蚁群算法在资源受限项目调度中的应用

本文描述了在应用蚁群算法求解资源受限项目调度问题时,蚂蚁如何在项目网络图上巡游并动态生成最优解,以及蚁群信息素的更新方式和多种启发式信息的定义方法,验算了算法在不同的参数组合下对测试案例的求解效果。     

蚁群-粒子群算法求解多模式资源受限项目调度问题

通过分析多模式项目调度问题的特点,提出一种主、从递阶结构的蚁群粒子群求解算法。算法中,主级为蚁群算法,完成任务模式选择;从级为粒子群算法,完成主级约束下的任务调度。然后,以工期最小和资源均衡分配为目标设计蚂蚁转移概率、模式优选概率和任务优选概率。最后,针对PSPLIB中的测试集对算法主要参数进行优化,并通过与其他算法比较验证了算法的有效性。     

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。     

人工蜂群算法求解资源受限项目调度问题

针对资源受限项目调度问题,提出了一种基于人工蜂群算法的优化方法。人工蜂群算法中每个食物源的位置代表一种项目任务的优先权序列,每个食物源的位置通过扩展串行调度机制转换成可行的调度方案,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。实验结果表明,人工蜂群算法是求解资源受限项目调度问题的有效方法,同时扩展调度机制的引入可以加速迭代收敛的进程。     

应用遗传模拟退火算法实现资源受限项目调度

针对以最小化项目工期为目标的资源受限项目调度问题（RCPSP）,提出将模拟退火算法融合到遗传算法中,以改善遗传算法局部搜索性能,增强进化能力的遗传模拟退火算法——RCPSPGSA。在每次进化迭代过程中,下一代种群的个体需经过模拟退火算法改进,并通过在每次迭代结束前进行降温操作保证遗传算法和模拟退火算法具有相同的收敛方向和速度。算法在RCPSP标准测试问题库PSPLIB上进行数值仿真实验,并采用正交实验分析法解决参数选择问题。实验结果证明选择的参数组合具有突出的性能,RCPSPGSA是求解RCPSP的有效算法。     

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。     

不确定资源受限项目调度研究综述

不确定资源受限项目调度问题(RCPSP)是研究在不确定环境和有限资源约束下如何合理安排项目活动,以实现既定目标的最优化.不确定RCPSP具有很强的工程背景,在学术和应用上均具有很高的研究价值,但存在大规模、强约束、多极小、多目标和不确定等诸多复杂性,求解非常困难.为此,介绍了不确定RCPSP的数学描述和几种具体形式,重点综述了不确定RCPSP的算法进展,并归纳了相关的应用成果,最后指出了有待进一步研究的若干方向和内容.     

资源受限项目调度问题的改进类电磁算法

在资源受限项目调度中,工序必须在特定时间窗口中执行。为此,在类电磁(EM)算法的基础上提出一种基于变邻域搜索(VNS)的改进类电磁算法(IEMA)。采用VNS作为IEMA的局部搜索策略,对EM算法中的电荷、合力以及粒子解移动的方式做改进。将IEMA应用于求解标准问题库PSPLIB,并与EM、IEM以及基于邻域搜索的改进类电磁算法IEM-NS进行比较分析,仿真结果表明,IEMA具有更好的求解性能。     

资源受限多项目调度问题的两阶段算法

在资源受限项目调度问题中,将可更新资源进一步拓展为具有胜任力差异的人力资源,建立考虑胜任力差异的人力资源受限多目标项目调度问题模型.该模型是对传统多模式资源约束项目调度问题更接近研发项目群实际的扩展.针对模型提出两阶段优化算法,第1阶段是项目时序约束优化阶段,采用蚁群算法(ACO)进行任务列表的优化求解,通过对信息素增量规则的改进、串联进度生成机制(SSGS)及资源冲突消解策略的使用,使蚁群算法的求解效率和质量得以提高;第2阶段是资源约束优化阶段,以第1阶段求得的优化任务列表为输入,逐项对人力资源约束进行核查与调整,最终生成项目调度的优化方案.数值实验表明,考虑胜任力差异的数学优化模型更符合研发项目群管理实践,同时两阶段算法在求解质量方面具有良好性能.     

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.     

Constraint Propagation and Decomposition Techniques for Highly Disjunctive and Highly Cumulative Project Scheduling Problems

In recent years, constraint satisfaction techniques have been successfully applied to disjunctive scheduling problems, i.e., scheduling problems where each resource can execute at most one activity at a time. Less significant and less generally applicable results have been obtained in the area of cumulative scheduling. Multiple constraint propagation algorithms have been developed for cumulative resources but they tend to be less uniformly effective than their disjunctive counterparts. Different problems in the cumulative scheduling class seem to have different characteristics that make them either easy or hard to solve with a given technique. The aim of this paper is to investigate one particular dimension along which problems differ. Within the cumulative scheduling class, we distinguish between highly disjunctive and highly cumulative problems: a problem is highly disjunctive when many pairs of activities cannot execute in parallel, e.g., because many activities require more than half of the capacity of a resource; on the contrary, a problem is highly cumulative if many activities can effectively execute in parallel. New constraint propagation and problem decomposition techniques are introduced with this distinction in mind. This includes an O(n²) edge-finding algorithm for cumulative resources (where n is the number of activities requiring the same resource) and a problem decomposition scheme which applies well to highly disjunctive project scheduling problems. Experimental results confirm that the impact of these techniques varies from highly disjunctive to highly cumulative problems. In the end, we also propose a refined version of the edge-finding algorithm for cumulative resources which, despite its worst case complexity in O(n³) , performs very well on highly cumulative instances.     

资源受限工程调度问题的优化方法综述

由于资源受限的工程调度问题在理论上和实际中具有重要意义,近年来,国内外关于这一问题的优化方法有了较大的发展,因此根据收集到的资料,对求解这一问题的分支定界算法、基于优先规则的启发式算法、样本算法以及智能优化算法的最新发展进行简要概述,并指出了该问题未来的研究方向.     

改进遗传算法在公交调度优化中的应用

在充分考虑公交公司运营成本和乘客候车等待成本的基础上,引入了乘客坐车舒适度这一指标建立了公交调度优化模型。针对基本遗传算法在实际应用中出现进化缓慢和提前收敛的问题,利用蚁群算法具有局部搜索能力强和收敛速度比较快等优点,引入了蚁群算法引导变异,建立了自适应的遗传算法,实现了模型求解的高效性和高精度。     

Double Layer ACO Algorithm for the Multi-Objective FJSSP

Scheduling for the flexible job shop is very important in both fields of production management and combinatorial optimization. In this work, a double layer Ant Colony Optimization (ACO) algorithm is proposed for the Flexible Job Shop Scheduling Problem (FJSSP). In the proposed algorithm, two different ACO algorithms are applied to solve the FJSSP with a hierarchical way. The primary mission of upper layer ACO algorithm is achieving an excellent assignment of operations to machines. The leading task of lower layer ACO algorithm is obtaining the optimal sequencing of operations on each machine. Experimental results suggest that the proposed algorithm is a feasible and effective approach for the multi-objective FJSSP.

蚁群算法中参数设置对其性能影响的研究

蚁群算法是一种新型的仿生智能算法,但由于算法中参数众多,各种参数值的设置对蚁群算法的性能影响很大。因此。蚁群算法中各参数的合理设置是十分关键的,这也是蚁群算法研究的一个难点问题。对蚁群算法的基本原理进行详细介绍,对蚁群算法中各参数对其性能的影响以及各参数的合理设置进行分析研究。     

带流水作业工程项目调度问题的遗传算法

介绍了带流水作业的工程项目调度问题，这是项目网络中带有流水作业子网络的项目调度问题。它不仅带有常规的时序和资源约束，还带有流水作业所带来的特殊约束。首先给出了带流水作业工程项目调度问题的描述；进而提出一种解决该问题的遗传算法。该算法引入了基于项目划分的编码方式，将个体划分为流水基因段和非流水基因段，并分别进行遗传操作。最后对提出的算法进行了数值计算验证，结果表明了算法的有效性。     

基于蚁群聚类算法的平面运动链中机构的识别

机构识别是机构型综合中的重要问课题,提出了一种基于蚁群聚类算法的平面运动链中机构识别的新方法,通过对点杆矩阵和最短路径矩阵聚类来判别运动链中相同的机构。该方法适用于杆数任意的平面运动链的机构识别。仿真结果表明,该方法具有很好的效果。     

基于蚁群算法的噪声图像边缘检测

针对噪声图像边缘检测问题,提出了一种基于改进蚁群算法的边缘检测方法。算法对蚁群算法收敛速度慢,易收敛于局部最优解的缺点进行了优化,引入了改进的蚂蚁生命周期策略,综合考虑像素邻域差和图像边缘曲线连续性等因素来确定启发式引导函数,在蚂蚁搜索起始点的选取、蚂蚁路径选择策略、信息素更新策略、启发因子的选择等方面提出了优化,实验证明,算法在收敛速度和边缘检测效果上相比传统蚁群算法有了较明显的改善,是一种较为有效的边缘检测方法。     

施工项目调度问题的一种智能优化算法

研究了施工项目进度调度问题,提出了一种基于启发式规则和遗传算法的综合智能优化算法,并在施工项目调度问题的描述、带资源约束的施工项目调度问题的分解方法、遗传算法的编码、交叉、变异方法和解码方法等方面进行了研究。不同规模的数值计算结果表明,该算法在解决复杂工程施工项目调度问题上具有良好的性能,并能较好地适用于带时序、资源约束的施工项目调度问题。     

求解多处理机调度问题的蚁群算法

蚁群算法是受自然界中的蚂蚁觅食行为启发而设计的智能优化算法,特别适合处理离散型的组合优化问题。提出一种求解多处理机调度的蚁群算法,利用一个蚂蚁代表一个处理机来选择任务,并通过分析关键路径及每个任务的最早、最迟开始时间来确定每个任务的紧迫程度,让蚂蚁以此来选择任务。实验证明,该算法可比传统算法取得有更好运行效率的调度策略。