Agentgebaseerde simulatie voor multi-resource-beperkte planning van verspreide atypische repetitieve projecten

Waarom het plannen van verspreide projecten zo moeilijk is

Als een telecombedrijf tientallen nieuwe zendmasten door een land uitrolt, of een nutsbedrijf verspreide transformatorstations upgrade, lijkt het werk op papier eenvoudig: vergelijkbare taken herhalen op veel locaties. In de praktijk moeten planners ploegen beheren die lange afstanden rijden, onvoorspelbare vertragingen en strakke deadlines. Traditionele hulpmiddelen zoals spreadsheets en Gantt-diagrammen vatten deze bewegende puzzel vaak niet goed, wat leidt tot onnodige reistijd, werkloze ploegen en projecten die veel langer duren dan verwacht. Dit artikel presenteert een nieuwe computergebaseerde planningsaanpak die ploegen en locaties als digitale “agenten” op een kaart behandelt en laat zien hoe slimmer routeren en plannen deze complexe programma’s drastisch kan verkorten.

Veel kleine klussen, grote logistieke hoofdbrekens

De studie richt zich op wat de auteurs noemen verspreide atypische repetitieve projecten: denk aan meer dan 100 telecommasten verspreid over steden, woestijnen en dorpen, elk met licht verschillende ontwerpen en bouwtijden. De uitdaging is niet alleen beslissen wanneer elke locatie te starten, maar ook welke aannemer welke locatie moet verzorgen, in welke volgorde, en hoe ploegen continu aan het werk te houden in plaats van in vrachtwagens te zitten of op papierwerk te wachten. Klassieke planningsmethoden zoals de Critical Path Method of Line of Balance werken goed voor rechte snelwegen of identieke appartementenverdiepingen, maar falen wanneer locaties ver uit elkaar liggen, omstandigheden variëren en onverwachte verstoringen — zoals vergunningvertragingen of toegangsproblemen — vaak voorkomen.

Ploegen en locaties als digitale actoren

Om dit aan te pakken bouwen de auteurs een agentgebaseerd simulatienmodel gekoppeld aan echte geografische gegevens. Elke bouwlocatie is een softwareagent met zijn eigen locatie, type (bijvoorbeeld een nieuwe mast op open terrein versus apparatuur toegevoegd aan een bestaande constructie) en verwachte duur. Elke aannemer is een andere agent, gedefinieerd door waar zijn ploegen starten, welke types locaties ze mogen bouwen en hoeveel taken ze tegelijk kunnen uitvoeren. Deze agenten “leven” in een op kaart gebaseerd omgeving en volgen simpele regels: wanneer een ploeg een locatie afrondt, zoekt deze de dichtstbijzijnde onafgewerkte locatie waarop hij mag werken en rijdt daarheen. Het model voegt ook willekeurige vertragingen toe om weersomstandigheden, vergunningen of leveringsproblemen te weerspiegelen, zodat elke simulatie-run een iets andere maar realistische projectgeschiedenis oplevert.

Slim zoeken bovenop simulatie

Aangezien er veel manieren zijn om tientallen locaties aan meerdere aannemers toe te wijzen, voegen de onderzoekers een optimalisatielaag toe geïnspireerd door biologische evolutie. De computer genereert veel alternatieve toewijzingspatronen — verschillende manieren om de locaties onder aannemers te verdelen — en voor elk patroon draait hij de simulatie herhaaldelijk om te zien hoe lang het gehele programma duurt. In vele cycli houdt het de beter presterende patronen en mengt die om nieuwe te creëren, en komt zo geleidelijk bij ploeg–locatie-combinaties en routeringspatronen die sneller opleveren. Onderweg registreert het model automatisch prestatiematen zoals hoeveel tijd elke ploeg aan reizen besteedt, hoe vaak ze inactief zijn en hoe intensief ze worden benut.

Reële telecomuitrol als proefveld

Het kader is getest op een groot telecomuitrolprogramma in Egypte met 138 mastlocaties van drie hoofdtypes: volledig nieuwe Greenfield-masten, dakterrassystemen en snelle “sharing”-upgrades op bestaande constructies. De auteurs gebruiken daadwerkelijke coördinaten van locaties, aannemersdepots, realistische kalenders en vertragingstatistieken uit projectlogboeken. Ze vergelijken vervolgens hun gesimuleerde schema’s met het oorspronkelijke Excel-plan van het bedrijf, dat ongeveer 100 dagen aannam om het programma te voltooien. Met dezelfde aannemers en veldbeperkingen voltooit de agentgebaseerde aanpak consequent het werk in ongeveer 49–56 dagen over twintig onafhankelijke simulaties, waardoor de gemiddelde duur rond de 54 dagen uitkomt — een reductie van 46 procent. Het model maakt ook duidelijk welke aannemers het meeste reizen, waar nog steeds langeafstandsopdrachten voorkomen en hoe goed ploegen bezig worden gehouden onder verschillende capaciteits- en specialisatiescenario’s.

Wat dit betekent voor toekomstige projecten

Kort gezegd laat de studie zien dat het behandelen van ploegen en locaties als interactieve actoren op een kaart — en het laten verkennen door een computer van vele routerings- en toewijzingsopties onder onzekerheid — een uitgestrekt, verspreid programma aanzienlijk efficiënter kan maken. In plaats van met de hand gemaakte spreadsheets die geografie en willekeur negeren, kunnen planners dit kader gebruiken om “wat als”-scenario’s te testen, te zien hoe reizen en vertragingen door het schema werken en ploegentoewijzingen kiezen die consistent eerder opleveren. Hoewel het huidige model zich op tijd richt en nog geen kosten of brandstofverbruik optimaliseert, suggereert het succes bij een echte telecomuitrol dat agentgebaseerde, kaartbewuste simulatie in combinatie met optimalisatie een praktisch beslissingsinstrument kan worden voor veel soorten geografisch verspreide bouw- en infrastructuurprogramma’s.

Bronvermelding: Sultan, R.A., Hamdy, K. & Essawy, Y.A.S. Agent-based simulation for multi-resource-constrained scheduling of scattered atypical repetitive projects. Sci Rep 16, 11759 (2026). https://doi.org/10.1038/s41598-026-42832-1

Trefwoorden: agentgebaseerde simulatie, bouwplanning, geografisch verspreide projecten, ploegtoewijzing, telecominfrastructuur