ارايه يك الگوريتم ژنتيك با مرتب‎سازي نامغلوب ـ نسخه 2 (NSGA-II) براي مدل يكپارچه انتخاب اعضاي تيم‎هاي تحقيق و توسعه

Non-dominated Sorting Genetic Algorithm to Integrated Model for R&D Members Selection

معيار عملكرد اصلي در سازمان ‎هاي مبتني بر تحقيق و توسعه، عموماً آمار پروژه هاي موفق است. انتخاب مناسب اعضا مي مي‎تواند در موفقيت پروژه ها‎ها سهم بسزايي داشته باشد.، اما همان‎طور كه انتخاب افرادي خاص كاهش ‎دهندهه ريسك پروژه مي ‎شود، حضور مكرر اين افراد در پروژه ها‎هاي مشابه، باعث سبب تمركز دانش ‎شده و سازمان را با خطري جدي روبه‎رو مي مي‎كند. بنابراين انتخاب اعضاي تيم‎هاي تحقيق و توسعه به نحوي كه زواياي كيفي پروژه و دانش سازمان، هر دو مورد كانون توجه قرار گيرند، حايز اهميت است. در حالت كلي اين نوع مسايل جز مسايل پيچيدهپيچيده (NP-Hard) در حوزهه تحقيق در عمليات به شمار مي رود. چون معمولاً در واقعيت تعداد تركيبات ممكن بسيار زياد است، تكنيك هاي روش هاي بهينه سازي مبتني بر شمارش يك ‎به ‎يك، از حل جامع اين‎گونه اين گونه مسايل عاجزند. به همين دليل از الگوريتم هاي فراابتكاري، مثل الگوريتم ژنتيك(GA)، شبيه ‎سازي تبريد(SA)، شبكه هاي عصبي(NN) و... براي حل استفاده مي شود. در در پژوهش حاضر پيش رو، مدلي بر اين اساس معرفي‎شده و يك الگوريتم ژنتيك با مرتب ‎سازي نامغلوب ـ - نسخه نسخه 2 (NSGA-II) براي حل آن توسعه داده شده است.مي‎شود.

Major performance criteria in R&D based organization is successful projects. Selection of appropriate members can be a most effect on the projects achievement. But as the selection of R&D special members lead to decrease of risk, repetitive participation of this people in the same project lead to knowledge concentration and achieve organization with series risks. Therefore, attendance to knowledge and quality project angles is important to selection of R&D teams members. In this study, we developed a model based on non-dominated sorting genetic algorithm.