基于适应度函数改进IGA在多项目冲突中应用.docVIP

基于适应度函数改进IGA在多项目冲突中应用 　　摘 要：在多项目资源冲突问题中，应用标准遗传算法时适应度函数存在“早熟”的问题，遗传算法对这类问题无法找到收敛的路。基于以上问题，本文通过对遗传算法进行了适当的改进，提出了一种改进的遗传算法，从适应度函数、变异和选择方式两个角度对算法的改进进行了描述，改进的遗传算法将更能结合多项目冲突实际，能够更好的解决多项目中有限资源的最佳配置问题，并将算法运用到盐城市电子政务建设项目中，验证了该算法的有效性。 关键词 适应度遗传算法 多项目冲突 改进 多项目管理 资源最优化 一、引言 遗传算法（Genetic Algorithm，GA）[1]是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应的人工智能技术，能提供一个有效的解决优化问题途径和通用框架，是一种新的全局优化搜索算法。文献[2]指出传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。文献[3]指出遗传算法的适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。 对于企业而言，同时运行多个项目的能力需求越来越强烈，多项目管理面临着众多过去单一项目管理技术无法解决的各类难题。如果不能在整个组织的范围内对所有项目进行统一有效的资源管理和分配，多个项目之间为得到有限的关键资源而发生冲突和争论。当前对多项目中的冲突管理并没有较好的解决方法[4]。由于遗传算法对所求解的优化问题没有太多的数学要求，只需利用目标函数的取值信息，特别适合求解组合优化问题[5]。因此，本文尝试将遗传算法应用到多项目冲突管理上。 二、相关工作 （一）问题的描述 项目之间产生资源冲突是由资源的特性决定的，资源的特性具体表现在以下几点： 1.资源是有价的。任何资源都是有价的，假若资源占用太多会造成资源闲置浪费，或者资源没有得到合理利用时，为实现项目目标而付出的成本会很大。 2.资源是有限的[6]。任何资源都是有限的，因此不可能在任何时间、任何地点都能同时供多个项目使用。因此对多项目管理来说，若不能有机地配置和有效地平衡资源，必然会出现项目间为争夺资源而爆发激烈冲突的现象。 在多项目管理时，核心的问题就在于如何实现有限资源的最佳配置，这往往需要进行多项目的资源配置管理。 因为成本、熟练水平、时间和竞争等因素，几乎所有的项目都受到资源的约束。目前在项目管理过程中，大部分的讨论主要集中在时间问题上，而没有重视资源的可能性及其能力，以及他们与项目进度的联系。由于人员、仪器、机器、场地、设备和工具之间的搭配不合理，项目常常在关键时段发生延误。此外，若管理不当，人力成本也会随项目推迟或项目成员加班加点而增加，而设备成本也可能会因提前租赁或在需要时得不到而增加。 （二）问题的解决方法 改进遗传算法（Improved Genetic Algorithm，IGA）中，改进的三个算子通常是GA算法中的交叉操作，是随机取两个染色体进行单点交叉操作（也可以用其他交叉操作，如多点交叉、数交叉等），即在以高适应度为祖先的“家族”中取一点，但这种取法有其片面性。经证明，简单遗传算法在任何情况下（交叉概率Pc，，变异概率Pm，任意初始化，任意交叉算子，任意适应度函数）都是不收敛的，即不能搜索到全局最优解。尽管人们证明了改进的遗传算法最终能收敛到最优解，但收敛到最优解所需时间可能是很长的，另外，早熟的问题也是遗传算法中不可忽视的问题。 适应度函数是评价个体适应环境的能力，是选择操作的依据，它的好坏能直接影响遗传算法的性能。适应度函数是由目标函数转换而成的。通常选择的目的是保留更多高适应度的个体，但是为了达到全局最优，防止过早收敛，在选择过程中要尽量保持个体的多样性。基于这种思想，为了使进化前期原本函数值低的个体有更大的概率被选择，保持种群多样性防止“早熟”，而在后期可以转成正常选择操作，开始局部求精的搜索。本文将适应度函数改进为： 其中为上一代最优解所对应的函数值，t为当前代数，T为预先设置好的最大迭代次数。 三、算法的描述与改进 （一）算法的改进 择优交叉在解决遭收敛问题时，通常习惯于采用限制优良个体的竞争力（高适应度的个体的复制份数）的方法，这样无疑会降低算法的进化速度，增大算法的时间复杂度，降低算法的性能。由于种群的基因多样性可以减小陷入局最优解的可能，而加快种群进化速度又可以提高算法的整体性能。为了解决这一对矛盾，尝试一种在不破坏种群的基因多样性的前提下加快种群的进化速度的方法，这一方法描述如下：在随机选择出父本和母本以后，按照交叉方法（单点交叉、多点交叉和一致交叉）进行 次交叉，产生