پایان نامه بهینه‌ سازی زمان و هزینه به روش الگوریتم ژنتیک برای پروژه‌های عمرانی

پایان نامه برای دریافت درجه کارشناسی ارشد(M.A)

گرایش: ”استراتژیک"

مقدمه

امروزه لزوم برنامه ریزی مناسب به منظور برآورد صحیح از زمان و هزینه انجام پروژه و میزان منابع مورد نیاز در یک پروژه که تاثیر مستقیم بر اجرا، اداره و بهره برداری مناسب از پروژه هایی همانند احداث سد و ساختمان دارند، روشن است. در مجموع، مدیریت و برنامه ریزی فعالیت ها و منابع مورد نیاز در یک پروژه، نیازمندانجام تحلیل های مختلفی است که یکی از آنها مدلسازی و پیش‌بینی صحیح هزینه و زمان انجام پروژه است. رسیدن به این هدف، کمک قابل‌توجهی به مدیریت بهینه پروژه و تصمیم گیری در شرایط خاص می کند.

مسئله برنامه ریزی و پس از آن کنترل زمان بندی پروژه ها، هر روز اهمیتی بیش از گذشته می یابد. در محیطی که رقابت شرکت ها هر روز به هم نزدیکتر می شود و تفاوت های کوچک در ارائه قیمت در مناقصه ها منجر به موفقیت یا شکست در مناقصه می شود، ارائه برنامه ای که منطبق بر واقعیات باشد و بتواند حاوی تمام واقعیات اقتصادی در مدل یک پروژه باشد حائز اهمیت زیادی است. یک برنامه جامع این قابلیت را دارد که با استفاده از رابطه هزینه و زمان در یک پروژه، تغییرات لازم را در هزینه و زمان منابع در نظر بگیرد و راه حل های مناسب را پیش روی کاربران قرار دهد تا بتوانند قبل از اجرای پروژه، برآورد مناسبی از زمان و هزینه اجرایی و میزان منابع مورد نیاز در پروژه داشته باشند.

برای زمان بندی و کنترل پروژه، مراحل مختلفی از جمله تحلیل پروژه، برآورد مدت، هزینه و منابع اجرایی و در نهایت زمان بندی پروژه صورت می گیرد. گاهی اوقات مدیریت پروژه تصمیم می گیرد زمان پروژه را کاهش دهد که این امر تاثیر مستقیم بر هزینه تمام شده خواهد داشت.

کاهش زمان با تدابیر خاص، از جمله به کارگیری منابع اجرایی محقق می شود که باعث افزایش هزینه های اجرایی پروژه می شود.

به منظور بهینه سازی زمان – هزینه، روش های مختلفی در دو حوزه آنالیز موازنه زمان – هزینه به کار گرفته می شوند. به همین منظور روش های ریاضی و تحقیقی (کاوشی) متنوعی به کار می روند.

از جمله مدل های کاوشی عبارتند از: روش فوندال، مدل سازه اپراگر، مدل سنجی مصلحی، و مدل زیمنس. روش های ریاضی نیز شامل روش برنامه ریزی خطی مدل برنامه ریزی عمده صحیح، مدل پویا و مدل ترکیبی برنامه ریزی خطی و عدد صحیح اشاره کرد.

الگوریتم ژنتیک یک روش جستجو و بهینه سازی بر اساس اصول تکاملی طبیعی می باشد. این الگوریتم مقرر می‌سازد که یک جمعیت متشکل از تعدادی زیاد افراد که تحت قوانین ویژه‌ای انتخاب شده‌اند طی فرایندی تکاملی، تابع برازش را بهینه نمایند. الگوریتم ژنتیک نسبت به سایر روش های بهینه سازی دارای مزیت هایی از جمله بهینه سازی متغیرهای پیوسته یا گسسته با توابع هدف بسیار پیچیده تر، استفاده از قوانین انتقال احتمالی به جای قوانین قطعی و قابلیت کار با تعداد زیادی متغیر می باشد.

برای اولین بار Feng‌ و Lui (1997) در حل مساله موازنه زمان – هزینه، Hegazy (1999) در حل مساله تخصیص و تسطیح منابع از روش الگوریتم ژنتیک استفاده نمودند. آنها در مدلسازی خود بهینه سازی تک هدفه را دنبال کردند و تنها با روش وزن دهی به پارامترهای زمان و هزینه، ترجیحات تصمیم گیرنده را در انتخاب گزینه در نظر گرفتند.

در این پایان نامه با استفاده از الگوریتم ژنتیک و مدل چند هدفه، موازنه زمان هزینه و تخصیص منابع صورت گرفته، ضمن اینکه عدم قطعیت ها در مدت زمان و هزینه اجرای هر یک از فعالیت های پروژه لحاظ شده است.

فصل

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[1]) 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.

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

Goldberg، پیشنهاد داد که می توان بهینه سازی چند هدفه را با استفاده از فرایند رتبه بندی پارتو مورد بررسی قرار داد. بدین معنا که با توجه به چیرگی اعضای پارتو، به هر عضو از جمعیت یک مقدار نسبی برازندگی نسبت دهیم. این فرایند که با نام مرتب سازی غیرپست[2] شناخته می­شود، سنگ بنای تمامی الگوریتمهای بهینه سازی تکاملی چند هدفه قرار گرفته است (شکل (1-2)).

خود Goldberg نظریه خود را به مرحله اجرا درنیاورد، اما مدت اندکی بعد، الگوریتم [3]NSGA بر پایه این تفکر معرفی و به طور قابل‌ملاحظه‌ای مورد پذیرش جامعه علمی قرار گرفت.

شکل (1-2): رهیافتهای مختلف  رتبه بندی پارتو

در شکل سمت چپ، به اعضای جمعیت حاضر مقدارهای برازندگی نسبی براساس روش Goldberg نسبت داده شده است مقدار برازندگی 1، به جوابهای غیرپست  جمعیت اختصاص داده می شود و جوابهای دارای این برازندگی از درون جمعیت حذف می شوند. سپس برازندگی 2 به جوابهای غیرپست باقیمانده در مجموعه حاضر تعلق می گیرد و آنها هم کنار می روند. این روال تا جایی که تمامی اعضای جمعیت دارای برازندگی خاص خود شوند ادامه می یابد. در شکل سمت راست، روش نسبت دادن مقدار برازندگی نسبی بدین صورت است که اگر هیچ جوابی وجود نداشت که بر راه حل مورد نظر ما غلبه نماید به آن راه حل مقدار 1، اگر یک جواب بر آن غلبه نماید مقدار 2، و اگر دو جواب وجود داشت که بر آن غلبه می کرد، مقدار 3 برای برازندگی آن درنظرگرفته می شود. این فرایند تا جایی که تمامی جوابها دارای مقدار برازندگی شوند ادامه می یابد.

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

پس از ارائه پیشنهاد بسیار کارآمد Goldberg، در دهه اخیر تعدادی از الگوریتمهای تکاملی چند هدفه (MOEAs)‌ پیشنهاد شده­اند که در زیر نام تعدادی از آنها آورده شده است.

 1-بردار ارزیابی الگوریتم ژنتیک (VEGA)

2-الگوریتم ژنتیک چند هدفه (MOGA)

3-الگوریتم ژنتیک جبهه پارتو نیچه (NPGA)

4-الگوریتم ژنتیک برپایه وزن دهی (WBGA)

5-الگوریتم ژنتیک برپایه مرتب سازی غیرپست (NSGA)

6-الگوریتم تکاملی با استفاده از پارتو SPEA))

7-الگوریتم پیشرفته (SPEA-II) SPEA

8-استراتژی تکاملی پارتو (PAES)

9-الگوریتم انتخابی برپایه پارتو (PESA)

10-الگوریتم تکاملی چندهدفه پویا (DMOEA)

بعضی از ویژگی­های این الگوریتمها در جدول (2-1) آمده است.

در الگوریتم­های بهینه سازی چند هدفه، فضا یا موقعیت معمولا توسط فاصله اعضاء از هم و در فضای هدف تعریف می شود. تقسیم برازندگی یا دیگر روشهای مشابه به منظور حفظ پراکندگی جوابها در فضای هدف مورد استفاده قرار می گیرند. شکل (2-2) برخی از این روشها را نمایش می­دهد.

در شکلهای شماتیک فوق،‌راه حل های غیرپست توسط نقاط توپر و راه حلهای مغلوب توسط نقاط توخالی نمایش داده شده­اند.

در شکل (2-2) در قسمت (a) به اشتراک گذاردن برازندگی نمایش داده شده که در این روش همانند آنچه که در NSGA و MOGA مورد استفاده قرار گرفته است، از مقدار برازندگی عضوی که در فضای عضو دیگر قرار می‌گیرد کاسته می شود.

[1] Multi Criteria Decision Making

[2]. Non-dominated sorting

[3]. Non-dominated sorting Genetic Algorithm

شکل (2-2): فرمهای مختلف محاسبه فضا و موقعیت را در الگوریتم­های MOEA جهت ایجاد پراکندگی

قسمت (b)‌ نشان می دهد که رتبه بندی شلوغی همانند آنچه که در الگوریتم NSGA-II مورد استفاده قرار گرفته است. فاصله نزدیک ترین راه حل غیرپست را تا جواب موردنظر محاسبه می نماید. در قسمت (c) موقعیت خطوط مشخصه نشان داده شده است. همانند آنچه که در الگوریتمهای PAES، PESA‌ و PESA_II مورد استفاده قرار گرفته است. هرچه تعداد راه حلهای داخل یک خانه مشخص بیشتر باشد، امکان انتخاب شدن کمتری در انتظار اعضای آن خانه می­باشد.

قسمت (d) چیرگی‌است در این روش، آن راه حلی که دقیقا بر راه حل­های اطراف خود غلبه می کند توسط پارامتر ε نمایش داده می­شود. با این تفاسیر قرار گرفتن جوابهای بسیار نزدیک به مجموعه غیرپست در میان مجموعه جواب نهایی عملا غیرممکن می گردد.

تاکنون بیشترین بررسی­ها بر روی الگوریتمهای NSGA، MOGA و NPGA صورت گرفته است و مقبولیت زیادی در میان الگوریتم­های بهینه سازی تکاملی چندهدفه دارا می باشند. امروزه نیز بسیاری از الگوریتمهای MOEA به نوعی مفهوم رتبه بندی چیرگی را مورد استفاده قرار می دهند و در عین حال، گاهاً برای حفظ پراکندگی بر روی فضای هدف، نخبه گرایی و یا فرمهای دیگری از نسبت دادن برازندگی براساس فضا و موقعیت جواب نیز مورد استفاده قرار می گیرند.

2-3-2- الگوریتمهای بهینه سازی نخبه گرا براساس رتبه بندی پارتو

عبارت نخبه گرائی در ادبیات الگوریتم­های تکاملی به معنای نگهداری و حفظ والدین خوب و انتقال آنها از نسلی به نسل دیگر جهت شرکت دادن آنها در فرآیند انتخاب و ترکیب می باشد. سابقه اولین استفاده از مفهوم نخبه گرائی حدودا به همان سالهای اولیه توسعه الگوریتم­های MOGA، NSGA و NPGA برمی­گردد و به طور مشخص و مفصل در حدود  سال های 94-1993 مورد بررسی قرار گرفت.

در بعضی الگوریتم­های MOEA نخبه گرا، استراتژی نخبه گرائی، حفظ جوابهای غیرپست می باشد. حفظ این جواب­ها معمولا توسط یک جمعیت خارجی ممکن می­شود. بسیاری از طرح های اولیه این الگوریتم توسط Zitzler‌ مورد بررسی قرار گرفت ولی اولین مقاله منتشر شده در این زمینه، مقاله Parks و Miller است. آنان در الگوریتم خود از یک جمعیت خارجی استفاده کردند که اعضای آن تقریباً تمامی راه­حلهای غیرپست می باشند. در این الگوریتم، جمعیت موردنظر محدود بوده و یک راه حل تنها در صورتی می­تواند وارد آن شود که به طور قانع کننده­ای با جوابهای موجود متفاوت باشد. در ادامه کار، طی فرآیند انتخاب، الگوریتم بهینه سازی به طور فعالی از جمعیت موردنظر استفاده می­نماید. در مقاله مذکور، استراتژی­های مختلف انتخاب از میان جمعیت خارجی، مورد بررسی قرار گرفته­اند.

حدوداً سالهای 1994،‌ Zitzler  و Thiele کاربردی‌ترین الگوریتم MOEA را که تا به حال ارائه شده است، پیشنهاد دادند. این الگوریتم که SPGA نام دارد از دو جمعیت مجزا که یکی خارجی و دیگری داخلی می­باشد استفاده شده است. در الگوریتم مذکور، جمعیت خارجی که محدود نیز می باشد جهت ذخیره جوابهای غیرپست قبلی مورد استفاده قرار می گیرد. در ادامه روند بهینه سازی، با به دست آوردن یک جواب غیرپست جدید از درون جمعیت جدید داخلی  و وارد شدن آنها به مجموعه پارتو دو اتفاق رخ می دهد:

الف) جوابهایی که جواب غیرپست جدید بر آنها چیره شده است از این مجموعه حذف می شوند.

ب) تعدادی از این راه حلها نیز به صورت دسته­ای از جمعیت خارج می شوند.

اتفاق دوم برای اطمینان از محدود بودن مجموعه پارتو رخ می دهد.

در این الگوریتم، جمعیت داخلی جدید با انتخاب از درون مجموعه ای که ترکیب دو جمعیت داخلی و خارجی قبلی است حاصل می گردد. ایده جالب یا شاید نقطه قوت این الگوریتم نوع تعامل دو جمعیت داخلی و خارجی در نسبت دادن مقادیر برازندگی می باشد.

در الگوریتم SPGA، به هر عضو از جمعیت خارجی و براساس تعداد جوابهایی از جواب داخلی که جواب مذکور می تواند بر آنها غلبه کند یک توانایی نسبت داده می شود سپس به هرکدام از اعضای مجموعه داخلی یک عدد تقریبی برازندگی براساس مجموع تواناییهای جوابهای خارجی غلبه کننده بر آن نسبت داده می شود. فرایند تخصیص برازندگی مذکور یک رهیافت تکاملی- همکاری بین دو جمعیت خارجی و داخلی می باشد.

تعداد زیادی از الگوریتم های مختلف MOEA‌ نیز بر همین اساس ولی با تغییرات کوچکی در نحوه نسبت دادن مقادیر برازندگی، نحوه انتخاب از جمعیت و نیز روشهای مختلف حفظ پراکندگی ارائه شده است. الگوریتمهایی نظیر PAES، PESA و NSGA-II  از آن جمله­اند. هدف اصلی آنها ایجاد تغییراتی در ساختار این الگوریتمها جهت حفظ پراکندگی و محدود کردن فضای هدف که الگوریتمهای MOGA و NSGA با آنها دست به گریبان بوده اند می باشد. علاوه بر این، کنترل میزان نخبه گرائی از جمله مواردی است که در همین راستا مورد بررسی قرار گرفته است.

الگوریتمهای تکاملی چندهدفه که در آنها مرتب سازی به صورت غیرپست انجام می شود عموما سه مشکل عمده دارند:‌

1- پیچیدگی در محاسبات 2- رویکرد بدون نخبه گرایی 3- نیاز برای تعیین پارامترهای مشترک

برای رفع مشکلات موجود، الگوریتم NSGA-II توسط Srinvas و Deb در 2001 پیشنهاد شد که الگوریتمی سریع در محاسبات می باشد و در آن، انتخاب برپایه ترکیبی از دو نسل متفاوت (والد و فرزندان) می باشد که با انتخاب بهترین جوابها همراه است. این مدل نیاز به محاسبات کمتری دارد و به دلیل رویکرد نخبه گرایی آن و پارامترهای مشترک کمتر، نتایج بهتری از شبیه سازی با این روش به دست می آید.

گامهای این الگوریتم از این قرار می باشند:

الف) تولید تصادفی جمعیت والد (P0) با اندازه N

ب) مرتب سازی جمعیت والد براساس نقاط غیرپست

ت) برای هر جواب غیرپست، یک تابع برازش (رتبه) معادل سطح غیرپست آن درنظر بگیرد

ث) تولید جمعیت فرزندان (Q0) با اندازه N با استفاده از انتخاب و تزویج

ج) تولید نسل از روی نسل اولیه مطابق دستورات ذیل:

تولید مجموعه  جواب (Qt،Pt) با نام Rt با اندازه 2N با ترکیب جمعیت والد (Pt) و جمعیت فرزندان (Qt)

مرتب سازی جمعیت ترکیب شده () مطابق با فرآیند مرتب سازی الگوریتم غیرپست به منظور تعیین جبهه­های غیرپست (Fl، ….، F2، F1)

تولید جمعیت والد نسل بعد (Pt+1) با اندازه N با اضافه کردن جوابهای غیرپست با رتبه اول (F1)  و جبهه­های متوالی با رتبه غیرپست (Fl، ….، F2، F1) از اندازه N بیشتر می شود.

بدین منظور برای تولید N عضو، نیاز است که بعضی از جوابهای غیرپست با رتبه بدتر از آخرین جبهه حذف می شوند، این بدین معنی است که مرتب سازی برپایه عملگرهای مقایسه­ای اذحام براساس فاصله آنها در هر جوابی از جبهه غیرپست F1 ام انجام می­شود. بدین ترتیب، جمعیت والد جدید () با اندازه N ساخته می شود.

انجام انتخاب، تزویج و جهش بر نسل جدید به منظور تولید فرزندان جدید با اندازه N

چ) تکرار گام 5 تا زمانی که تعداد نسلها به حداکثر تعداد برسد.

مراحل مختلف الگوریتم NSGA-II در شکل (2-3) مشخص می باشد:

شکل (2-3): مراحل مختلف الگوریتم NSGA-II

2-4- شناخت و تعیین مشخصات فعالیتهای پروژه

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

برای انجام برنامه ریزی و کنترل یک پروژه نیاز به ساخت سیستم برنامه ریزی و کنترل پروژه است. گامهای برنامه ریزی و کنترل پروژه عبارتند از:

تحلیل پروژه: شامل مراحل مروری بر اهداف و شرایط اجرایی، تفکیک پروژه و تهیه فهرست فعالیتها، بررسی روابط میان فعالیتها و تهیه فهرست روابط میان فعالیت­ها و نهایتاً ترسیم پروژه می‌باشد.

برآورد مدت، هزینه و منابع اجرایی: شامل مراحل برآورد حجم عملیات و منابع مورد نیاز فعالیتها، برآورد مدت و هزینه اجرای فعالیت­ها، برآورد هزینه های غیرمستقیم پروژه و تهیه بودجه مفصلی پروژه می باشد.

زمان بندی پروژه: شامل تعیین مراحل زمان بندی شبکه (پروژه)، تهیه جداول مشخصات اجرایی فعالیتها و بررسی اثر وقوع شرایط نامناسب نظیر شرایط نامطلوب جوی و بررسی سایر مسائل و مشکلات احتمالی می باشد.

برنامه ریزی منابع و شناخت رابطه زمان- هزینه: شامل مراحل برنامه ریزی و تخصیص منابع، بررسی رابطه زمان- هزینه و تاریخ گذاری پروژه است.

تهیه برنامه نهایی و اجرایی پروژه: شامل مراحل صدور دستور کار یا مجوز شروع پروژه، تهیه برنامه نهایی و اجرایی پروژه، تامین منابع اجرایی پروژه و هدایت و اجرای پروژه می باشد.

ارزشیابی و نظارت پروژه: شامل مراحل ارزشیابی پیشرفت اجرای فعالیتها، ارزشیابی هزینه­های اجرا، مقایسه نتایج به دست آمده با پیش بینی­ها، به هنگام کردن پروژه و تهیه گزارشهای لازم برای مدیریت می باشد.

تصمیم گیری مدیریت: این گام از برنامه ریزی و کنترل پروژه شامل مراحل ارزیابی پیشنهادها، تصمیم گیری مدیریت و اعمال واکنش های مناسب و مقتضی است.

اطلاعاتی که در گامهای اول و دوم برنامه ریزی به دست می اصول کلی سیستم برنامه ریزی و کنترل پروژه را می سازند و از همین جهت، سرنوشت سیستم برنامه ریزی و کنترل پروژه، وابسته به چگونگی انجام گامهای اول و دوم می باشد. درگامهای سوم و چهارم برنامه ریزی و کنترل پروژه، اطلاعات تهیه شده در گامهای اول و دوم پردازش و تحلیل شده و ظاهر سیستم برنامه ریزی و کنترل پروژه ساخته می شود.

شناخت فعالیتهای پروژه: مدیر پروژه برای تحلیل پروژه با شناخت فعالیتهای آن و تهیه شبکه، باید یک گروه کاری از افرادی که در کار طراحی، اجرا، نظارت و بهره برداری از این گونه پروژه­ها تجربه وتخصص دارند تشکیل دهد.

کار شناخت اجزاء یا فعالیتهای پروژه از طریق ریز و خرد کردن یا تقسیم و تفکیک پروژه که روشی منظم یا سیستماتیک است انجام می شود.

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

روش ریز کردن پروژه روشی از بالا به پائین و از کلیات به جزئیات و به طور کلی، روشی سلسله مراتبی است. ابتدا کل یک پروژه (یا سطح اول) با انتخاب و استفاده از شیوه­هایی که به آنها اشاره خواهد شد، به چندین بخش عمده (یا عناصر سطح دوم) تقسیم می شود سپس هریک از عناصر سطح دوم، به نوبه خود، به چندین کار دیگر (عناصر سطح سوم) تفکیک می شوند. ریز کردن کارها در هر سطح، بنا به نیاز یا تمایل یا تا آنجا که صلاح باشد به همین ترتیب به عناصر سطوح پائین­تر ادامه می یابد و سرانجام در جایی که آنرا سطح فعالیت ها می نامند، خاتمه می یابد. مهمترین روشهای تجزیه کردن پروژه عبارتند از:

روش تجزیه کردن براساس مراحل

روش تجزیه کردن براساس موضوعات و کارهای اصلی و عمده

روش تجزیه کردن براساس سازمان ها و واحدهای سهیم در اجرای پروژه

ممکن است که در گامهای مختلف کار برنامه ریزی و مهمتر از آنها در هنگام اجرای پروژه، با وضعیت­های روبرو شود که برای اعمال نظارت درست و ثمربخش باید فعالیت­های پروژه را بار دیگر مورد بررسی قرار داد. نتیجه این بررسی و اصلاح، به ادغام چند فعالیت با یکدیگر یا تجزیه یک کار به چند فعالیت دیگر منجر می­شود.

در تجزیه کارها و فعالیتهای پروژه و به بیان دیگر در تهیه نمودار کارهای پروژه به برآورد مدت و هزینه اجرایی هر فعالیت و همچنین تقدم و تاخر یا روابط میان آنها توجه ویژهای داشت. در این گام، تنها فعالیتهای لازم برای تامین هدف های پروژه تشخیص داده می شود.

2-4-3- انواع روابط میان دو فعالیت

منظور از روابط یا بستگی میان دو فعالیت، تعریف قیود و الزامات ضروری میان شروع یا خاتمه یک فعالیت با شروع و خاتمه هریک از فعالیت­های بعدی و هریک از فعالیت­های قبلی آن است. روابط میان هر دو فعالیت از فعالیت­های یک پروژه را می­توان به چهار نوع به شرح زیر گروه بندی کرد.

رابطه فیزیکی: بستگی یا رابطه میان ماهیت، طبیعت یا فیزیک دو فعالیت است به گونه­ای که اجرا یا شروع یکی از آنها قبل از خاتمه دیگری ممکن نیست. رابطه دو فعالیت پی کنی و پی ریزی و فعالیت­های حفر کانال و لوله گذاری و مانند آنها را رابطه فیزیکی می نامند. اکثر روابط میان فعالیت­ها در یک پروژه، بسته به موضوع و اندازه آن از نوع رابطه فیزیکی است در این نوع روابط، حجم هر فعالیت، کوچکترین  یا کمترین اندازه ممکن عملیاتی و اجرایی را دارد و به این ترتیب نمی توان آن را به چند فعالیت دیگر تقسیم کرد.

رابطه منطقی: گاهی دو فعالیت با هم بستگی یا رابطه فیزیکی ندارند. به عبارت دیگر، اجرای یکی از آن­ها به خاتمه یا شروع دیگری بستگی ندارد اما منطقی است یا به صلاح و بهتر است که یکی از آنها پس از خاتمه دیگری اجرا شود. این بستگی را رابطه منطقی می نامند. 

Abstract

Time – Cost optimization through Genetic Algorithm Method for Civil Project defined as a method to optimization and balancing of two important parameters of Cost & Time for Civil project which yield to desired results in this field.

In Fact, this method is typical value engineering to decrease net cost of a project. While project commencement, establish a proper planning will lead us to better results. Achieving such these plan make contractor to be able to offer lower prices at work.

Within present study, a case study in field of civil engineering  regarding (a local project ; Shahid Rajaee Jetty development Plan) has been performed and concluded to optimized results as a confirmation on successfulness of said plan.