工期不变-资源均衡问题解决方法的研究.pptVIP

工期不变-资源均衡问题解决方法的研究 引言 论文主要内容 研究方向 工期固定-资源均衡优化是在工期不变的情况下，即保证关键活动如期开工的前提下，利用非关键活动的时差，合理安排其开工时间使资源需要量动态曲线尽可能不出现短时期的高峰或低谷。力求每天的资源需要量接近于平均值。 在工程施工过程中，资源消耗大起大落等不均衡现象往往导致劳动力的窝工、机械设备的闲置或临时设施的增加，造成不必要的浪费，影响施工管理的经济效果。事实上，因劳动力的窝工或机械设备的闲置而产生的窝工或闲置成本通常都是相当昂贵的。例如，一台施工设备闲置一天的费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，资源均衡消耗具有重要意义，具体表现在： 资源均衡利用可减少资源需要量的强度和资源储备，保障工程物资供应。 资源消耗均衡可减少资源的闲置与浪费，降低工程成本。 资源均衡可减小施工现场各种临时设施的规模，减少二次搬运，降低施工管理费等一次性投入费用。 目前已有不少学者对工期固定情况下的资源均衡优化技术进行探索研究。经研究证明，工期固定下的资源受限的多资源均衡问题是优化组合中的NP-hard问题。目前解决资源受限项目调度问题的方法大体分为三类，有: 数学规划法 数学规划法是利用线性规划模型 (如Mattila等人)、动态规划模型(如Bandello-ni等人的非串行动态规划模型)等求解资源均衡问题。如数学归纳法中的最小方差法。该方法采取方差作为均衡指数，根据方差越小，均衡程度越高的原理寻找满意优化方案 数学规划法优缺点 目前关于这类方法的研究并不多,因为这类方法存在计算量大、建模困难的缺点, 因此数学规划方法普遍对于规模较小的网络计划可以得到比较好的均衡效果，对于大规模的网络计划或具有较多实施方案的项目并不适用。同时对于复杂的非线性优化问题，这类方法往往不能适用。 启发式方法 启发式方法以经验公式为基础，针对不同具体的问题，在求解之前先设计好一套优先规则，然后在网络资源进行优化的过程中，如果发生资源冲突，就用建立好的优先规则进行调整。常见的启发式方法为削峰填谷法。削峰法着眼于进度计划的资源需要量动态变化曲线的资源强度最大值时段。通过逐次调整资源最大强度时段内部分工序的开工时间，达到逐步降低最大资源强度值从而减小资源动态曲线波动幅度的目的。通常，在每次调整后，其最大强度时段均会发生变更，因此，可以认为它是一种在一定程度上涉及全局进行调整方法。在调整过程中，随着最大强度值的降低，资源动态曲线的资源分布不均衡程度或方差减小。 启发式方法优缺点 由于启发式算法较多的依赖于经验和直觉，方法的设计缺乏理论基础，因此没哪 种启发式方法能用于解决所有的资源平衡问题。而多是针对特定的网络计划。这种算法过于依赖问题本身，通用性和移植性较差。另外，启发式算法在对复杂的网络计划优化求解时，求解时间较长，优化结果的精度也不高，并且解并不一定最优。 基于局域搜索的智能启发式调度方法 基于局域搜索的智能启发式调度方法与前两类方法相比，具有较好的全局寻优能力。如：遗传算法、蚁群算法、粒子群优化算法、神经网络算法、模拟退火算法等。 基于局域搜索的智能启发式调度方法 Weng-Tat Chan、David K.H.Chua和Govindan Kannan对采用遗传算法进行工程项目中的资源安排进行了比较详尽的介绍。 基于局域搜索的智能启发式调度方法 王唯新等学者针对单项目资源均衡优化在企业实际应用中的不足,提出了多项目资源均衡优化的概念,建立了多项目资源均衡问题模型。在此基础上给出一种遗传算法的求解方法,在算法中有效地利用了网络计划图的拓扑排序,减少了遗传操作过程中非法个体的修复计算量,加快了算法的收敛速度。实例计算表明,多项目资源均衡优化可以有效地实现整个企业资源的均衡配置,遗传算法在求解该问题时具有可行性和高效性。 基于局域搜索的智能启发式调度方法 谢洁锐等学者详细说明了神经网络方法解决有限资源均衡问题.首先提出增广置位矩阵,描述了资源均衡的神经网络表示,使得神经元的输出和问题的解彼此对应起来;然后在时间和资源约束下利用多种技巧构造网络的能量函数,使其能量最小值对应于资源最均衡的状态；并且提出基于“权值状态发生器”的离散Hopfield与模拟退火算法(DHNN-SA)融合的镶嵌式混合结构,从本质上提高了网络的优化质量;最后设计了资源优化神经网络的模拟程序。 基于局域搜索的智能启发式调度方法优缺点 智能启发式调度方法每种算法都有它们的独特性，也有致命的弱点，特别是规模较大的复杂问题，任何一种单一的算法都会面临优化性能和时间性能的两方面的约束。此外，智能仿生算法是一类启发式的搜索方法，很多是基于求解问题的满意解来设计的，因