علی نوبختی

عملکرد یک پروژه تحت تأثیر عوامل متعددی قرار دارد که تغییرات آنها می تواند 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 این رو، طراحی و توسعه یک سیستم توصیه گر داده محور که قادر باشد جایگزین قضاوت های فردی در فرآیند انتخاب مدیران پروژه شایسته گردد و با دقت بالا مدیران پروژه شایسته را پیشنهاد و معرفی نماید، امری ضروری و اجتناب ناپذیر به نظر می رسد. سیستم توصیه گر پیشنهاد شده در این مقاله مبتنی بر شبکه های عصبی پیش خور چند لایه با الگوریتم یادگیری پس انتشار از نوع لونبرگ- مارکوارت می باشد که از الگوریتم ژنتیک جهت بهینه سازی ساختار و وزن های شبکه عصبی بهره می برد. نتایج نشان می دهد که سیستم توصیه گر 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 می دهد. 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 دقیق تر مدیران پروژه شایسته شود.