工期不變-資源均衡問題解決方法的研究

工期不變-資源均衡問題解決方法的研究引言論文主要內(nèi)容研究方向工期固定-資源均衡優(yōu)化是在工期不變的情況下，即保證關(guān)鍵活動如期開工的前提下，利用非關(guān)鍵活動的時差，合理安排其開工時間使資源需要量動態(tài)曲線盡可能不出現(xiàn)短時期的高峰或低谷。力求每天的資源需要量接近于平均值。在工程施工過程中，資源消耗大起大落等不均衡現(xiàn)象往往導(dǎo)致勞動力的窩工、機(jī)械設(shè)備的閑置或臨時設(shè)施的增加，造成不必要的浪費(fèi)，影響施工管理的經(jīng)濟(jì)效果。事實(shí)上，因勞動力的窩工或機(jī)械設(shè)備的閑置而產(chǎn)生的窩工或閑置成本通常都是相當(dāng)昂貴的。例如，一臺施工設(shè)備閑置一天的費(fèi)用通常是它正常工作的50%左右，如此高的成本通常是不可忽略的。因此，資源均衡消耗具有重要意義，具體表現(xiàn)在：資源均衡利用可減少資源需要量的強(qiáng)度和資源儲備，保障工程物資供應(yīng)。資源消耗均衡可減少資源的閑置與浪費(fèi)，降低工程成本。資源均衡可減小施工現(xiàn)場各種臨時設(shè)施的規(guī)模，減少二次搬運(yùn)，降低施工管理費(fèi)等一次性投入費(fèi)用。

目前已有不少學(xué)者對工期固定情況下的資源均衡優(yōu)化技術(shù)進(jìn)行探索研究。經(jīng)研究證明，工期固定下的資源受限的多資源均衡問題是優(yōu)化組合中的NP-hard問題。目前解決資源受限項(xiàng)目調(diào)度問題的方法大體分為三類，有:數(shù)學(xué)規(guī)劃法啟發(fā)式方法智能啟發(fā)式調(diào)度方法數(shù)學(xué)規(guī)劃法數(shù)學(xué)規(guī)劃法是利用線性規(guī)劃模型(如Mattila等人)、動態(tài)規(guī)劃模型(如Bandello-ni等人的非串行動態(tài)規(guī)劃模型)等求解資源均衡問題。如數(shù)學(xué)歸納法中的最小方差法。該方法采取方差作為均衡指數(shù)，根據(jù)方差越小，均衡程度越高的原理尋找滿意優(yōu)化方案數(shù)學(xué)規(guī)劃法優(yōu)缺點(diǎn)目前關(guān)于這類方法的研究并不多,因?yàn)檫@類方法存在計(jì)算量大、建模困難的缺點(diǎn),因此數(shù)學(xué)規(guī)劃方法普遍對于規(guī)模較小的網(wǎng)絡(luò)計(jì)劃可以得到比較好的均衡效果，對于大規(guī)模的網(wǎng)絡(luò)計(jì)劃或具有較多實(shí)施方案的項(xiàng)目并不適用。同時對于復(fù)雜的非線性優(yōu)化問題，這類方法往往不能適用。啟發(fā)式方法

啟發(fā)式方法以經(jīng)驗(yàn)公式為基礎(chǔ)，針對不同具體的問題，在求解之前先設(shè)計(jì)好一套優(yōu)先規(guī)則，然后在網(wǎng)絡(luò)資源進(jìn)行優(yōu)化的過程中，如果發(fā)生資源沖突，就用建立好的優(yōu)先規(guī)則進(jìn)行調(diào)整。常見的啟發(fā)式方法為削峰填谷法。削峰法著眼于進(jìn)度計(jì)劃的資源需要量動態(tài)變化曲線的資源強(qiáng)度最大值時段。通過逐次調(diào)整資源最大強(qiáng)度時段內(nèi)部分工序的開工時間，達(dá)到逐步降低最大資源強(qiáng)度值從而減小資源動態(tài)曲線波動幅度的目的。通常，在每次調(diào)整后，其最大強(qiáng)度時段均會發(fā)生變更，因此，可以認(rèn)為它是一種在一定程度上涉及全局進(jìn)行調(diào)整方法。在調(diào)整過程中，隨著最大強(qiáng)度值的降低，資源動態(tài)曲線的資源分布不均衡程度或方差減小。啟發(fā)式方法優(yōu)缺點(diǎn)

由于啟發(fā)式算法較多的依賴于經(jīng)驗(yàn)和直覺，方法的設(shè)計(jì)缺乏理論基礎(chǔ)，因此沒哪種啟發(fā)式方法能用于解決所有的資源平衡問題。而多是針對特定的網(wǎng)絡(luò)計(jì)劃。這種算法過于依賴問題本身，通用性和移植性較差。另外，啟發(fā)式算法在對復(fù)雜的網(wǎng)絡(luò)計(jì)劃優(yōu)化求解時，求解時間較長，優(yōu)化結(jié)果的精度也不高，并且解并不一定最優(yōu)?；诰钟蛩阉鞯闹悄軉l(fā)式調(diào)度方法基于局域搜索的智能啟發(fā)式調(diào)度方法與前兩類方法相比，具有較好的全局尋優(yōu)能力。如：遺傳算法、蟻群算法、粒子群優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)算法、模擬退火算法等。基于局域搜索的智能啟發(fā)式調(diào)度方法Weng-TatChan、DavidK.H.Chua和GovindanKannan對采用遺傳算法進(jìn)行工程項(xiàng)目中的資源安排進(jìn)行了比較詳盡的介紹?；诰钟蛩阉鞯闹悄軉l(fā)式調(diào)度方法王唯新等學(xué)者針對單項(xiàng)目資源均衡優(yōu)化在企業(yè)實(shí)際應(yīng)用中的不足,提出了多項(xiàng)目資源均衡優(yōu)化的概念,建立了多項(xiàng)目資源均衡問題模型。在此基礎(chǔ)上給出一種遺傳算法的求解方法,在算法中有效地利用了網(wǎng)絡(luò)計(jì)劃圖的拓?fù)渑判?減少了遺傳操作過程中非法個體的修復(fù)計(jì)算量,加快了算法的收斂速度。實(shí)例計(jì)算表明,多項(xiàng)目資源均衡優(yōu)化可以有效地實(shí)現(xiàn)整個企業(yè)資源的均衡配置,遺傳算法在求解該問題時具有可行性和高效性?；诰钟蛩阉鞯闹悄軉l(fā)式調(diào)度方法謝潔銳等學(xué)者詳細(xì)說明了神經(jīng)網(wǎng)絡(luò)方法解決有限資源均衡問題.首先提出增廣置位矩陣,描述了資源均衡的神經(jīng)網(wǎng)絡(luò)表示,使得神經(jīng)元的輸出和問題的解彼此對應(yīng)起來;然后在時間和資源約束下利用多種技巧構(gòu)造網(wǎng)絡(luò)的能量函數(shù),使其能量最小值對應(yīng)于資源最均衡的狀態(tài)；并且提出基于“權(quán)值狀態(tài)發(fā)生器”的離散Hopfield與模擬退火算法(DHNN-SA)融合的鑲嵌式混合結(jié)構(gòu),從本質(zhì)上提高了網(wǎng)絡(luò)的優(yōu)化質(zhì)量;最后設(shè)計(jì)了資源優(yōu)化神經(jīng)網(wǎng)絡(luò)的模擬程序?；诰钟蛩阉鞯闹悄軉l(fā)式調(diào)度方法優(yōu)缺點(diǎn)智能啟發(fā)式調(diào)度方法每種算法都有它們的獨(dú)特性，也有致命的弱點(diǎn)，特別是規(guī)模較大的復(fù)雜問題，任何一種單一的算法都會面臨優(yōu)化性能和時間性能的兩方面的約束。此外，智能仿生算法是一類啟發(fā)式的搜索方法，很多是基于求解問題的滿意解來設(shè)計(jì)的，因此，它是從個案和實(shí)例出發(fā)的一種實(shí)際方法，理論研究通常滯后于求解過程。智能仿生算法有很多研究成果，但由于很多方法受到各種條件的限制或者只是針對某種特定問題，在系統(tǒng)性、收斂性和欺騙性等方面仍然存在著很多缺陷。因此，對智能仿生算法的理論研究還有待于進(jìn)一步深入。本人首先以工期固定-資源均衡為目標(biāo)，選擇衡量資源均衡性的資源強(qiáng)度方差作為評價