资源约束多模式项目调度的遗传算法研究

针对以工期最短为优化目标的多模式资源约束优化调度问题进行研究,在建立数学模型基础上,采用改进遗传算法对模型进行求解.算法设计上,对各活动的执行模式进行统一编号,使模式的内部编号包含了时序约束、资源约束、工期等信息,针对活动执行模式采用特殊的整数编码方式,染色体基因由活动执行模式序号组成.对染色体结构设计了单点交叉和单点变异操作算子,采用锦标赛选择方法.通过实例验证了改进遗传算法在求解MMRCPSP上的有效性.     

人工蜂群算法求解任务可拆分项目调度问题

针对任务可拆分的资源受限的项目调度问题,提出了一种人工蜂群算法与任务可拆分的串行调度机制相结合的优化方法．人工蜂群算法中每个食物源的位置代表一组项目任务的优先权序列,优先权序列通过调度生成机制转换为可行调度方案,迭代中由三种人工蜂执行不同的操作来实现全局最优解的更新．实算表明,基于优先权的人工蜂群算法可以有效求解任务可拆分项目调度问题,收敛速度较快且精度较高．     

不确定资源约束下项目鲁棒性调度算法*

在跨企业项目中,由于资源可用时间具有不确定性,从而使得项目计划具有易变性。针对这一问题,首先采用模糊集对项目的不精确时间参数和资源不确定性进行了表示,并在同时考虑调度的质量鲁棒性和解的鲁棒性情况下,定义了调度的鲁棒性度量,进而开发了遗传算法来求解不确定资源约束下的项目鲁棒性调度问题。最后,给出了应用实例,并通过仿真分析说明算法的有效性。该算法已被应用到跨企业项目管理系统中,获得了良好的效果。     

基于Pareto排序和混沌加权的多目标项目调度

为综合考虑资源约束型项目调度问题的多个调度目标,有效获得该问题的近似非支配解集,建立了一种综合考虑可更新资源稳定性和工期的双目标项目调度模型。提出了一种基于Pareto排序和多目标混沌加权相结合的遗传算法,其中个体编码采用双链表结构,分别代表任务的执行顺序和执行模式,初始种群的生成包括随机生成和依据任务特性确定执行模式两种方式,设计了个体交叉和自适应变异算子,研究了基于Pareto排序法和基于多目标混沌加权法的个体适应度计算方法以及不可行解的修复和惩罚策略。利用项目调度问题算例库对该算法进行测试,数值测试结果验证了算法的有效性。     

基于深度强化学习的随机资源受限多项目动态调度策略

目前对于随机工期的分布式资源受限多项目调度问题（SDRCMPSP）的研究较少且大多数为静态调度方案,无法针对环境的变化实时地对策略进行调整优化,及时响应频繁发生的动态因素。为此建立了最小化总拖期成本为目标的随机资源受限多项目动态调度DRL模型,设计了相应的智能体交互环境,采用强化学习中的DDDQN算法对模型进行求解。实验首先对算法的超参数进行灵敏度分析,其次将最优组合在活动工期可变和到达时间不确定两种不同条件下对模型进行训练及测试,结果表明深度强化学习算法能够得到优于任意单一规则的调度结果,有效减少随机资源受限多项目期望总拖期成本,多项目调度决策优化提供良好的依据。     

资源受限的无线传感器网络基于衰减信道的决策融合

研究了无线传感器网络中衰减信道下的决策融合规则.由于信道衰减,由节点传输到融合中心的本地决策会丢失或产生差错,要求融合中心的融合规则能够结合信道模型作出最优判决.在Rayleigh分布的信道模型下,对一系列融合算法作了理论和仿真分析.似然比融合算法性能最优,但是它占用的系统资源大,需要预知的信息多,性价比不高,不适合资源受限的无线传感器网络.提出了3种次优算法,它们比似然比规则耗费的信息代价要小.在不同的信噪比(signal-to-noise ratio,简称SNR)范围下,它们的性能有各自的优劣.综合分析发现,在资源受限的无线传感器网络中,最终选择的融合规则应在性能、耗费资源量和复杂度之间获得折衷.     

多模式资源受限项目调度问题的优化方法

为求解多模式资源受限项目调度问题,提出了一种结合粒子群优化算法（PSO）和基因表达式编程（GEP）的混合优化算法。其中,PSO用来提供活动执行模式组合,GEP用来构造在给定活动执行模式下的调度规则。调度规则由项目状态和活动属性构成,与其他优化方法相比,这是一种新的编码方式与求解方法,也更符合实际应用。对于粒子所表达的不可行活动模式的组合,设计了粒子调整算法,以满足项目调度中可更新资源和不可更新资源总数的约束。最后给出了混合优化算法求解步骤,并采用该算法对项目实例进行了计算与分析,验证了算法的有效性。     

资源约束系统的控制与调度协同优化方法

对于一类通信约束的网络控制系统, 应用通信序列的概念和混合逻辑动态的构架, 将其建模成一类集成控制和调度的资源约束系统模型. 采用线性矩阵不等式来描述离散周期系统的周期通信序列和H_∞ 控制的协同优化问题, 并用一种递增优化序列算法来求解优化的调度策略及其相应的渐近稳定及r指数稳定的H_∞控制器. 该算法结合线性矩阵不等式凸优化问题解决了调度与控制的协同设计问题, 同时也节省了搜索优化解的计算时间.     

采用优先规则的粒子群算法求解RCPSP

优先规则是解决大规模资源受限的项目调度问题(Resource-Constrained Project Scheduling Problem,RCPSP)强有力的方法,但是单一的优先规则的往往仅在某些特定的问题上表现出良好的性能。以粒子群算法为基础,提出了基于优先规则编码的粒子群算法(Priority Rule based Particle Swarm Optimization,PRPSO),求解资源受限的项目调度问题。该方法能够通过粒子群算法搜索优先规则和调度生成方案的组合。分别对PRPSO采用串行调度方案、并行调度方案和混合调度方案时,不同任务数和资源强度的问题实例进行了分析。通过对PSPLIB进行测试,结果表明该方法与其它基于优先规则的启发式方法相比有较低的偏差率,因而有较好的性能。     

一种多目标资源受限项目调度问题的教学算法

针对多目标资源受限项目调度的特性, 基于结合活动列表和资源列表的编码设计了合理的交叉操作, 提出一种多目标教学算法. 为了在个体间有效交互信息, 在教师阶段非支配个体作为教师与学生执行交叉, 而在学生阶段学生间执行交叉, 同时在每个阶段通过前向-反向改进增强局部搜索能力, 并用Pareto 档案集存储和更新非支配个体.基于标准测试集的数值仿真及与现有最好算法的比较, 验证了所提出算法的有效性.