دانلود رایگان ترجمه مقاله زمان بندی و سطح بندی منابع پروژه با مدل های تصمیم گیری چند ویژگی (نشریه الزویر ۲۰۱۷)

این مقاله انگلیسی ISI در نشریه الزویر در ۱۰ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۲۳ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

زمان بندی و سطح بندی منابع پروژه با استفاده از مدل های تصمیم گیری چند ویژگی: اجرای مدل ها و مطالعه موردی

عنوان انگلیسی مقاله:

Project resources scheduling and leveling using Multi-Attribute Decision Models: Models implementation and case study

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۱۰ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مدیریت
گرایش های مرتبط با این مقاله مدیریت پروژه، مدیریت صنعتی
چاپ شده در مجله (ژورنال) سیستم های خبره با کاربردهای آن – Expert Systems With Applications
کلمات کلیدی مدیریت پروژه، زمانبندی پروژه، سطح بندی منبع، مدل های تصمیم چند مشخصه ای
ارائه شده از دانشگاه گروه مهندسی تولید و مدیریت، دانشگاه دموکریتوس تریس، یونان
رفرنس دارد  
کد محصول F1554
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۳ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه نشده است 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب
چکیده
۱- مقدمه
۲- مشکل سطح بندی منبع
۳- چارچوب ریاضیاتی
۳-۱ فلوچارت تصمیم
۲-۳ قوانین شرطی اولویت بندی فعالیت ها
۳-۳ مدل های تصمیم چند مشخصه ای
۴- پیاده سازی چارچوب
۵- نتایج و بحث
۶- نتیجه گیری ها
 

 

بخشی از ترجمه
 چکیده
زمانبندی پروژه یکی از حیاتی ترین فرایندها در مدیریت پروژه است. در مورد این عنوان در چرخه های آکادمیک و عملی زیادی صحبت شده است و این به دلیل اهمیت و پیچیدگی آن است. نوع بشر، ماشین آلات، مواد و تجهیزات برای اجرای فعالیت های پروژه استفاده شده اند، اما این موارد عمدتاً دسترسی محدودی دارند که می تواند رویه های زمان بندی پروژه را محدود کند. منابع پروژه می توانند بیشتر با کمتر از تقاضای منبع در افق زمانی پروژه باشند. این ملاحظارت مسائلی برای مدیران پروژه ایجاد می کنند که باید سعی کنند در میان این تقاضاها تخصیص درست را انجام دهند تا به بهره برداری نزدیک بهینه در طول مدت پروژه دست یابند. سطح بندی منبع از بزرگترین چالش هایی است که مدیران پروژه برای موفقیت پروژه وابستگی زیادی به آن دارند. این به دلیل نقاط اوج و دره هایی است که در هیستوگرام مصرف منبع مسئول تاراج هزینه ایجاد شده به دلیل بکارگیری الزامی، برکناری و آموزش پرسنل وجود دارد. به علاوه موضوعاتی در رابطه با مدیریت موثر منابع موجود با توجه به این مطلب پدیدار می شوند که نقاط اوج بزرگ متناظر با نوساناتی هستند که در تخصیص منبع در عرض سیکل زندگی یک پروزه یا دوره ساخت آن رخ می دهند. برای هدایت این موضوعات، سطح بندی منبع رویه ها و چارچوب های ارائه می کند که از مدیریت کارای منابع برای حصول نمایه های مصرف منبع هموار اطمینان می دهند. این رویه ها سعی در شناسایی فعالیت هایی دارند که باید برای حل تخصیص بیش از حد منبع تحت محدودیت های زمانی و هزینه ای به تعویق بیافتند. با توجه به وجود انواع مختلف قوانین موجود که می توانند توسط مدیران برای اولویت بندی فعالیت ها دنبال شوند، این مقاله پیده سازی پنج مدل تصمیم گیری چند مشخصه ای را می -آزماید و نشان می دهد که آن ها چگونه در زمانبندی پروژه ساخت پارک خورشیدی عمل می کنند. یعی این مدل ها روش مجموع وزن دهی شده، فرایند سلسع مراتب تحلیلی، PROMETHEE، TOPSIS، میانگین وزن دهی شده مرتب سازی شده (OWA) و میانگین وزن دهی شده پیوندی (HWA) هستند. در نهایت در مورد نتایج حاصل شده در مقایسه با نتایج بدست آمده با رویه های سطح بندی منبع استاندارد MS-Project صحبت شده است. 
 
۱- مقدمه
مدیریت کارآمد منابع موجود یکی از بزرگترین و پیچیده ترین مشکلاتی است که مدیران پروژه (PM ها) باید بر آن غلبه کنند. مشکل سطح بندی منبع (RLP) یک مشکل مدیریت منبع کلاسیک است که متخصصین، مدیران و محققان با آن مواجهند. سطح بندی منبع سعی در به حداقل رساندن نقاط اوج و دره ها در هیستوگرام منبع بدون افزایش مدت پروژه فرای دوره مسیر بحرانی اصلی دارد. اما علاوه بر این مسأله می تواند در موارد منابع محدود نیز وجود داشته باشند، که در اغلب موارد منجر به بسط هایی از دوره پروژه اولیه می شود. در عرض شش دهه گذشته، چندین رویکرد مختلف برای حل مشکل RLP توسعه یافته اند. الگوریتم های دقیقی در مقالات پیشنهاد شده اند که شامل تکنیک های برنامه نویسی کامل و پویا می باشند. این رویکردها برای شبکه هایی با اندازه کوچک مناسبند و این به دلیل رخداد باصطلاح انفجار ترکیبی است. چندین رویه اکتشافی نیز برای غلبه بر RLP توسعه یافته اند که اغلب آن ها مبتنی بر تغییر اکتشافات یا روش های قانون اولویت بوده اند. به علاوه، رویکردهای فرا اکتشافی نظیر الگوریتم های ژنتیکی و الگوریتم های با دوام کردن شبیه سازی شده سعی در یافتن راه حل بهینه برای این مشکل دارند. اخیراً الگوریتم های ابر اکتشافی برای اصلاح مشکلات تخصیص منبع و RLP پیشنهاد شده اند. و چندین نتیجه امیدبخش ارائه کرده اند. ایده اصلی و اولیه این رویکردها ایجاد نمایه منبع بر مبنای زمانبندی آغاز ابتدایی محاسبه شده از روش مسیر بحرانی (CPM) و سپس تغییر روند فعالیت های غیر حیاتی طبق قوانین اکتشافی ثابت است.
این مقاله کاربرد روش های تصمیم گیری چند مشخصه ای (MADM) را برای تعریف اولویت های فعالیت برای صلاح سطح بندی منبع تحت محدودیت ها ارائه می کند، زمانی که روش های قانون اولویت پیاده سازی شده اند. هدف چارچوب پیشنهادی بهینه سازی مصرف منبع بدون تجاوز از حد منبع از پیش تعیین شده می باشد. این هدف با فراهم آوردن امکان مشارکت pm در فاز تعیین اولویت ها حاصل شده است. انواع مختلف مدل های madm شناخته شده پیاده سازی شده اند که امکان عملکرد انواع مختلف تمایلات تصمیم را فراهم می آورند.
 

 

بخشی از مقاله انگلیسی

Abstract

Project scheduling is one of the most vital processes in Project Management. It is a widely discussed topic in academic and practical circles due to its importance and complexity. Manpower, machines, materials and equipment are used for the execution of project activities, but these mostly have limited availability, which can constrain project scheduling procedures. Project resources might exceed or fall short of the resource demand in a project’s time horizon. These considerations present issues to project managers who must try to properly allocate among these demands in order to achieve a near optimal utilization during a project’s lifetime. Resource leveling is among the greatest challenges faced by project managers as the success of a project largely depends on it. This is because peaks and valleys in the resource usage histogram are responsible for cost overruns due to the necessary recruitment, dismissal and training of the personnel Moreover, issues may arise regarding the efficient management of available resources given that large peaks correspond to fluctuations in resource allocation during a project’s life cycle or construction period. To address these issues, resource leveling provides procedures and frameworks that ensure the efficient management of resources to obtain smooth resource usage profiles. These procedures attempt to identify activities that should be delayed to resolve resource over-allocations under time and cost constraints. Given the existence of a variety of available rules that could be followed by project managers to prioritize activities, the paper at hand examines the implementation of five Multi-Attribute Decision Making models and how they perform in the scheduling of a solar park construction project. Namely these models are the Weighted Sum Method, Analytic Hierarchy Process, PROMETHEE, TOPSIS, Ordered Weighted Average (OWA) and Hybrid Weighted Average (HWA). Finally, the derived results are discussed in comparison with those obtained by the standard resource leveling procedures of MS-Project.

۱ Introduction

The efficient management of available resources is one of the greatest and most complex problems that project managers (PMs) have to overcome. The Resource Leveling Problem (RLP) is a classic resource management problem faced by practitioners, managers and researchers. Resource leveling aims to minimize peaks and valleys in the resource histogram without increasing the project duration beyond the original critical path duration (Harris, 1990; Shtub, Bard, & Globerson, 2005). However, the problem can also come to bear in cases of limited resources, which often lead to extensions of the initial project duration (Hiyassat, 2001; Neumann & Zimmermann, 2000). During the past six decades, several different approaches have been developed for solving the RLP. Exact algorithms have been proposed in the literature, including integer and dynamic programming techniques (Bandelloni, Tucci, & Rinaldi, 1994; Neumann & Zimmermann, 2000). These approaches are suitable for small-sized networks due to the so-called “combinatorial explosion” phenomenon. Several heuristic procedures have also been developed to overcome the RLP, most of them are based on shifting heuristics or priority rule methods (Burgess & Killebrew, 1962; Neumann & Zimmermann, 2000). In addition, metaheuristic approaches such as genetic algorithms (Kyriklidis & Dounias, 2016; Kyriklidis, Vassiliadis, Kirytopoulos, & Dounias, 2014; Leu, Yang, & Huang, 2000; Li & Demeulemeester, 2016; Ponz-Tienda, Yepes, Pellicer, & Moreno-Flores, 2013) and simulated annealing algorithms (Anagnostopoulos & Koulinas, 2010; Son & Skibniewski, 1999) have attempted to find an optimum solution to this problem. Recently, hyperheuristic algorithms proposed to treat the RLP and resource allocation problems (Anagnostopoulos & Koulinas, 2010; Koulinas & Anagnostopoulos, 2011; Koulinas, Kotsikas, & Anagnostopoulos, 2014) have offered some promising results. The basic idea of these approaches is to create a resource profile based on the early start schedule calculated from the Critical Path Method (CPM), and then shift noncritical activities according to fixed heuristic rules.

This paper describes the application of Multi-Attribute Decision Making (MADM) methods to define the activity priorities to treat resource leveling under constraints when priority rule methods are implemented. The proposed framework aims to optimize resource usage without exceeding a pre-determined resource limit. This goal is accomplished by allowing PMs’ participation to the priorities determination phase of. A variety of well-established MADM models is implemented enabling the performance of a variety of decision attitudes.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا