فهرست نشریات علمی دسترسی آزاد ایران

عملکرد یک پروژه تحت تأثیر عوامل متعددی قرار دارد که تغییرات آنها می‌تواند 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 این‌رو، طراحی و توسعه یک سیستم توصیه‌گر داده‌محور که قادر باشد جایگزین قضاوت‌های فردی در فرآیند انتخاب مدیران پروژه شایسته گردد و با دقت بالا مدیران پروژه شایسته را پیشنهاد و معرفی نماید، امری ضروری و اجتناب‌ناپذیر به نظر می‌رسد. سیستم توصیه‌گر پیشنهاد شده در این مقاله مبتنی بر شبکه‌های عصبی پیش خور چند لایه‌ با الگوریتم یادگیری پس انتشار از نوع لونبرگ- مارکوارت می باشد که از الگوریتم ژنتیک جهت بهینه‌سازی ساختار و وزن‌های شبکه عصبی بهره می برد. نتایج نشان می دهد که سیستم توصیه‌گر 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 می‌دهد. 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 دقیق‌تر مدیران پروژه شایسته شود.