نوع مقاله : مقاله پژوهشی

نویسندگان

• رویا سلطانی ¹
• علی نوبختی ²

¹ استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه خاتم، تهران، ایران

² کارشناس 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

موضوعات

• مدیریت پروژه

عنوان مقاله [English]

Selecting competent Project Managers in Project-Oriented Organizations Using a Recommender System Based on combination of a Neural Network and Genetic Algorithm

نویسندگان [English]

• Roya Soltani ¹
• Ali Nobakhti ²

¹ Assistant Professor, Department of Industrial Engineering, Faculty of Engineering, Khatam University, Tehran, Iran

² MSc in industrial Engineering, Department of Industrial Engineering, Faculty of Engineering, Khatam University, Tehran, Iran

چکیده [English]

The performance of a project is influenced by multiple factors, the variations of which can lead to delays in execution, cost overruns, and reduced quality. The competence of the project manager in applying both soft and hard skills plays a crucial role in the successful completion of projects in today’s volatile, uncertain, complex, and ambiguous (VUCA) environment. Therefore, the design and development of a data-driven recommender system that can replace subjective judgments in the process of selecting qualified project managers, and accurately propose and recommend suitable candidates, appears to be both essential and inevitable. The recommender system proposed in this paper is based on multilayer feedforward neural networks trained with the Levenberg–Marquardt backpropagation algorithm, while employing a genetic algorithm to optimize the structure and weights of the neural network. The results demonstrate that the optimized neural network–based recommender system can identify and recommend qualified project managers with high accuracy. Compared with the non-optimized neural network, it achieves improved performance by reducing the MSE (from 0.351 to 0.094) and RMSE (from 0.593 to 0.307). This reduction in error indicates that the genetic algorithm effectively fine-tunes the neural network parameters, thereby enhancing system performance and enabling more accurate identification of competent project managers.

کلیدواژه‌ها [English]

• Recommender system
• project manager competence,, neural network, genetic algorithm, Project oriented organizations