基于遗传算法的建设项目进度控制研究

建筑设计中遗传算法的研究及实现一、引言随着信息技术的快速发展和应用，建筑设计领域也开始引入计算机辅助设计工具。

遗传算法作为一种有效的优化算法，具有全局搜索能力和并行计算优势，被广泛应用于建筑设计中。

本文将深入探讨建筑设计中遗传算法的研究和实现。

二、遗传算法概述遗传算法是模拟生物进化过程的一种智能优化算法。

它基于自然选择和遗传机制，通过不断迭代搜索和交叉变异操作，逐步优化问题的解。

遗传算法最大的特点是可以同时搜索多个解空间，具有较强的全局寻优能力。

三、建筑设计中的优化问题在建筑设计中，存在许多复杂的问题需要进行优化。

比如，建筑结构的拓扑优化、能源利用的最优化、平面布局的最佳化等。

这些问题涉及到多个变量和约束条件，传统的优化算法往往无法快速找到全局最佳解。

而遗传算法可以通过大规模的搜索和演化，找到较优的设计方案。

四、建筑设计中遗传算法的应用1. 建筑结构优化遗传算法可以应用于建筑结构的拓扑优化问题。

通过对建筑结构进行节点的增减、连杆延长和删减等操作，不断演化出更加优化的结构形式。

这一方法可以有效提高结构的稳定性和抗震性能。

2. 建筑能源优化能源利用是建筑设计中一个重要的考虑因素。

遗传算法可以通过调整建筑的朝向、窗户的位置和大小，寻找能够最大程度减少能耗的设计方案。

同时，遗传算法还可以优化建筑内部的供暖、通风、照明等系统，提高能源利用效率。

3. 平面布局规划在建筑设计中，平面布局对于功能性和空间利用率至关重要。

遗传算法可以通过对建筑内部空间的划分、功能区域的安排等操作，找到最佳的平面布局方案。

这有助于提高建筑的使用效率和舒适性。

五、建筑设计中遗传算法的实现建筑设计中遗传算法的实现过程主要包括以下几个步骤：“问题定义、设计变量和约束条件的设置、适应度函数的构建、初始种群的生成、遗传算子的设计、收敛条件的判断和结果分析”。

首先，需要明确建筑设计中所要解决的优化问题，如建筑结构的拓扑优化、能源利用的最优化等。

基于改进遗传算法的地铁施工项目管理多目标优化研究基于改进遗传算法的地铁施工项目管理多目标优化研究近年来，城市化快速发展的趋势使得地铁成为许多大都市的重要交通工具。

然而，地铁建设项目面临着许多挑战，例如复杂的施工环境、工期限制、成本控制等。

为了有效地管理地铁施工项目并实现多个目标的优化，研究者们开始应用改进遗传算法进行优化研究。

改进遗传算法是一种基于生物进化理论的优化算法，通过模拟自然选择、交叉和变异等过程，搜索最优解。

在地铁施工项目管理中，多个目标（如最短工期、最低成本、最少施工风险）需要同时考虑，因此需要寻找最佳的解集，而非单一最优解。

首先，研究者们在改进遗传算法中引入了新的策略以适应地铁施工项目的特点。

例如，针对地铁复杂的施工环境，算法中引入了变异率自适应策略，以增加搜索空间的多样性，保证算法能够找到较好的解。

此外，为了更好地应对工期限制，算法中还引入了优先级策略，将工期限制作为一个约束条件，并优先满足该条件。

其次，研究者们针对地铁施工项目的多目标优化问题，设计了适应的目标函数。

在优化目标的选择上，最短工期、最低成本和最少施工风险被广泛应用。

为了将这些目标同时考虑，研究者们采用多目标适应策略，将不同目标之间的权重进行动态调整。

在算法的每一代中，通过适应值评估各个解的优劣，并根据适应值对不同目标的权重进行调整，以实现多目标的综合优化。

最后，研究者们进行了算法的仿真实验，并与传统的优化方法进行了比较。

结果显示，基于改进遗传算法的地铁施工项目管理多目标优化方法能够找到更好的解集，并在工期、成本和风险方面取得了明显的改善。

相比传统方法，改进遗传算法在搜索空间的广度和深度上更具优势，能够更好地应对地铁施工项目的复杂性。

综上所述，基于改进遗传算法的地铁施工项目管理多目标优化研究为地铁施工项目提供了一种高效的解决方案。

通过引入新的策略和目标函数，该方法能够在工期、成本和风险等多个方面实现综合优化，有效提升地铁施工项目的管理水平。

基于遗传算法的工程优化设计研究一、引言工程优化设计是现代科学技术的重要组成部分，它通过寻找最佳解决方案，以满足多个目标和限制条件。

遗传算法作为一种生物启发的优化算法，已经被广泛应用于工程领域，其独特的优势在于能够有效地搜索复杂的设计空间。

本文将探讨基于遗传算法的工程优化设计研究。

二、遗传算法的原理及应用遗传算法是模拟生物进化过程中的遗传和适应机制的一种数学模型。

其主要包括选择、交叉、变异等基本操作。

在工程优化设计中，遗传算法通过将设计变量编码为染色体，将问题转化为求解适应度函数最大或最小值的优化问题。

然后，通过选择、交叉和变异等操作，逐步优化染色体，从而得到最优解。

遗传算法在工程优化设计中有广泛的应用。

例如，在结构设计中，通过遗传算法可以自动寻找最佳的结构拓扑，以提高结构的刚度和稳定性；在电力系统设计中，遗传算法可以用于最优潮流分配和负荷发电协调等问题；在制造过程中，遗传算法可以用于优化加工参数，以提高生产效率和降低成本。

这些应用说明了遗传算法在工程优化设计中的重要性和潜力。

三、遗传算法的优势和局限性遗传算法作为一种全局搜索算法，具有以下几个优势。

首先，它不需要求解函数的导数和连续性要求，适用于非线性、非凸以及具有离散变量的优化问题。

其次，遗传算法具有较好的收敛性和鲁棒性，在搜索空间较大、复杂度较高的问题上表现出优异的性能。

最后，遗传算法具有并行搜索的能力，可以同时处理多个个体，提高搜索效率。

然而，遗传算法也存在一些局限性。

首先，由于遗传算法的搜索过程是基于随机性的，因此对于同一个优化问题，在不同的运行中可能会得到不同的最优解。

其次，遗传算法的求解效果受到参数设置的影响比较大，不合理的参数选择可能导致算法陷入局部最优解。

最后，遗传算法在处理高维问题时面临的困难较多，求解时间和计算资源开销较大。

四、工程优化设计中的应用案例在工程领域，许多研究者已经成功地将遗传算法应用于优化设计的各个方面。

以下是一些典型的应用案例。

基于遗传算法的工程设计优化研究随着科技的不断发展，人们的生活越来越依赖于各种工程设施，如桥梁、道路、输电线路、水利工程等等。

同时，针对这些工程设施的设计和优化也变得越来越重要。

而遗传算法，作为一种优化算法，正逐渐被应用于工程设计的问题中。

遗传算法的基本思想是模拟生物的进化过程，通过不断地交叉、变异等操作，寻找最优解。

在工程设计中，遗传算法可以被用来解决复杂的设计问题，如结构优化、参数优化、拓扑优化等等。

下面将具体介绍基于遗传算法的工程设计优化研究。

一、结构优化在工程设计中，结构优化是一个很重要的问题。

它可以被应用于各种结构体系的优化设计，例如桥梁、建筑、机械结构等等。

结构优化可以在设计的早期就提前预测工程设施的性能、寿命和稳定性等因素。

在采用遗传算法优化结构的过程中，需要对结构的形状、材料、尺寸等进行编码，然后将其转换为一个优化问题。

通过遗传算法的运算，系统可以找到最优的参数组合，以获得最佳的性能指标。

例如，可以将结构的重量最小化、刚度最大化、应力分布最小化等作为优化目标。

在应用结构优化领域，遗传算法已经被广泛使用。

例如，在针对桥梁的优化设计中，遗传算法可以通过优化结构梁的尺寸和材料等参数，减少重量和造价，提高性能和安全性。

二、参数优化在许多工程问题中，设计参数对系统的性能有着重要的影响。

例如，对于液压系统而言，设计参数包括流量、压力、阀口等等，这些参数对系统的工作效率、稳定性和可靠性等因素有着决定性的影响。

在遗传算法的参数优化中，设计参数需要被编码为染色体，然后通过交叉、变异等操作进行进化，找到最佳的参数组合以满足一定的优化目标。

例如，可以通过优化流量和压力等参数，提高液压系统的效率和稳定性。

三、拓扑优化在工程设计中，拓扑优化是针对结构的基本参数、形态等进行优化。

与结构优化不同，拓扑优化与特定的材料和尺寸无关。

通过拓扑优化，可以得到拓扑中最适合特定负载的结构形态。

在拓扑优化中，遗传算法可以被用来寻找最佳的拓扑配置，以达到最优的性能指标。

一、基本情况二、立项依据（可加页）（24）：100-102.[8]马文娟.施工现场材料采购策略研究[D].三峡大学2015.（五）创新点与项目特色①选择BIM技术分析装配式建筑施工现场的平面布置问题。

BIM是以建筑工程项目的各项相关信息数据作为模型的基础,具有可视化、协调性、模拟性、优化性和可出图性五大特点。

利用BIM技术,可仿真模拟建筑物的真实信息,包括三维几何形状信息及非几何形状信息。

图5.1-1 BIM 在全寿命周期的应用图5.1-2 以BIM 技术为核心的各专业协同工作示意图图5.1-3 引入BIM技术前后施工现场工人数对比②将BIM平台和施工单位的进度规划方案结合,对构件的运输、安装情况实时掌控。

利用BIM协同平台可以查看构件的型号、尺寸及位置，确定构件的安装位置以及可能的堆放位置。

若现场安装过程中出现冲突碰撞,可将构件冲突信息传递至BIM协同平台。

图5.1-4 BIM构件管理流程③首次将工业工程设施规划与设计相关知识和人工智能算法（Python、C++等语言）寻求多目标问题最优解的方法应用到建筑行业中，改善了以人工经验主观布置场地的现状，加强施工现场布置设计过程中的系统性与科学性。

由于人工智能近年来发展迅速，且研究社区开放性强，提出的方法可以很轻易地引入新的深度学习模型进行改良，故该方法有较大的发展潜力。

图5.1-5施工平面布置最优方案④项目中对主要设施布置影响因素进行归类，将影响因素分为可以由数学关系定量表达的和不可由数学关系表达的两类，前者被用于定量的构造目标函数和约束条件，而后者用于建立方案定性评价的指标体系，具有普遍适用性。

确定装配式建筑施工现场的约束条件和影响因素，便于建立优化布局模型及算法开发。

图5.1-6 Revit模拟施工现场场地布置⑤该项目提出了一种较为合理的系数——综合相互关系，能够更好地描述颗物流因素和非物流因素之间的关系，以减少资源的浪费。

（六）技术路线、拟解决的问题及预期成果6.1技术路线：图6.1-1 技术路线图本项目按照提出问题、分析问题、解决问题的步骤进行了研究。

基于遗传算法的工序调度问题研究工序调度问题是生产过程中常见的一个问题，通过合理的工序调度可以提高生产效率、降低成本、缩短生产周期等。

而传统的工序调度方法往往是基于经验或者规则制定的，缺乏科学化和有效性。

因此，研究基于遗传算法的工序调度问题，可以提高工序调度的效率和质量。

1. 遗传算法概述遗传算法是一种模拟自然进化过程的计算方法，它是通过模仿自然选择、交叉、变异等基本生物遗传规律来寻找最优解的一种方法。

遗传算法采用基因编码来表示问题的解，通过适应度函数来评估各个解的优劣，然后筛选出优秀的解进入下一轮迭代。

由于遗传算法具有强大的全局搜索能力和自适应性，能够克服问题的局部最优解，因此被广泛应用于工程、金融、制造等领域的优化问题中。

2. 工序调度问题工序调度问题指的是在生产过程中，按照一定的规则和条件对所有待处理任务进行安排和排序，使得生产线的整体效率最大化和时间最小化。

通俗的说，就是把所有的工序安排在正确时间完成，以最小化总生产时间、最小化成本或最大化毛利润等目标为准则。

这是一个复杂的问题，涉及到任务安排、机器选择、工作人员配备等因素。

3. 基于遗传算法的工序调度研究传统的工序调度方法往往是基于经验或规则制定，缺乏科学化和有效性。

而遗传算法作为一种优秀的全局搜索和优化算法，被广泛应用于工序调度问题。

基于遗传算法的工序调度主要是通过对问题的编码、适应度函数的设计、遗传算子的选择和策略的优化等方面进行处理。

所以，下面我们分别陈述下：3.1 问题的编码问题的编码比较重要，一个好的编码方式可以大大简化问题，减少搜索空间，提高遗传算法的效率。

对于工序调度问题，任务和机器分别可以用不同的编码方式进行编码。

3.2 适应度函数的设计适应度函数是遗传算法求解问题的核心部分，其目的是对种群进行筛选和评估，保留优秀的个体，排除劣质的个体。

对于工序调度问题而言，需要定义适应度函数来评估工序调度方案的优劣。

3.3 遗传算子的选择对于遗传算法而言，交叉和变异是两个主要的算子。

基于改进遗传算法的关键链项目进度计划优化张琦;廖良才;王卫威【期刊名称】《计算机技术与发展》【年(卷),期】2014(000)004【摘要】项目进度计划一直是项目管理中的重点和难点，其原因是在资源和工序约束的双重约束下，项目进度计划的求解是一个NP难问题，尤其是在多资源约束下更增加了问题的复杂度。

文中从关键链这一角度出发，分析了该问题并建立模型。

应用自适应遗传算法对模型进行求解，对遗传算法的编码、选择、交叉、变异等操作进行了设计，并在此基础上对传统的遗传算法进行改进。

最后，通过案例的求解，验证了关键链方法在研究多资源约束项目进度计划问题上的可行性，以及自适应遗传算法在求解该问题上的优越性。

%Project schedule has been a focus and difficulty of project management,the reason lies in the dual constraints of resources and processes. To solve the project schedule is an NP-hard problem under the constraints,especially in multi-resource constraints adds to the problem complexity. It adopts critical chain theory and method to analyze the problem and construct the model. Apply adaptive genetical-gorithm to solve the problem. Genetic coding,selection,crossover and mutation are discussed,and on this basis,the traditional genetic al-gorithm is improved. Finally,based on the experiment analysis of the instance,verifiy the validity of the critical chain method in the study of multi-resource project scheduling problem,as well as the feasibility of adaptive genetic algorithm to solve the problem.【总页数】6页(P1-5,11)【作者】张琦;廖良才;王卫威【作者单位】国防科学技术大学信息系统与管理学院，湖南长沙 410073;国防科学技术大学信息系统与管理学院，湖南长沙 410073;国防科学技术大学信息系统与管理学院，湖南长沙 410073【正文语种】中文【中图分类】TP39【相关文献】1.基于关键链的T项目进度计划优化分析 [J], 冯晓兰2.基于改进蚁群算法的关键链项目进度管理研究 [J], 罗岳斌;赵英俊;王华3.基于关键链方法的单资源约束项目进度计划优化 [J], 王培;杨玲4.基于混合遗传算法和关键链的多资源多项目进度计划优化 [J], 廖良才;张琦5.基于关键链改进搜索的遗传算法求解分布式多项目调度 [J], 张静文;刘婉君;李琦因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法的装配式建筑施工调度优化研究基于遗传算法的装配式建筑施工调度优化研究摘要：随着装配式建筑的快速发展，施工调度优化成为提高工程效率的关键问题之一。

本文通过引入遗传算法，结合装配式建筑施工特点，研究了装配式建筑施工调度优化问题，并提出了一种基于遗传算法的解决方法。

通过实例分析验证，将遗传算法应用于装配式建筑施工调度优化能够有效降低施工时间和成本，提高施工效率。

关键词：装配式建筑；施工调度优化；遗传算法；时间；成本一、引言装配式建筑是近年来发展迅猛的一种建筑方式，它具有工期短、质量高、节能环保等一系列优势。

然而，在实际施工过程中，装配式建筑也面临着一些挑战，如各工序之间的协调、施工时间的紧张、成本控制等。

因此，如何合理安排施工流程，优化施工调度，成为提高装配式建筑施工效率的重要问题。

二、装配式建筑施工调度的研究现状目前，对于装配式建筑施工调度的研究较多集中在人工智能领域，如模糊逻辑、专家系统等。

然而，这些方法在求解复杂问题时存在着局限性，无法得到最优解。

因此，本文引入了遗传算法这一优化方法。

三、遗传算法原理和步骤遗传算法是模拟生物进化过程的一种智能优化方法。

其基本原理是通过模拟遗传操作，不断搜索最优解。

遗传算法的基本步骤包括：初始化种群、适应度评价、选择操作、交叉操作、变异操作和终止条件。

四、基于遗传算法的装配式建筑施工调度优化方法本文基于遗传算法提出了一种装配式建筑施工调度优化方法。

首先，将施工项目按照工序划分成若干任务。

然后，通过遗传算法的初始化种群操作，生成初始调度方案。

接着，利用适应度评价函数对每个调度方案进行评价，得到其适应度值。

然后，根据适应度值进行选择操作，选择一定数量的个体作为父代。

在交叉操作中，通过将两个父代个体的染色体进行交叉，生成一定数量的后代个体。

最后，在变异操作中，对后代个体进行随机变异，引入新的基因。

通过这样的迭代过程，不断优化调度方案，直至满足终止条件。

五、实例分析为验证本方法的有效性，我们选择了一座装配式建筑工程为例进行实例分析。

遗传算法在工程设计中的应用研究引言：随着科技的飞速发展和社会的进步，工程设计变得越来越复杂和困难。

传统的设计方法往往需要耗费大量的时间和资源，而且难以找到最优解。

为了解决这个问题，研究人员开始探索一些新的算法和技术来应用于工程设计领域。

其中，遗传算法作为一种优化算法，已经在工程设计领域得到了广泛的应用。

本文将详细介绍遗传算法的基本原理，以及它在工程设计中的应用研究。

一、遗传算法的基本原理遗传算法是受到生物学进化理论的启发，通过模拟生物进化的过程，来搜索最优解的一种算法。

遗传算法的基本原理包括：个体表示、基因操作、适应度评估、选择和重组、遗传操作和种群更新。

在遗传算法中，个体表示是指将问题的解表示成一串基因编码。

这个编码可以是二进制编码、实数编码或其他编码方式。

个体经过一系列的基因操作（如交叉、变异等）进行遗传操作，然后通过适应度评估来评价个体的优劣。

选择和重组操作通过选择高适应度的个体，并将他们的基因重新组合生成新的个体。

遗传操作的目的是为了产生更优秀的个体。

最后，种群通过种群更新来更新每一代个体的基因组成。

二、遗传算法在工程设计中的应用遗传算法在工程设计中的应用非常广泛，涵盖了各个领域，如结构设计、电力系统优化、物流网络优化等。

下面我们将以结构设计为例来介绍遗传算法在工程设计中的应用。

（一）结构设计中的优化在结构设计中，遗传算法可以用来实现结构的优化设计。

结构设计优化的目标是找到一个具有最佳性能的结构，如最小的重量、最大的刚度等。

传统的结构优化方法往往需要通过试错法来寻找最优解，而遗传算法则可以通过不断迭代和优化来找到最优解。

遗传算法可以通过调整结构中的参数来找到最佳优化方案。

首先，设计变量如截面形状、结构的长度等需要进行编码表示。

然后，通过适应度评估函数来评估结构的性能。

接下来，通过选择高适应度的个体，并通过交叉和变异进行遗传操作来生成新的个体。

最后，通过不断迭代更新种群，直到找到满足设计要求的最佳解。

水利工程施工进度优化中遗传算法的应用分析摘要】随着时代的发展，国家越来越重视水利工程的施工质量，水利工程施工进度的优化是水利工程质量的重要保障，所以选择合理的方法分析水利工程施工进度的优化分析具有十分重要的意义。

本文主要讨论遗传算法在水利工程施工进度优化中的应用，希望对施工质量的提高提供一定的参考价值。

【关键词】水利工程；施工进度优化；遗传算法；应用水利工程的施工过程是一项比较繁琐且复杂的工作，水利工程的施工进度与整个工程的施工设计有着紧密的联系，而且对于水利工程的整体质量有着一定的影响。

通常情况下，施工进度的计划以及整个施工活动之间的关系是明确的，但是由于一些自然环境因素的影响，使得实际施工的情况会有所改变，所以，存在着一些不确定的因素。

基于我国水利施工的具体情况，选择合理的方法进行施工进度计划的制定具有十分重要的意义。

遗传算法在工期计划的优化方面有着十分重要的作用，因为遗传算法有着自身的特点，在工程工期的优化方面具有优势和实际的应用价值[1]。

一、水利工程施工进度的影响因素由于水利工程是一项比较复杂而且繁琐的工程，所以影响水利工程施工进度的因素有很多。

首先，进度安排很容易受到当地自然环境的影响，比如当地的地形或者是气候等因素。

这些关键性的自然条件因素在一定程度上影响水利工程施工的进度；其次，资金方面的影响，由于水利工程的施工是一个比较巨大的工程，所以需要先进的施工仪器或者是设备作为施工质量的保证，大量先进的施工设备以及施工仪器的引进需要足够的资金作保障，否则资金的短缺，在一定程度上会影响施工进度；最后，由于水利工程施工具有季节性的特点，所以，通常选择施工的季节在枯水期，枯水期利用的效果直接影响水利工程施工的进度，所以这也是影响水利工程施工进度的重要因素之一。

二、遗传算法的概述随着时代的快速发展，一种新的水利工程计划进度优化算法——遗传算法（简称GA）逐渐的发展起来，而且也在逐渐的被广泛的运用。

自动化控制系统中的遗传算法在优化问题中的应用研究随着科技的发展和工业化的进程，自动化控制系统在各个领域中扮演着至关重要的角色。

而在自动化控制系统中，如何对系统进行优化和改进则是一个不容忽视的问题。

近年来，遗传算法作为一种强大的优化工具在自动化控制系统中得到了广泛应用。

本文将深入探讨遗传算法在优化问题中的应用，并分析其优势和局限性。

一、遗传算法概述遗传算法是一种模仿自然界进化过程的智能搜索和优化方法。

它从生物学中得到启发，利用基因和遗传遗传的原理进行搜索和优化。

遗传算法的基本思想是通过模拟自然选择、遗传变异和交叉繁殖等过程，逐步迭代地优化问题的解。

具体而言，遗传算法由以下步骤组成：1. 初始化种群：将问题的解表示为基因型，随机生成一个初始种群。

2. 评估适应度：根据问题的目标函数，计算每个个体的适应度值。

3. 选择操作：按照适应度值选择部分个体作为父代，通常采用轮盘赌选择法或锦标赛选择法。

4. 交叉操作：通过交叉繁殖操作，生成新的个体，并保留部分父代遗传信息。

5. 变异操作：对新个体的基因进行变异，引入新的遗传信息。

6. 更新种群：用新个体替换原有种群中的个体。

7. 终止条件：根据预设的终止条件，判断是否满足终止搜索的条件。

8. 返回最优解：返回满足终止条件时的最优解。

二、遗传算法在自动化控制系统中的应用2.1 参数优化自动化控制系统中存在许多参数需要进行优化调整，以使系统的性能达到最佳状态。

遗传算法作为一种全局优化方法，可以帮助寻找到最优的参数组合。

例如，在控制系统中，PID参数的优化是一个常见的问题。

遗传算法可以通过对PID参数进行基因编码和适应度评估，快速找到最优的PID参数组合，从而提高系统的性能。

2.2 拓扑结构优化在自动化控制系统中，系统的拓扑结构对系统性能具有重要影响。

通过遗传算法的优化方法，可以对控制系统的拓扑结构进行优化，以提高系统的稳定性和响应速度。

例如，在电力系统中，选择最佳的拓扑结构可以有效减少能量损失并提高系统的稳定性。

基于遗传算法的项目管理优化仿真研究曾彪;刘欣【摘要】传统的项目进度一维优化扩展至有偏好的二维目标(进度、成本)优化,同时将成本优化目标分解为项目成本大小以及资源均衡度从而构成三维目标优化,将无资源约束的环境扩展至资源约束下的复杂环境,将局部搜索优化领域扩展至全局范围内的优化.在内容上,先对项目的单目标优化管理理论进行详尽研究并指出其现实的局限性,同时提出了智能启化式方法-遗传算法在资源约束下项目管理优化方面的优势.在此基础上本文构建了基于三维目标偏好的项目管理优化仿真模型,解决了项目管理优化理论中最为重要的两大问题:资源约束下的项目进度优化以及资源约束下的三维目标(项目进度、项目成本以及资源均衡度)的优化问题.为了验证此模型对以上问题的有效性,本文应用Matlab仿真技术进行仿真模拟并与传统方法做比较,从结果可以看出遗传算法能够更好的解决此类问题.【期刊名称】《西南民族大学学报（自然科学版）》【年(卷),期】2014(040)003【总页数】4页(P474-477)【关键词】项目管理;三维目标优化;遗传算法;三维偏好【作者】曾彪;刘欣【作者单位】上海交通大学安泰经济及管理学院,上海200030;上海交通大学安泰经济及管理学院,上海200030【正文语种】中文【中图分类】TU712随着经济全球化的发展, 各个行业的竞争环境已经从相对稳定型转变成了动态多变型. 新技术的发展以及动态的资源供给要求组织在项目范畴内逐渐实行矩阵式管理以做到快速决策, 利用有限的资源谋得最优绩效.但是现有项目管理优化理论更多地是将项目假定在没有任何约束或是较为宽泛的约束下进行, 项目管理优化的目标也往往集中在项目的进度方面. 即便增加了项目成本因素也仅涉及成本的大小, 而没有考虑该项目不同时段对资源需求量的变化对整个组织绩效的影响. 同时不同行业, 不同组织以及不同项目对项目管理优化目标也存在不同的偏好, 这也增加了优化函数以及优化方法的复杂性, 从而也对传统的项目管理优化理论提出挑战.如表1所示, 目前项目管理优化方法可以分为四大类别：软逻辑优化, 精确算法, 启发式算法以及在此基础上形成的智能启发式算法. 应用性较为普遍的智能启发式算法包括模拟退火算法以及逐渐成为研究热点的遗传算法以及混合算法等.对于智能启发式算法, Lee&Kim[5]提出将蚁群算法与遗传算法相结合创造一种新的复合算法, 作者借用启发式算法的优先规则进行算法编码. Hartmann(1998)[6]提出了以各个工序的列表来表达基因的遗传算法, 这些列表则是以项目季度为基础. 1999 年 Linet Ozdamar[7]做了一种命题假设, 提出在资源有限供应的前提约束条件下求得工期最短的项目进度优化算法, 并借以遗传算法实现最优解的求解. Alczraz & Maroto(2001)[8]引入了自适应这一自然科学应用领域的机制到启发式算法. 2002 年, Sonke Hartmann[9]在Alczra的基础上完善了自适应遗传理论. Bouleimen & Leeoeq(2003)[10]摒弃了应用较为普遍的遗传算法, 引入模拟退火算法求解资源约束下的项目进度优化问题.在项目管理理论中, 最重要的是项目进度、项目成本以及项目质量三要素：而项目质量是项目的固有属性,是项目管理最基础的目标, 其本身优化的空间非常有限. 同时项目的质量目标对于每个行业, 每个公司以及每个项目其标准各不相同, 从而无法建立一个应用较为广泛的量化模型, 也无法在此基础上进行优化分析. 鉴于项目质量管理优化研究价值不大, 同时研究较为复杂, 因此本文仅锁定二维的项目管理范畴, 即项目成本以及项目进度范畴, 同时将项目成本分解为成本大小与资源均衡度.结合前文所提到的单目标项目管理优化理论的研究经验, 本文将传统的项目进度一维优化扩展至有偏好的二维目标（进度、成本）优化, 同时将成本优化目标分解为项目成本大小以及资源均衡度从而构成三维目标优化. 进而本文提出了基于三维目标偏好的项目管理优化模型. 其中三维目标包括项目成本大小、项目进度（时间）以及项目资源利用的均衡度. 偏好依据不同行业、不同公司、不同项目以及不同的项目管理者而不同, 主要依靠专家打分法确定各个维度的具体偏好值. 同时借助启发式算法—遗传算法去计算该模型的解.目标函数：为无约束下的项目最优进度;为无约束下的项目资源均衡度;为无约束下项目成本的大小.约束条件：其中: a1+a2 =1, a3+a4=1, 且a1, a2, a3, a4不小于零. 假定在t时刻项目工序i 开工, 则xit =1, 否则为0. ESN 表示整个项目的历时工期; N 为项目工序的最后一个; Di 为项目工序i的历时时间; ESi 为项目工序i最早的开始时间; LSi 为项目工序i最晚的开始时间; Rik 为项目工序i 对特定资源k单位时间用量; Skt 为整个项目在时间t时可以提供的k资源总量; Bn 为项目工序n的所有紧前工序的集合; M表示总工期内资源统计时段数; R’ 表示平均资源使用量; Ri 表示第i天资源使用量,且Ri=∑Ri; Rij表示为第i天j工序资源使用量; C1i表示在第i天保持项目运行的直接费用; C2i表示在第i天保持项目运行的间接费用.式（1-1）为目标函数, 表示多目标皆为最小化时项目的目标函数. 本文的问题模型以最小化项目工期、资源的综合利用、最小化项目运营成本为目标. f1(x)代表最小化的项目工期, 是对项目进度优化目标的测量. 与前述模型相同, 为了实现项目进度的最优化解, 项目可以尽可能增加资源, 增加赶工度, 项目的每个工序都应尽可能的实现最早完成时间. f2(x)是表征项目资源平衡利用指数的目标函数, 我们将资源受限的条件下资源平衡的指标定义为最小化资源利用的方差, 以单位时间资源使用量所计算得到的方差来作为评价遗传算法子个体优劣的标准. 评价函数的判断标准是资源利用方差越小的个体适应值越大, 表明其均衡利用度越大. 这样,随着遗传进化的进行,算法最终找到方差最小的资源计划. f3(x)代表项目运行的总成本大小, 包括项目运行过程中所消耗的直接费用成本以及与项目进度成正比的间接费用成本.另外, 遗传算法的优点是将问题参数编码成染色体后进行优化, 而不是针对参数本身, 从而不受函数约束条件的限制; 搜索过程从问题的一个解开是, 而不是单个个体, 具有隐含并行搜索特征, 可大大减少陷入局部最小的可能. 但同时遗传算法也存在以下缺点: 对于结构复杂的 RCPSP, 搜索空间大, 搜索时间比较长, 往往会出现早熟早收敛的情况; 对初始种群很敏感, 初始种群的选择常常直接影响解的质量和算法效率.三维目标[11]: 1.最小化项目工期: 资源约束下传统的项目进度优化管理问题的目标, 即追求项目工期最短. 2.项目成本大小: 包括项目的直接成本以及项目的间接成本.3.项目资源均衡利用率: 各节点单位时间所需资源总量的均衡利用. 如图1所示, 借用Matlab仿真技术, 应用遗传算法可以得到项目三维目标优化结果. 项目的总进度与项目总的成本大小之间呈现出凹形的逻辑关系, 即工期过短或过长都会造成施工成本大幅上升. 这与项目的直接成本与间接成本有关, 工期过低, 项目资源需求量过大, 直接成本过高, 从而导致项目成本大幅上升. 而工期过长, 与间接成本有关的人员工资, 储存费用等大幅升高导致项目成本上升. 而项目进度与项目资源均衡利用度基本成反比关系, 这是因为项目各个工序的资源需求量是各不相同的, 而关键路径法所得的最佳项目进度是不考虑项目资源约束以及项目资源均衡利用率的, 因此要提高项目的资源综合利用率就不得不改变项目的关键路径, 增加缓冲期, 从而也会延长项目结束时间, 增加项目的工期. 而项目成本同项目资源均衡度之间呈凹型的关系, 项目资源均衡度过低往往导致项目资源的浪费, 从而意味着增加了项目的直接成本, 而项目资源均衡度过高往往意味着项目总周期的拉长, 同时也意味着项目间接成本的增加[12].【相关文献】[1] PATTERSON J H, W D Huber. A horizon-varying, zero-one approach to project scheduling [J]. Management Science, 1974, 20(6): 990-998.[2] BRUCKER P. A branch and bound algorithm for the resource-constrained project scheduling problem[J]. European Journal of Operational Research, 1998, 107(2): 272-288.[3] 张扬, 基于遗传算法的多资源约束下工程项目进度计划优化研究 [D]. 华东交通大学, 2009.[4] 刘士新, 项目优化调度理论与方法[M]. 北京: 机械工业出版社, 2007.[5] LEE J K, KIM Y D. Search heuristics for resource constrained project scheduling[J]. Journal of the Operational Research Society, 1996: 678-689.[6] HARTMANN S. A competitive genetic algorithm for resource‐constrained project scheduling[J]. Naval Research Logistics (NRL), 1998, 45(7): 733-750.[7] OZDAMAR L. A genetic algorithm approach to a general category project scheduling problem[J]. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, 1999, 29(1): 44-59.[8] ALCARAZ J, C MAROTO. A robust genetic algorithm for resource allocation in project scheduling[J]. Annals of Operations Research, 2001, 102(1-4): 83-109.[9] HARTMANN S. A self‐adapting genetic algorithm for project scheduling under resource constraints[J]. Naval Research Logistics (NRL), 2002, 49(5): 433-448.[10 BOULEIMEN K, H LECOCQ. A new efficient simulated annealing algorithm for the resource-constrained project scheduling problem and its multiple mode version[J]. European Journal of Operational Research, 2003, 149(2): 268-281.[11] LEU S-S, A T Chen, C-H Yang. A GA-based fuzzy optimal model for construction time–cost trade-off[J]. International Journal of Project Management, 2001, 19(1): 47-58. [12] 陈建华, 林鸣, 马士华. 基于过程管理的工程项目多目标综合动态调控机理模型[J]. 中国管理科学, 2005. 13(5): 93-99.。