مسئلۀ چندهدفۀ انتخاب و زمان‌بندي سبد پروژه‌ در شرايط عدم‌قطعيت (مطالعۀ موردي: شركت‌ دانش‌بنيان پايافناوران فردوسي)

A multi- objective project portfolio selection and scheduling problem under uncertainty (case study: company of Payafanavaran Ferdowsi)

امروزه سازمان‌ها و به‌خصوص مراكز تحقيق و توسعه با مسئلۀ انتخاب سبد پروژه در شرايط عدم ‌قطعيت مواجه‌اند. علاوه‌بر اين در بيشتر تحقيقات گذشته زمان‌بندي سبد پروژه به‌صورت مجزا پس از انتخاب آنها صورت مي‌گيرد كه به كاهش كارايي مدل مي‌انجامد. ازاين‌رو در اين پژوهش، يك مدل برنامه‌ريزي عدد صحيح غيرخطي براي مسئلۀ‌ چندهدفۀ انتخاب و زمان‌بندي همزمان با اهدف ماكزيمم‌سازي ارزش كنوني خالص مورد انتظار و مينيمم‌سازي ارزش كنوني واريانس درآمد كل پروژه‌ها ارائه مي‌شود. همچنين درآمد سالانۀ پروژه‌ها داراي خودهمبستگي است و از مدل‌ سري زماني مناسبي پيروي مي‌كند. از مزاياي مدل پيشنهادي، در نظر گرفتن ريسك ناشي از عدم ‌قطعيت موفقيت پروژه‌ها و درآمد آنها و نيز ريسك ناشي از كمبود بودجه است. با توجه به پيچيدگي زياد آن به‌خصوص براي مسائل بزرگ، الگوريتم‌هاي ازدحام ذرات، شبيه‌سازي تبريد و ژنتيك ارائه شده و كارايي آنها در يك مثال فرضي مقايسه مي‌شود. نتايج حاصل، بيانگر برتري نسبي الگوريتم شبيه‌سازي تبريد از نظر كيفيت جواب و زمان اجراست. سرانجام مدل پيشنهادي با پياده‌سازي در يك شركت دانش‌بنيان در دانشگاه فردوسي مشهد اعتبارسنجي مي‌شود.

Nowadays organization especially RD centers are dealing with project portfolio selection decisions under uncertainty. Moreover in the most of the past research, project portfolio selection and scheduling are often considered to be independent problem. This leads to insufficient result in real world. So in this research simultaneous project portfolio selection and scheduling problem is modeling whose objectives are maximizing expected profit and minimizing risk. Moreover there is autocorrelation among annual earnings. Therefore an efficient time series methodology is used for forecasting. Another advantage of proposed model is considering uncertainty of project success and earnings and also risk of dealing with budget deficiency. Due to the complexity of problem, especially for large size, practical swarm, simulated annealing and genetic algorithm are presented and their efficiency is compared by a hypothetical exle. The results show efficiency of simulated annealing algorithm in terms of quality and execution time. Finally the model is validated via its application to a knowledge based company in Ferdowsi University of Mashhad.