CN112257977B - 模糊工时下资源受限的物流项目工期优化方法及系统 - Google Patents

模糊工时下资源受限的物流项目工期优化方法及系统 Download PDF

Info

Publication number
CN112257977B
CN112257977B CN202010966190.8A CN202010966190A CN112257977B CN 112257977 B CN112257977 B CN 112257977B CN 202010966190 A CN202010966190 A CN 202010966190A CN 112257977 B CN112257977 B CN 112257977B
Authority
CN
China
Prior art keywords
fuzzy
resource
construction period
factor
project
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202010966190.8A
Other languages
English (en)
Other versions
CN112257977A (zh
Inventor
马华伟
柏文勇
胡笑旋
罗贺
靳鹏
夏维
王国强
唐奕城
马凯
郭君
秦雪敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010966190.8A priority Critical patent/CN112257977B/zh
Publication of CN112257977A publication Critical patent/CN112257977A/zh
Application granted granted Critical
Publication of CN112257977B publication Critical patent/CN112257977B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06314—Calendaring for a resource
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及项目管理技术领域，提供一种基于模糊工时下资源受限的物流项目工期优化方法，该方法结合了项目工序的时长受到投入资源量的影响量，其时长是可度量的模糊数，并在基于物流项目任务工序的逻辑关系、模糊参数和模糊运算法则，建立模糊工时下资源约束条件下的工期计算模型，采用关键路径、非关键路径双路径择优进行优化，提高了工期的计算的效果和求解算法的效率，本发明还提供一种系统，该方法和系统能够有效计算和优化模糊工时下资源受限的完工工期。

Description

模糊工时下资源受限的物流项目工期优化方法及系统
技术领域
本发明涉及项目管理技术领域，特别涉及一种基于模糊工时下资源受限的物流项目工期优化方法及系统。
背景技术
项目工期控制是项目管理重要的组成部分，不仅受到项目的时间、资源、任务节点等条件约束，而且直接影响项目的成败，在物流等项目管理过程中如何合理地计算项目工期、过程控制都是整个项目管理的重点内容，所以项目工期估算和优化广泛地应用于仓储、配送、流通加工等物流项目管理过程中。
CN103617472B公开了一种多项目多任务管理中的资源平衡自适应调度方法，该方法包括步骤：S1资源池资源替换：查出系统资源中参与叶子节点任务并且为非完成状态的超负荷的资源，获取其替换条件，通过资源池查找符合替换条件的资源，然后依据其负荷上限判断是否超负荷，当没有超负荷并且替换平衡了所有待调配任务的超负荷资源时进行资源替换，更新资源使用情况，否则进行自动调配；S2获取自动调配初始化数据集合：依据叶子节点任务生命周期获取所有待调度项目中符合调配的任务的属性数据，所述属性数据包括标志码、估计开始时间、估计结束时间、估计工期、创建时间、是否关键路径任务、任务优先级、最小完成期限、松弛时间、资源集合、约束关系，获取任务所属项目的标志码、估计开始时间，估计结束时间属性数据，获取每个资源负荷上限形成需要的数据结构；S3动态分层加权平均处理，生成待调配任务集：依据预先设定的n个优先规则，通过页面交互确定层数，所述层数的范围是[1，n]，通过页面交互确定每层中对应的优先规则，通过页面交互确定每个优先规则对应的权重比值，然后计算相同层数的优先规则权重比值的和，其百分比作为其权重系数，通过任务的优先规则特性获得其权重值，然后对同一层中的优先规则进行加权平均，再依次对初始化集合按每层加权平均后的数值由大到小进行排序，由n到1，下一层只对上一层数值相等的任务再进行排序，直到上一层没有相等权值的任务或者层数为n时，生成待调配任务集；S4自动调配，从待调配任务集中选取第一个任务。
在复杂物流项目管理过程中，由于资金、原材料等资源的限制，以及工艺任务的独特性、用户需求的多变性等多种不确定因素的影响，物流供应商很难精准确定各工序时长，甚至多数情况下仅能利用经验知识估计各工序时长的大致区间，从而造成整体物流项目工期估算上的困难。
发明内容
长期的统计研究发现，现有的文献中的资源受限的物流项目工期优化只考虑在资源约束下对固定精确时长的工序进行调度安排，以实现物流项目总体完工工期的优化，却忽视了工序时长与投入资源量的内在关系，而实际情况下，工序的时长受到投入资源量的影响，其时长是可度量的模糊数。
有鉴于此，本发明旨在提出一种模糊工时下资源受限的物流项目工期优化方法，该模糊工时下资源受限的物流项目工期优化方法包括，
步骤S1，采用W个评价主体对物流项目中第i个工序评估出最小转换参数值
Figure BDA0002682413550000021
最大转换参数值
Figure BDA0002682413550000022
和最可能转换参数值
Figure BDA0002682413550000023
其中，ω＝1,2,…,W，W为正整数；得到第i个工序的三角模糊数
Figure BDA0002682413550000024
再将第i个工序中
Figure BDA0002682413550000025
和
Figure BDA0002682413550000026
做均值处理，得到模糊数
Figure BDA0002682413550000027
Figure BDA0002682413550000028
步骤S2，建立资源受限的工期估算模型，其中模型中目标函数
Figure BDA0002682413550000031
约束函数包括：
Figure BDA0002682413550000032
Figure BDA0002682413550000033
Figure BDA0002682413550000034
Figure BDA0002682413550000035
其中，(1)式表示前置工序
Figure BDA0002682413550000036
均完成后，才能开始后续工序
Figure BDA0002682413550000037
Pj表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量ai与模糊时长
Figure BDA0002682413550000038
成反比关系，
Figure BDA0002682413550000039
为各工序资源与工期之间的转换关系的转换比例系数，
Figure BDA00026824135500000310
值为模糊常数；(3)式表示优化后的工序时长
Figure BDA00026824135500000311
大于等于未优化的工序时长
Figure BDA00026824135500000312
其中
Figure BDA00026824135500000313
均为正整数；
步骤S3，若当前投入资源总量R′>R，其中R为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合C(i)中和非关键路径集合N(i)中，输入R，再将全部关键路径的工序i的集合C(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA00026824135500000314
活动时长
Figure BDA00026824135500000315
和因子γ，采用模糊关键路径算法计算得到当前总工期T1；其中，因子
Figure BDA00026824135500000316
因子
Figure BDA00026824135500000317
步骤S4，对非关键路径的工序i的集合N(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA00026824135500000318
活动时长
Figure BDA00026824135500000319
和因子γ，采用模糊关键路径算法计算得到当前总工期T2；
步骤S5，若T1≤T2，保留全部工序i的集合C(i)对应的
Figure BDA00026824135500000320
γ，记录当前投入资源总量R′＝R′-1，转至步骤S3；否则，保留N(i)对应的
Figure BDA00026824135500000321
Figure BDA00026824135500000322
γ，同时记录当前投入资源总量R′＝R′-1，转至步骤S3；
步骤S6，若当前投入资源总量R′≤R，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，R为整个项目的实际资源投入量。
优选地，所述步骤S3中，所述图形算法包括拓扑排序算法。
优选地，所述物流项目包括n个工序，各工序间存在时序上的先后关系，所有前置工序完成后才能开始后续工序，最后一道工序的完工时间为物流项目的完工工期，其中n为正整数。
优选地，调节因子θ表示在各工序中消耗单位资源所增加的模糊时长的测度值。
优选地，各工序初始时长为资源饱和状态的值，即增加投入资源量也无法缩短各工序时长。
优选地，各工序优化工序时长和资源配置后，与未优化时的各工序前置后续约束关系不变。
优选地，R′为当前资源投入总量，初始值为原先资源投入总量。
本发明还公开了一种用于执行模糊工时下资源受限的物流项目工期优化方法系统，所述系统包括：
评价模块，包括W个评价主体用于对物流项目中第i个工序评估出最小转换参数值
Figure BDA0002682413550000041
最大转换参数值
Figure BDA0002682413550000042
和最可能转换参数值
Figure BDA0002682413550000043
其中，ω＝1,2,…,W，W为正整数；得到第i个工序的三角模糊数
Figure BDA0002682413550000044
再将第i个工序中
Figure BDA0002682413550000045
和
Figure BDA0002682413550000046
做均值处理，得到模糊数
Figure BDA0002682413550000047
Figure BDA0002682413550000048
工期计算模块，用于建立资源受限的工期估算模型，其中模型中目标函数
Figure BDA0002682413550000049
约束函数包括：
Figure BDA00026824135500000410
Figure BDA00026824135500000411
Figure BDA00026824135500000412
Figure BDA0002682413550000051
其中，(1)式表示前置工序
Figure BDA0002682413550000052
均完成后，才能开始后续工序
Figure BDA0002682413550000053
Pj表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量ai与模糊时长
Figure BDA0002682413550000054
成反比关系，
Figure BDA0002682413550000055
为各工序资源与工期之间的转换关系的转换比例系数，
Figure BDA0002682413550000056
值为模糊常数；(3)式表示优化后的工序时长
Figure BDA0002682413550000057
大于等于未优化的工序时长
Figure BDA0002682413550000058
其中
Figure BDA0002682413550000059
均为正整数；
关键路径优化模块，若当前投入资源总量R′>R，其中R为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合C(i)中和非关键路径集合N(i)中，输入R，再将全部关键路径的工序i的集合C(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA00026824135500000510
活动时长
Figure BDA00026824135500000511
和因子γ，采用模糊关键路径算法计算得到当前总工期T1；其中，因子
Figure BDA00026824135500000512
Figure BDA00026824135500000513
因子
Figure BDA00026824135500000514
非关键路径优化模块，用于对非关键路径的工序i的集合N(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA00026824135500000515
活动时长
Figure BDA00026824135500000516
和因子γ，采用模糊关键路径算法计算得到当前总工期T2；
判断模块，用于判断若T1≤T2，保留全部工序i的集合C(i)对应的
Figure BDA00026824135500000517
γ，记录当前投入资源总量R′＝R′-1，转至步骤S3；否则，保留N(i)对应的
Figure BDA00026824135500000518
γ，同时记录当前投入资源总量R′＝R′-1，转至步骤S3；
输出模块，用于若当前投入资源总量R′≤R，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，R为整个项目的实际资源投入量。
优选地，所述关键路径优化模块包括模糊关键路径算法模块和模糊网络构建模块，所述模糊网络构建模块用于将全部工序构建成带有模糊参数的网络拓扑图；
所述模糊关键路径算法模块，用于将全部工序按是否满足关键路径特征，分别归类到关键路径集合C(i)中和非关键路径集合N(i)中。
根据本发明实施例的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的方法。
相对于现有技术，本发明提供的模糊工时下资源受限的物流项目工期优化方法，可实现技术效果：该方法考虑了工序的时长受到投入资源量的影响，其时长是可度量的模糊数，并在基于物流项目任务工序的逻辑关系、模糊参数和模糊运算法则，建立模糊工时下资源约束条件下的工期计算模型，采用关键路径、非关键路径双路径择优进行优化，提高了工期的计算的效果和求解算法的效率，本发明还提供一种系统，该方法和系统能够有效计算和优化模糊工时下资源受限的完工工期。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的模糊工时下资源受限的物流项目工期优化方法一种实施方式的流程图；
图2为本发明的模糊工时下资源受限的物流项目工期优化方法一种实施方式优化后的对比图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决背景技术部分所指物流供应商很难精准确定各工序时长，甚至多数情况下仅能利用经验知识估计各工序时长的大致区间，从而造成整体物流项目工期计算上的困难等问题。本发明提供一种模糊工时下资源受限的物流项目工期优化方法，如图1所示，所述模糊工时下资源受限的物流项目工期优化方法包括，
步骤S1，采用W个评价主体对物流项目中第i个工序评估出最小转换参数值
Figure BDA0002682413550000071
最大转换参数值
Figure BDA0002682413550000072
和最可能转换参数值
Figure BDA0002682413550000073
其中，ω＝1,2,…,W，W为正整数；得到第i个工序的三角模糊数
Figure BDA0002682413550000074
再将第i个工序中
Figure BDA0002682413550000075
和
Figure BDA0002682413550000076
做均值处理，得到模糊数
Figure BDA0002682413550000077
Figure BDA0002682413550000078
步骤S2，建立资源受限的工期估算模型，其中模型中目标函数
Figure BDA0002682413550000081
约束函数包括：
Figure BDA0002682413550000082
Figure BDA0002682413550000083
Figure BDA0002682413550000084
Figure BDA0002682413550000085
其中，(1)式表示前置工序
Figure BDA0002682413550000086
均完成后，才能开始后续工序
Figure BDA0002682413550000087
Pj表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量ai与模糊时长
Figure BDA0002682413550000088
成反比关系，
Figure BDA0002682413550000089
为各工序资源与工期之间的转换关系的转换比例系数，
Figure BDA00026824135500000810
值为模糊常数；(3)式表示优化后的工序时长
Figure BDA00026824135500000811
大于等于未优化的工序时长
Figure BDA00026824135500000812
其中
Figure BDA00026824135500000813
均为正整数；
步骤S3，若当前投入资源总量R′>R，其中R为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合C(i)中和非关键路径集合N(i)中，输入R，再将全部关键路径的工序i的集合C(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA00026824135500000814
活动时长
Figure BDA00026824135500000815
和因子γ，采用模糊关键路径算法计算得到当前总工期T1；其中，因子
Figure BDA00026824135500000816
因子
Figure BDA00026824135500000817
步骤S4，对非关键路径的工序i的集合N(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA00026824135500000818
活动时长
Figure BDA00026824135500000819
和因子γ，采用模糊关键路径算法计算得到当前总工期T2；
步骤S5，若T1≤T2，保留全部工序i的集合C(i)对应的
Figure BDA00026824135500000820
γ，记录当前投入资源总量R′＝R′-1，转至步骤S3；否则，保留N(i)对应的
Figure BDA00026824135500000821
Figure BDA00026824135500000822
γ，同时记录当前投入资源总量R′＝R′-1，转至步骤S3；
步骤S6，若当前投入资源总量R′≤R，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，R为整个项目的实际资源投入量。
本发明公开的模糊工时下资源受限的物流项目工期优化方法考虑了工序的时长受到投入资源量的影响，其时长是可度量的模糊数，并在基于物流项目任务工序的逻辑关系、模糊参数和模糊运算法则，建立模糊工时下资源约束条件下的工期计算模型，采用关键路径、非关键路径双路径择优进行优化，提高了工期的计算的效果和求解算法的效率，该方法能够有效计算和优化模糊工时下资源受限的完工工期。
为了在模糊工时下资源受限的物流项目工期优化方法中更好对整个模糊网络进行优化，在本发明更为优选的情况下，所述步骤S3中，所述图形算法包括拓扑排序算法，在本发明更为优选的情况下，拓扑排序算法包括基于DFS的拓扑排序算法或Kahn算法。
为了使得项目任务工序的逻辑关系优化前后保持与优化前一致，且需要在前置任务全部完成后才能进行当前任务，在本发明更为优选的情况下，所述物流项目包括n个工序，各工序间存在时序上的先后关系，所有前置工序完成后才能开始后续工序，最后一道工序的完工时间为物流项目的完工工期，其中n为正整数。
为了更好地测算消耗单位资源所增加的模糊时长，使得在优化计算时能够优先采用某资源，在本发明更为优选的情况下，调节因子θ表示在各工序中消耗单位资源所增加的模糊时长的测度值。
为了使得各工序初始时长在初始状态，未优化时资源处于资源饱和状态，当优化后，资源在非饱和状态下不增加或尽量少增加总工期，在本发明更为优选的情况下，各工序初始时长为资源饱和状态的值，即增加投入资源量也无法缩短各工序时长。
为了使得项目任务工序的逻辑关系优化前后保持与优化前一致，在本发明更为优选的情况下，各工序优化工序时长和资源配置后，与未优化时的各工序前置后续约束关系不变。
为了更好地比较当前资源投入总量的变化，在本发明更为优选的情况下，R′为当前资源投入总量，初始值为原先资源投入总量。
本发明公开了一个实施例：
某物流项目中26项任务工序，见表1，其中，转换系数和初始时长均使用三角模糊数表示，工序时长用转换参数除以投入资源得到，工序则必须满足时序逻辑关系。另外，资源-时长转换参数来自于对多个不同评价主体评估数据的均值处理，其中，评价主体包括不同专家和项目负责人。
表1项目任务工序相关参数
Figure BDA0002682413550000101
物流供应商根据客户预计可能投入的资源量，模糊工时下资源受限的物流项目工期优化方法构建模糊工时下资源受限的工期计算模型，使用该方法进行求解，与传统的自适应机制的模拟退火算法进行求解对比图，如图2所示，该方法计算的测度值以黑色实线显示，传统的自适应模拟退火算法解的测度值以黑色虚线显示，采用该方法计算的测度值明显优于传统的自适应模拟退火算法。
本发明还公开了一种用于执行模糊工时下资源受限的物流项目工期优化方法系统，所述系统包括：
评价模块，包括W个评价主体用于对物流项目中第i个工序评估出最小转换参数值
Figure BDA0002682413550000111
最大转换参数值
Figure BDA0002682413550000112
和最可能转换参数值
Figure BDA0002682413550000113
其中，ω＝1,2,…,W，W为正整数；得到第i个工序的三角模糊数
Figure BDA0002682413550000114
再将第i个工序中
Figure BDA0002682413550000115
和
Figure BDA0002682413550000116
做均值处理，得到模糊数
Figure BDA0002682413550000117
Figure BDA0002682413550000118
工期计算模块，用于建立资源受限的工期估算模型，其中模型中目标函数
Figure BDA0002682413550000119
约束函数包括：
Figure BDA00026824135500001110
Figure BDA00026824135500001111
Figure BDA00026824135500001112
Figure BDA00026824135500001113
其中，(1)式表示前置工序
Figure BDA00026824135500001114
均完成后，才能开始后续工序
Figure BDA00026824135500001115
Pj表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量ai与模糊时长
Figure BDA00026824135500001116
成反比关系，
Figure BDA00026824135500001117
为各工序资源与工期之间的转换关系的转换比例系数，
Figure BDA00026824135500001118
值为模糊常数；(3)式表示优化后的工序时长
Figure BDA00026824135500001119
大于等于未优化的工序时长
Figure BDA00026824135500001120
其中
Figure BDA00026824135500001121
均为正整数；
关键路径优化模块，若当前投入资源总量R′>R，其中R为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合C(i)中和非关键路径集合N(i)中，输入R，再将全部关键路径的工序i的集合C(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA0002682413550000121
活动时长
Figure BDA0002682413550000122
和因子γ，采用模糊关键路径算法计算得到当前总工期T1；其中，因子
Figure BDA0002682413550000123
Figure BDA0002682413550000124
因子
Figure BDA0002682413550000125
非关键路径优化模块，用于对非关键路径的工序i的集合N(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure BDA0002682413550000126
活动时长
Figure BDA0002682413550000127
和因子γ，采用模糊关键路径算法计算得到当前总工期T2；
判断模块，用于判断若T1≤T2，保留全部工序i的集合C(i)对应的
Figure BDA0002682413550000128
γ，记录当前投入资源总量R′＝R′-1，转至步骤S3；否则，保留N(i)对应的
Figure BDA0002682413550000129
γ，同时记录当前投入资源总量R′＝R′-1，转至步骤S3；
输出模块，用于若当前投入资源总量R′≤R，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，R为整个项目的实际资源投入量。
本发明公开执行模糊工时下资源受限的物流项目工期优化方法的系统，综合考虑了工序的时长受到投入资源量的影响，其时长是可度量的模糊数，并在基于物流项目任务工序的逻辑关系、模糊参数和模糊运算法则，建立模糊工时下资源约束条件下的工期计算模型，采用关键路径、非关键路径双路径择优进行优化，提高了工期的计算的效果和求解算法的效率，该系统能够有效计算和优化模糊工时下资源受限的完工工期。
为了对数据更好地预处理和拓扑结构处理，在本发明优选的情况下，所述关键路径优化模块包括模糊关键路径算法模块和模糊网络构建模块，所述模糊网络构建模块用于将全部工序构建成带有模糊参数的网络拓扑图；所述模糊关键路径算法模块，用于将全部工序按是否满足关键路径特征，分别归类到关键路径集合C(i)中和非关键路径集合N(i)中。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于模糊工时下资源受限的物流项目工期优化方法，其特征在于，所述基于模糊工时下资源受限的物流项目工期优化方法包括，
步骤S1，采用W个评价主体对物流项目中第i个工序评估出最小转换参数值
Figure FDA0003789781440000011
最大转换参数值
Figure FDA0003789781440000012
和最可能转换参数值
Figure FDA0003789781440000013
其中，ω＝1,2,…,W，W为正整数；得到第i个工序的三角模糊数
Figure FDA0003789781440000014
再将第i个工序中
Figure FDA0003789781440000015
Figure FDA0003789781440000016
和
Figure FDA0003789781440000017
做均值处理，得到模糊数
Figure FDA0003789781440000018
步骤S2，建立资源受限的工期估算模型，其中模型中目标函数
Figure FDA0003789781440000019
约束函数包括：
Figure FDA00037897814400000110
Figure FDA00037897814400000111
Figure FDA00037897814400000112
Figure FDA00037897814400000113
其中，(1)式表示前置工序
Figure FDA00037897814400000114
均完成后，才能开始后续工序
Figure FDA00037897814400000115
Pj表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量ai与模糊时长
Figure FDA00037897814400000116
成反比关系，
Figure FDA00037897814400000117
为各工序资源与工期之间的转换关系的转换比例系数，
Figure FDA00037897814400000118
值为模糊常数；(3)式表示优化后的工序时长
Figure FDA00037897814400000119
大于等于未优化的工序时长
Figure FDA00037897814400000120
其中
Figure FDA00037897814400000121
均为正整数；
步骤S3，若当前投入资源总量R′>R，其中R为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合C(i)中和非关键路径集合N(i)中，输入R，再将全部关键路径的工序i的集合C(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure FDA00037897814400000122
活动时长
Figure FDA00037897814400000123
和因子γ，采用模糊关键路径算法计算得到当前总工期T1；其中，因子
Figure FDA00037897814400000124
因子
Figure FDA00037897814400000125
步骤S4，对非关键路径的工序i的集合N(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure FDA0003789781440000021
活动时长
Figure FDA0003789781440000022
和因子γ，采用模糊关键路径算法计算得到当前总工期T2；
步骤S5，若T1≤T2，保留全部工序i的集合C(i)对应的
Figure FDA0003789781440000023
γ，记录当前投入资源总量R′＝R′-1，转至步骤S3；否则，保留N(i)对应的
Figure FDA0003789781440000024
Figure FDA0003789781440000025
γ，同时记录当前投入资源总量R′＝R′-1，转至步骤S3；
步骤S6，若当前投入资源总量R′≤R，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，R为整个项目的实际资源投入量。
2.根据权利要求1所述的基于模糊工时下资源受限的物流项目工期优化方法，其特征在于，所述步骤S3中，所述图形算法包括拓扑排序算法。
3.根据权利要求1所述的基于模糊工时下资源受限的物流项目工期优化方法，其特征在于，所述物流项目包括n个工序，各工序间存在时序上的先后关系，所有前置工序完成后才能开始后续工序，最后一道工序的完工时间为物流项目的完工工期，其中n为正整数。
4.根据权利要求1所述的基于模糊工时下资源受限的物流项目工期优化方法，其特征在于，调节因子θ表示在各工序中消耗单位资源所增加的模糊时长的测度值。
5.根据权利要求1-4任意一项所述的基于模糊工时下资源受限的物流项目工期优化方法，其特征在于，各工序初始时长为资源饱和状态的值，即增加投入资源量也无法缩短各工序时长。
6.根据权利要求1-4任意一项所述的基于模糊工时下资源受限的物流项目工期优化方法，其特征在于，各工序优化工序时长和资源配置后，与未优化时的各工序前置后续约束关系不变。
7.根据权利要求1-4任意一项所述的基于模糊工时下资源受限的物流项目工期优化方法，其特征在于，R′为当前资源投入总量，初始值为原先资源投入总量。
8.一种基于模糊工时下资源受限的物流项目工期优化系统，其特征在于，所述系统包括：
评价模块，包括W个评价主体用于对物流项目中第i个工序评估出最小转换参数值
Figure FDA0003789781440000031
最大转换参数值
Figure FDA0003789781440000032
和最可能转换参数值
Figure FDA0003789781440000033
其中，ω＝1,2,…,W，W为正整数；得到第i个工序的三角模糊数
Figure FDA0003789781440000034
再将第i个工序中
Figure FDA0003789781440000035
和
Figure FDA0003789781440000036
做均值处理，得到模糊数
Figure FDA0003789781440000037
Figure FDA0003789781440000038
工期计算模块，用于建立资源受限的工期估算模型，其中模型中目标函数
Figure FDA0003789781440000039
约束函数包括：
Figure FDA00037897814400000310
Figure FDA00037897814400000311
Figure FDA00037897814400000312
Figure FDA00037897814400000313
其中，(1)式表示前置工序
Figure FDA00037897814400000314
均完成后，才能开始后续工序
Figure FDA00037897814400000315
Pj表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量ai与模糊时长
Figure FDA00037897814400000316
成反比关系，
Figure FDA00037897814400000317
为各工序资源与工期之间的转换关系的转换比例系数，
Figure FDA00037897814400000318
值为模糊常数；(3)式表示优化后的工序时长
Figure FDA00037897814400000319
大于等于未优化的工序时长
Figure FDA0003789781440000041
其中
Figure FDA0003789781440000042
均为正整数；
关键路径优化模块，用于若当前投入资源总量R′>R，其中R为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合C(i)中和非关键路径集合N(i)中，输入R，再将全部关键路径的工序i的集合C(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure FDA0003789781440000043
活动时长
Figure FDA0003789781440000044
和因子γ，采用模糊关键路径算法计算得到当前总工期T1；其中，因子
Figure FDA0003789781440000045
因子
Figure FDA0003789781440000046
非关键路径优化模块，用于对非关键路径的工序i的集合N(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
Figure FDA0003789781440000047
活动时长
Figure FDA0003789781440000048
和因子γ，采用模糊关键路径算法计算得到当前总工期T2；
判断模块，若T1≤T2，保留全部工序i的集合C(i)对应的
Figure FDA0003789781440000049
γ，记录当前投入资源总量R′＝R′-1，转至步骤S3；否则，保留N(i)对应的
Figure FDA00037897814400000410
Figure FDA00037897814400000411
γ，同时记录当前投入资源总量R′＝R′-1，转至步骤S3；
输出模块，用于若当前投入资源总量R′≤R，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，R为整个项目的实际资源投入量。
9.根据权利要求8所述的系统，所述关键路径优化模块包括模糊关键路径算法模块和模糊网络构建模块，所述模糊网络构建模块用于将全部工序构建成带有模糊参数的网络拓扑图；所述模糊关键路径算法模块，用于将全部工序按是否满足关键路径特征，分别归类到关键路径集合C(i)中和非关键路径集合N(i)中。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1-7任意一项所述的方法。
CN202010966190.8A 2020-09-15 2020-09-15 模糊工时下资源受限的物流项目工期优化方法及系统 Expired - Fee Related CN112257977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010966190.8A CN112257977B (zh) 2020-09-15 2020-09-15 模糊工时下资源受限的物流项目工期优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010966190.8A CN112257977B (zh) 2020-09-15 2020-09-15 模糊工时下资源受限的物流项目工期优化方法及系统

Publications (2)

Publication Number Publication Date
CN112257977A CN112257977A (zh) 2021-01-22
CN112257977B true CN112257977B (zh) 2022-11-08

Family

ID=74232374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010966190.8A Expired - Fee Related CN112257977B (zh) 2020-09-15 2020-09-15 模糊工时下资源受限的物流项目工期优化方法及系统

Country Status (1)

Country Link
CN (1) CN112257977B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548735B (zh) * 2022-02-17 2024-07-16 武汉重工铸锻有限责任公司 一种船用柴油机曲轴批量制造的智能排产方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006096642A2 (en) * 2005-03-04 2006-09-14 Invistics, Inc. Associated systems and methods for improving planning, scheduling, and supply chain management
CN102945510A (zh) * 2012-10-23 2013-02-27 西安理工大学 一种求解复杂资源受限项目调度问题的有效方法
CN103617472A (zh) * 2013-07-09 2014-03-05 成都希盟泰克科技发展有限公司 多项目多任务管理中的资源平衡自适应调度方法
AU2016200960B1 (en) * 2016-02-15 2016-10-13 Argo Computing Services Pty Ltd Operational Scheduling with Business Modelling and Genetic Algorithms
CN106709646A (zh) * 2016-12-23 2017-05-24 国网山东省电力公司 一种考虑资源约束的项目进度动态调控方法
CN108846570A (zh) * 2018-06-08 2018-11-20 武汉理工大学 一种解决资源受限项目调度问题的方法
CN110020753A (zh) * 2019-04-08 2019-07-16 江苏建筑职业技术学院 一种污水管网施工资源优化及进度风险分析方法
CN110633825A (zh) * 2019-04-04 2019-12-31 济南森坤企业管理咨询有限公司 一种统筹法项目组合工期制约资源有限优化方案比较方法
CN111191837A (zh) * 2019-12-27 2020-05-22 中国水利水电科学研究院 一种引调水工程应急调度的跟踪优化方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006096642A2 (en) * 2005-03-04 2006-09-14 Invistics, Inc. Associated systems and methods for improving planning, scheduling, and supply chain management
CN102945510A (zh) * 2012-10-23 2013-02-27 西安理工大学 一种求解复杂资源受限项目调度问题的有效方法
CN103617472A (zh) * 2013-07-09 2014-03-05 成都希盟泰克科技发展有限公司 多项目多任务管理中的资源平衡自适应调度方法
AU2016200960B1 (en) * 2016-02-15 2016-10-13 Argo Computing Services Pty Ltd Operational Scheduling with Business Modelling and Genetic Algorithms
CN106709646A (zh) * 2016-12-23 2017-05-24 国网山东省电力公司 一种考虑资源约束的项目进度动态调控方法
CN108846570A (zh) * 2018-06-08 2018-11-20 武汉理工大学 一种解决资源受限项目调度问题的方法
CN110633825A (zh) * 2019-04-04 2019-12-31 济南森坤企业管理咨询有限公司 一种统筹法项目组合工期制约资源有限优化方案比较方法
CN110020753A (zh) * 2019-04-08 2019-07-16 江苏建筑职业技术学院 一种污水管网施工资源优化及进度风险分析方法
CN111191837A (zh) * 2019-12-27 2020-05-22 中国水利水电科学研究院 一种引调水工程应急调度的跟踪优化方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A New Fuzzy Approach for Project Time Assessment Under Uncertain Conditions;Amir Mohammad Hamzeh;《2019 15th Iran International Industrial Engineering Conference (IIIEC)》;20190523;全文 *
基于模糊关键链法工程项目缓冲区的确定;王凯等;《建筑经济》;20090630;全文 *
资源受限的项目调度问题的求解算法;刘敏等;《自动化技术与应用》;20080625(第06期);全文 *

Also Published As

Publication number Publication date
CN112257977A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN108009016B (zh) 一种资源负载均衡控制方法及集群调度器
CN114721833B (zh) 一种基于平台业务类型的智能云端协调方法和装置
Garicano et al. Hierarchies and the Division of Labor
CN106528280A (zh) 一种任务分配方法和系统
CN111984381A (zh) 一种基于历史数据预测的Kubernetes资源调度优化方法
CN109710404B (zh) 分布式系统中的任务调度方法
CN106600058A (zh) 一种制造云服务QoS的组合预测方法
CN106534302A (zh) 多任务需求服务组合方法和系统
CN115297112A (zh) 一种基于Kubernetes的动态资源配额及调度组件
CN109063870B (zh) 基于q学习的组合服务策略优化方法及系统
CN112418341A (zh) 模型融合方法、预测方法、装置、设备及存储介质
CN111209105A (zh) 扩容处理方法、装置、设备及可读存储介质
Shukla et al. FAT-ETO: Fuzzy-AHP-TOPSIS-Based efficient task offloading algorithm for scientific workflows in heterogeneous fog–cloud environment
CN117290090A (zh) 节点协同资源分配方法、装置、设备及存储介质
CN117435306A (zh) 集群容器扩缩容方法、装置、设备及存储介质
CN112257977B (zh) 模糊工时下资源受限的物流项目工期优化方法及系统
Maghsudi et al. Computational models of human decision-making with application to the Internet of everything
CN114661463A (zh) 基于bp神经网络的系统资源预测方法及系统
CN114492742A (zh) 神经网络结构搜索、模型发布方法、电子设备和存储介质
CN113850669A (zh) 用户分群方法、装置、计算机设备及计算机可读存储介质
CN116541128A (zh) 一种负载调节方法、装置、计算设备、及存储介质
Li et al. Using data continualization and expansion to improve small data set learning accuracy for early flexible manufacturing system (FMS) scheduling
CN115827178A (zh) 边缘计算任务分配方法、装置、计算机设备及相关介质
CN113610350B (zh) 复杂工况故障诊断方法、设备、存储介质及装置
CN111092755B (zh) 一种基于资源占用的边缘服务迁移仿真方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221108

CF01 Termination of patent right due to non-payment of annual fee