εκτέλεσής του. Συνδυάζει με τον πλέον βέλτιστο τρόπο ακρίβεια και ταχύτητα επίλυσης, άρα αποδίδει καλύτερα από τους υπόλοιπους.

Η καινοτομία της συγκεκριμένης εργασίας έγκειται όχι μόνο στο ότι περιγράφει συγκροτημένα την πιο πρόσφατη πρόταση νοημοσύνης σμήνους (GSO) και αναλύει την αριθμητική της υπεροχή, αλλά κυρίως στο ότι επεκτείνει την εφαρμογή της σε προβλήματα βελτιστοποίησης τεχνικών έργων (βελτιστοποίηση σχέσης κόστους – χρόνου σε συνδυασμό με ορθολογική χρήση πόρων). Η πρόταση αυτή έχει βασιστεί σε μοντέλο γενετικού προγραμματισμού και προσαρμοστεί, στα πλαίσια της συγκεκριμένης εργασίας, στις απαιτήσεις του GSO.

This thesis presents the main project time-cost optimization techniques, compares them and proposes the optimum one. Firstly, partnering, critical chain and fast track are analyzed. Then, project crashing (special attention to linear projects) and linear programming optimization models are presented. Finally, machine learning and swarm intelligence are examined. Swarm Intelligence Evolutionary Algorithms are quite popular the last decade due to their high computational performance, their adaptive ability to many different problem conditions (wide application) and their potential to optimize large number of parameters.

Considering swarm intelligence as the most efficient optimization model, the most recent (He, Wu, Saunders, 2009) swarm intelligence algorithm Group Search Optimizer (GSO) is described in detail. Special attention is given to each member’s behaviour and to the optimum parameters’ values of this algorithm. Results published in different papers from 23 benchmark function evaluations (comparison between numerical and analytical solutions) and from artificial neural network training (real world problems, comparing mean test error) have been used. These results have been processed via Excel and have been presented with a number of figures and graphs. This process proved that GSO is more numerical efficient than Ant Colony Optimization, Particle Swarm Optimization and other algorithms such as evolutionary programming, evolutionary strategies and genetic algorithms. This advantage is created by GSO’s special feature, the rangers. Rangers are dispersed form the initial population and perform random walks to avoid entrapments in local minima not only in the earlier search bouts but throughout the whole run. GSO combines with the optimum way numerical accuracy and computational robustness.

This thesis’ innovation is that not only the most recent swarm intelligence paradigm (Group Search Optimizer) and its computational advantage are described thoroughly, but mainly that it presents an extended GSO application in project management optimization problems (time-cost trade off, resources).