эффекты обучения, забывая, и переучивания на принятие правила деятельности в комбинированная планирования,

РЕЗЮМЕ

Развитие продукта происходит в условиях, когда комбинированная прерываний часто допускается, чтобы критически важных проектов могут быть решены немедленно. Поскольку продукт развития характеризуется временем конкуренция, основанная, есть давление быстро принимать решения в использовании эвристик, методы, которые дают быстрый завершения проекта. Прерывания эвристики необходимы как для выбора деятельности для прерывания, а затем определить, какие ресурсы использовать для перезагрузки вытеснен деятельности. Прошлые исследования с участием преимущественного игнорирует какие-либо наказания завершения времени из-за забывая опытных сотрудников по проектам в течение прерываний и переучивания в результате время, необходимое для восстановления потерял языком. Целью данного исследования является определение воздействия обучения, забывая, и переучивания (LFR) по завершении проекта, когда прерываний. Мы представляем модель LFR цикла комбинированная средах разработки. Мы тестируем несколько правил приоритета для графика работ, прерывания деятельности и распределения ресурсов после прерывания, при условии существования цикла LFR, для которых один тип знаний, ресурсов работник назначается между несколькими проектами. Результаты имитационных экспериментов наглядно демонстрируют, что LFR эффекты носят существенный характер.

Испытания различных графиков, прерываний, а также правила перераспределения ресурсов показывают, что выбор правило имеет решающее значение для смягчения момент завершения казни последствий LFR цикла, сохраняя при этом высокий уровень использования ресурсов. В частности, в худшем выполнения правил проверяется на каждом спектакле мере те, которые пытаются сохранить высокий коэффициент использования ресурсов. Самые эффективные правила основаны на активности и критичности ресурсов обучения ..

Предметные области: Эвристика и управления проектами.

ВВЕДЕНИЕ

В эту эпоху временем конкуренция, основанная на быстрый и эффективный новых продуктов и проектов развития процесса имеют решающее значение для выживания бизнеса, продление, и успеха. Проекты в области развития высоких затрат, высокой степенью риска и комплекс предприятий с участием специалистов из различных бизнес-функций. Проект планирования в этой среде характеризуется назначение людей к деятельности при ограничениях на число людей, доступны и различные приоритеты среди проектов. В этих условиях, проектной деятельности может быть вытеснен и люди, работающие на них переведены в другие, более приоритетные мероприятия проекта. В единственном изучение прерывания в комбинированной среде выполненных до настоящего времени, Bock и Паттерсон (1990) описал информационной среды системы, в которых работники могут быть переведены из текущих проектов в области развития на более высокий приоритет, техническое обслуживание проектов, требующих немедленного внимания. Хотя прерываний часто происходит на практике, их исследования сначала рассмотреть ее влияние на эффективность проекта. Одним из ограничений Бокк и Паттерсон исследования является то, что нет наказания за упреждая деятельности по проекту. Они предполагали, что программист может быть вытеснен с программной деятельности, а затем вернемся к задаче, чтобы начать работать там, где они были прерваны без потери производительности или повышение активности продолжительностью в качестве наказания за прерываний.

В отличие от обучения литературе обсуждается обучения и забыл, как природных явлений, которые происходят, как человек работает на конкретный вид деятельности, а затем останавливает деятельность и занимается другой работой. В этом исследовании, мы стремимся доказать, что обучение, забывая, и переучивания следует рассматривать решение упредить проектной деятельности. Мы моделируем комбинированная среда, в которой разрешены прерывания, например, как описано в Бокк и Паттерсон (1990).

Предыдущих исследований по изучению проектов был ограничен случаев многократного повторения одного проекта (например, Shtub, 1991; Теплиц

Это предварительное исследование проводится, чтобы определить, невключение обучения забывания переучивания цикла комбинированная планирование может привести к ухудшению принятие решений, увеличение продолжительности проекта, а также неэффективного использования ресурсов. Мы считаем, комбинированная среда, в которой Есть определенное количество работников умственного труда (например, программисты), доступных для назначения в проектной деятельности. Проекты включают как стандартные приоритетных проектов развития (SPDP) и приоритетных проектов по техническому обслуживанию (HPMP). SPDPs прибыть динамически, но их освобождения в процессе развития и эффективного управления таким образом новые начинается только в других стандартных проектов в области развития приоритетных завершена. HPMPs приходят случайно и динамично развивается, и активируются немедленно обеспечить быстрое реагирование на потребителей. На практике менеджеры часто выбирают для перевозки людей с временно деятельности в SPDP с временем отклика критически важных проектов с клиентами (HPMP), а затем вернуть их к первоначальному проекту развития, когда краткосрочные критические проекта завершена.

Практики, описанным выше предложить два предложения исследований применительно к управленческой практики прерывания в комбинированной среде с ограниченным человеком ресурсы:

P1: Продолжительность проекта и полного завершения времени для набора проектов в области развития будет значительно выше, а средняя использования ресурсов ниже, если прерывания наказываться из-за существования обучения забывания переучивания цикла.

P2: Учитывая существенное влияние LFR цикла на длительность проекта, этот эффект может быть уменьшен путем правильного подбора ресурсной политики назначения используется для планирования деятельности и преимущественного выбора.

Если данные из нашей исследовательской показывает, что эти предложения являются действительными, чем предыдущие работы в области планирования комбинированная может потребовать пересмотра. Кроме того, все последующие работы, связанные прерывания необходимо будет рассмотреть LFR эффекты цикла.

В следующем разделе мы описываем предыдущих исследований в две темы, представляющие интерес: обучение и комбинированная с ограниченными ресурсами планирования. Затем мы опишем обучения, забывая, и переучивания модель, используемая в данном исследовании. После этого мы подробно подход исследований и имитационной модели. Тогда исследовательских работ описан в следующем разделе. Поскольку Есть два эксперимента, участвующих в исследовании, следующие две секции представить результаты этих экспериментов в отдельности. Наконец, мы предлагаем выводы и направления дальнейших исследований.

Предыдущие исследования

Хотя существует много исследований по теме с ограниченными ресурсами планирования проектов (например, Купер, 1976; Дэвис, 1973, 1975; Дэвис

Дюмон и Mabert (1988) представил комбинированная среда, в которой проектов приехать динамично. Эвристические правила планирования используется для планирования деятельности по проектам с учетом ограниченности ресурсов, в то время как эвристические правила из-за даты используются, чтобы установить сроки для выработки проектов. Основное внимание Думонд и Mabert исследования заключалась в проверке эффективности из-за правил сегодняшний день в комбинированная среда, и они пришли к выводу, что чем больше информации, используемой при определении срока, тем выше производительность. Они разработали правила называется SFT (по расписанию Время завершения), что конечной нагрузки каждого проекта, как он прибыл для того, чтобы оценить проект срока. SFT условии, что лучшее исполнение из-за правил даты их испытания. Бок и Паттерсон (1990) продлил работу Думонд и Mabert путем введения 3 преимущественного политики, которые касаются, когда Есть два типа проектов: крупные с более низкими приоритетами завершения и краткосрочные проекты с более высокими приоритетами завершения. Их целью было найти сочетание из-за правила даты, планирование эвристического и прерывания политики, которая лучше всего подойдет для сведения к минимуму среднего течения времени, среднее абсолютное опоздание и взвешенные опоздание. Их работа подтвердила выводы Думонд и Mabert в отношении превосходства SFT правило для большинства подопытных настройки в своем исследовании.

Наше исследование продолжается работа этих предыдущих авторов, рассматривая прерывания в комбинированной среде с динамической прибывших, но с новым направлением. Рассмотрим влияние на течения времени и использования ресурсов обучения, забывая, и переучивания на вытеснен ресурсы ..

Потому что мы вводим понятие LFR цикла в среду проекта, анализ соответствующих учебных литературы является целесообразным. Существует множество эмпирических данных, что обучение проводится, как человеческие ресурсы выполнять повторяющиеся действия в проекте среды (например, Alchian, 1963; Shtub, 1991; Теплиц

Существует также доказательство того, что обучение проводится с течением времени. Время Обучение, основанное было показано (Бразел, 1972; Hirschmann, 1964; Sahal, 1979), которые будут распространяться те же функции власти модель обучения, как повторение Обучение, основанное отметил Райт (1936). В разработке проекта среды, основанные на времени обучение происходит в отношении отдельных видов деятельности по проектам, как человеку получить ресурсы, знания, выполняя деятельности. Невисон (1994) использовал линейную модель для планирования повышения производительности труда, как проект рабочей силы узнает больше о предмете проекта на начальных этапах. Globerson (1980) и Хирш (1956) поддерживает идею, что линейная модель может быть полезна на практике основанные на времени обучения, если временные рамки интересов является относительно коротким и знания не лучше модели не существует. Тем не менее, мы разрабатываем модели для нелинейного о конкретных видах деятельности обучения, забывая, и переучивания на основе более надежные модели Райт, из-за продолжительного времени обычно распространенных в проектах развития.

ОБУЧЕНИЕ, забыв И переучивания МОДЕЛЬ

Обучения уравнения квалификации и несколько альтернативных уравнений для забывая и переучивания в то время Обучение, основанное на окружающую среду предложенной обучения литературе. В этом разделе мы разрабатываем концептуальные модели, используемые в нашем исследовании.

Владения (обучение) уравнения

Традиционного обучения кривой вниз степенной функции наклонной, что представляет собой сумму времени (или расходов) для завершения следующей итерации одной задаче. Наши знания кривой вверх наклонной представлять видов деятельности специальных знаний или квалификации усиления (см. Рисунок 1). Как квалифицированный человек работает на деятельность, он получает деятельности конкретных знаний и компетенции, необходимые для завершения деятельности. Это знание получить представлена следующим уравнением, полученным непосредственно из уравнения кривой обучения Райта:

Человек требуется примерно 0,3 периоды повторной достичь предварительного преимущественного владения языком. Об этом свидетельствует как площадь названием "переучивания" на Рисунке 2. После переучивания, человек продолжает учиться и выполнять содержание трудовой деятельности в соответствии с учебной квалификации кривой и деятельности составлен в двух дополнительных периодах. Общая продолжительность вытеснен деятельность 6,3 периоды и чистой продолжительность деятельности составляет 6,3 - 2 = 4,3 периоды. Общее время труда, вложенного в деятельность 4,3 периоды с прерываниями, по сравнению с 4,0 без прерываний.

Пример 3: Два ресурсов

Теперь рассмотрим деятельность, которая требует 2 людей, работающих в течение четырех периодов, но, как в примере 2, прерывается на два периода после двух периодов прогресса. Если оба люди переводятся в деятельности после двух периодов упреждения и той же последовательности происходит для каждого человека, как изображено на рис 2. Тем не менее, расчет после завершения прерываний увеличивается в сложности, если один из людей, возложенных на деятельность после прерывания в новой деятельности. В частности, после работы над деятельностью в течение двух периодов, деятельность прерывается, и оба оригинальных людей, переводятся в другом месте. Тогда, только одна доступна для перевода в прерывается активности после 2 периода перерыва. Хотя возвращение лицо переучивания делать, новое лицо должно начинаться с нуля профессионального уровня для этой деятельности. Оба должны работать, пока все содержания деятельности является полной.

Два метода были рассмотрены для определения завершения времени прерывается активности, когда сочетание новых и оригинальных людей, назначается для завершения работы. Методы основаны на различных предположениях о том, как люди могут работать на проектной деятельности. Во-первых, можно предположить, что люди работают в тесном сотрудничестве для достижения прогресса в процессе деятельности. В этом случае, все люди должны быть на том же уровне квалификации для того, чтобы прогресс произойти. При этом предположении, когда новый человек присоединяется к оригинальным человеком после прерывания, переучивания время оригинального человека должно быть усреднено в некотором роде с учебного времени новые лица, чтобы создать задержку перед прогресса на дополнительное содержание деятельности может возобновиться. Такая ситуация может возникнуть, если два народа относятся к созданию ряда компьютерных экранов системы, и они решили, что каждый будет делать часть кодирование для каждого экрана. Если они прервали, и новый человек присоединяется к оригинальной лицо для завершения деятельности, опытный человек, должны переучиваться, а затем ждать, или помочь новым человеком подойти к квалификации перед прогресс может возобновиться.

Второй подход заключается в предположении, что люди работают более независимо от вида деятельности. Каждый может создать любое количество экранов насколько это возможно, пока все экраны являются полными. При таком предположении, каждый человек может работать на другом уровне квалификации после перерыва до завершения деятельности. Первое предположение более агрессивными в плане создания переучивания казни. Для этого предварительного исследования мы будем использовать более консервативные второе предположение.

На рисунке 3 показана кривые 2 людей, работающих над этой задачей. В течение первых двух периодов, как оригинальных, так люди работают на активность и достижения обучения умений по 29,79. Однако, для nonreturning лица, это знания и связанные с ним работы содержимое теряются, и должен быть повторен. Человек, который является новым для деятельности начинается с нуля деятельности конкретных видах деятельности квалификации. Это требование, чтобы повторять исходное содержание работы nonreturning лицо может быть объяснено двумя способами. Во-первых, если мы предположим, что новый человек начинает с нуля языком, он должен повторить первые два периода активности получить достаточные знания, чтобы завершить окончательный двумя периодами работы, необходимые для этого ресурса. Кроме того, новый человек будет повторить работу, проделанную до прерывания из-за отсутствия активности документации прогресса, или потому, что он или она выбирает для выполнения этой задачи с использованием различных методов. После прерывания, тем легче заштрихованная область на рис 3 представляет собой работу, контент, предоставляемый возвращается лицу, в то время как темные тени представляет собой работу, контент, предоставляемый новым человеком. (Легкие затененной области в тыл простирается за темной области до пересечения с горизонтальной оси.) Независимо от того, использует ли он первым или вторым подходом, перечисленные выше для завершения работы, как люди работают на деятельность, пока все содержание деятельности работы полный ..

Для первоначального человек возвращается в деятельности, Есть два временных периода для расчета: переучивания времени и времени завершения деятельности один раз прерывается квалификации был вновь достигнут. Для этого человека, это только площадь под продолжение оригинальной кривой обучения, после завершения переучивания, что способствует остальные работы сервера. Для нового человека есть только один расчет, время, необходимое для выполнения своей доли оставшихся содержание работы. Работы должны выполняться новые лица рассчитывается по формуле:

Использование пополам, T равен примерно 3,1 периоды. Общая продолжительность этого прервал деятельности равна первоначальной 2 периоды работы до перерыва, два периода перерыв, а затем 3,1 периоды посвящена переучивания и деятельности завершения, в общей сложности 7,1 периоды, а суммарная активность продолжительность 5,1 периоды. Задержки, связанные с циклом LFR составляет 1,1 периодов, разница между первоначальной продолжительности периодов и четыре чистых продолжительность 5,1 для случая, в которых активность была прервана.

Сохранение работы мультипликаторов

В приведенных выше примерах, когда новый человек заменяет вытеснен ресурсов закончить прерванную деятельность, все работы завершены к содержанию освобождения человек теряется. Если лицо отбывает приняло время держать тщательное документирование работы завершены на сегодняшний день, замена лица должны дублировать, что процесс обучения опыт, воспроизводя содержание работы.

Это предположение нулевой сохранения содержания работы между вылетающих лица и замены через период прерывания может быть неточной для каждого комбинированная окружающей среды. По этой причине, концепция работы удержания множитель был добавлен в базовые образовательные модели, чтобы на чувствительность тестирования этого предположения потери работы. Концепция работы удержания множитель, что документация сохраняется в течение развития деятельности отрицает необходимости повторять часть работ завершена до прерывания, если новое лицо назначается перезагрузить деятельности после прерываний. Если первоначальный лица возлагается на перезагрузку вытеснен деятельности, нет эффекта мультипликатора, поскольку не существует потенциал для работы содержание потери (только потеря квалификации). Однако, если новое лицо назначается перезагрузить деятельности, что новый человек не будет начинать свою деятельность с нуля распределение содержания работы, если есть положительное сохранение работы мультипликатора. Вместо этого, часть работы, содержание определяется множитель остается завершена, и не должны быть повторены новое лицо, тем самым уменьшая влияние эффектов LFR цикла.

Содержание работы множитель может принимать любое значение между 0 и 1, и чем выше коэффициент значение, тем более перевести работу содержание предполагается. Высшее фракций работы удержания из вылетающих лицо нового человека означает, что проект персонала уделять больше внимания постоянное поддержание деятельности документации прогресса.

Исследовательский подход

Это исследование было проведено с использованием тренажера комбинированная планирования созданы специально для этих испытаний. Экспериментальных факторов, показателей деятельности и моделирование окружающей среды, описываются ниже.

Планирование Эвристика

Из-за противоречивых доказательств, касающихся планирования лучшие эвристические для использования в среде под следствием, 3 эвристика используется для включения в первую очередь - возможные мероприятия SPDP: первым пришел, первым обслужен (ПСС), кратчайшие активности кратчайшие проекта (SASP), а также минимальное время позднего окончания (MinLFT). Мы выбрали эти правила из-за их хорошую работу и в предыдущих исследованиях. ПСС, часто используется, как правило, планирование базового уровня, но Бокк и Паттерсон (1990) также считает работал также в минимизации проекта среднего течения времени. Дэвис и Паттерсон (1975) нашли MinLFT свою эффективность в минимизации времени завершения проекта для одной задачи проекта. SASP правило выполняется также в сведении к минимуму задержки завершения проекта (Kurtulus

Прерывания связанные политики в области распределения ресурсов

Прерывания человека, связанных с политикой распределения ресурсов (прерываний политики) имеют две составляющие. Первого компонента, прерывания правило, определяет деятельность которых упредить. Второй компонент, правила перевода ресурсов (правила перевода), уступает ресурсов перезагрузить вытеснен деятельности. Четыре преимущественного правила и 3 правила назначений объединяются в 12 полном политики прерывания (см. Таблицу 1).

Чтобы дать читателю лучше понять их действия, ближайший количество требуемых ресурсов, первый (CNRR) и правила преимущественного AnyAvail подробно описаны. Для правило преимущественного CNRR, список хранится в незавершенном деятельности SPDP. Этот список сортируется первых, чтобы те, с наименьшим количеством ресурсов находятся в верхней части списка. В рамках такого рода, второй подобного не происходит на основании приказа, в котором начали деятельность так, чтобы в рамках каждой категории видов деятельности, требующих такое же количество ресурсов, которые начали раньше, находятся в верхней части списка. После прерывания в незавершенном SPDP деятельности не требуется, этот список искали сверху до деятельности установлено, что по крайней мере количество необходимых ресурсов, что позволит обеспечить наиболее недавно начали деятельность с ближайшими количество ресурсов. Цель этого правила состоит в максимизации использования ресурсов путем сведения к минимуму количества ресурсов бездействовали по прерываний.

Для правила перевода AnyAvail, когда ранее выгруженные деятельности доступен для повторной активации в соответствии с графиком эвристический в использовании, а Есть достаточно не-занят ресурсов для начала деятельности, перечень ресурсов для тех, кто искал имеющихся ресурсов. Первый набор ресурсов обнаружили, что не занят относятся к перезагрузке деятельности.

Обучение Цены

Для того, чтобы отслеживать чувствительность LFR цикла курсу обучения, эти традиционные Райт (1936) модель обучения ставки используются: 70%, 80% и 90%. Трудоемких знаний работника среды, такие как R

Сохранение работы мультипликаторов

Для того, чтобы проверить чувствительность модель обучения работе удержания множитель, 4 уровня множителя использованы: ноль, один четверть (25%), одна половина (50%), а три четверти (75%).

Меры Расписание производительности

Данное исследование рассматривает влияние LFR цикл воздействия на два комбинированная показатели: (1) среднего течения времени для завершения ряда проектов и (2) означает уровень использования ресурсов в течение моделирования. Как отметил Колесник и Кларка (1992), два препятствия для хорошей производительности развития продукта длительного времени проекта (расход времени), а чрезмерные персонала (использования). Среднего течения времени адреса первого вопроса, непосредственно и адреса второй косвенно, в том, что рано текущих проектов завершить раньше ресурсов из этих проектов были доступны для других работ.

Моделирование окружающей среды

Это исследование имитирует хорошо управляемого проекта среду, в которой три стандартных приоритетных проектов развития (SPDPs) ведутся во все времена, а также различное число прибывающих случайно первоочередное обслуживание проектов (HPMPs). Рисунок 4 дает графическое изображение окружающей среды за отрезок времени. SPDPs прибыть динамично, но выпущен под управлением контроля только в существующие проекты полной, для поддержания номинального человека коэффициент использования ресурсов в 85%. HPMPs приходят случайно в соответствии с экспоненциальным распределением и должны быть назначены ресурсы, немедленно. Экспоненциального распределения был использован для создания HPMP interarrival раз потому, что его "памяти" свойство делает его особенно хорошо подходит для представления interarrival раз в имитационных экспериментов (закон

В данном конкретном эксперименте моделирование, номинальный коэффициент использования ресурсов в 85% была достигнута с помощью набора из 31 человек в одной категории ресурсов знаний работника. Этот коэффициент использования 85% был выбран потому, что она ограничивает ресурсы, до точки, в которой они не являются сдерживающим нереально. Если ресурсы не являются сдерживающим упреждение никогда не требуется, а тот факт, что ресурсы, сдерживает приводит к практике прерываний с целью высвобождения ресурсов для проектов по оказанию чрезвычайной высокого приоритета.

Комбинированная симулятор была написана специально для этого исследования в "C" Это время непрерывной, дискретной мероприятия симулятор, используя список SIMLIB событие программного обеспечения для управления от права и Келтон (1991).

Проект Сети

Чтобы быть последовательными в значительной части предыдущих исследований, все проекты были использованы, отобранных из Паттерсон (1984) создан набор 110 проектов. За два различных типов проектов, два критерия для выбора проектов из множества Паттерсон: критическое время пути и ряд мероприятий. Все SPDPs имеют критический путь раз по меньшей мере 29 периодов времени и состоят от 22 до 51 мероприятий. Эти критерии дали 46 проектов с длинной продолжительности, в комплект Паттерсон. Означает критическое время пути и среднее число действий в отношении этих 46 SPDPs являются 40,2 и 31,5 периоды деятельности, соответственно. В дополнение к сложности предоставляемых постоянное присутствие трех активных SPDPs в то время, были также, в среднем, число параллельных путей активного через три SPDPs, о чем свидетельствует средний коэффициент сложности сети 1,5 для 46 SPDPs . Сеть сложности (Паско, 1965) представляет собой отношение числа дуг с узлами в деятельности-на-узел описание проекта сети.

Все HPMPs имеют критический путь времена 14 периодов или менее и состоять от 7 до 23 мероприятий. Означает критическое время пути и среднее число мероприятий по 6 HPMPs используются 9,5 и 14,0 периоды деятельности, соответственно. Средняя сложность сетей для проектов HPMP был 1,32. HPMPs были выбраны таким образом, чтобы непринужденно критическая длительность путь длинный HPMP короче кратчайшие SPDP. Таким образом, Существуют как простые (короткий срок) и сложные (длинная продолжительность) HPMPs. HPMPs представляют шесть проектов кратчайший срок.

Вопросы исследования и опытно-конструкторских

Это исследование состоит из двух экспериментов, которые вместе ответить на следующие вопросы исследования:

1. Являются ли последствия LFR цикла статистически и материально существенным, когда разрешены прерывания?

2. Если последствия LFR цикла являются значительными, есть преимущественное политики, которые могут смягчить эти последствия?

Эти вопросы возникают в связи с точки зрения исследования предложения, изложенные в первом разделе этого документа. В каждом эксперименте используется многофакторная, факторный, рандомизированных полных блоков. Данные о потоке времени и меры использования производительности были собраны для каждого опыта.

4 экспериментальных факторов Эксперимент 1: планирование эвристический упреждение правило, скорость обучения, удержания и работы множитель (табл. 2). Есть 192 клеток (3 х 4 х 4 х 4) и в эксперименте 1. Тридцать случайных были взяты образцы для каждой ячейки, чтобы обеспечить статистической значимости полученных результатов. Каждый из 5760 (192 x 30) Моделирование проводилось до 250 SPDPs завершена, и поток времени и означает использование ресурсов меры были захвачены для каждой симуляции.

Только AnyAvail правила перевода используется в сочетании с каждой из преимущественного правила в первом эксперименте, так как использование какого-либо из других правил перевода будет бессмысленным, если LFR эффекты существенно не значительны. Если оба LFR и последствия прерывания правило, значительно, то второй эксперимент, чтобы определить, если эффект перераспределения правило, значительные, а также изучение взаимодействия между переводе и исполнении преимущественного правила.

Есть пять экспериментальных факторов в эксперименте 2: планирование эвристический упреждение правило, правило перевода ресурсов, скорость обучения и работы удержания множитель (табл. 3), в результате чего 432 клеток (3 х 4 х 3 х 3 х 4), с 30 случайных образцов в камере. Каждый из 12960 моделирование проводилось до 250 SPDPs завершена, и поток времени и средние показатели использования ресурсов были захвачены в плен.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ ЭКСПЕРИМЕНТ ПО 1

Дисперсионный анализ (ANOVA) было проведено как для среднего течения времени, и означает использование ресурсов в связи с вопросом, действительно ли LFR цикла дали существенно отличается производительность. Выводы по каждому показатели деятельности представлены ниже. (См. Приложение для частных таблицы ANOVA для эксперимента один эксперимент и 2.)

Выводы: Эксперимент 1-среднего течения времени Показатели деятельности

Так как модель (Flow время = обучения Планирование Эвристический Преемпшен Правило работы Сохранение тиражирования) имеет важное значение, разница примерно постоянной, а остатки распределяются примерно как правило, важные результаты этого запуска ANOVA являются эффекты взаимодействия. Тем не менее, цель эксперимента 1 сводится к определению, если последствия LFR цикла значительные, и поэтому только против изучения взаимодействия преимущественного правила будут рассматриваться здесь. Остальные значимых взаимодействий рассматриваются в более широком анализе эксперимента 2.

Обучение против прерывания Правило

Как показано на рисунке 5, эффекты LFR цикла являются статистически и существенно важное значение для всех трех обучения ставки (70%, 80% и 90%), и за все четыре правила прерываний. Разница между нижней линией и верхней набор линий показывает, занижение в проекте потока раз, если эффекты LFR цикла, игнорируются во время комбинированная планирования. Более того, выбор преимущественного правило имеет решающее значение, когда разрешены прерывания, из-за этих эффектов LFR цикла. Нижняя линия на рисунке 5 видно, что при LFR эффекты игнорируются различия в среднем раз поток существенно не значительны. Таким образом, если обучение эффекты не были значительными, выбор преимущественного правило было бы особого значения материала.

Первая группа линий на рисунке 5 представлены две важные результаты. Во-первых, когда эффекты LFR цикла признал, выбор преимущественного правила материально значительным. Во-вторых, все три положительных условий обучения (70%, 80%, или 90%) дают такую же производительность.

Потому что эффекты LFR цикла являются статистически значительным и существенно важно, чтобы выбрали политику преимущественного мудро. Выбор между MaxSlack / AnyAvail и MinProg / AnyAvail существенно не значительное, но исполнение какого-либо из этих стратегий является существенно лучше, чем политики или Random (Случайное / AnyAvail) или 1 в зависимости от количества ресурсов, необходимых (CNRR / AnyAvail) . MaxSlack / AnyAvail и MinProg / AnyAvail делать самой, чтобы смягчить последствия цикла LFR и штрафов.

Аналогичные показатели по CNRR и случайных благодаря их реализации. Для CNRR правило, в незавершенном деятельности сортируются по первому прерываний на количество ресурсов и в том, что на первой активации первой прерванным основе. Первый активации первого прерванным эвристический эквивалентно максимального прогресса в первом (MaxProg) правила, так что напротив верхней правило MinProg. Для правило Random, когда прерываний не требуется, первый деятельности в случайно отсортированы в незавершенном список, по крайней мере количество необходимых ресурсов, отобранных для прерываний. Эта реализация может работать очень похож на один, в котором в - прогресс список первых отсортирован по количеству ресурсов (как и для CNRR), а затем случайно в рамках имеющихся ресурсов номер. Таким образом, представляется обоснованным, что случайные и CNRR имеют сходные профили производительности, так как количество ресурсов в использовании решение фактором для правил.

Выводы: Эксперимент 1-Среднее использование ресурсов Показатели деятельности

Для этого второй показатель деятельности, модели (среднее значение использования ресурсов Rate = обучения Планирование Эвристический Преемпшен Правило работы Сохранение тиражирования) является существенным, разница примерно постоянной и остатков распределены приблизительно нормально. Так снова, важные результаты запуска ANOVA являются эффекты взаимодействия, и только против изучения взаимодействия преимущественного правило рассматривается здесь.

Обучение против прерывания Правило

Первое замечание об обучении против прерывания правило мера использования ресурсов, что результаты этого взаимодействия (рис. 6), значительно отличаются от тех, для измерения потока времени (рис. 5). Для эксперимента 1, каждое правило преимущественного в паре только с перераспределением ресурсов AnyAvail правило, приносит следующие результаты по выполнению мер использования ресурсов. MinProg / AnyAvail преимущественного политика не лучшим на смягчение последствий LFR цикла. Когда MinProg / AnyAvail используется политика, нет существенной разницы между не-обучения предположения и предположения цикл обучения последствия для всех трех положительных обучения ставок. Когда один из CNRR / AnyAvail или случайном порядке / AnyAvail политики преимущественного использования и изучения эффектов цикла игнорируются, цены на использование ресурсов будет завышена, и они будут завышены, когда большинство CNRR / AnyAvail используется.

MaxSlack / AnyAvail преимущественного политика, очевидно, лучший исполнитель на 4 политику испытания в эксперименте 1. Особенно важным выводом является то, что, если это прерываний используется политика и обучение эффекты будут игнорироваться, то использование ресурсов занижены. Также ясно, как для использования ресурсов и мер потока времени исполнения, что, когда LFR эффекты цикла принимаются во внимание решение преимущественного правило надежной по отношению к уровню скорость обучения.

Резюме: Эксперимент 1 воздействию Выводы-LFR цикла

Основной вывод из эксперимента 1 результатов является то, что для течения времени и средней интенсивности использования мер исполнения, последствия LFR цикла являются статистически значительным и материально, и должны быть приняты во внимание при прерываний. Это означает, что выбор преимущественного политика существенным, когда разрешены прерывания, как для определения завершения проекта время и для определения фактических коэффициентов использования ресурсов.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ ЭКСПЕРИМЕНТ ПО 2

Цель эксперимента 2 заключается в определении преимущественного политики и планирования эвристики, что лучшие смягчения последствий прерывания, учитывая, что цикл LFR существенно влияет на производительность. Дисперсионный анализ результатов представлены ниже для обоих индикаторов результативности.

Выводы: Эксперимент 2-Flow время показатели деятельности

Модели (Flow время = Планирование Эвристический Преемпшен Правило Правило обучения смене работы Сохранение тиражирования) и все экспериментальные факторы имеют важное значение для измерения времени потока в несколько двусторонних и трехсторонних взаимодействий (См. Приложение к степени значимости ). Разница примерно постоянной и остатков распределены приблизительно нормально. Каждый из значительных последствий взаимодействия интерес рассматривается ниже.

несколько диапазоне Дункан испытания studentized полигоне Тьюки, и T Bonferroni Тест проводился для каждого из уровней всех экспериментальных факторов на 0,05 уровень значимости для определения различий в эффективности между различными уровнями каждого из факторов. Следующие результаты справедливы:

3 планирование эвристики: ПСС, SASP, и выполнить все MinLFT статистически значимо по-разному одна от другой.

4 правила преимущественного выполнения статистически разному один от другого.

3 правила перевода выполнить статистически разному один от другого.

3 номера обучения выполнить статистически значимо по-разному одна от другой.

4 работы мультипликаторов удержания выполнить статистически разному один от другого.

Прерывания Правило Правило против назначений

Преимущественного правила MaxSlack и MinProg доминируют два других правила для всех трех назначений правила (рис. 7). И в то время как такое же правило работает лучше назначений для CNRR и правила случайного прерывания, он выполняет худшем самые эффективные правила упреждения MaxSlack и MinProg. За две лучшие правила упреждения MaxSlack и MinProg, правила перевода на Ближнем и AnyAvail работают лучше и в материальном же, что свидетельствует о выборе одного из этих двух правил перевода является несущественным для лучшего два правила прерываний.

Правило против прерывания работы Сохранение тиражирования

Не только MaxSlack и правила преимущественного MinProg доминировать производительности, они страдают гораздо меньше по работе удержания мультипликатор, чем CNRR и случайных прерываний правил (рис. 8). Так MaxSlack и MinProg не только наилучшим образом смягчить последствия LFR цикла для выполнения измерения времени поток, они также лучше смягчить требования для поддержания высокого уровня документации, помощь в работе передачи содержания случайно происходит прерывания.

Передача Правило против обучения Оценить

Ни одна, ни Рядом AnyAvail зависят от скорости обучения (рис. 9). То же правило перевода зависит от скорости обучения, а также обучение в окружающей среде возрастает (обучение уменьшается процентная ставка), выполнение этого ухудшается перераспределения власти. Это означает, что же является особенно бедных исполнителя. Тем не менее, даже для такого же правила перевода, разница в показателях эффективности обучения не является материальной.

Прерывания политики (Преемпшен Правило плюс смене Правило) против расписания Эвристический

Выполнения прерываний политики диапазоне от у CNRR / AnyAvail, что и лучший исполнитель, MaxSlack / Возле (рис. 10). Этот рейтинг имеет место для всех трех планирования эвристики. MinLFT и SASP доминировать ПСС, хотя это доминирование лишь материал для лучшего выполнения 4 политику преимущественного: MinProg / AnyAvail, MaxSlack / AnyAvail, MinProg / Ближнего и MaxSlack / Рядом.

Существует нет существенной разницы в производительности для топ-4 прерывания выполнения политики, тогда как выбор планирования эвристический использовать эти четыре самые эффективные политики прерывания материала. Выбор между MinLFT и SASP не имеет значения, но РСР эвристический является плохим исполнителем, когда совместно с любым из 4 лучших политики прерываний.

Второй конфигурации для прерывания против политики планирования эвристический взаимодействия открывает дополнительные выводы (рис. 11). MaxSlack и правила MinProg прерывания всегда доминируют в исполнении CNRR и Random. Кроме того, для всех трех эвристики планирования, исполнения MinProg только существенно отличается от MaxSlack когда они оба находятся в сочетании с тем же правилом перевода. При любом из этих правил преимущественного используются в самых эффективных назначений правил и сроков эвристики, их производительность существенно то же самое.

Прерывания политики (Преемпшен Правило плюс смене Правило) против обучения Оценить

На рисунке 12 показана же относительного ранжирования преимущественного политики как показано на рисунке 10. Этот показатель также свидетельствует о том, что обучение процентная ставка только делает разницы, когда CNRR или случайного использования с тем же правилом перевода.

Прерывания политики (Правило Преемпшен / Передача Правило) против работы Сохранение тиражирования

Как ожидается, работы удержания множитель не имеет никакого значения, когда же правило применяется назначений (рис. 13), поскольку нет ресурсов замены через период прерывания с этим перераспределение власти. Однако, когда худшее выполнение политики преимущественного использования (CNRR и случайных), работа удержания множитель материальных последствий. 4 самые эффективные политики прерывания (MinProg / AnyAvail, MaxSlack / AnyAvail, MinProg и Ближнего и MaxSlack / Возле) лучшем случае лишь смягчить последствия работы передачи контента, когда персонал они могут меняться по активности прерываний. Это особенно важно, так как производительность потока превосходит время, когда персонал замена позволила через Ближний и AnyAvail правил.

Выводы: Эксперимент 2-Среднее использование ресурсов Показатели деятельности

ANOVA следующие результаты справедливы для эксперимента 2, для средних критерии использования ресурсов: модели (среднее значение использования ресурсов Rate = Планирование Эвристический Преемпшен Правило Правило обучения смене работы Сохранение тиражирования) является значительной, и все факторы, кроме экспериментального обучения является значительным (см. Приложение для частичного таблице ANOVA), разница примерно постоянной, а также остатков распределены приблизительно нормально. Дополнительные испытания были проведены, чтобы определить следующие результаты:

3 эвристики планирования ПСС, SASP, а также выполнить все MinLFT статистически значимо по-разному одна от другой.

4 правила преимущественного выполнения статистически разному один от другого.

3 правила перевода выполнить статистически разному один от другого.

4 работы мультипликаторов удержания выполнить статистически разному один от другого.

Что как минимум 30 репликаций в камере, 3 обучения ставки не выполнить статистически разному друг от друга по мере использования средней производительности ресурсов.

Для выполнения мер использование ресурсов, интересных значительных результатов взаимодействия представлены ниже.

Прерывания Правило Правило против назначений

Сравнение этого взаимодействия для мерой использования ресурсов (рис. 14), что и для измерения потока времени (рис. 7) показывает, что характеристики преимущественного политики испытания очень различны для двух показателей деятельности. Тем не менее, Существуют важные сходства. Для использования ресурсов, правила преимущественного MaxSlack доминирует и использования ресурсов является самым высоким, когда MaxSlack используется либо AnyAvail или Ближнего перераспределения власти. MinProg приходит в материал для второго MaxSlack и CNRR явно худшим выполнения правила. Выступления назначений правил AnyAvail и Ближнего материально равнодушным, и обе превосходят же для всех четырех правил прерываний. То же правило перевода осуществляет материально же при использовании либо MinProg, CNRR или Random.

Правило против прерывания работы Сохранение тиражирования

MaxSlack доминирует (рис. 15) и выполняет CNRR худшему. Важнее всего, однако, является то, что, как и для измерения потока времени, и MaxSlack MinProg наименее пострадавших в результате работы сохранение множитель для использования меры.

Прерывания политики (Преемпшен Правило плюс смене Правило) против расписания Эвристический

При этом взаимодействие рассматривается (рис. 16) для использования меры, аналогичные, но не идентичны рейтинга политики прерываний происходит как измерять расход времени (рис. 10). Для использования ресурсов, худшее выполнение политики какой-либо из CNRR, случайное или MinProg преимущественного правила в паре с тем же правилом перевода. Этот результат справедлив для всех трех эвристики планирования.

Самые эффективные политики имеют преимущественное MaxSlack либо в сочетании с AnyAvail или на Ближнем и эти политические комбинации лучше ни с MinLFT или эвристических SASP планирования. Хотя MaxSlack / AnyAvail и MaxSlack / Возле политика не отличается и MinProg / AnyAvail и MinProg / Возле политика существенно не отличается, 2 MaxSlack политики лучше, чем соответствующая политика MinProg 2. Как и в случае измерения потока времени, MaxSlack и правила преимущественного MinProg совокупности с любой AnyAvail или почти материально лучше, чем все другие политики прерываний. Кроме того, MinLFT и SASP доминируют эвристические ПСС для всех прерываний политики. Разница в производительности между MinLFT SASP и не имеет никакого материала следствие, особенно за лучшее исполнение политики прерываний.

Прерывания политики (Преемпшен Правило плюс смене Правило) против работы Сохранение тиражирования

Работы удержания множитель только следствие (рис. 17), когда политики CNRR и случайных прерываний в паре с AnyAvail или почти используются. Что касается производительности потока времени меры, самые эффективные политики MaxSlack и MinProg, в паре с AnyAvail или почти, не самое для смягчения последствий работы мультипликатора для удержания мерой использования ресурсов.

Резюме Эксперимент 2

В Таблице 4 приведены основные выводы по двум показатели для данного исследования. Особый интерес в том, что, хотя отдельные диаграммы об исполнении бюджета за два важных мер, производительность среды разработки совершенно разные, общие результаты и рекомендации находятся в полном согласии.

Для выполнения измерения времени поток, MaxSlack и MinProg либо в сочетании с AnyAvail или почти назначений правила работают лучше и в материальном же. Для использования ресурсов, MaxSlack, либо AnyAvail или вблизи превосходит MinProg с AnyAvail или рядом. Тем не менее, MinProg является второй по использованию ресурсов, что его производительность отстает от MaxSlack менее чем на 2 процента точки использования.

С точки зрения чувствительности к работе удержания множитель, представляющий собой необходимость поддерживать постоянную документации ходе деятельности, любые прерывания политики хорошо работает до тех пор, как она сочетается с той же политики перераспределения, поскольку отсутствует кадровая перестановка через период прерывания с этим перераспределение политики. Однако, используя два самых эффективных политики перераспределения AnyAvail и близких, лучше всего, если они сочетаются с 2 самые эффективные политики преимущественного из MaxSlack и MinProg. Эти прерывания политики лучшем случае лишь смягчить необходимость постоянного прогресса документации для исполнения мер.

Для уровень чувствительности, обучение, различия в спектаклях у 70%, 80% и 90% обучения цены на показатели деятельности использование ресурсов не являются статистически значимыми, даже с 30 репликаций в экспериментальной камере, так что нет существенной разницы в обучении номера Для этого показатели деятельности. Для выполнения измерения времени поток, MinProg и MaxSlack совместно с AnyAvail или почти наименее осуществляется скорость обучения окружающей среды, и с CNRR То же самое осуществляется путем изучения курса. Кроме того, при CNRR / То же используется, тем меньше процентная ставка обучения (тем более обучения в окружающей среде) хуже, производительность этой политики.

Выбор планирования эвристический имеет решающее значение как для течения времени и ресурсов критериям производительности при использовании прерываний. Хотя два планирования эвристики в SASP и MinLFT выполнить материально же, оба они доминируют в исполнении правило ПСС для исполнения мер.

Таким образом, для планирования и критерии, MaxSlack и MinProg в сочетании с AnyAvail или почти лучшие исполнители, и эти комбинации являются одними из наименее пострадавших в результате работы сохранение мультипликатора и скорость обучения окружающей среды.

Выводы и будущие исследования

Основной вывод, что эффекты LFR цикла большое значение для обоих течения времени и средней меры использования ресурсов производительности. Кроме того, в последующие - на разведочные поиска для смягчения эвристики добиться существенных результатов для комбинированная окружающей среды.

В частности, когда разрешены прерывания, MaxSlack и правила преимущественного MinProg явно лучше для обеих показатели при использовании в сочетании с любым Ближнего и правила AnyAvail назначений. Этот результат, в сочетании с простотой использования правила MinProg прерываний и верховенства AnyAvail назначений, могут сделать это комбинированный политики 1 рекомендовать для быстрого принятия решений на случайно происходящие события проекта прерывания деятельности. Поскольку в настоящее время продолжительность деятельность более чем легко отслеживать активность слабину, то имеет смысл, чтобы упредить те мероприятия, которые были в ходе кратчайший промежуток времени.

Худшем выполнения правило прерывания CNRR. Кроме того, при CNRR используется вместе с тем же правилом перевода, его эффективность зависит от скорости обучения окружающей среды для измерения времени потока. Она выполняет хуже высоких образовательных ситуаций, в которых обучение процентная ставка находится ближе всего к 70%. Когда CNRR используется вместе с AnyAvail либо территории или вблизи от его работы зависит от работы удержания множитель, и производительность снижается как показатели эффективности работы удержания уменьшается к нулю.

Деятельность вытеснен с использованием либо MinProg или MaxSlack должен быть перезапущен с использованием либо Рядом или правил AnyAvail ресурсов назначений. Прервано деятельности должен быть перезапущен как можно скорее с помощью любого подходящего имеющихся ресурсов. Это не имеет смысла ждать, пока оригинальные ресурсы снова доступны, если правила преимущественного либо MaxSlack или MinProg.

Включение изучения курса в качестве экспериментальных фактор позволил определение чувствительности этой характеристики. Результаты показывают, что скорость обучения окружающей среды не имеет последствий для материала LFR цикла эффектов в интервале г = 70 до 90% при оптимальной политики преимущественного использования.

Включение работы удержания мультипликатор экспериментальных фактор позволил испытания экспериментальных результатов по чувствительности к сумме постоянной документации сохраняются, когда персонал передача происходит через период прерываний. Эта чувствительность установлено, что самые эффективные политики преимущественного также самые лучшие на смягчение последствий более низких уровней активности документации прогресса. Это важно, поскольку это слишком дорого, чтобы поддерживать на высоком уровне активности документации прогресса в течение всего времени развития процесса.

Некоторые направления исследований предложил по результатам этой исследовательской. Первый будет вернуться к предыдущей исследований с участием прерываний, в котором эффекты LFR цикла были проигнорированы, чтобы подтвердить результаты этого исследования. Во-вторых, анализ чувствительности, должны быть выполнены в связи с текущим результатом в отношении различных экологических переменных, в том числе скорость прибытия высокотехнологичных проектов приоритетного обслуживания и ограничений, связанных с ограниченными ресурсами. Третье направление для дальнейших исследований является определение взаимосвязи между проблемой характеристики, как измеряется сводных показателей, проблемы структуры и выполнения правил принятия решений для планирования и прерываний. Наконец, изучение дополнительных аспектов основанные на времени обучения в рамках проектов может привести к повышению производительности труда в различных проектах, включая такие подходы, как стратегического назначения продукта и процесса развития персонала, с тем чтобы построить организационную ключевые компетенции. [В редакцию: 20 мая 1996. Принято: 26 марта 1998.]

Ссылки

Alchian, А. (1963). Надежность ходе кривых в производстве воздушных рамки. Эконометрика, 31 (4), 679-693.

Аш, Р. C. (1995). Обучение, забывая, и переучивания цикла эффектов с ограниченными ресурсами комбинированная расписания с прерываниями. Неопубликованные докторской диссертации, Arizona State University, Темпе, Аризона.

Бок, Д.,

Боуэн, H. К. Кларк, К. Б., Холлоуэй, К. А.,

Экономическая теория, 4, 72-81.

Карлсон, J. Г.,

Кларк, А. Б.,

Купер, Д. F. (1976). Эвристика для планирования с ограниченными ресурсами проекты: экспериментальные исследования. Управление науки, 22 (11), 1186-1194. Дэвис, Е. В. (1973). Проект планирования при ограниченных ресурсах-исторический

обзора и классификации процедур. AIIE Сделки, 5 (4), 297-313. Дэвис, Е. В. (1975). Проект сети сводных показателей ограниченными ресурсами планирования. AIIE Сделки, 7 (2), 132-142.

Дэвис, Е. В.,

Demeulemeester Е.,

Дюмон, J.,

Globerson, С. (1980). Влияние работы связанные переменные на предсказуемость силы три обучение моделей. AIIE Сделки, 12 (1), 64-69. Globerson, С. Левин, Н.,

Kurtulus, И. С. (1985). Комбинированная планирования: Анализ планирования стратегии в неравных наказания задержки. Журнал операционного менеджмента, 5 (3), 291-307.

Kurtulus, И. С.,

Леви, Ф. К. Томпсон, Г. Л.,

Невисон, J. M. (1994). До скорость: Стоимость обучения на белых воротничков проекта.

Управление проектами Journal, 25 (2), 11-15.

Падман Р., Смит-Дэниелс, Д. Е.,

Паско, Т. Л. (1965). Экспериментальное сравнение эвристических методов распределения ресурсов. Неопубликованные докторской диссертации, Кембриджский университет. Паттерсон, J. H. (1976). Проект расписания: последствия проблемы структуры на эвристических производительности. Логистика Naval Research Quarterly, 23 (1), 95-123. Паттерсон, J. H. (1984). Сравнение точных подходов к решению многочисленных ограниченные ресурсы, задачей календарного планирования. Управление науки, 30 (7), 854-867.

Прицкер, А. Б., Уоттерс, Л. J.,

Sahal, D. (1979). Теория прогресса функций. AIIE Сделки, LL (1), 23-29. Shtub, A. (1991). Планирование программ с повторяющимися проектами. Проект человек

менеджмент Journal, 22 (4), 49-53.

Smunt, Т. Л. (1986). Сравнение кривой обучения анализа и скользящей средней анализ соотношения для подробного оперативного планирования. Решение наук, 17 (4), 475-494.

Талбот, F. B. (1976). Целочисленного программирования алгоритм с ограниченными ресурсами проблема планирования проекта. Неопубликованные докторской диссертации, университет штата Пенсильвания, State College, Пенсильвания. Теплица, C. J.,

Колесник, С. C.,

Райт, Т. П. (1936). Факторы, влияющие на стоимость самолетов. Журнал авиационной науки, 3 (4), 112-128.

Yelle, Л. Е. (1979). Обучение: Исторический обзор и всесторонний обзор. Decision Sciences, 10, 302-328.

Роберт Эш

Департамент по предпринимательству, Колледж бизнеса и экономики, Университет Айдахо, Москва, ID 83844-3161, <a href="mailto:bobash@uidaho.edu"> bobash@uidaho.edu </ A>

Дуайт Е. Смит-Дэниелс

Департамент по вопросам управления, Колледж бизнеса, Университет штата Аризона, Темпе, AZ 85287-4006, <a href="mailto:dwight.smith-daniels@asu.edu"> dwight.smith-Дэниелс @ asu.edu </ A>

Роберт Эш C. доцент кафедры инженерного менеджмента в Колледже бизнеса и экономики в Университете Айдахо. Прежде чем зарабатывать кандидат в бизнесе в университете штата Аризона, д-р Эш получил 18 лет развития продукта и опыта управления проектами работают такие фирмы как Rockwell International, TRW, и American Express. Его учение и научно-исследовательские интересы лежат в области управления операциями, управления проектами, разработки новых продуктов и моделирование. Он является членом Института Decision Sciences, сообщает, Poms, ASEM и APICS.

Дуайт Е. Смит-Дэниелс является адъюнкт-профессор по управлению операциями в университете штата Аризона. Его основной научной и преподавательской интересы лежат в области управления операциями, управления проектами, а также новый продукт / процесс развития. Он получил бакалавра в области делового администрирования в Университете штата Мичиган и степень доктора философии в области делового администрирования в Университете штата Аризона.

Его исследования появилась в журнале операционного менеджмента, решение наук, Европейский журнал по исследованию операций, ИМО Сделки, Naval Research логистика, производство и управление запасами. Д-р Смит - Дэниелс является членом Института Decision Sciences, сообщает, Poms и Project Management Institute.