Técnicas inteligentes de optimización de agendas personales

Abstract

[ES] El propósito de este proyecto es diseñar un optimizador de tareas con amplia flexibilidad que sea capaz de trabajar con una serie de objetivos para modelar proyectos en el mundo real. Se trabaja en el ámbito de la programación lineal, en concreto el problema conocido como \textit{resource-constrained project scheduling problem} (RCPSP) o planificación de proyectos con restricción de recursos.

En primer lugar, se exploró una serie de modelos: discreto y continuo. Se seleccionó el modelo contínuo, sobre el cual se construyeron varias ampliaciones con el fin de adaptarlo mejor a la realidad del día a día de la gestión de proyectos.

Posteriormente, tras el análisis de diferentes paquetes de software se escogió e implementó el modelo en el resolutor Gurobi. Se probó el modelo, sometiéndolo a una serie de pruebas enfocadas en identificar el comportamiento en función de la variación de diferentes parámetros. Estos estudios tenían el objetivo de poner a prueba la veracidad de las soluciones ofrecidas por el modelo. Como segundo objetivo, identificar los aspectos fuertes y los débiles del modelo, viendo qué cambios afectan con mayor magnitud al tiempo de resolución.

El modelo presenta unos resultados prometedores ya que, aún limitado en el tamaño del proyecto a planificar, ofrece una respuesta exacta siendo capaz de amoldarse a escenarios complejos mediante las abstracciones que recursos, tareas y modos que ofrece.

[EN] The project's aim is to design a schedule optimizer with ample flexibility in order to accurately describe real life enterprises with different long-term goals. We will work on the field of linear programming, focusing on the \textit{resource-constrained project scheduling problem} (RCPSP).

First, a couple of approaches were explored: discrete and continuous. Based on these, the model was expanded in order to better adapt it to the day to day realities of project management.

Then, the model mas implemented using a Python-based approach with help of the Gurobi solver. This formula was selected after various trials with different software solutions. The model was tested throughout various experiments with the main objective of identifying and understanding the model's behavior to changes on each parameter. On one hand, these studies had the primary objective of proving the model solutions' accuracy. The secondary objective was to identify the model's strengths and weaknesses, testing which changes impacted more heavily on its performance.

The model shows promising results. Even tough the maximum project is size limited, it is capable of giving precise answers within a reasonable time frame. At the same time the model is capable of adapting to complex scenarios via the resource, task and mode abstractions it provides.