资源约束项目调度研究综述

资源约束项目调度问题(RCPSP)研究资源的合理利用和项目活动的合理调度,实现既定目标的最优化,具有很强的工程背景,近年来得到了学术界和工业界的广泛关注.为此,介绍了RCPSP的数学模型以及多种问题的扩充,总结了相关理论,重点综述了RCPSP的算法,并归纳了若干应用进展.最后指出了有待进一步研究的方向和内容.     

求解资源受限项目调度问题的约束规划/数学规划混合算法

利用约束规划（constraintprogramming,CP）与数学规划（mathematicalprogramming,MP）结合的方法求解调度问题已经获得了一些较好的研究成果,正成为调度问题研究领域的一个新的热点研究方向．本文针对求解资源受限项目调度问题（RCPSP）的整数规划模型,设计了基于CP技术的问题和模型预处理方法,证明了整数规划模型的有效不等式定理,提出了通过将项目子网络图转化为加权最大团问题求解后获得有效不等式的方法．引用标准问题库PSPLIB中的一组典型问题进行求解实验,结果表明本文提出的有效不等式可以明显改进模型的求解质量和时间性能．论文最后对实验结果进行了深入讨论,讨论了未来的研究方向．     

基于遗传算法的多模式资源约束项目调度问题研究

为解决多模式资源约束项目调度问题,提出了一种混合遗传算法的求解方法。该算法采用二维编码方法来表示问题的解,基因的值表示任务的优先权和执行模式,每条染色体对应一个满足逻辑关系约束的可行任务排序,根据染色体所对应的任务调度顺序和执行模式序列可以获得一个满足资源约束的项目调度方案。应用该编码方法进行选择、交叉和变异等遗传操作,能够使搜索范围遍及整个问题解空间。实际应用表明,该算法能快速求得问题的最优解或近似最优解。     

基于改进NSGA-II算法求解多目标资源受限项目调度问题

资源受限项目调度问题(resource constrained project scheduling problem, RCPSP)要求在满足相关约束的条件下安排各活动开始时间,从而达到某一目标的最优,具有很强的应用背景,并受到众多学者的广泛关注.经典的RCPSP模型以最小化项目工期为单一目标,忽略了资源使用率等因素对项目整体的影响,使其与实际应用仍有较大差距.基于经典的RCPSP模型,引入最优资源均衡为另一目标,将模型扩展为多目标模型,丰富了RCPSP模型的应用场景.同时,考虑到新模型中各活动间存在大量的控制关系,使用传统的启发式多目标算法需要耗费大量的时间对不可行解进行判断,求解性能较低,提出一种新的算法框架NSGA-IIs.该算法框架基于活动间控制关系将各活动分成若干子集,并在初始化和交叉变异等阶段以子集为基本单位产生新的个体,能够较好地避免不可行解的产生,提高算法的效率.使用解集覆盖度作为评价指标,通过实例数据集的实验表明,与已有的求解RCPSP的经典算法相比,所提出的算法具有明显的优越性.     

带广义紧前约束的资源受限项目计划问题求解

介绍带广义紧前约束资源受限项目计划问题的约束条件和数学模型,对该问题的网络拓扑和时间约束条件进行了分析,对该问题求解的相关定义、定理、预处理过程进行了介绍,提出该问题的蚁群禁忌优化算法.     

蚁群系统算法求解多模式资源约束项目调度问题

针对以工期最短为优化目标的多模式资源约束项目调度问题进行研究,在建立数学模型的基础上,通过设计合适的编码方式和调度生成策略,生成问题的构建图,定义新的信息素表示和启发式信息,提出一种改进的蚁群系统算法优化求解该问题。将模型和算法在工程项目调度实例中加以应用,验证了所提出的优化调度方法的正确性和有效性。     

基于优先规则的空间资源约束项目调度算法

任务组占用空间资源项目调度问题需满足组内任务的序关系和人力、设备等常规资源约束,以及空间资源这一特殊资源的约束,同时任务组之间也需满足上述约束,使得该调度问题异常复杂。以船舶建造分段制造问题为背景,建立任务组占用空间资源受限的项目调度问题数学模型,基于并行调度生成方案提出基于优先规则的启发式调度算法,实现对该调度问题的综合求解。实例测试结果表明了该算法的正解性和有效性。     

资源受限的项目调度问题的求解算法

本文建立了不确定资源环境下的资源受限的项目调度模型,用不确定规划的方法将不确定问题转化为等价的确定性问题,并给出了一个解决该问题的二阶段算法及实例。     

蚁群算法在资源受限项目调度问题中的应用

资源受限的项目调度问题(RCPSP,Resource-ConstrainedProjectSchedulingProblems)已经被证明是一种NP-hard的组合优化问题,随着问题规模的增大,使用经典的数学方法如数学规划等方法,已经很难解决问题。论文提出了一种用于求解资源受限的项目调度问题的蚁群算法。针对资源受限的项目调度问题的具体特点,提出了蚂蚁巡游网络图的动态生成方式,信息素的表示及更新方式,以及启发信息的计算方法。针对PSPLIB中的测试集对算法中的主要参数进行了优化,最后,使用PSPLIB中的四种测试集对算法进行了测试,计算结果表明了算法的有效性。     

考虑资源转移时间的资源受限项目调度问题的算法

现有项目调度问题的研究一般假设资源在任务间转移不需要时间,但这一假设与很多实际情况不相符,本文在资源受限项目调度问题（Resource-constrained project scheduling problem,RCPSP）中引入资源转移时间,以最小化项目工期为目标,建立了考虑资源转移时间的资源受限项目调度问题的数学模型.为改善遗传算法在局部搜索能力方面的不足,提出将分支定界法与遗传算法相结合,构造了一种内嵌分支定界寻优搜索的遗传算法,在保证算法全局搜索能力的前提下提升局部精确搜索能力.同时,对于遗传算法,为了适应算法结构提出了一种基于任务绝对顺序的编码策略.数据实验表明,对于小规模问题可获得近似精确解,对于大规模问题相较现有文献所提算法,在算法求解精度上可提升10%.     

基于鲁棒优化的云医疗资源配置问题

医疗资源配置优化是云医疗系统高效运行的核心决策,然而,由于这种新型互联网医疗服务系统具有多组织协同、上下转诊以及诊疗时间不确定等特点,上述问题可以描述为需求不确定情形下核心医生服务时间分配优化问题.构建一个以最小化最大医疗服务成本为目标函数的云医疗资源鲁棒配置优化模型,通过引入决策者对患者诊疗时间和转诊概率两种不确定性...     

Solving a dynamic resource allocation problem through continuous optimization

A class of dynamic resource allocation problems with infinite planning horizon are studied. We observe special structures in the dynamic programming formulation of the problem, which enable us to convert it to continuous optimization problems that can be more easily solved. Structural properties of the problems are discussed, and explicit solutions are given for some special cases.     

Social-welfare based task allocation for multi-robot systems with resource constraints

This paper aims to propose a distributed task allocation algorithm for a team of robots that have constraints on energy resources and operate in an unknown dynamic environment. The objective of the allocation is to maximize task completion ratio while minimizing resource usage. The approach we propose is inspired by the social welfare in economics that helps extend the combined operational lifetime of the team by balancing resource consumptions among robots. This social welfare based task allocation method positions a robot team appropriately in preparedness for dynamic future events and enables to achieve the objectives of the system flexibly depending on the application context. Our simulation-based experiments show that the proposed algorithm outperforms a typical market-based approach in various scenarios.     

Collaborative robust optimization under uncertainty based on generalized dynamic constraints network

Uncertainties exist in every aspect of a collaborative multidisciplinary design process. These uncertainties will have a great influence on design negotiations between various disciplines and may force designers to make conservative decisions. In this paper, a novel collaborative robust optimization (CRO) method based on constraints network under uncertainty is presented. The generalized dynamic constraints network (GDCN) is developed to analysis and management of uncertainties, and to ensure the parameter consistency in the collaborative design process. Given the feasible consistent parameter region, The CRO is formulated as a multi-criteria optimization problem, which brings both the objective robustness and the feasibility robustness of the constraint into account simultaneously. The CRO based on GDCN could bring both the design parameters dynamic consistency management and robust optimization into account simultaneously, which assures a product’s reliability and quality robustness. The efficiency of proposed method is evaluated in the design of crank and connecting rod in one V6 engine.     

无线传感器网络中基于免疫补体优化的感知资源分配算法

基于无线传感器网络资源分配的非确定多项式(NP)难特性,提出了一种基于免疫补体优化的感知资源分配算法,提高了对感知资源的检查效率。给出了问题的优化模型和实现过程。借鉴免疫补体机制,设计了分裂算子、结合算子;抗体克隆扩增时根据激励度进行,保证了解的多样性。实验结果表明:该算法目标检测成功率随着检测目标数的不同而变化,最高检出率可达92%。     

网络功能虚拟化资源配置及优化研究综述

网络功能虚拟化(network functions virtualization,NFV)利用虚拟化技术将网络功能从专用硬件中分离形成虚拟网络功能,然后把虚拟网络功能映射到通用服务器、交换机或者存储器中,能有效地降低网络投资成本和运营成本,并提高网络服务部署的灵活性。网络功能虚拟化资源配置是实施NFV需要解决的一个关键问题。为深入剖析网络功能虚拟化资源配置,介绍了NFV的体系结构,重点阐述了资源配置的三个阶段及资源配置的优化,最后对高效资源配置面临的挑战和有价值的研究方向进行了思考,为NFV的研究提供参考。     

Considering inter-task resource constraints in task allocation

This paper focuses on task allocation with single-task robots, multi-robot tasks and instantaneous assignment, which has been shown to be strongly NP-hard. Although this problem has been studied extensively, few efficient approximation algorithms have been provided due to its inherent complexity. In this paper, we first provide discussions and analyses for two natural greedy heuristics for solving this problem. Then, a new greedy heuristic is introduced, which considers inter-task resource constraints to approximate the influence between different assignments in task allocation. Instead of only looking at the utility of the assignment, our approach computes the expected loss of utility (due to the assigned robots and task) as an offset and uses the offset utility for making the greedy choice. A formal analysis is provided for the new heuristic, which reveals that the solution quality is bounded by two different factors. A new algorithm is then provided to approximate the new heuristic for performance improvement. Finally, for more complicated applications, we extend this problem to include general task dependencies and provide a result on the hardness of approximating this new formulation. Comparison results with the two natural heuristics in simulation are provided for both formulations, which show that the new approach achieves improved performance.     

求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...     

基于软件体系结构和广义差分进化的测试资源动态分配算法

测试资源分配是软件测试中的一个基础问题,然而已有研究大都针对并串联模块软件模型而鲜有涉及体系结构软件模型。为此,首先针对可靠性和错误数动态变化的测试环境,构建了一种基于体系结构的多阶段多目标测试资源分配模型。然后基于参数重估计、种群重新初始化、广义差分进化和归一化加权求和设计了一种面向动态可靠性和错误数的多阶段多目标测试资源分配算法。最后,在仿真实验中,与已有的归一化加权求和多目标差分进化（WNS-MODE）算法进行对比,所提算法在不同结构的体系结构软件模型实例上所获解集更优,容量值提高了约16倍,覆盖值提高了约84个百分点,超体积提高了约6倍。实验结果表明,所提算法能够更好地适应可靠性和错误数的动态变化,可为体系结构软件模型的动态测试提供更多和更优的测试资源分配方案。     

The resource allocation model for multi-process instances based on particle swarm optimization

Resource allocation in process management focuses on how to maximize process performance via proper resource allocation since the quality of resource allocation determines process outcome. In order to improve resource allocation, this paper proposes a resource allocation method, which is based on the improved hybrid particle swarm optimization (PSO) in the multi-process instance environment. Meanwhile, a new resource allocation model is put forward, which can optimize the resource allocation problem reasonably. Furthermore, some improvements are made to streamline the effectiveness of the method, so as to enhance resource scheduling results. In the end, experiments are conducted to demonstrate the effectiveness of the proposed method.