Efficient Resource Leveling in Multi-project Scheduling Environment with an Integrated Mountain Gazelle Optimizer and Opposition-Based Learning

Dieses Kapitel untersucht die Herausforderungen eines effizienten Ressourcenniveaus in Umgebungen, in denen mehrere Projekte geplant werden, und konzentriert sich dabei auf das Ressourcenniveauproblem (RLP). Es führt einen verbesserten Berggazellen-Optimierer (iMGO) ein, der den Standard-Berggazellen-Optimierer (MGO) mit oppositionellem Lernen (OBL) kombiniert, um die Lösungsvielfalt und Robustheit zu verbessern. Die Studie beleuchtet die Grenzen traditioneller MGO bei hochdimensionalen Problemen und zeigt, wie iMGO vorzeitige Konvergenz abmildert und die Optimierungsleistung verbessert. Eine Fallstudie mit zwei gleichzeitigen Bauprojekten veranschaulicht die praktische Anwendung von iMGO und zeigt, wie es die Ressourcenallokation optimiert und Spitzenbelastungen reduziert. Vergleichende Analysen mit anderen Algorithmen wie genetischen Algorithmen (GA), Partikelschwarmoptimierung (PSO) und der Suche nach symbiotischen Organismen (SOS) bestätigen die überlegene Konsistenz und Zuverlässigkeit von iMGO. Die Ergebnisse deuten darauf hin, dass iMGO eine praktikable Lösung für Praktiker ist, die effiziente Planungsansätze in komplexen Projektmanagement-Szenarien suchen.