Este estudio aborda el problema de programación de proyectos con recursos limitados, estructuras flexibles y duraciones de actividad inciertas. El problema se formula como un proceso de decisión de Markov, con la política óptima determinada a través de la programación dinámica estocástica. Para mitigar la maldición de la dimensionalidad en problemas a gran escala, se proponen varios métodos aproximados para derivar políticas subóptimas. Además de los métodos tradicionales basados en reglas de prioridad y algoritmos metaheurísticos, nos enfocamos en la aplicación de algoritmos de rollout. Para mejorar la eficiencia computacional de los algoritmos de rollout, solo se emplean las reglas de prioridad de mejor rendimiento para la evaluación de acciones, y también se incorpora la técnica de números aleatorios comunes. Los resultados experimentales demuestran que los algoritmos de rollout superan significativamente a las reglas de prioridad y a los metaheurísticos. La técnica de números aleatorios comunes no solo mejora la eficiencia computacional, sino que también mejora la precisión de la selección de acciones. El algoritmo post-rollout reduce el tiempo de cálculo en un 44.37% en comparación con el rollout de un solo paso, con una brecha de rendimiento del 0.02%. Además, los algoritmos de rollout tienen un desempeño más estable que otros métodos bajo diferentes características del problema.