Otimizando a redistribuição de recursos em projetos com atrasos utilizando algoritmos genéticos
DOI:
https://doi.org/10.51896/rilcods.v6i59.654Palavras-chave:
Algoritmos Genéticos, Gerenciamento de Recursos, Otimização de Projetos, Atrasos no projeto, Redistribuição de recursosResumo
A gestão eficiente de recursos é crucial na execução de projetos, especialmente na indústria da construção, onde atrasos são comuns e podem impactar significativamente os custos e a qualidade. Este estudo tem como foco avaliar a eficácia de um algoritmo genético para a redistribuição ótima de recursos em projetos com atrasos no seu início utilizando um desenho experimental, variáveis independentes determinadas pelos parâmetros do algoritmo genético foram manipuladas para observar seus efeitos na eficácia e eficiência. na redistribuição de recursos. A população do estudo consistiu em atividades simuladas de planejamento de recursos, representativas de ambientes da indústria da construção, com uma seleção amostral de 10 atividades com duração de 44 dias úteis. A distribuição inicial foi gerada utilizando a distribuição normal, com média (μ) de 22 e desvio padrão (σ) de 8,8, posteriormente para simular atrasos, os valores dos primeiros 10 dias foram ajustados refletindo um atraso acumulado de 10 %. Para avaliar a robustez e eficácia do algoritmo genético foram geradas múltiplas instâncias de atividades com diferentes distribuições iniciais, simulando vários cenários para a implementação do algoritmo, foi utilizada a linguagem Python, utilizando técnicas como seleção por torneio, cruzamento de ponto e a mutação uniforme. A função de fitness, baseada no Erro Quadrático Médio (MSE), permitiu medir a qualidade da redistribuição dos recursos em termos de minimização do atraso acumulado e eficiência na utilização dos recursos.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
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.
