Ein verbessertes mehrzieliges animiertes Hafer-Optimierungsverfahren für die organisationsplanung von ressourcenbeschränkten Bauprojekten

Warum Bauzeitpläne schlauere Planung brauchen

Wenn in einer dicht bebauten Stadt ein neuer Wohnblock oder eine Wohnanlage entsteht, kann eine falsche Zeitplanung zu explodierenden Kosten, einer Woche Leerlauf und in der nächsten Woche Personalengpässen sowie verärgerten künftigen Bewohnern führen. Diese Arbeit stellt eine neue rechnergestützte Planungsmethode vor, die Bauablaufplanung als ein komplexes Puzzle mit vielen Zielkonflikten behandelt – wie lange das Projekt dauert, wieviel es kostet und wie gleichmäßig die Arbeitskräfte eingesetzt werden – und zeigt, wie ein von der Natur inspiriertes Verfahren bessere Lösungen finden kann als heutige Werkzeuge.

Großstadtprojekte, verknäulte Ziele

Moderne Bauprojekte müssen mehrere Ziele gleichzeitig in Einklang bringen. Investoren wollen Gebäude schnell fertigstellen, um Einnahmen zu erzielen. Auftragnehmer müssen die Kosten niedrig halten, um rentabel zu bleiben. Bauleiter müssen die Teams beschäftigt, aber nicht überlastet halten und dabei Beschränkungen der täglich verfügbaren Arbeitskräfte berücksichtigen. Traditionelle Planungsmethoden, wie handgezeichnete Gantt-Diagramme oder einfache Softwareregeln, behandeln oft nur ein Ziel – typischerweise die Gesamtdauer – und stützen sich stark auf Erfahrung. Bei komplexen innerstädtischen Projekten mit engen Fristen und begrenzter Arbeitskraft kann das zu Verzögerungen, Kostenüberschreitungen und chaotischen Schwankungen im Personalbedarf von Tag zu Tag führen.

Lernen von rollenden Samen

Die Studie baut auf einer vergleichsweise neuen „bioinspirierten“ Optimierungsmethode namens Animated Oat Optimization auf, die das Rollen und Katapultieren von wilden Haferkörnern nachahmt, wenn sie auf dem Boden nach geeigneten Keimplätzen suchen. In der ursprünglichen Version wurde dieses Verhalten zur Lösung einfacher Einzelzielprobleme eingesetzt: Die Samen streunen zunächst weit herum (Exploration) und verfestigen sich dann in vielversprechenden Bereichen (Feinabstimmung). Die Autoren erweitern diese Idee so, dass sie mehrere Ziele gleichzeitig verarbeiten kann, und schaffen damit den Multi-Objective Animated Oat Optimization-Algorithmus, kurz MOAOO. Statt nach einer einzigen „besten“ Antwort zu suchen, findet die Methode eine Familie von Zeitplänen, die Zeit, Kosten und Gleichmäßigkeit des Personaleinsatzes unterschiedlich gewichten.

Wie Bauprojekte in ein Suchproblem verwandelt werden

Um die Methode anzuwenden, übersetzen die Forscher zunächst ein reales kleines Wohnbauprojekt in Chengdu, China, in ein mathematisches Modell. Jede Bauaufgabe – etwa Erdarbeiten, Fundamente, Tragwerksarbeiten und Montage von Ausrüstung – hat eine Startzeit, eine Dauer und eine zugewiesene Anzahl von Arbeitern. Aufgaben müssen in logischer Reihenfolge erfolgen (Wände kann man nicht vor dem Fundament errichten), und es gibt eine tägliche Obergrenze für die verfügbare Arbeitskraft. Das Modell verfolgt drei Größen: Gesamtdauer des Projekts, Gesamtkosten (hauptsächlich Arbeitskosten plus feste Beträge pro Aufgabe und Überstundengebühren) und wie stark die tägliche Gesamtzahl der auf der Baustelle eingesetzten Arbeiter schwankt. Eine gleichmäßige Personalkurve bedeutet weniger Spitzen und Täler, was bei Einstellung, Ausbildung und Überstunden einfacher ist.

Wie der neue Algorithmus Optionen erkundet

MOAOO setzt eine Population von „Kandidatenplänen“ frei, die jeweils wie ein rollender Samen in einem mehrdimensionalen Raum dargestellt sind. In jeder Rechenrunde werden einige Kandidaten zufällig verschoben, um neue Möglichkeiten zu erkunden, während andere Mustern folgen, die von der Physik rollender und schwingender Samen inspiriert sind – kurze Anpassungen zur lokalen Verbesserung und längere Sprünge, um aus Sackgassen zu entkommen. Gleichzeitig bewahrt die Methode ein sich entwickelndes Gedächtnis besonders guter Pläne, die in keinem der drei Ziele dominiert werden. Diese „Elite“-Kandidaten helfen, die Suche zu lenken. Ein geschichtetes System prüft und korrigiert Verstöße gegen Aufgabenreihenfolge, Zeitplanung und Ressourcenbeschränkungen, und ein eingebauter Monitor stoppt die Suche frühzeitig, sobald Verbesserungen winzig werden, um Rechenzeit zu sparen.

Was die Methode in der Praxis erreicht

Am Beispiel des Wohnprojekts in Chengdu zeigen die Autoren, dass MOAOO schnell eine große Bandbreite an zulässigen Plänen erzeugen kann. In ihren Tests konvergierte der Algorithmus typischerweise nach etwa 118 Rechenrunden. Ein auf reine Schnelligkeit ausgelegter Plan verkürzte die Projektdauer um rund ein Fünftel gegenüber der Basislösung, allerdings zu höheren Kosten. Ein anderer Plan minimierte die Kosten bei akzeptierter längerer Bauzeit. Am auffälligsten war ein Kompromissplan: Er beendete das Projekt in 279 Tagen bei etwa 1,34 Millionen Dollar und reduzierte gleichzeitig die Schwankungen im Personaleinsatz um 72,7 Prozent. Das bedeutet, dass die Teams über die Zeit wesentlich gleichmäßiger eingesetzt werden, was für reale Auftragnehmer attraktiv ist, die Überstundenspitzen und Leerlaufzeiten vermeiden wollen.

Warum das für künftige Bauprojekte wichtig ist

Über den Einzelfall hinaus testete das Team MOAOO an standardisierten mathematischen Benchmark-Problemen und fand, dass es mit oder besser als mehrere bekannte mehrzielige Optimierungsverfahren konkurrieren kann, was auf eine allgemeine Tauglichkeit hinweist. Für den Nichtfachmann lautet die Kernbotschaft: Bauzeitpläne müssen nicht länger starre, manuell abgestimmte Kompromisse sein. Indem die Methode Ideen aus der Bewegung von Samen in der Natur übernimmt, kann der Algorithmus automatisch viele unterschiedliche Pläne vorschlagen, die jeweils Zeit, Geld und Personalkonstanz transparent gegeneinander abwägen. Projektleiter können dann einen Zeitplan wählen, der am besten zu ihren Prioritäten und Zwängen passt, und so städtische Bauprojekte vorhersagbarer, effizienter und widerstandsfähiger machen.

Zitation: Xue, Q., Wu, C., Nie, J. et al. An improved multi-objective animated oat optimization algorithm for resource-constrained construction project organization design. Sci Rep 16, 10239 (2026). https://doi.org/10.1038/s41598-026-39502-7

Schlüsselwörter: Bauablaufplanung, Mehrzieloptimierung, Ressourcenmanagement, bioinspirierte Algorithmen, Projektplanung