Projektportfoliomanagement - Optimierung mit genetischen oder evolutionären Algorithmen

Das Projektportfoliomanagement erfordert die Optimierung Ihrer Portfolios, um die wertvollsten Projekte zu ermitteln, die innerhalb Ihrer Einschränkungsbeschränkungen ausgeführt werden müssen, z. B. begrenzte Geld-, Zeit-, Ressourcen- und Risikotoleranz. Darüber hinaus sollte ein gutes Projektportfolio-Optimierungswerkzeug in der Lage sein, Projektabhängigkeiten zu integrieren, wie zB "Projekt B" kann nur ausgeführt werden, wenn "Projekt A" zuerst ausgeführt wird. Bei der Suche nach optimierten Projektportfolios geht es nicht nur um die "manuelle Auswahl" beste Projekte ", wie einige Anbieter von Projektportfoliomanagement-Tools vorschlagen. In nur kleinen Portfolios von nur 32 Projekten gibt es über 4 Milliarden mögliche Kombinationen, so dass es nicht trivial ist, die beste Menge zu finden, die Ihre Beschränkungen erfüllt. Und die Anzahl der möglichen Kombinationen steigt exponentiell in Abhängigkeit von der Anzahl der Projekte in Ihrem Portfolio. Daher ist es wichtig, dass Ihr Projektmanagement-Tool ein solides Optimierungsmodul enthält. Ein richtig implementierter "genetischer" oder "evolutionärer" Algorithmus kann ein solches Modul bereitstellen. Genetische oder evolutionäre Algorithmen werden nach den biologischen Prozessen der natürlichen Selektion modelliert und wurden verwendet, um gute Lösungen für Probleme zu finden, die viele mögliche Lösungen haben. Im klassischen Problem des reisenden Verkäufers besteht die Herausforderung darin, die kürzeste Entfernung zu finden, die ein Verkäufer benötigt, um jede Stadt in seinem Gebiet zu besuchen und nach Hause zurückzukehren. Anhand des Lehrbuchbeispiels gehen wir davon aus, dass jede Stadt mit jeder anderen Stadt verbunden ist. Eine 10-Städte-Tour hat ungefähr 181.000 mögliche Lösungen und eine 20-Städte-Tour hat ungefähr 10.000.000.000.000.000 (1016) Lösungen! Anstatt jede mögliche Route (den Brute-Force-Ansatz) zu testen, die selbst für eine bescheidene Anzahl von Städten rechnerisch unmöglich wird, können Sie mithilfe genetischer Algorithmen eine Anzahl zufälliger Routen (die "Eltern" -Sätze) erstellen und die kürzesten Routen auswählen zufällig gesetzt, und dann über die Eltern, um eine Reihe von "Kind" Routen zu produzieren. Die kürzesten Routen werden dann aus diesem neuen Pool von Eltern- und Kindrouten ausgewählt, und der Prozess wird wiederholt, bis der Benutzer den Prozess stoppt oder der Algorithmus auf einer kürzesten Route konvergiert. Warum funktioniert das? Bedenken Sie, dass eine Route eine Teilroute enthalten kann, die eine sehr gute Lösung für den Besuch einer bestimmten Teilmenge von Städten ist, während eine andere Route eine Teilroute enthält, die eine sehr gute Lösung für den Besuch einer anderen Teilmenge ist Städte. Durch die Überquerung dieser beiden Routen wird einer der Nachfahren nun diese beiden kurzen Routen enthalten und somit insgesamt kürzer als die beiden übergeordneten Routen sein.Wie funktioniert dies für das Projektportfoliomanagement? Ein genetischer Algorithmus dient zur Optimierung des Projekts Portfolios, indem Sie ein erstes Set von "Parent" -Portfolios erstellen, die Ihren Beschränkungen entsprechen, und diese übergeordneten Portfolios dann so kombinieren, dass eine Generation von "Child" -Portfolios entsteht. Die beste Kombination aus Eltern- und Kind-Portfolios wird dann ausgewählt und verwendet, um die nächste Generation von Portfolios zu erstellen. Dieser Prozess wird fortgesetzt, bis die benutzerspezifischen Optimierungsparameter erfüllt sind und / oder der Prozess zu einem einzigen optimierten Ergebnis konvergiert (dh das identische Ergebnis wird nach einer festgelegten Anzahl von Generationen erhalten). Die Schritte 1 bis 4 beschreiben, wie dies funktioniert: Schritt 1: Ein erster Satz von zufälligen Portfolios wird erstellt, um die "Eltern" -Population zu bilden. Übergeordnete Portfolios, die die Einschränkungskriterien nicht erfüllen, werden eliminiert. Schritt 2: Paare einzelner Portfolios in der Grundgesamtheit werden durchkreuzt, um neue Portfolios zu erstellen. Die neue Bevölkerung besteht nun aus den ursprünglichen Eltern-Portfolios und den neuen "Kind" -Portfolios. Kindportfolios, die die Einschränkungskriterien nicht erfüllen, werden eliminiert. Schritt 3: Die Population wird vom höchsten zum niedrigsten Wert nach Portfoliowert sortiert. Schritt 4: Die am wenigsten wertvollen Portfolios werden eliminiert, und die verbleibende Population wird die Elternpopulation für die nächste Generation (zurück zu Schritt 2). Ein möglicher Nachteil der Verwendung genetischer Algorithmen ist das Potential der "vorzeitigen Konvergenz", wo der Optimierer eine Lösung findet das ist nicht annähernd optimal, weil die Population der möglichen Lösungen die Vielfalt zu schnell verloren hat. In anderen Worten, die Eltern-Kind-Projektportfoliosätze waren in der Zusammensetzung zu nahe beieinander. Dies kann auf die gleiche Weise vermieden werden, wie die Natur Vielfalt bewahrt: indem sie "genetische" Mutationen erzeugt. Mutationen sind neue Portfolios, die mit dem gleichen Zufallseingabealgorithmus wie die ursprünglichen Eltern erstellt werden und dazu dienen, der Population Diversität hinzuzufügen und vorzeitige Konvergenz zu verhindern, bevor eine höhere Optimierung gefunden wird. In den obigen Schritten würden die mutierten Portfolios hinzugefügt werden, nachdem das Cross-Over beendet ist (Schritt 2), aber bevor die Population nach Eignung eingestuft wird (Schritt 3). Dies gewährleistet das Überleben von nur Mutationen, die die minimalen Fitnesskriterien dieser Generation erfüllen. Wenn Sie genetische Algorithmen als Tool zur Optimierung des Projektportfolios evaluieren, stellen Sie sicher, dass die Eingabeparameter wie die ursprüngliche Anzahl der Eltern, die Anzahl der Generationen, die Mindestanzahl von Wiederholungen vor der Konvergenz und Anzahl oder Prozent Mutationen geändert werden können. Achten Sie auch auf Flexibilität in den Arten von Einschränkungen, die Sie festlegen können. Einschränkungen können beispielsweise auf der Gesamtsumme eines bestimmten Attributs basieren, z. B. auf den Gesamtkosten für alle Projekte oder auf dem Durchschnitt des Attributs, z. B. der durchschnittlichen Anzahl von Mitarbeitern pro Projekt. Sie sollten auch in der Lage sein, Constraints als nicht zu überschreiten (maximal) oder nicht weniger als (minimal) festzulegen. Wenn Sie als Business-Experte mehr darüber erfahren möchten, wie Projektportfoliomanagement-Anwendungen den Wert Ihres Projektportfolios maximieren können, sollten Sie DataMachines.com besuchen, um mehr über Optsee zu erfahren, ein integriertes Projektmanagement-Tool zur Priorisierung und Optimierung von Unternehmensprojekten Portfolios. Durch die automatische Analyse Ihres Projektportfolios in Tausenden von Szenarien und die anschließende Optimierung gegen mehrere Einschränkungen, wie z. B. begrenzte Mittel und Ressourcen, zeigt Ihnen Optsee schnell Ihre wahrscheinlichste Rendite aus einem optimalen Portfolio. Data Machines bietet auch ein Tabellenkalkulations-Arbeitsbuch zur einfachen Berechnung des Return on Investment (ROI) für jedes Projektmanagement-Tool. Über den Autor: George F. Huhn, Präsident von Data Machines, Inc., gründete das Unternehmen im Jahr 2000. Data Machines bietet Geschäft Anwendungen und Beratung, um Unternehmen dabei zu helfen, ihre Leistung durch überlegenes Informationsmanagement, schnellere Entwicklung neuer Produkte und höhere Effektivität der Organisation zu verbessern. George ist Autor oder Mitverfasser zahlreicher Artikel und Veröffentlichungen in Publikationen vom The Journal of Organic Chemistry bis zu Newsweek und hat Seminare und Grundsatzreden auf Veranstaltungen im ganzen Land gehalten. Er hält auch mehrere US-Patente und wurde in Chemical and Engineering News darüber geschrieben. Er besitzt einen Executive Master of Science in Management of Technology der Wharton School und der University of Pennsylvania. Er ist auch ein Moore Fellow im Technologiemanagement an der School of Engineering and Applied Science der University of Pennsylvania und hält einen B.S. Abschluss in Chemie von der Drexel University.