CN114154847A - 一种工程施工方案的确定方法、装置、客户端和存储介质 - Google Patents
一种工程施工方案的确定方法、装置、客户端和存储介质 Download PDFInfo
- Publication number
- CN114154847A CN114154847A CN202111448116.8A CN202111448116A CN114154847A CN 114154847 A CN114154847 A CN 114154847A CN 202111448116 A CN202111448116 A CN 202111448116A CN 114154847 A CN114154847 A CN 114154847A
- Authority
- CN
- China
- Prior art keywords
- construction
- task
- chromosome
- engineering
- scheme
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 553
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 230000002068 genetic effect Effects 0.000 claims abstract description 33
- 210000000349 chromosome Anatomy 0.000 claims description 343
- 238000007906 compression Methods 0.000 claims description 134
- 230000006835 compression Effects 0.000 claims description 134
- 238000005457 optimization Methods 0.000 claims description 73
- 230000008439 repair process Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000009401 outcrossing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 14
- 108090000623 proteins and genes Proteins 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000005662 electromechanics Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/165—Land development
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工程施工方案的确定方法、装置、客户端和存储介质,该方法包括:获取所述工程的施工任务信息;针对N个施工方中的每个所述施工方,获取每个所述施工方的约束条件和目标;基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案。该方案,通过使用遗传基因算法实现多参与方协同工作的施工方案,能够优化施工方案,提升施工效率。
Description
技术领域
本发明属于智能建造技术领域,具体涉及一种工程施工方案的确定方法、装置、客户端和存储介质,尤其涉及一种最优赶工方案制定方法、装置、客户端和存储介质。
背景技术
施工过程中,常常因各种因素致使某些任务滞后完成,并导致总工期延误。施工单位为避免进度违约,需要调整未完成工作施工方案,从而保证总工期。相关方案中使用的方法是通过增加劳动力等资源加班赶工。但随着工程劳动力资源越来越紧缺,专业设备调配工作越来越难,如何制定风险最低、可行性最大的方案成为重要工作。
但相关方案中没有把施工任务根据负责单位进行区分;但实际施工过程有不同专业施工单位承担,且不同单位不能相互替代,不同单位的资源难以共享;因此相关方案中的赶工优化方法不能将风险在施工的多参与方之间均摊,容易导致赶工方案不被各专业单位接收,难以应用于建筑、结构、机电等涉及多个施工单位的赶工中;并且相关方案中提出的方法均需要大量工期调整与成本变化的数据,实际很难采集准备的数据,应用困难。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的目的在于,提供一种工程施工方案的确定方法、装置、客户端和存储介质,以解决建造工程在多方参与施工的情况下,施工方案的优化难度大的问题,达到通过使用遗传基因算法实现多参与方协同工作的施工方案,能够优化施工方案,提升施工效率的效果。
本发明提供一种工程施工方案的确定方法中,所述工程,具有N个施工方,N为正整数;在N个所述施工方均参与所述工程的建造的情况下,所述工程施工方案的确定方法,包括:获取所述工程的施工任务信息;针对N个所述施工方中的每个所述施工方,获取每个所述施工方的约束条件和目标;基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案。
在一些实施方式中,其中,所述工程的施工任务信息,包括:所述工程的施工任务的集合,记为施工任务集合;所述工程的施工任务信息,还包括:所述工程的施工任务所需资源的矩阵,记为资源需求矩阵;和/或,N个所述施工方的目标,包括:所述工程的目标工期,所述工程的施工任务集合中能够压缩工期的压缩工期任务集合,在综合考虑工期风险、施工成本和施工资源的情况下所述压缩工期任务集合中各任务的最大压缩时间,以及N个所述施工方分摊的最大压缩总时间;N个所述施工方的约束条件,包括:所述压缩工期任务集合中每个任务的压缩时间,小于或等于该任务的最大压缩时间;N个所述施工方中每个所述施工方对自身所属任务的工期的压缩总时长,小于或等于所述最大压缩总时间;所述工程的施工方案的工期,小于或等于所述工程的目标工期。
在一些实施方式中,基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案,包括:根据N个所述施工方的目标,采用蒙特卡洛随机方法,构建所述工程的赶工方案初始染色体库;在所述工程的赶工方案初始染色体库中,每个赶工方案,包括:所述压缩工期任务集合中相应任务的压缩时间;遍历所述工程的赶工方案初始染色体库中的各个赶工方案,采用关键路径计算方法,计算所述工程的赶工方案初始染色体库中的各个赶工方案的工期,并将计算得到的工期中工期超过所述工程的目标工期的赶工方案从所述工程的赶工方案初始染色体库中删除,得到所述工程的新的赶工方案初始染色体库;针对所述工程的新的赶工方案初始染色体库中的各个赶工方案,采用遗传基因优化算法,计算所述压缩工期任务集合中各个任务最优的资源均衡染色体段,形成所述工程的新的赶工方案资源优化染色体库;并将所述工程的新的赶工方案资源优化染色体库,添加到所述工程的新的赶工方案中;采用随机竞争选择算法,根据所述工程的新的赶工方案资源优化染色体库的资源均衡指标,对所述工程的新的赶工方案资源优化染色体库中的染色体库进行筛选,形成新的资源优化染色体库;对所述新的资源优化染色体库中的染色体进行交叉与变异,形成新一代染色体库;根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库;从所述修复染色体库中选择资源均衡指标最小的一组染色体所对应的赶工方案,作为所述工程的施工方案。
在一些实施方式中,根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库,包括:遍历所述新一代染色体库所对应的各个赶工方案,采用关键路径计算方法,计算所述新一代染色体库所对应的各个赶工方案的工期、以及所述新一代染色体库所对应的各施工任务的总时差;若所述新一代染色体库所对应的各施工任务的总时差为0,且对应的施工方自身所属任务的工期的压缩总时长满足所述施工方的约束条件,则计算压缩1天工期引起的资源均衡指数;自所述新一代染色体库所对应的各施工任务中,选出所述资源均衡指数最小的施工任务,压缩该施工任务的工期一天,并修改所述新一代染色体库中该施工任务所对应的染色体,以完成对所述新一代染色体库的修复。
与上述方法相匹配,本发明另一方面提供一种工程施工方案的确定装置中,所述工程,具有N个施工方,N为正整数;在N个所述施工方均参与所述工程的建造的情况下,所述工程施工方案的确定装置,包括:获取单元,被配置为获取所述工程的施工任务信息;所述获取单元,还被配置为针对N个所述施工方中的每个所述施工方,获取每个所述施工方的约束条件和目标;确定单元,被配置为基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案。
在一些实施方式中,其中,所述工程的施工任务信息,包括:所述工程的施工任务的集合,记为施工任务集合;所述工程的施工任务信息,还包括:所述工程的施工任务所需资源的矩阵,记为资源需求矩阵;和/或,N个所述施工方的目标,包括:所述工程的目标工期,所述工程的施工任务集合中能够压缩工期的压缩工期任务集合,在综合考虑工期风险、施工成本和施工资源的情况下所述压缩工期任务集合中各任务的最大压缩时间,以及N个所述施工方分摊的最大压缩总时间;N个所述施工方的约束条件,包括:所述压缩工期任务集合中每个任务的压缩时间,小于或等于该任务的最大压缩时间;N个所述施工方中每个所述施工方对自身所属任务的工期的压缩总时长,小于或等于所述最大压缩总时间;所述工程的施工方案的工期,小于或等于所述工程的目标工期。
在一些实施方式中,所述确定单元,基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案,包括:根据N个所述施工方的目标,采用蒙特卡洛随机装置,构建所述工程的赶工方案初始染色体库;在所述工程的赶工方案初始染色体库中,每个赶工方案,包括:所述压缩工期任务集合中相应任务的压缩时间;遍历所述工程的赶工方案初始染色体库中的各个赶工方案,采用关键路径计算装置,计算所述工程的赶工方案初始染色体库中的各个赶工方案的工期,并将计算得到的工期中工期超过所述工程的目标工期的赶工方案从所述工程的赶工方案初始染色体库中删除,得到所述工程的新的赶工方案初始染色体库;针对所述工程的新的赶工方案初始染色体库中的各个赶工方案,采用遗传基因优化算法,计算所述压缩工期任务集合中各个任务最优的资源均衡染色体段,形成所述工程的新的赶工方案资源优化染色体库;并将所述工程的新的赶工方案资源优化染色体库,添加到所述工程的新的赶工方案中;采用随机竞争选择算法,根据所述工程的新的赶工方案资源优化染色体库的资源均衡指标,对所述工程的新的赶工方案资源优化染色体库中的染色体库进行筛选,形成新的资源优化染色体库;对所述新的资源优化染色体库中的染色体进行交叉与变异,形成新一代染色体库;根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库;从所述修复染色体库中选择资源均衡指标最小的一组染色体所对应的赶工方案,作为所述工程的施工方案。
在一些实施方式中,所述确定单元,根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库,包括:遍历所述新一代染色体库所对应的各个赶工方案,采用关键路径计算装置,计算所述新一代染色体库所对应的各个赶工方案的工期、以及所述新一代染色体库所对应的各施工任务的总时差;若所述新一代染色体库所对应的各施工任务的总时差为0,且对应的施工方自身所属任务的工期的压缩总时长满足所述施工方的约束条件,则计算压缩1天工期引起的资源均衡指数;自所述新一代染色体库所对应的各施工任务中,选出所述资源均衡指数最小的施工任务,压缩该施工任务的工期一天,并修改所述新一代染色体库中该施工任务所对应的染色体,以完成对所述新一代染色体库的修复。
与上述装置相匹配,本发明再一方面提供一种客户端,包括:以上所述的工程施工方案的确定装置。
与上述方法相匹配,本发明再一方面提供一种存储介质,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以上所述的工程施工方案的确定方法。
由此,本发明的方案,通过采用遗传基因算法,根据施工的多参与方的资源投入情况、施工范围和任务压缩时间,在保证各任务压缩量在设定范围内、且各施工方均摊任务和风险的情况下,确定多参与方协同工作的施工方案;从而,通过使用遗传基因算法实现多参与方协同工作的施工方案,能够优化施工方案,提升施工效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的工程施工方案的确定方法的一实施例的流程示意图;
图2为本发明的方法中寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案的一实施例的流程示意图;
图3为本发明的方法中对所述新一代染色体库进行修复的一实施例的流程示意图;
图4为本发明的工程施工方案的确定装置的一实施例的结构示意图;
图5为一种最优赶工方案制定方法的一实施例的整体流程示意图;
图6为染色体编码示意图;
图7为资源优化染色体交叉过程示意图;
图8为赶工优化染色体交叉过程示意图;
图9为不同压缩方案的资源需求曲线示意图;
图10为各任务基本信息表的示意图;
图11为各单位工作压缩总时长表的示意图;
图12为从染色体库GA中选择资源优化指数的输出结果表的示意图。
结合附图,本发明实施例中附图标记如下:
102-获取单元;104-确定单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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。
根据本发明的实施例,提供了一种工程施工方案的确定方法,如图1所示本发明的方法的一实施例的流程示意图。所述工程,具有N个施工方,N为正整数。在N个所述施工方均参与所述工程的建造的情况下,所述工程施工方案的确定方法,包括:步骤S110至步骤S130。
在步骤S110处,获取所述工程的施工任务信息。
在一些实施方式中,所述工程的施工任务信息,包括:所述工程的施工任务的集合,记为施工任务集合。所述工程的施工任务信息,还包括:所述工程的施工任务所需资源的矩阵,记为资源需求矩阵。
图5为一种最优赶工方案制定方法的一实施例的整体流程示意图。如图5所示,本发明的方案提供的一种最优赶工方案制定方法,包括以下步骤:
步骤1:输入施工任务信息。该施工任务信息,包括施工任务tki的集合TM,即施工任务集合TM={tki},i=1-m,m为任务数量,i是正数。施工任务tki=(标识idi,最早开始时间esi,最早完成时间eei,自由时差ffi,时长di)。各个施工任务tki对各种任务资源ri的需求矩阵R={各个任务资源ri},ri={各种资源需求总量rik},i=1-m。各种资源的加权系数W={wk},k=1-n,k是资源类型序号,n为资源类型总数。
图10为各任务基本信息表的示意图。以某机场值机岛的进度优化为例,涉及土建、机电、弱电、装饰装修和行李5家单位,总计划共包括67个工序,总工期86天,其中部分施工任务信息如图10所示的各任务基本信息表所示,假设只考虑劳动力资源的均衡,其中各任务的总劳动力需求如图10所示的各任务基本信息表。对于“值机岛主体钢结构”任务,最早开始于第一天,最早完成与第15天,工期15天,最多压缩5天,施工单位土建,总劳动力需求60工日。
在步骤S120处,针对N个所述施工方中的每个所述施工方,获取每个所述施工方的约束条件和目标。
在一些实施方式中,N个所述施工方的目标,包括:所述工程的目标工期,所述工程的施工任务集合中能够压缩工期的压缩工期任务集合,在综合考虑工期风险、施工成本和施工资源的情况下所述压缩工期任务集合中各任务的最大压缩时间,以及N个所述施工方分摊的最大压缩总时间。
N个所述施工方的约束条件,包括:所述压缩工期任务集合中每个任务的压缩时间,小于或等于该任务的最大压缩时间;N个所述施工方中每个所述施工方对自身所属任务的工期的压缩总时长,小于或等于所述最大压缩总时间;所述工程的施工方案的工期,小于或等于所述工程的目标工期。
如图5所示,本发明的方案提供的一种最优赶工方案制定方法,还包括以下步骤:
步骤2:各个参与方输入约束条件和目标。该目标,主要是总的目标工期Tq,各参与方的目标可以说是约束条件。
各参与方输入的目标,包括:目标工期Tq。各参与方输入的约束条件,包括:可以压缩目标工期Tq的施工任务集合,在综合考虑风险、成本和资源条件下的最大压缩时间TKg={施工任务tkgj,各任务最大压缩时间cgj,max},以及各施工单位g分摊的最大压缩总时间Cg。其中,gj=1-kg,gj为正数,kg为单位g的可压缩任务数量。施工单位g分摊的最大压缩时间超过最大压缩总时间Cg后,该施工单位g的施工进度风险太大,也就是说各个施工任务的压缩时间cgj超过各任务最大压缩量cgj,max后不可行。具体参见公式(1)至公式(3):
各个施工任务的压缩时间cgj≤各任务最大压缩量cgj,max (1)。
施工方案的工期T≤目标工期Tq (3)。
图11为各单位工作压缩总时长表的示意图。以上述值机岛的进度优化为例,目标工期Tq=72天,要压缩14天,各个任务的最大压缩时长cmax如图10所示的各任务基本信息表所示,各单位的最大压缩量如图11所示的各单位工作压缩总时长表所示。
在步骤S130处,基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案。
本发明的方案,提出一种考虑各施工单位压缩贡献均衡的进度优化算法,特别涉及使用遗传基因算法实现多参与方协同工作方案制定的方法,支持各施工单位根据各种约束条件,寻找资源最均衡、风险最低的赶工方案,特别适用于作业空间有限情况下多专业交叉施工优化,能够辅助施工管理者寻找资源最均衡和工期风险最低的施工方案。且需要输入的数据较少,减少用户输入,提高算法实用性。
其中,遗传基因算法,即遗传算法,是一种通过模拟自然进化过程搜索最优解的方法,该算法利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
在一些实施方式中,步骤S130中基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案的具体过程,参见以下示例性说明。
下面结合图2所示本发明的方法中寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案的一实施例流程示意图,进一步说明步骤S130中寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案的具体过程,包括:步骤S210至步骤S260。
步骤S210,根据N个所述施工方的目标,采用蒙特卡洛随机方法,构建所述工程的赶工方案初始染色体库。在所述工程的赶工方案初始染色体库中,每个赶工方案,包括:所述压缩工期任务集合中相应任务的压缩时间。蒙特卡洛随机方法,即统计模拟方法,是一类以概率统计理论为指导的数值计算方法。本质上是用部分估计整体,采样越多,则越近似最优解。
如图5所示,本发明的方案提供的一种最优赶工方案制定方法,还包括以下步骤:
步骤3:根据各个参与方输入的约束条件和目标,创造性地采用蒙特卡洛随机方法构建赶工方案初始染色体库GA={gaj},其中,每个赶工方案gaj=(各个可压缩任务的压缩时间cgj),(cg1,cg2,…,cgk1)为单位g的各个可压缩任务的压缩时长,设循环进化次数z=0。
图6为染色体编码示意图。压缩方案染色体如图6所示。每个赶工方案gaj=(c11,c12,…,c1k1,c21,c22,…,c1k2,…,cg1,cg2,…,cgkg,)。譬如,第一个赶工方案ga1=(0,0,…,0,0,0,…,0,…,0,0,…,0),第二个赶工方案ga2=(1,2,…,2,1,1,…,2,…,2,1,…,2),第三个赶工方案ga3=(2,2,…,1,1,2,…,2,…,3,1,…,1)。
步骤S220,遍历所述工程的赶工方案初始染色体库中的各个赶工方案,采用关键路径计算方法,计算所述工程的赶工方案初始染色体库中的各个赶工方案的工期,并将计算得到的工期中工期超过所述工程的目标工期的赶工方案从所述工程的赶工方案初始染色体库中删除,得到所述工程的新的赶工方案初始染色体库。
如图5所示,本发明的方案提供的一种最优赶工方案制定方法,还包括以下步骤:
步骤4:遍历赶工方案初始染色体库GA中各个赶工方案gaj,采用关键路径计算方法(Critical Path Method,CPM)计算各个赶工方案gaj的工期Tj。将各个赶工方案gaj的工期Tj>目标工期Tq的方案gaj从赶工方案初始染色体库GA中删除。
譬如第一个赶工方案ga1,工期T1=86天,不满足需求,删除。第二个赶工方案ga2和第三个赶工方案ga3工期为72天,满足需求。
步骤S230,针对所述工程的新的赶工方案初始染色体库中的各个赶工方案,采用遗传基因优化算法,计算所述压缩工期任务集合中各个任务最优的资源均衡染色体段,形成所述工程的新的赶工方案资源优化染色体库。并将所述工程的新的赶工方案资源优化染色体库,添加到所述工程的新的赶工方案中。
如图5所示,本发明的方案提供的一种最优赶工方案制定方法,还包括以下步骤:
步骤5:针对赶工方案初始染色体库GA中各个赶工方案gaj,在不影响总工期的情况下,采用基因优化算法计算各个任务最优的资源均衡染色体段sj={es1,es2,…,esj},j=1-m。添加到gai,其中esj为各个任务的最早开始时间。将最早开始时间参数添加到施工方案中,实现工期不变情况下的资源均衡。
步骤5的优化,针对每个施工任务,只是在它的自由时差范围内进行优化,所以不影响后续任务的开始和结束时间,因此不影响总工期。
步骤5.1:遍历赶工方案初始染色体库GA中各个赶工方案gaj,以第二个赶工方案ga2为例。
步骤5.2:采用关键路径计算方法(CPM)计算各个赶工方案gaj中各个施工任务tkji的自由时差ffji。
例如:施工任务tkji的自由时差ffji=(0,0,3,2,0,3,2,0,0,0,3,0)。
步骤5.3:采用蒙特卡随机方法构建资源优化染色体库GS={gsi}:各个染色体模型gsi=(s1,s2,…,sm),其中gsi≤ffji,设置迭代次数z1=0。
各个染色体模型gsi如图6的后半段所示。譬如第一个染色体模型gs1=(0,0,0,0,0,0,0,0,0,0,0,0),第二个染色体模型gs2=(0,0,1,1,0,2,1,0,0,0,1,0)。
步骤5.4:针对各个染色体模型gsi,计算其资源均衡指标作为适应度评价指标Fi,具体参见公式(4)、公式(5)、公式(6)和公式(7)所示的例子:
其中,每天所有施工任务tkik的资源需求加权值R(t)为:
该方法假定施工任务tkik的资源总需求不变,工作时间内每天资源需求一样,施工任务tkik在任意时间的各种资源加权值Rik(t)为:
每天所有施工任务tkik的资源需求加权值R(t)的均值Rm为:
其中,Fi为各个染色体模型gsi计算其资源均衡指标作为适应度评价指标,Tj为施工方案gaj的工期,j代表第j个赶工方案gaj的序号,R(t)为每天所有施工任务tkik的资源需求加权值,Rm为每天所有施工任务tkik的资源需求加权值R(t)的均值。
例如:图9为不同压缩方案的资源需求曲线示意图。对于第二个染色体模型gs2,资源最优适应度评价指标Fi=0.51。对于第三个染色体模型gs3,资源最优适应度评价指标Fi=0.94。第二个染色体模型gs2和第三个染色体模型gs3的资源需求曲线如图9所示。
步骤5.5:采用随机竞争选择算法根据适应度值Fi,对资源优化染色体库GS中染色体库进行筛选,形成新的染色体库GS’,即适应度值Fi高的元素gsi更高频率地进入新的染色体库GS’。
譬如,将2个第三个染色体模型gs3加入新的染色体库GS’,将1个第二个染色体模型gs2加入新的染色体库GS’。新的染色体库GS’中元素的适应性比资源优化染色体库GS中元素大。但资源优化染色体库GS中元素数量与新的染色体库GS’中元素数量一样。
步骤5.6:通过交叉和变异,形成新一代染色体库GS”,具体包括以下步骤:
步骤5.6.1:采用轮盘赌选择算法在各个染色体模型gsi=(s1,s2,…,sm)中随机选择一个点p进行交叉。
譬如,p=4。
步骤5.6.2:将父染色体gsj和gsj+1在p点进行染色体交叉,并使用交叉后生成的子染色体gsj’、gsj+1’。z1=z1+1。
譬如:图7为资源优化染色体交叉过程示意图。第一个染色体模型gs1和第二个染色体模型gs2进行交叉,生成gs2’=(0,0,1,1,0,0,0,0,0,0,0,0),gs1’=(0,0,0,0,0,2,1,0,0,0,1,0),如图7所示。
步骤5.6.3:用交叉后生成的子染色体gsj’、gsj+1’替换gsj中的父染色体gsj和gsj+1。两个子染色体是两个父染色体交叉后生成的新染色体,见图7。子染色体是迭代优化后的新一代染色体,一般适应性指标更高。
步骤5.6.4:根据变异率pm,随机选择部分染色体gsj进行变异处理,即选择部分染色体gsj中任意一个元素si,在满足部分染色体gsj中任意一个元素sisi≤FFji情况下,随机设置一个新值。
譬如选择第二个染色体模型gs2,对设置c3=2,则gs2=(0,0,2,1,0,0,0,0,0,0,0,0)。c3是指gs2染色体的点位的数值。
步骤5.7:当迭代次数z1等于进化要求次数Z1,进入步骤5.7。否则返回步骤5.4。
步骤5.8:在资源优化染色体库GS中找到适应值最大的染色体gsj,将资源优化染色体库GS添加到gaj中,即gaj={gaj,gsj}=(c11,c12,…,c1k1,c21,c22,…,c1k2,…,cg1,cg2,…,cgkg,s1,s2,…,sm)。
赶工方案gaj=(各个可压缩任务的压缩时间cgj),(cg1,cg2,…,cgk1)为单位g的各个可压缩任务的压缩时长,设循环进化次数z=0。
譬如:ga2=(1,2,…,2,1,1,…,2,…,2,1,…,2,0,0,1,1,0,2,1,0,0,0,1,0)。
步骤6:当迭代次数z达到最大进化次数Z,进入步骤10。否则进入步骤8。譬如:迭代次数z=1000。Z是第一阶段迭代的次数;Z1是第二阶段迭代的次数。
步骤S240,采用随机竞争选择算法,根据所述工程的新的赶工方案资源优化染色体库的资源均衡指标,对所述工程的新的赶工方案资源优化染色体库中的染色体库进行筛选,形成新的资源优化染色体库。
如图5所示,本发明的方案提供的一种最优赶工方案制定方法,还包括以下步骤:
步骤7:采用随机竞争选择算法根据适应度值Fi(即适应度评价指标Fi),对资源优化染色体库GS中染色体库进行筛选,形成新的染色体库GA’,即适应度值Fi高的元素gai更高频率地进入新的染色体库GA’。
譬如:对于ga2,其适应度评价指标Fi=0.562。对于ga3,其最优适应度评价指标Fi=0.95。则选择2个ga3,选择1个ga2,加入新的染色体库GA’。使得新的染色体库GA’中元素平均适应值比赶工方案初始染色体库GA中元素高。
步骤S250,对所述新的资源优化染色体库中的染色体进行交叉与变异,形成新一代染色体库。
如图5所示,本发明的方案提供的一种最优赶工方案制定方法,还包括以下步骤:
步骤8:对压缩方案染色体交叉与变异,形成新一代染色体库GA”={gaj},设置迭代次数z=z+1。
步骤8.1:遍历新一代染色体库GA”中每个方案gaj。
譬如:gs2。
步骤8.2:采用随机算法在gaj={gaj,gsj}=(c11,c12,…,c1k1,c21,c22,…,c1k2,…,cg1,cg2,…,cgkg)中随机选择一个点p进行交叉。
譬如:p=3。
步骤8.3:将父染色体gaj和gaj+1在p点进行染色体交叉,并用交叉后生成的子染色体gaj’、gaj+1’。
譬如:图8为赶工优化染色体交叉过程示意图。第二个染色体模型gs2和第三个染色体模型gs3在p=3处交叉后,ga2’=(2,2,1,1,1,…,2,…,2,1,…,2,0,0,1,1,0,2,1,0,0,0,1,0)。ga3’=(1,2,2,1,2,…,2,…,3,1,…,1,0,0,2,1,0,1,2,0,0,0,2,0),如图8所示。
步骤8.4:计算子染色体gaj’和gaj+1’是否满足约束公式(1)、(2),若满足则进入骤8.6。若不满足,则进入步骤8.5。
步骤8.5:对子染色体gaj’、gaj+1’进行变异处理,即对不符合约束公式(1)、(2)的元素cgj在约束公式(1)、(2)条件下随机选择一个值,进入步骤8.6。
步骤8.6:用子染色体gaj’,gaj+1’替换gaj中的父染色体gaj和gaj+1。
步骤S260,根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库。从所述修复染色体库中选择资源均衡指标最小的一组染色体所对应的赶工方案,作为所述工程的施工方案。
如图5所示,本发明的方案提供的一种最优赶工方案制定方法,还包括以下步骤:
步骤9:综合考虑压缩任务工期对资源均衡的影响以及各种约束因素,对新一代染色体库GA”中各个染色体进行修复,修复完成后返回步骤4。
步骤10:从染色体库GA中选择资源优化指数Fi最小的一组作为结果输出。
图12为从染色体库GA中选择资源优化指数的输出结果表的示意图。如图12所示,最优解的ga=(3,2,1,2,2,1,2,1,1,2,2,1)。
本发明的方案,支持施工多参与方根据资源投入等复杂施工情况,输入各关键路径的赶工范围以及各自任务的总压缩期,保证各任务压缩量在可控范围内,且各施工方均摊赶工任务和风险。采用遗传基因算法自动计算资源最均衡和可行性较高的赶工方案,缩小风险,保证工期。
在一些实施方式中,步骤S260中根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库的具体过程,参见以下示例性说明。
下面结合图3所示本发明的方法中对所述新一代染色体库进行修复的一实施例流程示意图,进一步说明步骤S260中对所述新一代染色体库进行修复的具体过程,包括:步骤S310至步骤S330。
步骤S310,遍历所述新一代染色体库所对应的各个赶工方案,采用关键路径计算方法,计算所述新一代染色体库所对应的各个赶工方案的工期、以及所述新一代染色体库所对应的各施工任务的总时差。
步骤S320,若所述新一代染色体库所对应的各施工任务的总时差为0,且对应的施工方自身所属任务的工期的压缩总时长满足所述施工方的约束条件,则计算压缩1天工期引起的资源均衡指数。
步骤S330,自所述新一代染色体库所对应的各施工任务中,选出所述资源均衡指数最小的施工任务,压缩该施工任务的工期一天,并修改所述新一代染色体库中该施工任务所对应的染色体,以完成对所述新一代染色体库的修复。
参见图5所示的例子,步骤9包括以下步骤:
步骤9.1:遍历新一代染色体库GA”各方案gaj。若遍历结束进入步骤9.7。否则进入步骤9.2。
譬如:ga3。
步骤9.2:采用关键路径计算方法(CPM)计算gaj’的工期Tj及其中各任务的总时差TFi。若Tj不大于目标工期Tq,则返回步骤9.1。否则,进入步骤9.3。
譬如:ga3对应的工期T=73天,比目标工期Tq大1天。
步骤9.3:遍历方案gaj中所有施工任务tkji。
步骤9.4:若施工任务tkji总时差TFi=0,且所属施工单位g的总压缩时间满足以下条件,则进入步骤9.5。否则返回步骤9.3:
譬如:ga3中tk1、tk2、tk3、tk12等任务的总时差均为0,但只有tk12对应的施工单位的总压缩时间有空余。
步骤9.5:计算压缩1天工期引起的资源增加指数:
其中,ωji为资源增加指数或资源均衡指数,Rji为任务tkji所需的加权资源总量,ts为施工任务tkji的开始时间,dji(di)为施工任务tkji的当前工期。从而解决方案不符合各单位工期阈值的问题,可以快速形成可行方案,提高资源均衡性。
步骤9.6:找出资源均衡指数ωji最小的任务tkji,压缩其工期1天,即修改染色体gaj中元素cji=cji+1。返回步骤9.2。
譬如:ga3,c12=0+1=1。ga3=(1,2,2,1,2,…,2,…,3,1,…,2,0,0,2,1,0,1,2,0,0,0,2,0)。
步骤9.7:修复完成。
本发明的方案,支持多参与方输入各自赶工的极限,均摊风险。支持各单位输入可压缩任务的最大压缩量,避免资源和成本指数级增加。通过二阶段基因优化算法寻找资源最均衡,风险最低的赶工方案,特别适合于作业面有限情况下多专业交叉施工的赶工方案优化。通过修复方法对交叉变异后方案进行快速修复,提高优化计算速度。
采用本实施例的技术方案,通过采用遗传基因算法,根据施工的多参与方的资源投入情况、施工范围和任务压缩时间,在保证各任务压缩量在设定范围内、且各施工方均摊任务和风险的情况下,确定多参与方协同工作的施工方案。从而,通过使用遗传基因算法实现多参与方协同工作的施工方案,能够优化施工方案,提升施工效率。
根据本发明的实施例,还提供了对应于工程施工方案的确定方法的一种工程施工方案的确定装置。参见图4所示本发明的装置的一实施例的结构示意图。所述工程,具有N个施工方,N为正整数。在N个所述施工方均参与所述工程的建造的情况下,所述工程施工方案的确定装置,包括:获取单元102和确定单元104。
其中,所述获取单元102,被配置为获取所述工程的施工任务信息。该获取单元102的具体功能及处理参见步骤S110。
在一些实施方式中,所述工程的施工任务信息,包括:所述工程的施工任务的集合,记为施工任务集合。所述工程的施工任务信息,还包括:所述工程的施工任务所需资源的矩阵,记为资源需求矩阵。
图5为一种最优赶工方案制定装置的一实施例的整体流程示意图。如图5所示,本发明的方案提供的一种最优赶工方案制定装置,包括以下步骤:
步骤1:输入施工任务信息。该施工任务信息,包括施工任务tki的集合TM,即施工任务集合TM={tki},i=1-m,m为任务数量。施工任务tki=(标识idi,最早开始时间esi,最早完成时间eei,自由时差ffi,时长di)。各个施工任务tki对各种任务资源ri的需求矩阵R={各个任务资源ri},ri={各种资源需求总量rik},i=1-m。各种资源的加权系数W={wk},k=1-n。
图10为各任务基本信息表的示意图。以某机场值机岛的进度优化为例,涉及土建、机电、弱电、装饰装修和行李5家单位,总计划共包括67个工序,总工期86天,其中部分施工任务信息如图10所示的各任务基本信息表所示,假设只考虑劳动力资源的均衡,其中各任务的总劳动力需求如图10所示的各任务基本信息表。对于“值机岛主体钢结构”任务,最早开始于第一天,最早完成与第15天,工期15天,最多压缩5天,施工单位土建,总劳动力需求60工日。
所述获取单元102,还被配置为针对N个所述施工方中的每个所述施工方,获取每个所述施工方的约束条件和目标。该获取单元102的具体功能及处理还参见步骤S120。
在一些实施方式中,N个所述施工方的目标,包括:所述工程的目标工期,所述工程的施工任务集合中能够压缩工期的压缩工期任务集合,在综合考虑工期风险、施工成本和施工资源的情况下所述压缩工期任务集合中各任务的最大压缩时间,以及N个所述施工方分摊的最大压缩总时间。
N个所述施工方的约束条件,包括:所述压缩工期任务集合中每个任务的压缩时间,小于或等于该任务的最大压缩时间;N个所述施工方中每个所述施工方对自身所属任务的工期的压缩总时长,小于或等于所述最大压缩总时间;所述工程的施工方案的工期,小于或等于所述工程的目标工期。
如图5所示,本发明的方案提供的一种最优赶工方案制定装置,还包括以下步骤:
步骤2:各个参与方输入约束条件和目标。
各参与方输入的目标,包括:目标工期Tq。各参与方输入的约束条件,包括:可以压缩目标工期Tq的施工任务集合,在综合考虑风险、成本和资源条件下的最大压缩时间TKg={施工任务tkgj,各任务最大压缩时间cgj,max},以及各施工单位g分摊的最大压缩总时间Cg。其中,gj=1-kg,kg为单位g的可压缩任务数量。施工单位g分摊的最大压缩时间超过最大压缩总时间Cg后,该施工单位g的施工进度风险太大,也就是说各个施工任务的压缩时间cgj超过各任务最大压缩量cgj,max后不可行。具体参见公式(1)至公式(3):
各个施工任务的压缩时间cgj≤各任务最大压缩量cgj,max (1)。
施工方案的工期T≤目标工期Tq (3)。
图11为各单位工作压缩总时长表的示意图。以上述值机岛的进度优化为例,目标工期Tq=72天,要压缩14天,各个任务的最大压缩时长cmax如图10所示的各任务基本信息表所示,各单位的最大压缩量如图11所示的各单位工作压缩总时长表所示。
所述确定单元104,被配置为基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案。该确定单元104的具体功能及处理参见步骤S130。
本发明的方案,提出一种考虑各施工单位压缩贡献均衡的进度优化算法,特别涉及使用遗传基因算法实现多参与方协同工作方案制定的装置,支持各施工单位根据各种约束条件,寻找资源最均衡、风险最低的赶工方案,特别适用于作业空间有限情况下多专业交叉施工优化,能够辅助施工管理者寻找资源最均衡和工期风险最低的施工方案。且需要输入的数据较少,减少用户输入,提高算法实用性。
在一些实施方式中,所述确定单元104,基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案,包括:
所述确定单元104,具体还被配置为根据N个所述施工方的目标,采用蒙特卡洛随机装置,构建所述工程的赶工方案初始染色体库。在所述工程的赶工方案初始染色体库中,每个赶工方案,包括:所述压缩工期任务集合中相应任务的压缩时间。该确定单元104的具体功能及处理还参见步骤S210。蒙特卡洛随机装置,即统计模拟装置,是一类以概率统计理论为指导的数值计算装置。本质上是用部分估计整体,采样越多,则越近似最优解。
如图5所示,本发明的方案提供的一种最优赶工方案制定装置,还包括以下步骤:
步骤3:根据各个参与方输入的约束条件和目标,创造性地采用蒙特卡洛随机装置构建赶工方案初始染色体库GA={gaj},其中,每个赶工方案gaj=(各个可压缩任务的压缩时间cgj),(cg1,cg2,…,cgk1)为单位g的各个可压缩任务的压缩时长,设循环进化次数z=0。
图6为染色体编码示意图。压缩方案染色体如图6所示。每个赶工方案gaj=(c11,c12,…,c1k1,c21,c22,…,c1k2,…,cg1,cg2,…,cgkg,)。譬如,第一个赶工方案ga1=(0,0,…,0,0,0,…,0,…,0,0,…,0),第二个赶工方案ga2=(1,2,…,2,1,1,…,2,…,2,1,…,2),第三个赶工方案ga3=(2,2,…,1,1,2,…,2,…,3,1,…,1)。
所述确定单元104,具体还被配置为遍历所述工程的赶工方案初始染色体库中的各个赶工方案,采用关键路径计算装置,计算所述工程的赶工方案初始染色体库中的各个赶工方案的工期,并将计算得到的工期中工期超过所述工程的目标工期的赶工方案从所述工程的赶工方案初始染色体库中删除,得到所述工程的新的赶工方案初始染色体库。该确定单元104的具体功能及处理还参见步骤S220。
如图5所示,本发明的方案提供的一种最优赶工方案制定装置,还包括以下步骤:
步骤4:遍历赶工方案初始染色体库GA中各个赶工方案gaj,采用关键路径计算装置(Critical Path Method,CPM)计算各个赶工方案gaj的工期Tj。将各个赶工方案gaj的工期Tj>目标工期Tq的方案gaj从赶工方案初始染色体库GA中删除。
譬如第一个赶工方案ga1,工期T1=86天,不满足需求,删除。第二个赶工方案ga2和第三个赶工方案ga3工期为72天,满足需求。
所述确定单元104,具体还被配置为针对所述工程的新的赶工方案初始染色体库中的各个赶工方案,采用遗传基因优化算法,计算所述压缩工期任务集合中各个任务最优的资源均衡染色体段,形成所述工程的新的赶工方案资源优化染色体库。并将所述工程的新的赶工方案资源优化染色体库,添加到所述工程的新的赶工方案中。该确定单元104的具体功能及处理还参见步骤S230。
如图5所示,本发明的方案提供的一种最优赶工方案制定装置,还包括以下步骤:
步骤5:针对赶工方案初始染色体库GA中各个赶工方案gaj,在不影响总工期的情况下,采用基因优化算法计算各个任务最优的资源均衡染色体段sj={es1,es2,…,esj},j=1-m。添加到gai,其中esj为各个任务的最早开始时间。将最早开始时间参数添加到施工方案中,实现工期不变情况下的资源均衡。
步骤5.1:遍历赶工方案初始染色体库GA中各个赶工方案gaj,以第二个赶工方案ga2为例。
步骤5.2:采用关键路径计算装置(CPM)计算各个赶工方案gaj中各个施工任务tkji的自由时差ffji。
例如:施工任务tkji的自由时差ffji=(0,0,3,2,0,3,2,0,0,0,3,0)。
步骤5.3:采用蒙特卡随机装置构建资源优化染色体库GS={gsi}:各个染色体模型gsi=(s1,s2,…,sm),其中gsi≤ffji,设置迭代次数z1=0。
各个染色体模型gsi如图6的后半段所示。譬如第一个染色体模型gs1=(0,0,0,0,0,0,0,0,0,0,0,0),第二个染色体模型gs2=(0,0,1,1,0,2,1,0,0,0,1,0)。
步骤5.4:针对各个染色体模型gsi,计算其资源均衡指标作为适应度评价指标Fi,具体参见公式(4)、公式(5)、公式(6)和公式(7)所示的例子:
其中,每天所有施工任务tkik的资源需求加权值R(t)为:
该装置假定施工任务tkik的资源总需求不变,工作时间内每天资源需求一样,施工任务tkik在任意时间的各种资源加权值Rik(t)为:
每天所有施工任务tkik的资源需求加权值R(t)的均值Rm为:
其中,Fi为各个染色体模型gsi计算其资源均衡指标作为适应度评价指标,Tj为施工方案gaj的工期,j代表第j个赶工方案gaj的序号,R(t)为每天所有施工任务tkik的资源需求加权值,Rm为每天所有施工任务tkik的资源需求加权值R(t)的均值。
例如:图9为不同压缩方案的资源需求曲线示意图。对于第二个染色体模型gs2,资源最优适应度评价指标Fi=0.51。对于第三个染色体模型gs3,资源最优适应度评价指标Fi=0.94。第二个染色体模型gs2和第三个染色体模型gs3的资源需求曲线如图9所示。
步骤5.5:采用随机竞争选择算法根据适应度值Fi,对资源优化染色体库GS中染色体库进行筛选,形成新的染色体库GS’,即适应度值Fi高的元素gsi更高频率地进入新的染色体库GS’。
譬如,将2个第三个染色体模型gs3加入新的染色体库GS’,将1个第二个染色体模型gs2加入新的染色体库GS’。新的染色体库GS’中元素的适应性比资源优化染色体库GS中元素大。但资源优化染色体库GS中元素数量与新的染色体库GS’中元素数量一样。
步骤5.6:通过交叉和变异,形成新一代染色体库GS”,具体包括以下步骤:
步骤5.6.1:采用轮盘赌选择算法在各个染色体模型gsi=(s1,s2,…,sm)中随机选择一个点p进行交叉。
譬如,p=4。
步骤5.6.2:将父染色体gsj和gsj+1在p点进行染色体交叉,并使用交叉后生成的子染色体gsj’、gsj+1’。z1=z1+1。
譬如:图7为资源优化染色体交叉过程示意图。第一个染色体模型gs1和第二个染色体模型gs2进行交叉,生成gs2’=(0,0,1,1,0,0,0,0,0,0,0,0),gs1’=(0,0,0,0,0,2,1,0,0,0,1,0),如图7所示。
步骤5.6.3:用交叉后生成的子染色体gsj’、gsj+1’替换gsj中的父染色体gsj和gsj+1。
步骤5.6.4:根据变异率pm,随机选择部分染色体gsj进行变异处理,即选择部分染色体gsj中任意一个元素si,在满足部分染色体gsj中任意一个元素sisi≤FFji情况下,随机设置一个新值。
譬如选择第二个染色体模型gs2,对设置c3=2,则gs2=(0,0,2,1,0,0,0,0,0,0,0,0)。c3是指gs2染色体的点位的数值。
步骤5.7:当迭代次数z1等于进化要求次数Z1,进入步骤5.7。否则返回步骤5.4。
步骤5.8:在资源优化染色体库GS中找到适应值最大的染色体gsj,将资源优化染色体库GS添加到gaj中,即gaj={gaj,gsj}=(c11,c12,…,c1k1,c21,c22,…,c1k2,…,cg1,cg2,…,cgkg,s1,s2,…,sm)。
赶工方案gaj=(各个可压缩任务的压缩时间cgj),(cg1,cg2,…,cgk1)为单位g的各个可压缩任务的压缩时长,设循环进化次数z=0。
譬如:ga2=(1,2,…,2,1,1,…,2,…,2,1,…,2,0,0,1,1,0,2,1,0,0,0,1,0)。
步骤6:当迭代次数z达到最大进化次数Z,进入步骤10。否则进入步骤8。譬如:迭代次数z=1000。Z是第一阶段迭代的次数;Z1是第二阶段迭代的次数。
所述确定单元104,具体还被配置为采用随机竞争选择算法,根据所述工程的新的赶工方案资源优化染色体库的资源均衡指标,对所述工程的新的赶工方案资源优化染色体库中的染色体库进行筛选,形成新的资源优化染色体库。该确定单元104的具体功能及处理还参见步骤S240。
如图5所示,本发明的方案提供的一种最优赶工方案制定装置,还包括以下步骤:
步骤7:采用随机竞争选择算法根据适应度值Fi(即适应度评价指标Fi),对资源优化染色体库GS中染色体库进行筛选,形成新的染色体库GA’,即适应度值Fi高的元素gai更高频率地进入新的染色体库GA’。
譬如:对于ga2,其适应度评价指标Fi=0.562。对于ga3,其最优适应度评价指标Fi=0.95。则选择2个ga3,选择1个ga2,加入新的染色体库GA’。使得新的染色体库GA’中元素平均适应值比赶工方案初始染色体库GA中元素高。
所述确定单元104,具体还被配置为对所述新的资源优化染色体库中的染色体进行交叉与变异,形成新一代染色体库。该确定单元104的具体功能及处理还参见步骤S250。
如图5所示,本发明的方案提供的一种最优赶工方案制定装置,还包括以下步骤:
步骤8:对压缩方案染色体交叉与变异,形成新一代染色体库GA”={gaj},设置迭代次数z=z+1。
步骤8.1:遍历新一代染色体库GA”中每个方案gaj。
譬如:gs2。
步骤8.2:采用随机算法在gaj={gaj,gsj}=(c11,c12,…,c1k1,c21,c22,…,c1k2,…,cg1,cg2,…,cgkg)中随机选择一个点p进行交叉。
譬如:p=3。
步骤8.3:将父染色体gaj和gaj+1在p点进行染色体交叉,并用交叉后生成的子染色体gaj’、gaj+1’。
譬如:图8为赶工优化染色体交叉过程示意图。第二个染色体模型gs2和第三个染色体模型gs3在p=3处交叉后,ga2’=(2,2,1,1,1,…,2,…,2,1,…,2,0,0,1,1,0,2,1,0,0,0,1,0)。ga3’=(1,2,2,1,2,…,2,…,3,1,…,1,0,0,2,1,0,1,2,0,0,0,2,0),如图8所示。
步骤8.4:计算子染色体gaj’和gaj+1’是否满足约束公式(1)、(2),若满足则进入骤8.6。若不满足,则进入步骤8.5。
步骤8.5:对子染色体gaj’、gaj+1’进行变异处理,即对不符合约束公式(1)、(2)的元素cgj在约束公式(1)、(2)条件下随机选择一个值,进入步骤8.6。
步骤8.6:用子染色体gaj’,gaj+1’替换gaj中的父染色体gaj和gaj+1。
所述确定单元104,具体还被配置为根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库。从所述修复染色体库中选择资源均衡指标最小的一组染色体所对应的赶工方案,作为所述工程的施工方案。该确定单元104的具体功能及处理还参见步骤S260。
如图5所示,本发明的方案提供的一种最优赶工方案制定装置,还包括以下步骤:
步骤9:综合考虑压缩任务工期对资源均衡的影响以及各种约束因素,对新一代染色体库GA”中各个染色体进行修复,修复完成后返回步骤4。
步骤10:从染色体库GA中选择资源优化指数Fi最小的一组作为结果输出。
图12为从染色体库GA中选择资源优化指数的输出结果表的示意图。如图12所示,最优解的ga=(3,2,1,2,2,1,2,1,1,2,2,1)。
本发明的方案,支持施工多参与方根据资源投入等复杂施工情况,输入各关键路径的赶工范围以及各自任务的总压缩期,保证各任务压缩量在可控范围内,且各施工方均摊赶工任务和风险。采用遗传基因算法自动计算资源最均衡和可行性较高的赶工方案,缩小风险,保证工期。
在一些实施方式中,所述确定单元104,根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库,包括:
所述确定单元104,具体还被配置为遍历所述新一代染色体库所对应的各个赶工方案,采用关键路径计算装置,计算所述新一代染色体库所对应的各个赶工方案的工期、以及所述新一代染色体库所对应的各施工任务的总时差。该确定单元104的具体功能及处理还参见步骤S310。
所述确定单元104,具体还被配置为若所述新一代染色体库所对应的各施工任务的总时差为0,且对应的施工方自身所属任务的工期的压缩总时长满足所述施工方的约束条件,则计算压缩1天工期引起的资源均衡指数。该确定单元104的具体功能及处理还参见步骤S320。
所述确定单元104,具体还被配置为自所述新一代染色体库所对应的各施工任务中,选出所述资源均衡指数最小的施工任务,压缩该施工任务的工期一天,并修改所述新一代染色体库中该施工任务所对应的染色体,以完成对所述新一代染色体库的修复。该确定单元104的具体功能及处理还参见步骤S330。
参见图5所示的例子,步骤9包括以下步骤:
步骤9.1:遍历新一代染色体库GA”各方案gaj。若遍历结束进入步骤9.7。否则进入步骤9.2。
譬如:ga3。
步骤9.2:采用关键路径计算装置(CPM)计算gaj’的工期Tj及其中各任务的总时差TFi。若Tj不大于目标工期Tq,则返回步骤9.1。否则,进入步骤9.3。
譬如:ga3对应的工期T=73天,比目标工期Tq大1天。
步骤9.3:遍历方案gaj中所有施工任务tkji。
步骤9.4:若施工任务tkji总时差TFi=0,且所属施工单位g的总压缩时间满足以下条件,则进入步骤9.5。否则返回步骤9.3:
譬如:ga3中tk1、tk2、tk3、tk12等任务的总时差均为0,但只有tk12对应的施工单位的总压缩时间有空余。
步骤9.5:计算压缩1天工期引起的资源增加指数:
其中,ωji为资源增加指数或资源均衡指数,Rji为任务tkji所需的加权资源总量,ts为施工任务tkji的开始时间,dji(di)为施工任务tkji的当前工期。从而解决方案不符合各单位工期阈值的问题,可以快速形成可行方案,提高资源均衡性。
步骤9.6:找出资源均衡指数ωji最小的任务tkji,压缩其工期1天,即修改染色体gaj中元素cji=cji+1。返回步骤9.2。
譬如:ga3,c12=0+1=1。ga3=(1,2,2,1,2,…,2,…,3,1,…,2,0,0,2,1,0,1,2,0,0,0,2,0)。
步骤9.7:修复完成。
本发明的方案,支持多参与方输入各自赶工的极限,均摊风险。支持各单位输入可压缩任务的最大压缩量,避免资源和成本指数级增加。通过二阶段基因优化算法寻找资源最均衡,风险最低的赶工方案,特别适合于作业面有限情况下多专业交叉施工的赶工方案优化。通过修复装置对交叉变异后方案进行快速修复,提高优化计算速度。
由于本实施例的装置所实现的处理及功能基本相应于前述方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
采用本发明的技术方案,通过采用遗传基因算法,根据施工的多参与方的资源投入情况、施工范围和任务压缩时间,在保证各任务压缩量在设定范围内、且各施工方均摊任务和风险的情况下,确定多参与方协同工作的施工方案,能够辅助施工管理者寻找资源最均衡和工期风险最低的施工方案。
根据本发明的实施例,还提供了对应于工程施工方案的确定装置的一种客户端。该客户端可以包括:以上所述的工程施工方案的确定装置。
由于本实施例的客户端所实现的处理及功能基本相应于前述装置的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
采用本发明的技术方案,通过采用遗传基因算法,根据施工的多参与方的资源投入情况、施工范围和任务压缩时间,在保证各任务压缩量在设定范围内、且各施工方均摊任务和风险的情况下,确定多参与方协同工作的施工方案,能够得到最均衡和可行性较高的赶工方案。
根据本发明的实施例,还提供了对应于工程施工方案的确定方法的一种存储介质,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以上所述的工程施工方案的确定方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
采用本发明的技术方案,通过采用遗传基因算法,根据施工的多参与方的资源投入情况、施工范围和任务压缩时间,在保证各任务压缩量在设定范围内、且各施工方均摊任务和风险的情况下,确定多参与方协同工作的施工方案,能够缩小风险,保证工期。
综上,本领域技术人员容易理解的是,在不冲突的前提下,上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已,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权利要求范围之内。
Claims (10)
1.一种工程施工方案的确定方法,其特征在于,所述工程,具有N个施工方,N为正整数;在N个所述施工方均参与所述工程的建造的情况下,所述工程施工方案的确定方法,包括:
获取所述工程的施工任务信息;
针对N个所述施工方中的每个所述施工方,获取每个所述施工方的约束条件和目标;
基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案。
2.根据权利要求1所述的工程施工方案的确定方法,其特征在于,其中,
所述工程的施工任务信息,包括:所述工程的施工任务的集合,记为施工任务集合;所述工程的施工任务信息,还包括:所述工程的施工任务所需资源的矩阵,记为资源需求矩阵;
和/或,
N个所述施工方的目标,包括:所述工程的目标工期,所述工程的施工任务集合中能够压缩工期的压缩工期任务集合,在综合考虑工期风险、施工成本和施工资源的情况下所述压缩工期任务集合中各任务的最大压缩时间,以及N个所述施工方分摊的最大压缩总时间;
N个所述施工方的约束条件,包括:
所述压缩工期任务集合中每个任务的压缩时间,小于或等于该任务的最大压缩时间;
N个所述施工方中每个所述施工方对自身所属任务的工期的压缩总时长,小于或等于所述最大压缩总时间;
所述工程的施工方案的工期,小于或等于所述工程的目标工期。
3.根据权利要求2所述的工程施工方案的确定方法,其特征在于,基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案,包括:
根据N个所述施工方的目标,采用蒙特卡洛随机方法,构建所述工程的赶工方案初始染色体库;在所述工程的赶工方案初始染色体库中,每个赶工方案,包括:所述压缩工期任务集合中相应任务的压缩时间;
遍历所述工程的赶工方案初始染色体库中的各个赶工方案,采用关键路径计算方法,计算所述工程的赶工方案初始染色体库中的各个赶工方案的工期,并将计算得到的工期中工期超过所述工程的目标工期的赶工方案从所述工程的赶工方案初始染色体库中删除,得到所述工程的新的赶工方案初始染色体库;
针对所述工程的新的赶工方案初始染色体库中的各个赶工方案,采用遗传基因优化算法,计算所述压缩工期任务集合中各个任务最优的资源均衡染色体段,形成所述工程的新的赶工方案资源优化染色体库;并将所述工程的新的赶工方案资源优化染色体库,添加到所述工程的新的赶工方案中;
采用随机竞争选择算法,根据所述工程的新的赶工方案资源优化染色体库的资源均衡指标,对所述工程的新的赶工方案资源优化染色体库中的染色体库进行筛选,形成新的资源优化染色体库;
对所述新的资源优化染色体库中的染色体进行交叉与变异,形成新一代染色体库;
根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库;从所述修复染色体库中选择资源均衡指标最小的一组染色体所对应的赶工方案,作为所述工程的施工方案。
4.根据权利要求3所述的工程施工方案的确定方法,其特征在于,根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库,包括:
遍历所述新一代染色体库所对应的各个赶工方案,采用关键路径计算方法,计算所述新一代染色体库所对应的各个赶工方案的工期、以及所述新一代染色体库所对应的各施工任务的总时差;
若所述新一代染色体库所对应的各施工任务的总时差为0,且对应的施工方自身所属任务的工期的压缩总时长满足所述施工方的约束条件,则计算压缩1天工期引起的资源均衡指数;
自所述新一代染色体库所对应的各施工任务中,选出所述资源均衡指数最小的施工任务,压缩该施工任务的工期一天,并修改所述新一代染色体库中该施工任务所对应的染色体,以完成对所述新一代染色体库的修复。
5.一种工程施工方案的确定装置,其特征在于,所述工程,具有N个施工方,N为正整数;在N个所述施工方均参与所述工程的建造的情况下,所述工程施工方案的确定装置,包括:
获取单元,被配置为获取所述工程的施工任务信息;
所述获取单元,还被配置为针对N个所述施工方中的每个所述施工方,获取每个所述施工方的约束条件和目标;
确定单元,被配置为基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案。
6.根据权利要求5所述的工程施工方案的确定装置,其特征在于,其中,
所述工程的施工任务信息,包括:所述工程的施工任务的集合,记为施工任务集合;所述工程的施工任务信息,还包括:所述工程的施工任务所需资源的矩阵,记为资源需求矩阵;
和/或,
N个所述施工方的目标,包括:所述工程的目标工期,所述工程的施工任务集合中能够压缩工期的压缩工期任务集合,在综合考虑工期风险、施工成本和施工资源的情况下所述压缩工期任务集合中各任务的最大压缩时间,以及N个所述施工方分摊的最大压缩总时间;
N个所述施工方的约束条件,包括:
所述压缩工期任务集合中每个任务的压缩时间,小于或等于该任务的最大压缩时间;
N个所述施工方中每个所述施工方对自身所属任务的工期的压缩总时长,小于或等于所述最大压缩总时间;
所述工程的施工方案的工期,小于或等于所述工程的目标工期。
7.根据权利要求6所述的工程施工方案的确定装置,其特征在于,所述确定单元,基于所述工程的施工任务信息,利用遗传基因算法,根据N个所述施工方的约束条件和目标,寻找资源均衡度在设定均衡度范围内、且工期风险在设定风险范围内的施工方案,作为所述工程的施工方案,包括:
根据N个所述施工方的目标,采用蒙特卡洛随机装置,构建所述工程的赶工方案初始染色体库;在所述工程的赶工方案初始染色体库中,每个赶工方案,包括:所述压缩工期任务集合中相应任务的压缩时间;
遍历所述工程的赶工方案初始染色体库中的各个赶工方案,采用关键路径计算装置,计算所述工程的赶工方案初始染色体库中的各个赶工方案的工期,并将计算得到的工期中工期超过所述工程的目标工期的赶工方案从所述工程的赶工方案初始染色体库中删除,得到所述工程的新的赶工方案初始染色体库;
针对所述工程的新的赶工方案初始染色体库中的各个赶工方案,采用遗传基因优化算法,计算所述压缩工期任务集合中各个任务最优的资源均衡染色体段,形成所述工程的新的赶工方案资源优化染色体库;并将所述工程的新的赶工方案资源优化染色体库,添加到所述工程的新的赶工方案中;
采用随机竞争选择算法,根据所述工程的新的赶工方案资源优化染色体库的资源均衡指标,对所述工程的新的赶工方案资源优化染色体库中的染色体库进行筛选,形成新的资源优化染色体库;
对所述新的资源优化染色体库中的染色体进行交叉与变异,形成新一代染色体库;
根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库;从所述修复染色体库中选择资源均衡指标最小的一组染色体所对应的赶工方案,作为所述工程的施工方案。
8.根据权利要求7所述的工程施工方案的确定装置,其特征在于,所述确定单元,根据N个所述施工方的约束条件,对所述新一代染色体库进行修复,得到修复染色体库,包括:
遍历所述新一代染色体库所对应的各个赶工方案,采用关键路径计算装置,计算所述新一代染色体库所对应的各个赶工方案的工期、以及所述新一代染色体库所对应的各施工任务的总时差;
若所述新一代染色体库所对应的各施工任务的总时差为0,且对应的施工方自身所属任务的工期的压缩总时长满足所述施工方的约束条件,则计算压缩1天工期引起的资源均衡指数;
自所述新一代染色体库所对应的各施工任务中,选出所述资源均衡指数最小的施工任务,压缩该施工任务的工期一天,并修改所述新一代染色体库中该施工任务所对应的染色体,以完成对所述新一代染色体库的修复。
9.一种客户端,其特征在于,包括:如权利要求5至8中任一项所述的工程施工方案的确定装置。
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至4中任一项所述的工程施工方案的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111448116.8A CN114154847A (zh) | 2021-11-30 | 2021-11-30 | 一种工程施工方案的确定方法、装置、客户端和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111448116.8A CN114154847A (zh) | 2021-11-30 | 2021-11-30 | 一种工程施工方案的确定方法、装置、客户端和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114154847A true CN114154847A (zh) | 2022-03-08 |
Family
ID=80455395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111448116.8A Pending CN114154847A (zh) | 2021-11-30 | 2021-11-30 | 一种工程施工方案的确定方法、装置、客户端和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114154847A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819926A (zh) * | 2022-07-02 | 2022-07-29 | 北京新机场建设指挥部 | 目标分层迭代方法、装置及电子设备 |
-
2021
- 2021-11-30 CN CN202111448116.8A patent/CN114154847A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819926A (zh) * | 2022-07-02 | 2022-07-29 | 北京新机场建设指挥部 | 目标分层迭代方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems | |
US8250007B2 (en) | Method of generating precedence-preserving crossover and mutation operations in genetic algorithms | |
CN112001618B (zh) | 一种工期指派、订单接受与生产调度集成优化方法 | |
Wang et al. | A knowledge-based evolutionary proactive scheduling approach in the presence of machine breakdown and deterioration effect | |
CN113159835B (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
Ke et al. | Modeling project time–cost trade-off in fuzzy random environment | |
Polat et al. | Subcontractor selection using genetic algorithm | |
CN114580678A (zh) | 一种产品维修资源调度方法和系统 | |
CN114154847A (zh) | 一种工程施工方案的确定方法、装置、客户端和存储介质 | |
CN114066104A (zh) | 一种面向云制造任务变化的资源动态调度方法 | |
Djedović et al. | Optimization of business processes by automatic reallocation of resources using the genetic algorithm | |
Wang et al. | Decision support model based on case-based reasoning approach for estimating the restoration budget of historical buildings | |
CN111553610B (zh) | 一种基于学习-遗忘效应的调度方法及系统 | |
CN116629433A (zh) | 一种流程驱动的导弹装备保障资源配置优化方法 | |
CN113220437B (zh) | 一种工作流多目标调度方法及装置 | |
Peng et al. | Simulation optimization in the new era of AI | |
CN110555742A (zh) | 一种发电商代理报价的生成方法与系统 | |
CN114819660A (zh) | 一种动态演进的设计众包的人力资源任务匹配方法系统 | |
CN114004065A (zh) | 基于智能算法和环境约束下的变电站工程多目标优化方法 | |
CN113688424A (zh) | 基于权重社会网络的个性化差分隐私保护方法 | |
Marzouk et al. | Selecting building materials using system dynamics and ant colony optimization | |
CN112070200A (zh) | 一种谐波群优化方法及其应用 | |
Seo et al. | Quality based software project staffing and scheduling with cost bound | |
Yesugey et al. | A new resource leveling model for the construction project management of building structures: the genetic algorithm | |
Mojahed et al. | Using engineering economy techniques with group topsis method for best project selection |
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 |