隨機性專案網路在完成時間機率分佈及最佳化資源分配之研究

　　由於全力準備隔天的研討會資料及心情調適，不克親自出席此次的演講，網站

上的錄製片段又無法正常播放，只好回來後自己慢慢K手邊的投影片。發現這篇文章

的作者不但是我大一時期的輔導教官，也是目前的博士班學長。因為沒有親臨現場

聽作者講解，一些演算法的數學模式還是有理解之難度。僅就個人看完後粗淺的認

知，試著簡單歸納出這篇文章的訴求和貢獻。



　　主要研究的主題有兩部分：



　　第一個部份是針對隨機性專案網路，在所有的作業時間均為隨機變數之情況下，

針對大型的專案網路發展出一有效率之演算法，估算專案網路完成時間之機率密度函

數(Probability Density Function, pdf)。共發展出兩種估算專案完成時間機率分

配之演算法：



　　1.  標籤修訂追蹤演算法(Label-Correction Tracing Algorithm, LCTA)。

　　2.  區域積分演算法(Marginal Integration Algorithm, MIA)。



　　以上兩種演算法所運用到的執行技術計有：



　　1.  離散化技術(Discritizated technique)--柴比契夫取樣點法。

　　2.  重新取樣技術(Resampling technique)。

　　3.  利用樹形結構及後序追蹤，有效處理最長路徑偏差(LPB)效應

　　4.  及路徑相依性問題，有系統的完成專案網路完成時間之估算。



　　第二個部份是以前一部份的LCTA為基礎，並以磁場機制演算法及基因演算法為決策

之工具，分別針對單種類資源及多種類資源投入，執行專案作業之最佳資源分配，以期

得到專案最小的總成本。



　　針對單種類與多種類，分別發展最佳化資源分配方法：



　　1.  單種類資源SRAP問題—(CPCA+CLSA)_EM。

　　2.  多種類資源SMRAP問題—CPCA_GA。



　　實際執行上所運用的技術計有：

 

　　1.  發展出多種類資源投入專案網路成本計算模式。

　　2.  發展CPC概念及CPCA演算法處理SRAP及SMRAP問題。

　　3.  發展CLSA演算法供EM處理SRAP問題之區域搜尋演算。



　　最後達成的貢獻主要有：



　　1.  針對隨機性專案網路相關之特性做了細膩之分析及研究。

　　2.  與隨機性專案網路有關係之研究(專案排程、專案成本分析等)，提供可信度較

　　　　高之演算工具。



　　看完整篇浩大的工程，其實說穿了不過是把研究的大架構翻完而已...。單憑這樣，

可能還無法完全體會出隱藏在這篇文章背後所灌注的心血。與其說學長都太強，而自己

太虛，倒不如說是「有動力」和「沒動力」的差別來得實際些。



　　究竟坑要挖多深？以目前我的情況而言，大概還無法拿捏。也因為如此，始終還在

原地打轉，或是在眾多領域間徘徊不定。然而，就像常聽人說的「運動家就要有運動家

的精神」，做研究應該也是如此吧！抱著這樣的態度，堅持到底，做出來的成果才具有

可觀的價值。



　　後來我得到一種說法：「做研究要挖小，但是很深的洞。」似乎滿有道理，因為廣

而淺的東西，別人就可以在很短的時間就完全掌握你的東西了。上這艘船至今已混過三

個多月，到底要挖哪裡？如何確認是否有辦法深掘？我想這應該是自己迫切追求的課題。





2006/11/24