CN113268928B - 一种基于随机资源受限多项目调度的遗传规划方法 - Google Patents

一种基于随机资源受限多项目调度的遗传规划方法 Download PDF

Info

Publication number
CN113268928B
CN113268928B CN202110586943.7A CN202110586943A CN113268928B CN 113268928 B CN113268928 B CN 113268928B CN 202110586943 A CN202110586943 A CN 202110586943A CN 113268928 B CN113268928 B CN 113268928B
Authority
CN
China
Prior art keywords
random
priority rule
local search
point
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.)
Active
Application number
CN202110586943.7A
Other languages
English (en)
Other versions
CN113268928A (zh
Inventor
张剑
陈浩杰
丁国富
钱林茂
孟祥印
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110586943.7A priority Critical patent/CN113268928B/zh
Publication of CN113268928A publication Critical patent/CN113268928A/zh
Application granted granted Critical
Publication of CN113268928B publication Critical patent/CN113268928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明公开了一种基于随机资源受限多项目调度的遗传规划方法,包括初始化阶段：采集并初始化遗传规划参数，获得优先级规则表达集合；基于优先级规则表达集合获得初始混合优先级规则集合；生成阶段：通过NSGA‑II算法对种群优先级规则进行评估，用于实现迭代优化和获得非支配优先级规则集合；选择阶段：将传统优先级规则集合和非支配优先级规则集合进行加权归一，获得目标优先级规则调度组合，用于实现工程项目在多状态下的优先级规则组合调度。本发明打破了传统遗传规划决策使用单一优先级规则决策的缺陷，实现了决策综合性能的进一步提升。对于随机资源受限多项目的调度具有重要意义和工程应用价值。

Description

一种基于随机资源受限多项目调度的遗传规划方法
技术领域
本发明属于项目调度优化领域，特别是涉及一种基于随机资源受限多项目调度的遗传规划方法。
背景技术
资源受限项目调度问题(Resource Constrained Project Scheduling Problem,RCPSP)是项目管理中最为核心和经典的NP难问题。而在实际工程中存在大量的随机干扰和多工程协同执行等问题(如项目管理中90％都是在多项目下执行的)，传统的RCPSP模型是很难适应的，因此RCPSP被扩展为随机资源受限多项目调度问题(Stochastic ResourceConstrainedMulti-Project Scheduling Problem,SRCMPSP)。
由于SRCMPSP模型更加贴合工程实际而被广泛研究。由于其同样属于组合优化领域范畴，由于在其他同邻域问题中表现出较强的优化能力和搜索能力，元启发式优化技术先受到关注，如贪心搜索、禁忌搜索、遗传算法等元启发式技术被证明具有良好的效果。但元启发式技术是伴随大量随机操作的迭代优化方法，在SRCMPSP的求解上具有两个缺陷：1)SRCMPSP是一个随机性问题，伴随大量随机搜索的元启发式算法会进一步恶化鲁棒性，从而影响调度效果；2)元启发式算法具有迭代过程，从而需要消耗时间，而随机性问题会使得重调度频率增加，进一步增加计算成本。因此基于优先级规则的启发式调度在近年来受到关注，如(CHEN Z,DEMEULEMEESTER E,Bai S,et al.Efficient priority rules for thestochastic resource-constrained project scheduling problem[J].EuropeanJournal ofOperational Research,2018,270(3):957-967.)忽略掉多工程因素，分析了16种优先级规则的性能对比，并验证了在随机问题下优先级规则的调度性能优于元启发式算法。(WANG Y,HE Z,KERKHOVE L P,et al.On the performance of priority rules forthe stochastic resource constrained multi-project scheduling problem[J].Computers&industrial engineering,2017,114:223-234)则分析了20种优先级规则在SRCMPSP上的调度性能。通过上述研究，验证了在随机项目调度问题下，优先级规则的优越性。
优先级规则虽然具有稳定、快速、鲁棒性好的优点，但优先级规则不具有优化能力，并且具有很强的问题依赖性，即当面向不同规模、不同目标等条件时最优的优先级规则往往不一致。从而以遗传规划为主的超启发式算法提出被应用在调度邻域中，超启发式算法是通过加入元启发式或机器学习的技术手段来生成或选择优先级属性，从而得到更优的优先级调度规则。然而，现有的超启发式技术在项目调度领域中仍然是应用在静态问题中，而更偏向于工程应用的SRCMPSP模型并没有应用求解。同时，现有超启发式技术所产生的优先级规则判别会在整个决策过程中保持固定。当面向不同的生产环境时，如不同的资源占用、项目执行进度等等，最优的优先级规则往往也是不一致的，如何实现在不同环境状态下的优先级规则组合调度也是亟待解决的问题。
发明内容
在现阶段研究中，随机资源受限项目的主要求解方法是以元启发式算法和优先级启发式规则为主，元启发式算法存在具有大量随机操作、鲁棒性和稳定性差、需要较大的迭代时间等缺陷，使其在随机问题上应用受到限制，且有研究证明了在随机问题下优先级规则具有更强的性能。但优先级规则无优化能力和具有问题依赖性等特点导致其局限性，因此基于进化优先级规则的超启发式算法在随机项目调度等随机问题下具有了更巨大的发展潜力和工业应用潜力而缺乏应用研究。同时，现有的超启发式技术均在训练后的决策过程中采用判断的优先级规则不会发生变化，因为在不同生产状态的最优优先级规则也不一致，决策过程中固化的优先级规则使用限制了进一步优化能力。因此本发明提出了一种基于随机资源受限多项目调度的遗传规划方法，将传统超启发式的训练扩展为生成和选择两个阶段以实现多个优先级规则下的组合调度，从而进一步提升超启发式的优化能力。在生成阶段中，在沿用传统的超启发式训练框架以获得更优的优先级规则的基础上对基础属性集、功能集进行扩展和修正，从而适应随机环境下的项目调度优化，并构造了三种新的局部搜索以提升算法的搜索能力。而在选择阶段中，本发明对多项目调度的决策过程分析，设计项目执行进度百分比为划分参数将整个决策过程划分为多个状态，并设计多状态整数编码、两种变异和交叉方式、四种邻域结构以进一步实现超启发式优化，得到多状态下的优先级规则组合方式。
为实现上述目的，本发明基于训练——决策和超启发式的思想提供了如下方案：一种基于随机资源受限多项目调度的遗传规划方法，
所述遗传规划方法包括初始化阶段、生成阶段、选择阶段，其中，
所述初始化阶段包括以下步骤：采集并初始化工程项目的遗传规划参数，获得优先级规则表达集合；基于所述优先级规则表达集合获得初始混合优先级规则集合，所述初始混合优先级规则集合包括属性集、功能集；
所述生成阶段包括以下步骤：通过NSGA-II算法对种群优先级规则进行评估，用于实现迭代优化和获得非支配优先级规则集合；
所述选择阶段包括以下步骤：将传统优先级规则集合和所述非支配优先级规则集合中的优先级规则通过加权归一，获得目标优先级规则调度组合，用于实现所述工程项目在多状态下的优先级规则组合调度。
优选地，所述生成阶段还包括：
扩展和修正所述属性集和功能集，用于适应随机环境下的项目调度优化；
构建遗传算子和局部搜索算子，进行种群进化，用于提升搜索能力。
优选地，所述遗传算子包括交叉算子和变异操作；
所述局部搜索算子包括节点取代局部搜索、子树取代局部搜索、子树删除局部搜索；
所述节点取代局部搜索为通过随机节点替换树状编码结构被随机选择的节点；
所述子树取代局部搜索为通过随机生成的子树替换原编码结构树被随机选择的子树；
所述子树删除局部搜索为通过删除任意随机节点及其包括的子树而保留其父节点下的另一个子树。
优选地，所述节点取代局部搜索的替换条件包括：
被替换节点和随机节点具有相同的子节点数量；
被替换节点与随机节点为不同元素；
被替换的节点为“If”时，变更判断子节点。
优选地，所述选择阶段还包括：
通过项目执行进度百分比划分状态特征，用于将所述工程项目的决策过程分为多个状态；
根据多状态整数编码构建交叉算子、变异算子和局部邻域搜索，用于提升搜索能力。
优选地，所述状态特征为项目集的进度。
优选地，所述交叉算子采用单点交叉，当产生的随机数小于交叉率pc时，执行交叉操作，所产生的另一个随机数小于0.5时，交换父代优先级组合的前半部分，否则交换父代优先级组合的后半部分；
所述变异算子包括单点变异和双点交换变异，当产生的随机数小于变异率pm时，执行变异操作，所产生的另一个随机数小于0.5时，通过单点变异选择变异点并用另一个随机生成的不同于原基因的优先级规则编号替代，否则通过双点交换变异随机选择两个变异点进行基因交换。
优选地，所述局部邻域搜索包括双绑定交换局部搜索、反转局部搜索、向前/向后插入局部搜索；
所述双绑定交换局部搜索为随机选择一个点b，分别将b+3与b和b+2与b+1的基因进行交换，循环交换至基因的长度超过选择的位置导致索引；
所述反转局部搜索为随机选择两个点的子基因序列进行反转；
所述向前/向后插入局部搜索包括向前插入局部搜索和向后插入局部搜索；
所述向前插入局部搜索为选择第一随机点和第二随机点，所述第二随机点大于所述第一随机点，将所述第二随机点的基因插到所述第一随机点的后面；
所述向后插入局部搜索为选择第一随机点和第二随机点，所述第二随机点大于所述第一随机点，将所述第二随机点的基因插到所述第一随机点的前面。
通过实现上述内容,本发明具有以下技术效果及优势：
(1)扩展了遗传规划的应用领域
本发明通过分析现有超启发式调度中的优先级属性和随机问题的特性，扩展和修正了优先级属性集在随机问题下的训练方式，将超启发式思想和遗传规划技术拓展到了随机环境下的项目调度问题中，从而更加切合实际工程的不确定因素，大大提升了遗传规划的应用价值。
(2)新增了遗传规划的优化形式
不同于传统遗传规划方法的进化过程，本发明提出的两阶段遗传规划方法是分为生成阶段和选择阶段两个步骤，以得到一种多个优先级规则在不同状态下的调度组合而非单一的优先级规则，从而打破了传统遗传规划决策整个决策过程使用单一优先级规则决策的缺陷，能够实现决策综合性能的进一步提升。
(3)设计了新的遗传规划进化算子
在整个生成阶段中，虽然沿用了传统遗传规划的进化框架，但本发明设计了三种新的局部搜索邻域结构。同时，在选择阶段，基于多状态整数编码的情况下设计了两种交叉算子和变异算子以及四种邻域搜索结构。这些遗传规划算子能够提升遗传规划算法的性能，为后续的研究进化提供新的选择。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的两阶段遗传规划框架图；
图2为本发明优先级规则表达示意图；
图3为本发明生成阶段搜索算子流程图；
图4为本发明选择阶段下的多状态基因编码示意图；
图5为本发明选择阶段中的遗传算子流程图；
图6为本发明选择阶段中的局部搜索算子流程图
图7为本发明随机资源受限多项目调度原理图。
具体实施方式
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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于随机资源受限多项目调度的遗传规划方法，包括：
步骤一：设计两阶段遗传规划进化框架，如图1所示，它将相似的遗传规划进化过程运用到选择和生成两个阶段中。在生成阶段中通过结合NSGA-II算法实现多目标评估以生成具有非支配关系的优先级规则集，并结合较优的传统优先级规则形成选择阶段的输入。而在选择阶段中，则是将多个优化目标通过加权归一的方式进行评估，同时通过多状态整数编码以得到一个优先级规则组合。当同时考虑调度质量指标和鲁棒性指标时，鲁棒性指标的训练会使在同个工况下需要计算多次以得到均值，这时训练的时间将会极大的增加，因此在本发明的两阶段遗传规划的训练中，只考虑调度质量指标Q1和Q2。
步骤二：基于非支配关系的生成阶段进化，如图1所示，生成阶段中的进化机制基本沿用传统的遗传规划，其中的主要改进分为两个部分。首先在这个阶段中，种群中的个体为符合图2表达的优先级规则，其中包括了三个部分，顶层的判别因子和下层由功能式和属性值所构成的优先级计算式。判别式为判别下层的优先级计算式为最大化还是最小化(分别为“Fall”和“Rise”两种判别)，而功能式和属性值的选取范围则分别如表1和表2所示。值得一提的是，在表2中，由于求解的问题是随机问题，因此计算优先级并判别的活动范围和归一化仅仅局限于当前时刻t的合格集合AEt，一个活动合格的条件是在时刻t它的所有紧前活动全部都已完工。同时所有活动的持续时间仅能知道其分布，因此首先在计算优先级时采用分布的期望值来替代传统遗传规划的确定值，其次在每个决策时刻关键路径需要重新计算，即合格集合中每个活动的最早开始时间一直，即表2不考虑最早开始优先级属性。
表1
Figure BDA0003087960110000091
表2
Figure BDA0003087960110000101
同时，在图1中的生成阶段的进化步骤之上，需要构建优化算子。本发明所使用的的遗传算子和设计的局部搜索算子的示例如图3所示。其中在遗传算子中，交叉算子采用子树交叉操作，变异操作则采用判别式变异，更为重要的是本发明设计了三种局部搜索以提升算法搜索方式如下：
节点取代局部搜索：此种局部搜索结构是通过一个随机产生的节点来替换掉原有树状编码结构中某个被随机选择的节点，在这种替换下需满足三个条件：1)被替换的节点和随机产生的节点需具有相同的子节点数量；2)被替换的节点不能与随机产生的节点为相同的元素；3)因为在所有元素中，只有“If”节点具有三个子节点，因此被替换的节点为“If”时，会变更它的判断子节点。
子树取代局部搜索：此种局部搜索会用一个随机生成的子树替换一个原编码结构树中某个被随机选择的子树。
子树删除局部搜索：此种局部搜索会删除掉一个随机被选择的节点及其包括的子树而保留其父节点下的另一个子树，如果被选择节点的父节点只具有一个子节点，那么会从属性集中随机选择一个属性替换被删除的子树。
步骤三：基于加权归一的选择阶段进化
基于图1中的遗传规划进化框架，在选择阶段中，首先需要设计多状态参数划分依据，对于资源受限多项目调度而言，最重要的状态特征是资源的占用情况和项目集的进度。由于本发明求解的是随机问题，会在每个决策时刻点尽可能的调度多个任务，因此资源的占用情况会一直保持最大负荷状态，因此，设计项目集执行进度百分比来划分状态，如式(1)所示。在此基础上，先将图1后生成阶段得到的优先级规则和较优优先级规则构成的集合并对优先级规则编号，在将整个决策过程会根据百分比的间隔以决定基因的长度，例如采用20％为间隔的基因编码如图4所示，其中当比例区间属于0％-20％属于状态1，并选择编号为7号的优先级规则。
Figure BDA0003087960110000111
式中ratio表示所计算的完工活动与所有活动的比值，i/i’和j/j’分别代表不同项目和活动的索引，di,j表示项目i中活动j的完工时间，P代表多个项目所构成的集合，Ai表示项目i中的活动集合，ACi表示项目i中的所有已完工活动的集合。
其次，在整个选择阶段的优化过程中的目标是为了产生一个最优的优先级规则组合，因此这个阶段的评估方式为加权归一，如公式(2)所示：
Q＝w1×Q1+w2×Q2 (2)
式中w1和w2表示的是目标函数Q1和Q2的权重分配。
同时，图4所示的基因编码仅仅在各状态下所选择的优先级规则，各个优先级规则之间是独立且不会存在任何约束的，因此可以采用更多的搜索方式。本发明设计了两种交叉和变异方式和四种局部搜索方式分别如图5和图6所示。
(1)交叉算子：本发明的交叉算子采用单点交叉，如图5(a)所示，当产生的随机数小于交叉率pc时，以0.5的概率交换两个父代优先级组合的前半部分，否则就交换后半部分。
(2)变异算子：如图5(b)所示，当产生的随机数小于变异率pm时，以0.5的概率执行单点变异，即选择变异点并用另一个随机生成的不同于原基因的优先级规则编号替代；否则执行双点交换变异，即随机选择两个变异点进行基因交换。
(3)双绑定交换局部搜索：随机选择一个点b，分别将b+3与b和b+2与b+1的基因进行交换，如果选择的位置导致索引超过基因的长度，那么它又会从头开始执行循环。
(4)反转局部搜索：随机选择两个点，将两点之间的子基因序列进行反转
(5)向前/向后插入局部搜索：随机选择两个点b和c(c>b)，向前插入局部搜索则将c的基因前插到b的后面，而向后插入局部搜索则将b上的基因插入到c的前面。
随机受资源约束多项目调度问题是在传统的资源基础上添加随机因素，而本发明考虑新项目插入和工时随机两个不确定因素。在其中具有由n个项目组成的项目集P＝{p1,p2,…,pn}，其中每个项目i包括具有工艺逻辑关系的mi+2个活动构成的活动集Ai＝{ai,0,ai,1,…,ai,(mi+1)}。活动ai,0和ai,(mi+1)为虚拟活动，表示整个项目的开始和结束。而在整个项目集P的执行过程中，需要|K|种共用的有限可更新资源，而每种资源k具有确定的资源最大供应RSk。对于项目i，CPi是它的关键路径长度，而ADi是其实际完成时间。而对于每个活动ai,j，假设di,j是其持续时间，sti,j是其开始时间，ri,j,k是其对资源k的需求量。而在整个项目集的执行中，存在两个约束：
紧前紧后约束：每个活动ai,j具有一个紧后活动集合Si,j，它里面的活动只能等ai,j完工后才能开始执行，来自不同项目中的活动之间不会受到此约束的影响。
资源约束：在任意时刻执行的所有活动对于资源k的需求量之和不能超过最大资源供应量RSk。
而对于随机环境下的资源受限多项目调度，还存在两个动态因素，即首先项目中的每个活动的持续时间是一个服从已知分布的随机值而非一个确定值；其次对于每个项目i都具有一个插入时间psti，它的相关信息只有在时间psti后才能知晓且所有活动只能在此时之后才能开始。在同时考虑调度质量和鲁棒性的情况下，相关数学模型如图7所示：
Objective:
min[Q1,Q2,R1,R2] (3)
Figure BDA0003087960110000141
Figure BDA0003087960110000142
Figure BDA0003087960110000143
Figure BDA0003087960110000144
S.t:
Figure BDA0003087960110000145
Figure BDA0003087960110000146
Figure BDA0003087960110000147
Figure BDA0003087960110000148
P(di,j≤0)＝0 (12)
公式(3)-(7)表示目标函数值，Q1和Q2表示项目和项目集的调度质量，而R1和R2表示鲁棒性，其中在公式(6)和(7)中，SADi表示项目i在多次采样下的调度实际完成时间的平均值。而(8)-(12)则为问题约束，其中公式(8)和(9)分别为紧前紧后约束和资源约束其中在公式(9)中At表示在时刻t的执行活动集合；公式(10)表示项目i中活动不能早于项目i的插入时间之前开始；公式(11)为虚拟活动约束，即所有虚拟活动的持续时间为0且不需要任何资源；公式(12)表示所有活动的持续时间不能为负数。
实验环境及评价方式
1.实验环境和参数设置
两阶段遗传规划采用MyEclipse 2017 Java进行编程，计算机配置为2.80GHz双核处理器，8GB内存。实验的验证数据集从(CHEN H J,DING G,ZHANG J,et al.Research onpriority rules for the stochastic resource constrained multi-projectscheduling problem with new project arrival[J].Computers&IndustrialEngineering,2019,137:106060.)选择，它是由200个基础的项目集在5种不同的工况下所构成的1000个实例，由于本发明是研究随机问题，选择5种不同的分布进行验证，算法所用的参数表和分布表分别如表3和表4所示。
表3
Figure BDA0003087960110000151
表4
Figure BDA0003087960110000152
Figure BDA0003087960110000161
2.评价方式
参考(CHEN H J,DING G,ZHANG J,et al.Research on priority rules for thestochastic resource constrained multi-project scheduling problem withnewproject arrival[J].Computers&Industrial Engineering,2019,137:106060.)，优先级规则的优劣采用性能排名的方式来进行评价，如公式(12)所示，即在每种项目集下进行调度，会产生四组(Q1、Q2、R1和R2)排名，由此取每种规则在调度1000组项目集下的平均排名RKl来衡量该优先级规则的性能：
Figure BDA0003087960110000162
式中M为项目集的总数量，V为目标函数集合，rkm,v,l表示规则l在项目集m下调度目标v对应的排名值，其值为小于|Rule|的正整数，Rule表示参与排名的规则集合。
性能对比及验证：整个实验过程分为与传统优先级规则和单阶段遗传规划的对比，为了计算鲁棒性指标，在每个工况下调度10次以获得各个项目的SAD值。通过文献调研，针对于随机资源受限多项目调度的优先级规则包括16种基础优先级规则和2种混合优先级规则，两阶段遗传规划所产生的优先级规则组合与传统优先级规则和混合优先级规则的对比分别如表5和表6所示，其中表5和表6为10次实验下的RK均值。
表5
Figure BDA0003087960110000163
Figure BDA0003087960110000171
表6
Figure BDA0003087960110000172
从表5和表6中可以看出，通过1000个随机实例的均值排名验证，可以看出无论是与16种传统优先级规则还是和2种混合优先级规则对比，两阶段遗传规划算法的RK值均更优一点。同时，可以看出这种在5种不同方差的分布下这种优越性并没有发生改变。由此可以证明相较于现有的优先级规则，两阶段遗传规划展示了更强的综合性能，即在相近的启发式计算时间内，得到了更优的调度策略。
同时，为了进一步验证两阶段遗传算法的有效性，在不改变进化过程的情况下分别单独采取生成阶段和选择阶段进行训练。在只采用生成阶段时即为传统遗传规划框架，为了获得最优的优先级规则，将NSGA-II的评估方式更改为加权归一，而在只采用选择阶段时的输入为传统的较优优先级规则以获得多状态下的优先级规则组合。在1000个实例下所得到的RK值对比分别如表7和表8所示，其中RK同样为10次实验的均值。
表7
Figure BDA0003087960110000181
表8
Figure BDA0003087960110000182
从表7和表8中可以看出，通过1000个随机实例的均值排名验证，两阶段遗传规划的RK值仍然要优于使用单一阶段，从而进一步证明了两阶段框架设计的有效性。通过上述实验证明了在启发式的调度时间下，本发明所提出的两阶段遗传规划框架所进化的优先级规则组合的调度性能能够优于所有的现有方法，有利于随机资源受限多项目调度技术的进一步发展，具有巨大的潜力和应用价值。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于随机资源受限多项目调度的遗传规划方法,其特征在于，所述遗传规划方法包括初始化阶段、生成阶段、选择阶段，其中，
所述初始化阶段包括以下步骤：采集并初始化工程项目的遗传规划参数，获得优先级规则表达集合；基于所述优先级规则表达集合获得初始混合优先级规则集合，所述初始混合优先级规则集合包括属性集、功能集；
所述生成阶段包括以下步骤：通过NSGA-II算法对种群优先级规则进行评估，用于实现迭代优化和获得非支配优先级规则集合；
所述选择阶段包括以下步骤：将传统优先级规则集合和所述非支配优先级规则集合中的优先级规则通过加权归一，获得目标优先级规则调度组合，用于实现所述工程项目在多状态下的优先级规则组合调度；
所述生成阶段还包括以下步骤：
扩展和修正所述属性集和功能集，用于适应随机环境下的项目调度优化；
构建遗传算子和局部搜索算子，进行种群进化，用于提升搜索能力；
所述选择阶段还包括以下步骤：
通过项目执行进度百分比划分状态特征，用于将所述工程项目的决策过程分为多个状态；
根据多状态整数编码构建交叉算子、变异算子和局部邻域搜索，用于提升搜索能力。
2.根据权利要求1所述的一种基于随机资源受限多项目调度的遗传规划方法，其特征在于，
所述遗传算子包括交叉算子和变异操作；
所述局部搜索算子包括节点取代局部搜索、子树取代局部搜索、子树删除局部搜索；
所述节点取代局部搜索为通过随机节点替换树状编码结构被随机选择的节点；
所述子树取代局部搜索为通过随机生成的子树替换原编码结构树被随机选择的子树；
所述子树删除局部搜索为通过删除任意随机节点及其包括的子树而保留其父节点下的另一个子树。
3.根据权利要求2所述的一种基于随机资源受限多项目调度的遗传规划方法，其特征在于，
所述节点取代局部搜索的替换条件包括：
被替换节点和随机节点具有相同的子节点数量；
被替换节点与随机节点为不同元素；
被替换的节点为“If”时，变更判断子节点。
4.根据权利要求1所述的一种基于随机资源受限多项目调度的遗传规划方法，其特征在于，所述状态特征为和项目集的进度。
5.根据权利要求1所述的一种基于随机资源受限多项目调度的遗传规划方法，其特征在于，
所述交叉算子采用单点交叉，当产生的随机数小于交叉率pc时，执行交叉操作；所产生的另一个随机数小于0.5时，交换父代优先级组合的前半部分，否则交换父代优先级组合的后半部分；
所述变异算子包括单点变异和双点交换变异，第三随机数小于变异率pm时，执行变异操作，所产生的另一个随机数小于0.5时，通过单点变异选择变异点并用另一个随机生成的不同于原基因的优先级规则编号替代，否则通过双点交换变异随机选择两个变异点进行基因交换。
6.根据权利要求5所述的一种基于随机资源受限多项目调度的遗传规划方法，其特征在于，
所述局部邻域搜索包括双绑定交换局部搜索、反转局部搜索、向前/向后插入局部搜索；
所述双绑定交换局部搜索为随机选择一个点b，分别将b+3与b和b+2与b+1的基因进行交换，循环交换至基因的长度超过选择的位置导致索引；
所述反转局部搜索为随机选择两个点的子基因序列进行反转；
所述向前/向后插入局部搜索包括向前插入局部搜索和向后插入局部搜索；
所述向前插入局部搜索为选择第一随机点和第二随机点，所述第二随机点大于所述第一随机点，将所述第二随机点的基因插到所述第一随机点的后面；
所述向后插入局部搜索为选择第一随机点和第二随机点，所述第二随机点大于所述第一随机点，将所述第二随机点的基因插到所述第一随机点的前面。
CN202110586943.7A 2021-05-27 2021-05-27 一种基于随机资源受限多项目调度的遗传规划方法 Active CN113268928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110586943.7A CN113268928B (zh) 2021-05-27 2021-05-27 一种基于随机资源受限多项目调度的遗传规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110586943.7A CN113268928B (zh) 2021-05-27 2021-05-27 一种基于随机资源受限多项目调度的遗传规划方法

Publications (2)

Publication Number Publication Date
CN113268928A CN113268928A (zh) 2021-08-17
CN113268928B true CN113268928B (zh) 2022-07-19

Family

ID=77233386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110586943.7A Active CN113268928B (zh) 2021-05-27 2021-05-27 一种基于随机资源受限多项目调度的遗传规划方法

Country Status (1)

Country Link
CN (1) CN113268928B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091270B (zh) * 2021-11-25 2022-10-11 西南交通大学 面向云端产线虚拟重组的制造装备资源接入方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004835A (zh) * 2010-11-26 2011-04-06 武汉大学 一种面向发电风险的水电站优化调度图编制方法
CN107992967A (zh) * 2017-11-28 2018-05-04 南瑞集团有限公司 基于改进多目标遗传算法的船闸调度方法
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190857B (zh) * 2018-10-30 2021-10-22 武汉大学 一种基于多目标资源受限项目调度模型的优化算法
CN109670655B (zh) * 2019-01-30 2023-11-07 华北电力大学（保定） 一种电力系统多目标粒子群优化调度方法
CN110956266B (zh) * 2019-06-06 2023-08-15 国网辽宁省电力有限公司 基于层次分析法的多电源电力系统多目标优化调度方法
CN110866586B (zh) * 2019-10-14 2021-03-16 西南交通大学 用于受资源约束多项目调度的改进遗传规划算法优化方法
CN111222642B (zh) * 2020-01-03 2022-07-19 浙江大学 基于改进小生境遗传算法的多目标柔性作业车间调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004835A (zh) * 2010-11-26 2011-04-06 武汉大学 一种面向发电风险的水电站优化调度图编制方法
CN107992967A (zh) * 2017-11-28 2018-05-04 南瑞集团有限公司 基于改进多目标遗传算法的船闸调度方法
CN112039056A (zh) * 2020-08-10 2020-12-04 国网甘肃省电力公司电力科学研究院 一种新能源两阶段优化调度方法

Also Published As

Publication number Publication date
CN113268928A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN109190857B (zh) 一种基于多目标资源受限项目调度模型的优化算法
Chen et al. A hyper-heuristic based ensemble genetic programming approach for stochastic resource constrained project scheduling problem
CN111695806B (zh) 一种资源分配方法、装置设备和存储介质
Tran et al. Solving resource-constrained project scheduling problems using hybrid artificial bee colony with differential evolution
CN113268928B (zh) 一种基于随机资源受限多项目调度的遗传规划方法
Hua et al. Improved genetic algorithm based on time windows decomposition for solving resource-constrained project scheduling problem
CN110098964A (zh) 一种基于蚁群算法的部署优化方法
Chen et al. A filtering genetic programming framework for stochastic resource constrained multi-project scheduling problem under new project insertions
Li et al. Service matching and composition considering correlations among cloud services
CN112884248B (zh) 一种大规模云服务流程的优化方法
CN111553610B (zh) 一种基于学习-遗忘效应的调度方法及系统
CN116303082B (zh) 一种操作系统内核模糊测试种子调度与评估方法
CN110866586B (zh) 用于受资源约束多项目调度的改进遗传规划算法优化方法
Zhang et al. A hybrid differential evolution and tree search algorithm for the job shop scheduling problem
Chen et al. A two-stage genetic programming framework for stochastic resource constrained multi-project scheduling problem under new project insertions
Hsieh et al. Genetic algorithm for optimization of infrastructure investment under time‐resource constraints
Zaman et al. Evolutionary algorithm for project scheduling under irregular resource changes
Consoli et al. Heuristic approaches for the quartet method of hierarchical clustering
Chen et al. Chaotic differential evolution algorithm for resource constrained project scheduling problem
Liu et al. Hybrid genetic algorithm based on synthetical level of resource conflict for complex construction project scheduling problem
Czogalla et al. A hybrid particle swarm algorithm for resource-constrained project scheduling
CN116401037B (zh) 一种基于遗传算法的多任务调度方法和系统
CN117829552B (zh) 一种基于赛汝生产调度的鲁棒优化方法、装置和设备
CN116562436B (zh) 跨企业分布式服装协同生产调度优化方法、设备及介质
Li et al. A Study on Influence Maximizing Based on Two Rounds of Filtration Metric in Social Networks

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