基于K-medoids的项目族工作分解结构模型构建及其配置研究

基于K-medoids的项目族工作分解结构模型构建及其配置研究

论文摘要

随着项目管理作为一种有效的管理技术和组织形式得到广泛应用,以项目作为主要运作模式的企业组织日益增多,多项目管理逐渐取代单项目管理成为发展趋势。为了快速得到项目工作分解结构(Work Breakdown Structure,WBS)以响应客户的需求,借鉴制造业大规模定制环境下的产品族类物料清单(Generic Bill ofMaterials,GBOM)概念,项目族工作分解结构(General Work Breakdown Structure,GWBS)的概念被提出。在项目族工作分解结构模型构建的基础上,通过对GWBS进行项目配置,就可以快速生成符合客户定制需求的特定WBS。本文提出的构建项目族工作分解结构模型及其配置的方法,扩展了已有的理论研究范围,对项目型企业的实际操作也具有一定的参考价值。本文提出了一种基于K-medoids聚类算法的GWBS模型的构建方法,首先对项目WBS进行统一的知识表示,并对WBS进行基于最小赋权对称相异度的相似性比较,在相似性比较的结果上对其进行K-medoids聚类。对各个簇内的WBS进行聚合,以一个GWBS表示,并对此GWBS的架构表示和要素表示加以说明,完成GWBS的构建。在项目族工作分解结构模型的基础上进行了基于规则的项目配置,首先确定配置变量,然后明确相关的配置规则,在配置变量和配置规则确定的基础上经过项目配置流程的求解,得出满足客户需求的具体WBS。最后本文对K-medoids聚类和项目配置过程进行实验仿真,用C及C#语言作为开发技术,实现了对WBS实例的聚类以及在GWBS基础上基于规则的项目配置,验证了本文提出的GWBS构建方法的可行性,也验证了基于GWBS与规则的项目配置方法的有效性。本文从理论与实践两方面对GWBS的构建及配置进行了研究,是对GWBS相关知识的有益补充。

论文目录

  • 摘要
  • Abstract
  • 插图索引
  • 附表索引
  • 第1章 绪论
  • 1.1 研究背景与意义
  • 1.1.1 研究背景
  • 1.1.2 研究意义
  • 1.2 文献综述
  • 1.2.1 多项目管理的研究动态
  • 1.2.2 工作分解结构的研究动态
  • 1.2.3 聚类方法的研究动态
  • 1.3 研究思路与框架
  • 第2章 理论基础
  • 2.1 项目工作分解结构
  • 2.1.1 WBS 的定义
  • 2.1.2 WBS 的分解方法
  • 2.1.3 GWBS 概念的提出
  • 2.2 聚类分析
  • 2.2.1 聚类分析概述
  • 2.2.2 K-medoids 聚类分析
  • 2.3 配置理论
  • 2.3.1 配置的概念
  • 2.3.2 配置的算法和主要方法
  • 第3章 项目族工作分解结构的模型构建
  • 3.1 WBS 的相似性比较
  • 3.1.1 WBS 的树形图表示方法
  • 3.1.2 现有的树形图相似性比较算法分析
  • 3.1.3 基于 MWSD 的 WBS 相似性比较算法
  • 3.2 项目族工作分解结构模型的构建
  • 3.2.1 基于 K-medoids 方法的 WBS 聚类
  • 3.2.2 基于聚类结果的 GWBS 模型构建
  • 3.3 项目族工作分解结构的知识表示
  • 3.3.1 GWBS 的架构表示
  • 3.3.2 GWBS 的要素表示
  • 第4章 基于 GWBS 和规则的项目配置
  • 4.1 基于 GWBS 的项目配置模型(GPCM)构建
  • 4.1.1 GPCM 中的 GWBS 构建
  • 4.1.2 GPCM 中的模块化
  • 4.1.3 GPCM 中的参数化
  • 4.2 GPCM 模型的求解
  • 4.2.1 配置变量的确定
  • 4.2.2 配置规则
  • 4.2.3 项目配置流程
  • 第5章 实验仿真
  • 5.1 开发技术简介
  • 5.2 仿真简介
  • 5.2.1 聚类的仿真过程
  • 5.2.2 项目配置的仿真简介
  • 5.3 应用实例结果分析
  • 5.3.1 聚类的仿真结果分析
  • 5.3.2 项目配置的仿真结果分析
  • 结论
  • 参考文献
  • 致谢
  • 附录 A 攻读学位期间所发表的论文
  • 附录 B 仿真案例配置规则清单
  • 附录 C 部分源程序清单
  • 相关论文文献

    • [1].基于K-medoids项目聚类的协同过滤推荐算法[J]. 重庆邮电大学学报(自然科学版) 2017(04)
    • [2].基于K-medoids方法的大学生体质健康分类研究[J]. 现代计算机 2020(30)
    • [3].金融供给侧结构性改革背景下的基金投资策略研究——基于K-Medoids的聚类分析[J]. 未来与发展 2020(04)
    • [4].基于遗传模拟退火算法的改进K-medoids算法[J]. 吉林大学学报(工学版) 2015(02)
    • [5].基于遗传算法和K-medoids算法的产品设计文本知识获取[J]. 聊城大学学报(自然科学版) 2010(04)
    • [6].基于K-Medoids聚类的多传感器航迹关联算法[J]. 哈尔滨工业大学学报 2012(01)
    • [7].粒计算优化初始聚类中心的K-medoids聚类算法[J]. 计算机科学与探索 2015(05)
    • [8].基于快速K-medoids聚类的WLAN室内定位算法[J]. 电子设计工程 2017(06)
    • [9].无线传感网中分簇分层k-medoids协议研究[J]. 云南民族大学学报(自然科学版) 2016(02)
    • [10].K-Medoids和FCM融合聚类法语音信号分类的应用[J]. 济南大学学报(自然科学版) 2016(01)
    • [11].基于MapReduce的改进K-Medoids并行算法[J]. 广西大学学报(自然科学版) 2014(02)
    • [12].一种MapReduce架构下基于遗传算法的K-Medoids聚类[J]. 计算机科学 2017(03)
    • [13].半径自适应的初始中心点选择K-medoids聚类算法[J]. 重庆理工大学学报(自然科学) 2017(02)
    • [14].改进的方差优化初始中心的K-medoids算法[J]. 计算机技术与发展 2020(07)
    • [15].基于K-medoids算法的RFAT客户细分[J]. 华北水利水电大学学报(社会科学版) 2016(03)
    • [16].方差优化初始中心的K-medoids聚类算法[J]. 计算机科学与探索 2015(08)
    • [17].QPSO与K-Medoids相结合的带障碍空间聚类新算法[J]. 电子设计工程 2011(02)
    • [18].基于K-medoids聚类的层次化教学质量提升评估研究[J]. 现代电子技术 2019(23)
    • [19].云环境下的高效K-Medoids并行算法[J]. 计算机测量与控制 2016(12)
    • [20].基于粒计算和模拟退火的K-medoids聚类算法[J]. 计算机仿真 2015(12)
    • [21].基于优化粒计算下微粒子动态搜索的K-medoids聚类算法[J]. 智能计算机与应用 2016(02)
    • [22].基于粒计算的K-medoids聚类算法[J]. 计算机应用 2012(07)
    • [23].基于K-medoids聚类分析的多相流相态辨识方法研究[J]. 天津理工大学学报 2017(06)
    • [24].改进K-medoids算法对小麦籽粒挤压数值的分析应用[J]. 甘肃科技 2017(04)
    • [25].粒子群K-Medoids带障碍约束空间聚类分析研究[J]. 小型微型计算机系统 2009(10)
    • [26].基于K-medoids算法的学生成绩聚类研究[J]. 微型电脑应用 2020(02)
    • [27].改进的电力负荷曲线集成K-medoids聚类算法[J]. 电力科学与工程 2019(02)
    • [28].基于宽度优先搜索的K-medoids聚类算法[J]. 计算机应用 2015(05)
    • [29].一种改进禁忌搜索的K-medoids聚类算法[J]. 长沙理工大学学报 2014(03)
    • [30].基于改进流形距离K-medoids算法[J]. 计算机应用 2013(09)

    标签:;  ;  ;  ;  

    基于K-medoids的项目族工作分解结构模型构建及其配置研究
    下载Doc文档

    猜你喜欢