En förbättrad multiobjektiv animerad havreoptimeringsalgoritm för resursbegränsad organisation av byggprojekt

Varför byggscheman behöver smartare planering

När ett nytt flerbostadshus eller bostadskomplex uppförs i en tät stad kan felaktiga scheman leda till eskalerande kostnader, arbetsstyrkor som står utan sysselsättning ena veckan och brist den nästa, och missnöjda boende som väntar på nycklarna. Denna artikel presenterar en ny datorbaserad planeringsmetod som behandlar byggschemaläggning som ett komplext pussel med många avvägningar — hur lång tid projektet tar, hur mycket det kostar och hur jämnt arbetskraften utnyttjas — och visar hur en naturinspirerad algoritm kan hitta bättre lösningar än dagens verktyg.

Storskaliga stadsprojekt, invecklade mål

Moderna byggprojekt måste jonglera flera mål samtidigt. Fastighetsutvecklare vill ha färdiga byggnader snabbt för att börja generera intäkter. Entreprenörer måste hålla nere kostnaderna för att vara lönsamma. Platschefer behöver hålla besättningarna sysselsatta men inte överarbetade, och hantera begränsningar i hur många arbetare som finns tillgängliga varje dag. Traditionella planeringstekniker, som handgjorda Gantt-diagram eller enkla programregler, behandlar ofta ett mål i taget — typiskt total projekttid — och förlitar sig starkt på erfarenhet. I komplexa stadsprojekt med snäva tidsramar och begränsad arbetskraft kan detta leda till förseningar, kostnadsöverskridanden och kaotiska svängningar i arbetskraftsbehov från dag till dag.

Lära av rullande frön

Studien bygger vidare på en relativt ny "bioinspirerad" optimeringsmetod kallad Animated Oat Optimization, som efterliknar hur vildhavrefrön rullar och katapulteras över marken för att hitta bra ställen att gro på. I den ursprungliga versionen användes detta beteende för att lösa enkelmålsproblem: fröna vandrar vida till en början (utforskning) och slår sedan ner i lovande områden (finkalibrering). Författarna utvidgar idén så att den kan hantera flera mål samtidigt och skapar vad de kallar Multi-Objective Animated Oat Optimization, eller MOAOO. Istället för att söka ett enda "bästa" svar söker metoden en familj av scheman som var och en balanserar tid, kostnad och jämnhet i arbetskraften på olika sätt.

Att göra byggande till ett sökproblem

För att tillämpa metoden översätter forskarna först ett verkligt litet bostadsprojekt i Chengdu, Kina, till en matematisk modell. Varje bygguppgift — såsom schaktning, grundarbete, stomarbete och installationsarbete — har en starttid, en varaktighet och ett antal tilldelade arbetare. Uppgifterna måste följa logisk ordning (man kan inte bygga väggar innan grunden är klar), och det finns en daglig övre gräns för tillgänglig arbetskraft. Modellen följer tre faktorer: total projekttid, totalkostnad (främst arbetskraft plus ett fast belopp per uppgift och övertidsstraff), och hur mycket det totala antalet arbetare på plats varierar från dag till dag. En jämn arbetskraftskurva innebär färre toppar och dalar, vilket gör det enklare med rekrytering, utbildning och övertidshantering.

Hur den nya algoritmen utforskar alternativ

MOAOO släpper loss en population av "kandidatscheman", vardera representerat som ett rullande frö i ett flerdimensionellt rum. I varje beräkningsrunda knuffas vissa kandidater slumpmässigt för att utforska nya möjligheter, medan andra följer mönster inspirerade av fysiken hos rullande och svängande frön — korta justeringar för lokal förbättring och längre hopp för att undkomma återvändsgränder. Samtidigt håller metoden ett utvecklande minne av särskilt bra scheman som inte förbättras på något av de tre målen. Dessa "elit"-kandidater hjälper till att styra sökningen. Ett flerskiktat system kontrollerar och reparerar brott mot uppgiftsordning, tidssättning och resursgränser, och en inbyggd övervakare stoppar sökningen tidigt när förbättringarna blivit små, vilket sparar beräkningstid.

Vad metoden uppnår i praktiken

Med Chengdu-projektet som fallstudie visar författarna att MOAOO snabbt kan generera ett brett spektrum av genomförbara scheman. I deras tester konvergerade algoritmen typiskt efter cirka 118 beräkningsrundor. Ett schema fokuserat helt på snabbhet kortade projekttiden med ungefär en femtedel jämfört med baslinjen, om än till högre kostnad. Ett annat schema minimerade kostnaden med acceptans av längre byggtid. Mest anmärkningsvärt var ett kompromisschema som avslutade projektet på 279 dagar för cirka 1,34 miljoner dollar, samtidigt som fluktuationerna i arbetskraft användning minskade med 72,7 procent. Det innebär att arbetsstyrkan används mycket mer stadigt över tiden, vilket är attraktivt för entreprenörer som vill undvika toppar i övertid och perioder med inaktivitet.

Varför detta är viktigt för framtida byggprojekt

Utöver ett enskilt fall testade teamet MOAOO på standardiserade matematiska riktmärken och fann att metoden är konkurrenskraftig med eller bättre än flera välkända multi-målsoptimeringsmetoder, vilket tyder på att angreppssättet är allmänt hållbart. För en lekman är huvudbudskapet att byggscheman inte längre behöver vara stela, handjusterade kompromisser. Genom att låna idéer från hur frön rör sig i naturen kan denna algoritm automatiskt föreslå många olika planer, där var och en väger tid, pengar och arbetskraftsstabilitet på ett transparent sätt. Projektledare kan sedan välja ett schema som bäst passar deras prioriteringar och begränsningar, vilket gör stadsbyggande mer förutsägbart, effektivt och motståndskraftigt.

Citering: 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

Nyckelord: byggnadsplanering, multiobjektiv optimering, resurshantering, bioinspirerade algoritmer, projektplanering