چکیده فارسی :

برنامه ریزی پروژه های توسعه نرم افزار ،یک کار مرکزی، غیر بدیهی و پر هزینه برای شرکت های نرم افزار است . این کار معاف از تصمیم گیری های اشتباه ناشی از محدودیت های ذاتی انسان در مدیران پروژه نیست. در این مقاله، ما یک رویکرد تکاملی دانش بنیان با هدف کمک به مدیران پروژه در مراحل اولیه برنامه ریزی پروژه های نرم افزاری ارائه می دهیم.  برای برنامه ریزی پروژه نرم افزاری ، این رویکرد به طور خودکار برنامه های عملی برای پروژه طراحی می کند و هر برنامه طراحی شده رادر نظر داشتن هدف بهینه سازی که اولویت  مدیران در مرحله مذکور می باشد، ارزیابی می کنند. هدف ما این است که موثرترین مجموعه از کارکنان را به هر یک از فعالیت های پروژه واگذار کنیم. برای این منظور، ارزیابی برنامه های طراحی شده در رویکرد ما بر اساس دانش موجود در مورد صلاحیت کارکنان درگیر در هر برنامه، توسعه پیدا کرده. این دانش از اطلاعات پیشین در مورد مشارکت کارکنان در پروژه های در حال اجرا ناشی می شود. به منظور بررسی عملکرد رویکرد تکاملی مان، آزمایش های محاسباتی توسعه یافته ای بر روی هشت مجموعه مختلف نمونه مسأله ارائه نموده ایم. نتایج به دست آمده امیدوار کننده است از آنجا که این رویکرد به حد مطلوب از تاثیر گذاری در هفت مجموعه از هشت مجموعه ذکر شده، و سطح بالایی از تاثیرگذاری در مجموعه باقی مانده دست یافت.

کلمات کلیدی :

برنامه ریزی پروژه ، پروژه های نرم افزار ، تخصیص منابع انسانی ، منابع چند مهارتی ، تاثیرگذاری های ناهمگن ، الگوریتم های ژنتیک

چکیده انگلیسی :

The scheduling of software development projects is a central, non-trivial and costly task for software companies. This task is not exempt of erroneous decisions caused by human limitations inherent to project managers. In this paper, we propose a knowledge-based evolutionary approach with the aim of assisting to project managers at the early stage of scheduling software projects. Given a software project to be scheduled, the approach automatically designs feasible schedules for the project, and evaluates each designed schedule according to an optimization objective that is priority for managers at the mentioned stage. Our objective is to assign the most effective set of employees to each project activity. For this reason, the evaluation of designed schedules in our approach is developed based on available knowledge about the competence of the employees involved in each schedule. This knowledge arises from historical information about the participation of the employees in already executed projects. In order to evaluate the performance of our evolutionary approach, we present computational experiments developed overeight different sets of problem instances. The obtained results are promising since this approach has reached an optimal level of effectivity on seven of the eight mentioned sets, and a high level of effectivity on the remaining set.