DOI: https://doi.org/10.18400/tjce.1751798
تاريخ النشر: 2026-06-08
المؤلف: Abdikarim Said Sulub وآخرون
الموضوع الرئيسي: جدولة المشاريع ذات الموارد المحدودة
نظرة عامة
تقدم البحث خوارزمية الطحلب المعاكس المعتمدة على توازن اللياقة والمسافة (FDBOSMA)، وهي تحسين للخوارزمية القياسية للطحلب (SMA) تهدف إلى تحسين تحسين الأهداف المتعددة في مشاكل توازن الوقت والتكلفة (TCTP) ضمن جدولة البناء. تحدد الدراسة القيود في الأساليب التقليدية المعتمدة على الهيمنة، وخاصة العبء الحسابي للتصنيف غير المهيمن (NDS) والتحديات في الحفاظ على تنوع السكان. تدمج FDBOSMA آلية اختيار توازن اللياقة والمسافة (FDB) وتعلم قائم على المعارضة (OBL) لتعزيز الاستكشاف والاستغلال، وبالتالي معالجة التقارب المبكر وتحسين توزيع الحلول المثلى وفقًا لمبدأ باريتو.
تمت المصادقة على FDBOSMA باستخدام حالات TCTP مرجعية مع عدد متنوع من الأنشطة (19، 29، و146). أظهرت النتائج أن FDBOSMA تفوقت على الخوارزميات الميتاheuristic الرائدة، محققة حجمًا فائقًا (HV) قدره 0.707 لحالة الـ 19 نشاطًا – أي حوالي 14% أعلى من تحسين سرب الجسيمات متعدد الأهداف (MOPSO) – بينما استخدمت فقط 27% من تقييمات وظائف MOPSO. بالنسبة لحالة الـ 29 نشاطًا، سجلت FDBOSMA أفضل أداء مع HV قدره 0.894 وعدد significantly أقل من تقييمات الوظائف مقارنة بالمنافسين. كما أظهرت الخوارزمية أداءً متفوقًا في مشروع الـ 146 نشاطًا الكبير، محققة أعلى HV قدره 0.630. أكدت التحليلات الإحصائية على أهمية هذه النتائج (p < 0.05). تسهم الدراسة في المجال من خلال تقديم آلية اختيار جديدة وتعزيز قدرات الاستكشاف، مما يساعد في النهاية مخططي البناء في تحديد حلول فعالة لتوازن الوقت والتكلفة. تشمل اتجاهات البحث المستقبلية تحسين معلمات الخوارزمية وتوسيع قابليتها للتطبيق لتشمل أهدافًا إضافية وعلاقات أسبقية أكثر تعقيدًا.
مقدمة
في صناعة البناء، يواجه مديرو المشاريع بشكل متكرر مشكلة توازن الوقت والتكلفة (TCTP)، حيث يؤدي تسريع جداول المشاريع عادةً إلى تكاليف أعلى، بينما يمكن أن تؤدي تدابير تقليل التكاليف إلى إطالة مدة المشروع. تتطلب هذه المعضلة أساليب تحسين فعالة لتحقيق توازن بين الوقت والتكلفة، حيث يمكن أن يؤدي الإدارة غير الفعالة إلى زيادة النفقات العامة وتقليل الربحية. استخدمت الأبحاث المبكرة بشكل أساسي أساليب حتمية وتجريبية، مع مساهمات ملحوظة تشمل الخوارزميات الجينية وإطارات تحسين الأهداف المتعددة التي تولد حلولًا مثلى وفقًا لمبدأ باريتو. شهدت التطورات الأخيرة تطبيق مجموعة متنوعة من الخوارزميات الميتاheuristic، مثل الخوارزمية الجينية غير المهيمنة II (NSGA-II) وتحسين سرب الجسيمات متعدد الأهداف (MOPSO)، والتي أظهرت وعدًا في معالجة تحديات TCTP.
على الرغم من التقدم، غالبًا ما تعتمد الأساليب الحالية على آليات تصنيف قائمة على الهيمنة، مما يمكن أن يعقد الحسابات مع زيادة تعقيد المشكلة. لمعالجة هذه القيود، تقدم هذه الدراسة خوارزمية الطحلب المعاكس المعتمدة على توازن اللياقة والمسافة (FDBOSMA)، التي تجمع بين نقاط القوة في استكشاف خوارزمية الطحلب مع آلية اختيار توازن اللياقة والمسافة وتعلم قائم على المعارضة. تهدف هذه الطريقة الهجينة إلى تعزيز كفاءة التقارب والحفاظ على التنوع في حلول باريتو، مما يحسن أداء التحسين عبر مقاييس رئيسية مثل عدد تقييمات الوظائف وحجم الفضاء. يتم تقييم فعالية FDBOSMA من خلال دراسات حالة TCTP المنفصلة، مما يظهر قدرتها على توليد حلول عالية الجودة لجبهة باريتو مقارنة بالخوارزميات المعروفة لتحسين الأهداف المتعددة.
طرق
في قسم الطرق، يوضح المؤلفون إعداد التجربة لبحثهم، موضحين المعلمات الرئيسية الملخصة في الجدول 1. تشمل هذه المعلمات حجم السكان، عدد التكرارات، معدل القفز المعاكس، عدد الجولات، ومقاييس الأداء المستخدمة في الدراسة. تم تنفيذ خوارزمية FDBOSMA عبر جميع المشاريع، وتم تقييم أدائها من خلال ثلاثة مؤشرات جودة: الحجم الفائق (HV)، التباعد (Sp)، ومتوسط المسافة بين حلول باريتو (APD). تتيح هذه الطريقة المنظمة تقييمًا شاملاً لفعالية الخوارزمية في ظروف تجريبية متنوعة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على فعالية خوارزمية الطحلب المعاكس المعتمدة على توازن اللياقة والمسافة (FDBOSMA) في معالجة مشكلة توازن الوقت والتكلفة (TCTP). يعزز دمج آلية توازن اللياقة والمسافة (FDB) وتعلم قائم على المعارضة (OBL) بشكل كبير من جودة الحل وكفاءة الحساب. تحسن استراتيجية FDB التنوع من خلال استبدال التصنيف غير المهيمن التقليدي بنهج تسجيل يأخذ في الاعتبار كل من اللياقة والتوزيع المكاني، مما يمنع التكتل في المناطق الكثيفة من جبهة باريتو. في الوقت نفسه، تخفف آلية OBL من التقارب المبكر من خلال تقييم الحلول المعاكسة، مما يؤدي إلى تحسين أداء الحجم الفائق (HV) والتباعد (Sp) عبر مقاييس مشاريع متنوعة.
تظهر النتائج التجريبية أن FDBOSMA تتفوق على الخوارزميات الحالية من حيث الكفاءة وجودة الحل. على سبيل المثال، في مشروع الـ 19 نشاطًا، حققت FDBOSMA HV قدره 0.707 مع 5,400 تقييم وظيفة فقط، بينما كانت MOPSO، على الرغم من تحقيقها HV أعلى قدره 0.912، تتطلب 20,000 تقييم. في حالة الـ 29 نشاطًا، سجلت FDBOSMA أفضل أداء مع HV قدره 0.894 و1,500 تقييم فقط، مما يدل على قدرتها على الحفاظ على التنوع حتى مع زيادة تعقيد المشكلة. تم التحقق من النتائج إحصائيًا، مما يؤكد أن FDBOSMA توفر باستمرار أداءً متفوقًا عبر مشاكل TCTP الصغيرة والكبيرة، مما يجعلها أداة واعدة لدعم القرار في تخطيط وجدولة البناء. تشمل اتجاهات البحث المستقبلية ضبط معدل القفز المعاكس ومعالجة قيود المشاريع الأكثر تعقيدًا لتعزيز قابلية تطبيق النموذج بشكل أكبر.
DOI: https://doi.org/10.18400/tjce.1751798
Publication Date: 2026-06-08
Author(s): Abdikarim Said Sulub et al.
Primary Topic: Resource-Constrained Project Scheduling
Overview
The research presents the Fitness-Distance Balance-based Oppositional Slime Mould Algorithm (FDBOSMA), an enhancement of the standard Slime Mould Algorithm (SMA) aimed at improving multi-objective optimization in time-cost trade-off problems (TCTP) within construction scheduling. The study identifies limitations in traditional dominance-based approaches, particularly the computational burden of non-dominated sorting (NDS) and challenges in maintaining population diversity. FDBOSMA integrates a Fitness-Distance Balance (FDB) selection mechanism and Opposition-Based Learning (OBL) to enhance exploration and exploitation, thereby addressing premature convergence and improving the distribution of Pareto-optimal solutions.
Validation of FDBOSMA was conducted using benchmark TCTP cases with varying activity counts (19, 29, and 146). Results indicated that FDBOSMA outperformed leading meta-heuristic algorithms, achieving a hypervolume (HV) of 0.707 for the 19-activity case—approximately 14% higher than Multi-Objective Particle Swarm Optimization (MOPSO)—while utilizing only 27% of MOPSO’s function evaluations. For the 29-activity case, FDBOSMA recorded the best performance with an HV of 0.894 and significantly fewer function evaluations compared to competitors. The algorithm also demonstrated superior performance in the large-scale 146-activity project, achieving the highest HV of 0.630. Statistical analyses confirmed the significance of these results (p < 0.05). The study contributes to the field by introducing a novel selection mechanism and enhancing exploration capabilities, ultimately aiding construction planners in identifying efficient time-cost trade-off solutions. Future research directions include refining the algorithm's parameters and expanding its applicability to incorporate additional objectives and more complex precedence relationships.
Introduction
In the construction industry, project managers frequently encounter the time-cost trade-off problem (TCTP), where accelerating project timelines typically incurs higher costs, while cost-cutting measures can prolong project duration. This dilemma necessitates efficient optimization methods to balance time and cost, as ineffective management can lead to increased overheads and reduced profitability. Early research primarily utilized deterministic and heuristic approaches, with notable contributions including genetic algorithms and multi-objective optimization frameworks that generate Pareto-optimal solutions. Recent advancements have seen the application of various metaheuristic algorithms, such as the non-dominated sorting genetic algorithm-II (NSGA-II) and the multi-objective particle swarm optimization (MOPSO), which have shown promise in addressing TCTP challenges.
Despite the progress, existing methods often rely on dominance-based ranking mechanisms, which can complicate computations as problem complexity increases. To address these limitations, this study introduces the Fitness-Distance Balance Oppositional Slime Mould Algorithm (FDBOSMA), which combines the exploration strengths of the slime mould algorithm with a fitness-distance balance selection mechanism and opposition-based learning. This hybrid approach aims to enhance convergence efficiency and maintain diversity in Pareto solutions, thereby improving optimization performance across key metrics such as the number of function evaluations and hypervolume. The effectiveness of FDBOSMA is evaluated through discrete TCTP case studies, demonstrating its capability to generate high-quality Pareto front solutions compared to established multi-objective optimization algorithms.
Methods
In the Methods section, the authors detail the experimental setup for their research, outlining key parameters summarized in Table 1. These parameters encompass the population size, number of iterations, opposition jumping rate, number of runs, and performance metrics utilized in the study. The FDBOSMA algorithm was implemented across all projects, with its performance assessed through three quality indicators: Hypervolume (HV), Spacing (Sp), and Average Pareto Distance (APD). This structured approach allows for a comprehensive evaluation of the algorithm’s effectiveness in various experimental conditions.
Discussion
The discussion section of the research paper highlights the effectiveness of the proposed Fitness-Distance Balance Oppositional Slime Mould Algorithm (FDBOSMA) in addressing the Time-Cost Trade-Off Problem (TCTP). The integration of the Fitness-Distance Balance (FDB) mechanism and Opposition-Based Learning (OBL) significantly enhances both solution quality and computational efficiency. The FDB strategy improves diversity by replacing traditional non-dominated sorting with a scoring approach that considers both fitness and spatial distribution, thereby preventing clustering in dense regions of the Pareto front. Meanwhile, the OBL mechanism mitigates premature convergence by evaluating opposite solutions, leading to improved hypervolume (HV) and Spread (Sp) performance across various project scales.
Empirical results demonstrate that FDBOSMA outperforms existing algorithms in terms of efficiency and solution quality. For instance, in the 19-activity project, FDBOSMA achieved an HV of 0.707 with only 5,400 function evaluations, while MOPSO, although yielding a higher HV of 0.912, required 20,000 evaluations. In the 29-activity case, FDBOSMA recorded the best performance with an HV of 0.894 and only 1,500 evaluations, indicating its capability to maintain diversity even as problem complexity increases. The findings are statistically validated, confirming that FDBOSMA consistently provides superior performance across small and large-scale TCTP problems, making it a promising tool for decision support in construction planning and scheduling. Future research directions include tuning the opposition jumping rate and addressing more complex project constraints to further enhance the model’s applicability.