Stochastische Projektplanungsprobleme mit flexiblen Ressourcenprofilen: Verknüpfung von Operations Research-Verfahren mit Techniken des Maschinellen Lernens

• Antragstellerin: Professorin Dr. Julia Rieck
• Fachliche Zuordnung: Management und Marketing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520722132

In vielen Branchen wird die Arbeit in Projekten als vorherrschende Arbeitsform eingesetzt. Hierbei wird typischerweise anhand der vier Phasen des Projektlebenszyklus vorgegangen. Insbesondere muss vor der Realisation eines Projektes eine detaillierte Projektplanung durchgeführt werden. Die Projektplanung setzt an, bevor alle notwendigen Informationen bekannt sind, beispielsweise sind die Dauern von den Aktivitäten des Projektes noch unsicher. Um der Unsicherheit Rechnung zu tragen, können die Aktivitätsdauern als Zufallsvariablen definiert werden. Oft ist es zudem so, dass in der Planungsphase nur der gesamte Ressourcenbedarf (z.B. in Form von Personenstunden), der insgesamt für die Durchführung einer Aktivität benötigt wird, bestimmt werden kann. Somit müssen die Aktivitätsdauern und die dazugehörigen Ressourceninanspruchnahmen in den einzelnen Zeitperioden der Durchführung festgelegt werden. Durch die Beachtung der beiden Aspekte entstehen stochastische Projektplanungsprobleme mit flexiblen Ressourcenprofilen, die im Rahmen des Forschungsprojektes behandelt werden sollen. Ziel des Projekts ist die Entwicklung von leistungsfähigen mathematischen Modellen und Algorithmen des Operations Research und des Maschinellen Lernens zur Lösung des vorliegenden, neuen Problems. Bei den Modellformulierungen werden aufgrund der Unsicherheit Chance-Constrained-Bedingungen integriert und eine Lösung mit Ansätzen der Sample-Average-Approximation vorgesehen. Metaheuristische Verfahren sollen basierend auf Politiken implementiert werden, die den Beginn von Aktivitäten zu bestimmten Entscheidungszeitpunkten auf dynamische Weise vorschreiben. Mit Meta-Learning werden die Modellparameter für untergeordnete Lern- und Optimierungsprozesse dimensioniert. Zudem soll Reinforcement Learning eingesetzt werden, um eine optimale Politik bei der Suche nach einer Lösung zu erlernen. Die entwickelte Problemstellung ist von hoher praktischer Relevanz, insbesondere für Consulting Unternehmen, die täglich viele Entwicklungsprojekte durchführen, oder auch für Hilfsorganisationen, die Reaktionsmaßnahmen bei Katastrophen, Notfällen oder technischen Großunglücken als Projekte organisieren.

• DFG-Verfahren: Sachbeihilfen