| Summary: | This project aims to increase the knowledge in the area of resource allocation in R&D portfolios, a topic interesting to both the industry and academic research. The thesis investigates how to optimally allocate resources to projects in a R&D portfolio, with focus on how many projects that are optimal to run in parallel. A complex mixed-integer nonlinear programming model with a realistic stage-gate project layout and advanced resource behaviour, including project resource learning and other efficiency losses, is developed and also proven unsolvable in realistic time. A simplified model handling learning is proposed and solved using a mixed integer solver for a small portfolio. A simulation framework implementing all complexities is developed, and used to find portfolio parameters affecting the optimal number of projects to run in parallel, using a Monte Carlo method. From the simplified mathematical model optimal allocations from small portfolios are presented, and from the simulation several results from large portfolios using different resource allocation strategies are presented. From these results it is argued that there exists an optimal number of projects to run in a portfolio, and that a portfolio run with either larger or smaller number of running projects produces a lower gain. This number is however found to be highly dependent on the size and specification of the portfolio, and how resources are allocated to projects. === Detta masterarbete har som mål att utöka kunskapen kring resursallokering inom portföljer med utvecklingsprojekt, ett område som genererat intresse både inom industrin och inom tidigare akademiska arbeten. Rapporten undersöker hur resurser optimalt ska allokeras till projekt inom utvecklingsportföljer, med huvudsakligt fokus på hur många projekt som är optimalt att köra på samma gång. Ett ickelinjärt mixed-integer optimeringsproblem, som bygger på en realistisk stage-gate projektmodell samt avancerade approximationer av resursers beteende, ställs upp; modellen inkluderar bland annat lärotider vid allokering till nya projekt och andra effektivitetsförluster. Denna modell bevisas olösbar med realistisk beräkningskraft. En förenklad modell som tar hänsyn till lärandeeffekterna tas fram och löses för små portföljer. Ett simuleringsprogram tas också fram vilket inkluderar all komplexitet från den fullständiga modellen, och detta används för att med en Monte Carlo-metod undersöka vilka portföljparametrar som påverkar hur många projekt som optimalt ska köras parallellt. Från den förenklade matematiska modellen tas optimala resursfördelningar fram för små portföljer, och från simuleringarna presenteras data från realistiskt stora portföljer vilka har simulerats med olika resursallokeringsstrategier. Dessa resultat visar på att det finns ett optimalt antal projekt att köra parallellt i en portfölj, och att om en portfölj drivs med antingen färre eller fler projekt parallellt ger det en lägre vinst. Exakt vad detta optimala antal projekt är beror dock mycket på storleken och detaljer i portföljen, och hur resurser allokeras till projekt.
|
|---|
