Automatisation de la planification dynamique de projet à ressource limitée par l'intelligence artificielle

Resource constrained project scheduling problem (RCPSP) using artificial intelligence

• Auteur / Autrice : Amir Golab
• Direction : Ayman Al Falou
• Type : Thèse de doctorat
• Discipline(s) : Informatique et architectures numériques
• Date : Soutenance le 18/09/2023
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication en Bretagne Océane (Brest)
• Partenaire(s) de recherche : Laboratoire : Institut supérieur de l'électronique et du numérique
• Jury : Président / Présidente : Christian Brosseau
• Jury : Examinateurs / Examinatrices : Ayman Al Falou, Christian Brosseau, Rachid Jennane, Alain Loussert, Khalifa Djemal, Nesma Settouti, Denis Hamad
• Jury : Rapporteurs / Rapporteuses : Rachid Jennane, Alain Loussert

Mots clés

Mots clés contrôlés

Programmation par contraintes

Réseaux neuronaux (informatique)

Intelligence artificielle

Mots clés libres

Planification de projet

Gestion de projet

Réseau neuronal artificiel

RCPSP

Contrainte de ressources

Planification

Project scheduling

Project management

Artificial neural network

RCPSP

Resource constraint

Scheduling

Résumé

L'exécution de divers projets joue un rôle important dans le développement mondial et la croissance économique. En outre, tous les projets ont besoin d'une structure pour atteindre les objectifs du projet. Je me suis concentré sur le problème de planification de projet sous contrainte de ressources (RCPSP) parce qu'il fait partie de la gestion du calendrier de projet. Le (RCPSP) a deux contraintes importantes, à savoir les contraintes de ressources et les relations de préséance pendant la planification du projet.L'objectif du problème est de minimiser la durée du projet. Je développe deux approches différentes de réseaux neuronaux intégrées dans deux algorithmes pour résoudre le RCPSP. Les réseaux neuronaux développés apprennent en fonction des huit paramètres du projet qui sont recalculés à chaque étape du planning du projet. 11 règles de priorité sont les sorties des réseaux neuronaux évolués. Les réseaux neuronaux évolués sont utilisés pour sélectionner une règle de priorité appropriée pour filtrer une activité appropriée. Par conséquent, les réseaux neuronaux peuvent sélectionner automatiquement une règle de priorité pour filtrer une tâche éligible. Les algorithmes planifient toutes les tâches du projet en fonction des contraintes du projet. L'avantage de ces algorithmes par rapport aux méthodes conventionnelles telles que les métaheuristiques est qu'ils ne génèrent pas nécessairement de nombreuses solutions ou populations.L'exécution de divers projets joue un rôle important dans le développement national et la croissance économique. En outre, tous les projets ont besoin d'une structure pour atteindre les objectifs du projet. Je me suis concentré sur le problème de planification de projet sous contrainte de ressources (RCPSP) parce qu'il fait partie de la gestion du calendrier de projet. Le (RCPSP) a deux contraintes importantes, à savoir les contraintes de ressources et les relations de préséance pendant la planification du projet.L'objectif du problème est de minimiser la durée du projet.Je développe deux approches différentes de réseaux neuronaux intégrées dans deux algorithmes pour résoudre le RCPSP. Les réseaux neuronaux développés apprennent en fonction des huit paramètres du projet qui sont recalculés à chaque étape du planning du projet. Les 11 règles de priorité sont les sorties des réseaux neuronaux évolués. Les réseaux neuronaux évolués sont utilisés pour sélectionner une règle de priorité appropriée pour filtrer une activité appropriée. Par conséquent, les réseaux neuronaux peuvent sélectionner automatiquement une règle de priorité pour filtrer une tâche éligible. Les algorithmes planifient toutes les tâches du projet en fonction des contraintes du projet. L'avantage de ces algorithmes par rapport aux méthodes conventionnelles telles que les métaheuristiques est qu'ils ne génèrent pas nécessairement de nombreuses solutions ou populations.

The implementation of various projects plays an important role in national development and economic growth. In addition, all projects need a structure to achieve the project goals. I focused on the resource constrained project scheduling problem (RCPSP) because it is a part of project schedule management. The (RCPSP) has two important constraints, namely resource constraints and precedence relationships during project scheduling. The objective of the problem is to minimize the project duration. I develop two different neural network approaches embedded in two algorithms to solve the RCPSP. The developed neural networks learn according to the eight project parameters that are recalculated at each step of the project schedule. 11 Priority rules are the outputs of the evolved NNs. The evolved neural networks are used to select an appropriate priority rule to filter out an appropriate activity. Therefore, the neural networks can automatically select a priority rule to filter an eligible activity. Consequently, the algorithmsschedule all project activities according to the given project constraints. The advantage of these algorithms over conventional methods such as metaheuristics is that they do not necessarily generate many solutions or populations. The implementation of various projects plays an important role in national development and economic growth. In addition, all projects need a structure to achieve the project goals. I focused on the resource constrained project scheduling problem (RCPSP) because it is a part of project schedule management. The (RCPSP) has two important constraints, namely resource constraints and precedence relationships during project scheduling. The objective of the problem is to minimize the project duration. I developtwo different neural network approaches embedded in two algorithms to solve the RCPSP. The developed neural networks learn according to the eight project parameters that are recalculated at each step of the project schedule. 11 Priority rules are the outputs of the evolved NNs. The evolved neural networks are used to select an appropriate priority rule to filter out an appropriate activity. Therefore, the neural networks can automatically select a priority rule to filter an eligible activity. Consequently, the algorithmsschedule all project activities according to the given project constraints. The advantage of these algorithms over conventional methods such as metaheuristics is that they do not necessarily generate many solutions or populations.