基于遗传算法任务调度与研究.docVIP

姓名 何印标 学号 2011112915 实验成绩  华中师范大学计算机科学系 实 验 报 告 书 实验题目：基于遗传算法的多任务调度研究 课程名称： 智能计算 主讲教师： 沈显君 辅导教师： 课程编号： 班 级： 2011级 实验时间： 2011年11月  基于遗传算法的多任务调度研究 摘要： 本文主要讨论了遗传算法在工程项目中多任务执行优化中的应用，重点对多任务调度 (Resource—constrained project scheduling problem，RCPSP)问题进行了研究。讨论了资源受限的多任务调度问题，提出了改进的遗传算法优化多任务调度问题的方法，主要从优化算法模型的建立，优化算法设计，算法的实现以及结果分析等几个方面进行了详细论述，并与其它启发式方法进行了对比分析。 关键字：效益最优化；遗传算法；多任务 1．简介 任务调度优化在工程项目管理中是非常重要的，它决定了工程项目利润的高低。遗传算法是一种并行的全局搜索的高效求解问题的方法，本质上就是处理离散优化搜索问题的，它不要求问题空间的连续性，不需要梯度信息，其鲁棒性(Robust)已经得到了证实，在处理大型复杂优化问题上己经取得了显著的成绩，所以在解决多任务调度优化问题时，具有其它方法无法比拟的优势。 2．多任务调度模型的建立 假设存在若干并行任务和一个共享的资源库，包含有若干种可更新资源(renewable resources)，并且所有资源都只有有限的供给量。任务之间除了共享资源外互相独立。为方便对问题进行描述，建立如下的数学模型：多任务调度问题有P个相互独立的任务，第k个任务包含nk+1个工作,其中第nk+ 1个任务为任务虚拟的终止工作,不占用资源和时间。这P个任务共享M种可更新资源，其中第m 种资源的总量为Rm。用Wi表示第i个任务的工作集，Wij表示第i 个任务中的第j 个工作,其工期为dij，对第m 种资源的需求量为rijm，任务的开始时间标记为Sij ,它的所有紧前任务形成的集合记为Pij。在时间t 时正在进行的所有任务的集合标记为It。考虑到不同任务的重要程度不同,用ak表示第k个任务的权重。综合上述假设和采用的符号，资源约束下的多任务调度问题可以描述为公式（1）-(6)： （1） （2） （3） （4） （5） （6） 3．算法设计 3．1资源约束的多任务调度问题的求解 由于是多个任务的之间的工作共享共同的资源，所以解决的方法与单个任务的之间的工作共享共同的资源的方法不同。在解决该问题的方法中，目前有文献[5]中提出的多种资源受限多任务排序问题的两层决策方法，但是该方法有两个很大的缺陷。首先，该方法中假设的前提条件是每个任务中共享资源的工作持续时间由所分配到的资源量决定，使用共享资源的工作持续时间与资源分配量成反比关系(如2台机器干6 天, 4台机器就干3天)，即工作持续时间=工作的工作量÷资源量。而在现实生活中，很多工作的工作量并不是可累加的，即工作持续时间!= 工作的工作量÷资源量,所以对于任务中的工作是工作量不可累加的工作的问题，该模型就无法求解。第二个缺陷是，该模型对各个任务之间采取的是特定的资源分配策略，当资源分配给某个任务以后，就始终属于该任务了，其它任务就不能再使用该部分资源。这种资源分配方法会造成资源的较大浪费。因为在这种分配策略中，任务之间的资源不能相互流通调整。所以当其中某个任务有某类资源空闲时，其它任务均不能利用，这样该类资源就浪费了。 本文提出基于遗传算法的方法，能够求解任务中工作类型为不可累加的工作的多任务问题，而且各个任务之间资源是能够动态相互流通的，不会造成资源闲置而浪费，并且不用对多任务中各个任务的网络计划进行任何合并，只需要分别输入各个任务的工作的时间、资源等信息，就能对各个任务进行调度，按照各个任务的权重，使所有任务能以尽可能短的工期完工。 3．2算法中基本的数据结构的建立 在生成初始种群以前，先要建立