| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,185 |
| تعداد مقالات | 17,683 |
| تعداد مشاهده مقاله | 54,292,893 |
| تعداد دریافت فایل اصل مقاله | 28,418,380 |
انتخاب مدیران پروژه شایسته در سازمان های پروژه محور با استفاده از یک سیستم توصیه‌گر مبتنی بر ترکیب یک شبکه عصبی مصنوعی و الگوریتم ژنتیک | ||
| مطالعات مدیریت صنعتی | ||
| دوره 23، شماره 78، مهر 1404 اصل مقاله (1.54 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/jims.2025.85097.2964 | ||
| نویسندگان | ||
| رویا سلطانی* 1؛ علی نوبختی2 | ||
| 1استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه خاتم، تهران، ایران | ||
| 2کارشناس ارشد رشته مهندسی صنایع، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه خاتم، تهران، ایران | ||
| چکیده | ||
| عملکرد یک پروژه تحت تأثیر عوامل متعددی قرار دارد که تغییرات آنها می‌تواند باعث تأخیر در اجرا، افزایش هزینه و کاهش کیفیت شود. شایستگی مدیر پروژه در بکارگیری مهارت های نرم و مهارت های سخت، نقش اساسی در تکمیل موفقیت آمیز یک پروژه در شرایط پرنوسان، پیچیده، مبهم و غیرقطعی (VUCA ) امروزی ایفا می کند. از این‌رو، طراحی و توسعه یک سیستم توصیه‌گر داده‌محور که قادر باشد جایگزین قضاوت‌های فردی در فرآیند انتخاب مدیران پروژه شایسته گردد و با دقت بالا مدیران پروژه شایسته را پیشنهاد و معرفی نماید، امری ضروری و اجتناب‌ناپذیر به نظر می‌رسد. سیستم توصیه‌گر پیشنهاد شده در این مقاله مبتنی بر شبکه‌های عصبی پیش خور چند لایه با الگوریتم یادگیری پس انتشار از نوع لونبرگ- مارکوارت می باشد که از الگوریتم ژنتیک جهت بهینه‌سازی ساختار و وزن‌های شبکه عصبی بهره می برد. نتایج نشان می دهد که سیستم توصیه‌گر مبتنی بر شبکه عصبی بهینه شده، با دقت بالا می تواند مدیران پروژه شایسته را شناسایی و معرفی نماید به طوری که با کاهش مقادیر MSE (از 0.351 به 0.094) و RMSE (از 0.593 به 0.307) نسبت به شبکه عصبی بهینه نشده، عملکرد بهتری ارائه می‌دهد. این کاهش در خطا بیانگر آن است که الگوریتم ژنتیک توانسته با تنظیم بهینه پارامترهای شبکه عصبی، عملکرد سیستم را ارتقا داده و منجر به شناسایی دقیق‌تر مدیران پروژه شایسته شود. | ||
| کلیدواژه‌ها | ||
| سیستم توصیه‌گر؛ شایستگی مدیران پروژه؛ شبکه عصبی مصنوعی؛ الگوریتم ژنتیک؛ سازمان های پروژه محور | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 113 تعداد دریافت فایل اصل مقاله: 73 |
||