Optimización de la redistribución de recursos en proyectos con retrasos utilizando algoritmos genéticos
DOI:
https://doi.org/10.51896/rilcods.v6i59.654Palabras clave:
Algoritmos Genéticos, Gestión de Recursos, Optimización de Proyectos, Retrasos en el proyecto, Redistribución de RecursosResumen
La gestión eficiente de recursos es crucial en la ejecución de proyectos, especialmente en la industria de la construcción, donde los retrasos son comunes y pueden impactar significativamente los costos y la calidad. Este estudio se enfoca en evaluar la eficacia de un algoritmo genético para la redistribución óptima de recursos en proyectos con retrasos en su inicio usando un diseño experimental, se manipularon variables independientes determinadas por los parámetros del algoritmo genético para observar sus efectos sobre la eficacia y eficiencia en la redistribución de recursos. La población de estudio consistió en actividades simuladas de planificación de recursos, representativas de entornos de la industria de la construcción con una selección muestra de 10 actividades con una duración de 44 días laborables. La distribución inicial se generó utilizando la distribución normal, con una media (μ) de 22 y una desviación estándar (σ) de 8.8, posteriormente para simular retrasos, los valores de los primeros 10 días se ajustaron reflejando un retraso acumulado del 10%. Para evaluar la robustez y eficacia del algoritmo genético, se generaron múltiples instancias de actividades con diferentes distribuciones iniciales, simulando diversos escenarios para la implementación del algoritmo, se utilizó el lenguaje Python, usando técnicas como la selección por torneo, el cruzamiento de un punto y la mutación uniforme. La función de aptitud, basada en el Error Cuadrático Medio (ECM), permitió medir la calidad de la redistribución de recursos en términos de minimización del retraso acumulado y eficiencia en el uso de recursos.
Citas
El-Shorbagy, M. A., & El-Refaey, A. M. (2020). Hybridization of grasshopper optimization algorithm with genetic algorithm for solving system of non-linear equations. IEEE Access, 8, 220944-220961.
Galli, B. J. (2021). Statistical tools and their impact on project management–how they relate. The Journal of Modern Project Management, 9(2).
Gridin, I. (2021). Learning Genetic Algorithms with Python: Empower the performance of Machine Learning and AI models with the capabilities of a powerful search algorithm (English Edition). BPB publications.
Holland, J.H. (1992). Genetic algorithms. Scientific American, 267(1), 66–73.
James, G., Witten, D., Hastie, T. & Tibshirani, R. (2023). An introduction to statistical learning with applications in R, New York, Springer Science and Business Media, 2013, eISBN: 978-1-4614-7137-7.
Mattos, A. D., & de Valderrama, F. G. F. (2019). Métodos de planificación y control de obras. Reverté.
Nti, I. K., Nyarko-Boateng, O., & Aning, J. (2021). Performance of machine learning algorithms with different K values in K-fold cross-validation. International Journal of Information Technology and Computer Science, 13(6), 61-71.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material
Bajo los siguientes términos:
- Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- NoComercial — Usted no puede hacer uso del material con propósitos comerciales.