CN115310709A - 一种基于粒子群算法的电力工程项目信息优化方法 - Google Patents
一种基于粒子群算法的电力工程项目信息优化方法 Download PDFInfo
- Publication number
- CN115310709A CN115310709A CN202211003454.5A CN202211003454A CN115310709A CN 115310709 A CN115310709 A CN 115310709A CN 202211003454 A CN202211003454 A CN 202211003454A CN 115310709 A CN115310709 A CN 115310709A
- Authority
- CN
- China
- Prior art keywords
- engineering project
- optimization model
- resource consumption
- time
- project information
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 371
- 239000002245 particle Substances 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000004422 calculation algorithm Methods 0.000 claims description 119
- 230000008569 process Effects 0.000 claims description 46
- 238000004458 analytical method Methods 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013138 pruning Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 description 26
- 230000007613 environmental effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 101150049349 setA gene Proteins 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于粒子群算法的电力工程项目信息优化方法。方法包括:根据时间与资源消耗值、时间与质量以及资源消耗值与环境各自的对应关系和约束条件分别建立对应时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;并基于上述多个参量而得到的多个优化模型建立电力工程项目对应的工程项目信息优化模型;获取工程项目信息优化模型对应的至少一个工程项目数据,并根据工程项目数据建立工程项目信息优化模型对应的工程项目约束条件;将工程项目数据以及工程项目约束条件通过多目标的粒子群算法对工程项目信息优化模型进行求解,得到工程项目信息优化模型对应的全局目标解集合。采用本方法能够提高电力工程项目的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于粒子群算法的电力工程项目信息优化方法。
背景技术
随着信息优化管理技术的发展,出现了电力工程项目信息管理技术,该技术是一种规划、组织、控制与协调的活动,整个管理活动以工程范围为基础,寻求施工各个参数量之间的均衡,用以降低电力工程有着资源消耗值密集、技术密集、资源密集、交叉施工等特点,工程建设过程中易受外界因素的干扰,对工程建设产生影响。
传统技术中,针对这一问题,电力工程项目信息管理过程运用分散式计算思想,提出一个电力工程项目中不同参量信息采用不同计算方法。这种方法分别为对应的参量建立匹配的目标优化模型,以对项目的时间、资源消耗量、质量还有环境的影响分别进行的优化,无法考虑多个参量之间的相互影响效果,导致施工时间较长、资源消耗量较大、质量水平不统一以及环境影响范围广泛等,最终使得电力工程项目总体消耗过大,工程效率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现电力工程项目时间、资源消耗值、质量以及环境的多目标最优为目的而进行的综合性管理的基于粒子群算法的电力工程项目信息优化方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于粒子群算法的电力工程项目信息优化方法。所述方法包括:根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,所述工程项目信息优化模型具有至少一个模型参数;获取所述工程项目信息优化模型对应的至少一个工程项目数据,并根据所述工程项目数据建立所述工程项目信息优化模型对应的工程项目约束条件;将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,所述全局目标解集合用于表征所述电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
第二方面,本申请还提供了一种基于粒子群算法的电力工程项目信息优化装置。所述装置包括:子优化模型得到模块,用于根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;工程项目信息优化模型建立模块,用于基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,所述工程项目信息优化模型具有至少一个模型参数;工程项目约束条件建立模块,用于获取所述工程项目信息优化模型对应的至少一个工程项目数据,并根据所述工程项目数据建立所述工程项目信息优化模型对应的工程项目约束条件全局目标解集合得到模块,用于将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,所述全局目标解集合用于表征所述电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,所述工程项目信息优化模型具有至少一个模型参数;获取所述工程项目信息优化模型对应的至少一个工程项目数据,并根据所述工程项目数据建立所述工程项目信息优化模型对应的工程项目约束条件;将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,所述全局目标解集合用于表征所述电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,所述工程项目信息优化模型具有至少一个模型参数;获取所述工程项目信息优化模型对应的至少一个工程项目数据,并根据所述工程项目数据建立所述工程项目信息优化模型对应的工程项目约束条件;将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,所述全局目标解集合用于表征所述电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,所述工程项目信息优化模型具有至少一个模型参数;获取所述工程项目信息优化模型对应的至少一个工程项目数据,并根据所述工程项目数据建立所述工程项目信息优化模型对应的工程项目约束条件;将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,所述全局目标解集合用于表征所述电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
上述基于粒子群算法的电力工程项目信息优化方法、装置、计算机设备、存储介质和计算机程序产品,根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;基于时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型,工程项目信息优化模型具有至少一个模型参数;获取工程项目信息优化模型对应的至少一个工程项目数据,并根据工程项目数据建立工程项目信息优化模型对应的工程项目约束条件;将工程项目数据以及工程项目约束条件通过多目标的粒子群算法对工程项目信息优化模型进行求解,得到工程项目信息优化模型对应的全局目标解集合,全局目标解集合用于表征电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
通过根据时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型建立电力工程项目对应的工程项目信息优化模型,并基于多目标的粒子群算法求解,得到全局最优解的集合。针对电力工程项目中每一个工序的持续时间为自变量,对项目的时间、资源消耗值、质量以及环境的影响进行综合的优化,最终实现时间尽量短、资源消耗量尽量低、质量水平尽量高以及环境影响尽量小的目的来达成综合目标的最优,提高电力工程项目的效率。
附图说明
图1为一个实施例中一种基于粒子群算法的电力工程项目信息优化方法的应用环境图;
图2为一个实施例中一种基于粒子群算法的电力工程项目信息优化方法的流程示意图;
图3为一个实施例中得到全局目标解集合方法的流程示意图;
图4为一个实施例中得到多目标的粒子群算法方法的流程示意图;
图5为一个实施例中目标解析粒子方法的流程示意图;
图6为一个实施例中对目标解析粒子进行选择方法的流程示意图;
图7为一个实施例中建立工程信息优化模型方法的流程示意图;
图8为一个实施例中电力工程持续时间与质量关系图;
图9为一个实施例中基于多目标粒子群优化算法的一般流程图;
图10为一个实施例中网格内粒子拥挤距离表示;
图11为一个实施例中一种基于粒子群算法的电力工程项目信息优化装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的一种基于粒子群算法的电力工程项目信息优化方法,可以应用于如图1所示的应用环境中。终端102获取数据,服务器104响应终端102的指令接收终端102的数据,并且对获取得到的数据进行计算,服务器104将数据的计算结果传输回终端102,并且由终端102进行显示。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104响应终端102的指令,根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;基于时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型,工程项目信息优化模型具有至少一个模型参数;获取工程项目信息优化模型对应的至少一个工程项目数据,并根据工程项目数据建立工程项目信息优化模型对应的工程项目约束条件;将工程项目数据以及工程项目约束条件通过多目标的粒子群算法对工程项目信息优化模型进行求解,得到工程项目信息优化模型对应的全局目标解集合,全局目标解集合用于表征电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于粒子群算法的电力工程项目信息优化方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型。
其中,资源消耗值可以是对社会中存有的公共资源或者私有资源的消耗程度,例如:货币的使用程度,汽油的使用程度以及水资源的使用程度等。
其中,优化模型可以是基于两个变量之间的对应关系,用于寻找两者之间的平衡点的模型,当优化模型的对应关系成立的时候,两个变量之间的平衡点有可能为该优化模型的最优解。
具体地,对于时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型,具体的建立关系是如下:
1、时间与资源消耗值优化模型
目标函数:minC=∑(i,j)∈A[bij+γij(nij-Yij)2]+α(D)+β(H)
其中,τij表示工序(i,j)所需最短持续时间;μij表示工序(i,j)所需最长持续时间;nij用来表示工序(i,j)所需正常持续时间;Tij用来表示工序(i,j)所需实际持续时间;Xi表示事项i的开始时间;Xj表示事项j的开始时间;C表示工程项目的总资源消耗值;A指建设工程中各个工序的集合;α表示奖励系数;β表示惩罚系数;D用来表达提早完成工程的天数;H为延迟完成工程的天数;bij表示正常时间工序(i,j)的完工资源消耗值;γij表示边际资源消耗值递增因子,根据工序、施工环境、劳动力等进行变化,γij取值跟随着变化,当工序简单、施工环境合适、劳动力充足等各种因素均利与施工时,γij的取值将会较低,反之,当工序复杂、施工环境不佳、劳动力欠缺等各种因素均不利与施工时,γij的取值将会较高。
公式-Xi+Xj-Tij≥0表示的是项目之间相互关系,须等项目当前工作完成之后工序才能照常进行;公式τij≤Tij≤μij指每个项目的持续时间都应在最短时间和最长时间的范围内;Xi≥0,(i,j)∈A表示各项目的起始时间均比零大。
2、时间-质量目标优化模型
这里,我们根据各个工序所具有的影响对其质量进行加权,通过各个工序质量加权求和而求得工程的质量。从而得出时间持续时间与质量关系图,如图8所示。
图8中的DC表示工序最短持续时间,DL表示工序最长持续时间,DM表示工序正常持续时间,现实生活中DM一般大于DL。表示工序最短持续时间DC对应的工序质量水平,表示工序最长持续时间DL对应的工序质量水平。
在工序时间[DC,DL],建立时间质量模型如下:
其中qij用来表示工序(i,j)所需达到的最低质量需求值;e代表自然常数。
整个工程质量水平与时间的公式如下:
这里的Q指代项目建设实际的质量水平;ωij指代工序(i,j)的质量权重系数。
3、资源消耗量-环境目标优化模型
将环境资源消耗量和施工资源消耗量之间的关系用一次函数来表达,如下公式:
步骤204,基于时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型。
其中,工程项目信息优化模型可以是通过时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型进行整合,能够同时表示时间、资源消耗值、质量以及环境的优化模型,该优化模型能够使得时间、资源消耗值、质量以及环境这四个变量获得最优解。
具体地,根据时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型,建立电力工程项目对应的工程项目信息优化模型,其中工程项目信息优化模型具有至少一个模型参数
电力工程项目时间-资源消耗值-质量-环境多目标优化模型
目标函数:f(T,C,-Q,Ce)=min(T,C,-Q,Ce)
其中,Ce表示工程环境资源消耗量;Ec表示系数(通过历史数据分析获得);表示环境预防资源消耗量;表示环境治理资源消耗量;τij用来表示工序(i,j)所需的最短持续时间;μij用来表示工序(i,j)所需的最长持续时间;Tij用来表示工序(i,j)所需的实际持续时间;Xi表示事项i的开始时间;Xj表示事项j的开始时间;C表示工程项目的总资源消耗量;A指建设工程中各个工序的集合;α表示奖励系数;β表示惩罚系数;D用来表达提早完成工程的天数;H为延迟完成工程的天数;T表示建设项目的总时间;T0表示项目的要求时间;Q指代项目建设实际的质量水平。
步骤206,获取工程项目信息优化模型对应的至少一个工程项目数据,并根据工程项目数据建立工程项目信息优化模型对应的工程项目约束条件。
具体地,服务器响应终端的指令,从终端获取工程项目信息优化模型对应的至少一个工程项目数据,并且将接收到的工程项目数据存储到存储单元中,然后根据工程项目数据建立工程项目信息优化模型对应的工程项目约束条件。当服务器需要对电力工程项目对应的工程项目信息优化模型建立时,则将工程项目数据从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中,接收针对目标关联信息发起的配置请求可以是单个输入,也可以为多个配置请求同时输入。
其中,工程项目数据包括以下多种,分别为:Ce表示工程环境资源消耗量;Ec表示系数(通过历史数据分析获得);表示环境预防资源消耗量;表示环境治理资源消耗量;τij用来表示工序(i,j)所需的最短持续时间;μij用来表示工序(i,j)所需的最长持续时间;Tij用来表示工序(i,j)所需的实际持续时间;Xi表示事项i的开始时间;Xj表示事项j的开始时间;C表示工程项目的总资源消耗量;A指建设工程中各个工序的集合;α表示奖励系数;β表示惩罚系数;D用来表达提早完成工程的天数;H为延迟完成工程的天数;T表示建设项目的总时间;T0表示项目的要求时间。
步骤208,将工程项目数据以及工程项目约束条件通过多目标的粒子群算法对工程项目信息优化模型进行求解,得到工程项目信息优化模型对应的全局目标解集合。
其中,多目标的粒子群算法可以是粒子群算法的一种,其针对的计算目标为多个。粒子群算法是模拟一群鸟寻找食物的过程,每个鸟相当于粒子群算法中的粒子,也就是我们需要求解问题的可能解,这些鸟在寻找食物的过程中,不停改变自己在空中飞行的位置与速度。同其他智能算法类似,粒子群算法也是一种基于群体叠代的算法。但相较于其他算法,粒子群算法的优势在于简单,容易实现,无需梯度信息,参数少,特别是其天然的实数编码特点特别适合于处理实优化问题。另外粒子群算法又有深刻的智能背景,特别适合工程中的实际应用,所以本文主要应用粒子群算法来解决寻优问题。
其中,全局目标解集合可以是针对拥有具体的工程项目信息优化模型对应的至少一个参数使用多目标的粒子群算法进行求解而得到的至少一个最优解的集合,该集合为即为工程项目信息优化模型的最优解。
具体地,基于多目标粒子群优化算法的一般流程如图9所示。
(1)多目标粒子群优化算法中对粒子速度和位置进行如下方式的更新:
假设在N为搜索空间中的第i个粒子的位置为Xi=(xi1,xi2,...,xid),速度Vi=(vi1,vi2,...,vid),在迭代过程中,所有粒子都是具有两个极值,即个体极值pi=(pi1,pi2,...,pid),全局极值pg=(pg1,pg2,...,pgd)。
Vi(t+1)=ω*Vi(t)+c1*r1*(Pbest-Xi(t))+c2*r2*(Gbest-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
其中ω,c1,c2分别表示惯性权重及学习因子,常用的c1=c2=2.0,r1、r2是在区间[0,1]之间的随机数。
(2)假如粒子的速度和位置超越边界时,通过以下方式处理:
其中,[xmin,j,xmax,j]表示在第j维界定的粒子取值范围。
(3)非支配集的作用:算法运行中,将所有求得的非支配解储存在非支配集中。这个集合意味着算法将这一迭代中寻找到的最好的粒子储存起来。
构造非支配集步骤如下:
a.选取种群中的某一个个体i;
b.比较种群中其他个体与该个体i。此时粒子被分为两部分,一部分为被个体i支配,一部分为支配个体i或者与个体i互不相关;
c.如果个体i不被种群中其他个体支配,那就说明个体i是非支配解,此时将i放入非支配集中,否则不放入;
d.重复上述过程,直至种群为空。
(4)个体最优位置为某个粒子从开始时的位置到当前位置的最优位置。具体表达如下:
(5)外部集是指在算法运行过程中储存开始到目前时刻搜索到的最优粒子的集合。外部集合设置的目的如下:
a.用来储存算法从开始到算法目前为止所能找到的所有非支配解,加速完成算法靠近Pareto最优前端的进程;
b.全局最优是需要从外部集中进行选择的,这样利于从外部集中直接选取全局最优解;
c.解的选取仅需要与外部集内已选择的非劣解进行支配关系对比,缩短了算法的运行时间,加速算法步骤完成。
具体的外部集存储步骤和方法选用的是:利用支配关系,比较判断非支配集中的个体,将不被支配或者不相关的较优粒子存入外部集。具体实现为:
a.初始化将外部集设置为空集,即算法开始时,此时将非支配集中的较优个体先存储进外部集内;
b.当外部集里有粒子时,即外部集不再是空集时,任意选取非支配解的某一个个体,假设为i,利用支配关系,依次判断外部集中所有个体与该个体i,若结果是i被支配,则将i从外部集中删除;若i不被任一个体支配或者i支配外部集中某一个或多个个体,则将i存入外部集,且将被支配的所有个体从外部集中删除;
c.以此循环,直至算法完毕。
(6)为了防止非支配解的大小超出了外部集的承载能力,需要对外部集进行规模设置和大小剪辑,以此来删掉多余个体,保留较优粒子。
采用自适应网格方式将非支配解存入外部集,然后设置公式记录每个非支配解存放的网格位置,然后采用拥挤距离方案删除超过外部集最大存储的非支配解。具体方法如下:
i.自适应网络的构建:
假设粒子维度为m,则需要对m维目标空间进行划分,自定义的分为K1×K2×...×Km个网格后,根据以下公式对网格宽度di进行宽度计算:
其中fi(x)为在第i维上的适应度函数值,Ki为第i维的划分网格数。
假设每一次迭代后产生粒子a=(a1,a2,...,am),则此时粒子a在目标空间的位置为:
其中fi(x)为在第i维上的适应度函数值,mod(ti,di)表示取得的整数值。
ii.外部集中非支配解的修剪:
判断粒子优劣:
如图10所示为网格内粒子拥挤距离表示。由图可知,在设置的同一网格内,非支配解距离Pareto前沿各不相同,而距离真实Pareto前沿较近的那些解,是我们需要的较优解,较远的解是较劣解。因此,使用拥挤距离方法,来对这部分非支配解进行优劣判断,设置作为非支配解距离真实Pareto前沿的距离,应用以下公式:
删除网格内粒子个数:
当Mt+1>M时,对外部集进行修剪,修剪公式为
其中grid(k,n)为n维目标空间下,第k个网络内粒子个数。
上述基于粒子群算法的电力工程项目信息优化方法中,根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;基于时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型,工程项目信息优化模型具有至少一个模型参数;获取工程项目信息优化模型对应的至少一个工程项目数据,并根据工程项目数据建立工程项目信息优化模型对应的工程项目约束条件;将工程项目数据以及工程项目约束条件通过多目标的粒子群算法对工程项目信息优化模型进行求解,得到工程项目信息优化模型对应的全局目标解集合,全局目标解集合用于表征电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
通过根据时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型建立电力工程项目对应的工程项目信息优化模型,并基于多目标的粒子群算法求解,得到全局最优解的集合。针对电力工程项目中每一个工序的持续时间为自变量,对项目的时间、资源消耗值、质量以及环境的影响进行综合的优化,最终实现时间尽量短、资源消耗量尽量低、质量水平尽量高以及环境影响尽量小的目的来达成综合目标的最优,提高电力工程项目的效率。
在一个实施例中,如图3所示,将工程项目数据以及工程项目约束条件通过多目标的粒子群算法对工程项目信息优化模型进行求解,得到工程项目信息优化模型对应的全局目标解集合,包括:
步骤302,基于工程项目数据以及工程项目约束条件对应的计算需求,对单目标的粒子群算法进行优化,得到多目标的粒子群算法。
具体地,基于工程项目数据以及工程项目约束条件对应的计算需求,对单目标的粒子群算法进行优化,得到多目标的粒子群算法的具体步骤如下:
(1)多目标粒子群优化算法中对粒子速度和位置进行如下方式的更新:
假设在N为搜索空间中的第i个粒子的位置为Xi=(xi1,xi2,...,xid),速度Vi=(vi1,vi2,...,vid),在迭代过程中,所有粒子都是具有两个极值,即个体极值pi=(pi1,pi2,...,pid),全局极值pg=(pg1,pg2,...,pgd)。
Vi(t+1)=ω*Vi(t)+c1*r1*(Pbest-Xi(t))+c2*r2*(Gbest-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
其中ω,c1,c2分别表示惯性权重及学习因子,常用的c1=c2=2.0,r1、r2是在区间[0,1]之间的随机数。
(2)假如粒子的速度和位置超越边界时,通过以下方式处理:
其中,[xmin,j,xmax,j]表示在第j维界定的粒子取值范围。
步骤304,基于工程项目数据以及工程项目约束条件,使用多目标的粒子群算法对工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到工程项目信息优化模型的模型参数对应至少一个目标解析粒子。
具体地:基于工程项目数据以及工程项目约束条件,使用多目标的粒子群算法对工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到工程项目信息优化模型的模型参数对应至少一个目标解析粒子的具体步骤如下:
(1)非支配集的作用:算法运行中,将所有求得的非支配解储存在非支配集中。这个集合意味着算法将这一迭代中寻找到的最好的粒子储存起来。
构造非支配集步骤如下:
a.选取种群中的某一个个体i;
b.比较种群中其他个体与该个体i。此时粒子被分为两部分,一部分为被个体i支配,一部分为支配个体i或者与个体i互不相关;
c.如果个体i不被种群中其他个体支配,那就说明个体i是非支配解,此时将i放入非支配集中,否则不放入;
d.重复上述过程,直至种群为空。
(2)个体最优位置为某个粒子从开始时的位置到当前位置的最优位置。具体表达如下:
(3)外部集是指在算法运行过程中储存开始到目前时刻搜索到的最优粒子的集合。外部集合设置的目的如下:
a.用来储存算法从开始到算法目前为止所能找到的所有非支配解,加速完成算法靠近Pareto最优前端的进程;
b.全局最优是需要从外部集中进行选择的,这样利于从外部集中直接选取全局最优解;
c.解的选取仅需要与外部集内已选择的非劣解进行支配关系对比,缩短了算法的运行时间,加速算法步骤完成。
具体的外部集存储步骤和方法选用的是:利用支配关系,比较判断非支配集中的个体,将不被支配或者不相关的较优粒子存入外部集。具体实现为:
a.初始化将外部集设置为空集,即算法开始时,此时将非支配集中的较优个体先存储进外部集内;
b.当外部集里有粒子时,即外部集不再是空集时,任意选取非支配解的某一个个体,假设为i,利用支配关系,依次判断外部集中所有个体与该个体i,若结果是i被支配,则将i从外部集中删除;若i不被任一个体支配或者i支配外部集中某一个或多个个体,则将i存入外部集,且将被支配的所有个体从外部集中删除;
c.以此循环,直至算法完毕。
步骤306,对不符合预设的第一条件的目标解析粒子进行删除,得到工程项目信息优化模型对应的全局目标解集合。
其中,第一条件可以是外部集的承载能力,也就是说目标解析粒子中超出了外部集承载能力,且相对误差较大的目标解析粒子将被删除。
具体地,对不符合预设的第一条件的目标解析粒子进行删除,得到工程项目信息优化模型对应的全局目标解集合。为了防止非支配解的大小超出了外部集的承载能力,需要对外部集进行规模设置和大小剪辑,以此来删掉多余个体,保留较优粒子。
采用自适应网格方式将非支配解存入外部集,然后设置公式记录每个非支配解存放的网格位置,然后采用拥挤距离方案删除超过外部集最大存储的非支配解。具体方法如下:
i.自适应网络的构建:
假设粒子维度为m,则需要对m维目标空间进行划分,自定义的分为K1×K2×...×Km个网格后,根据以下公式对网格宽度di进行宽度计算:
其中fi(x)为在第i维上的适应度函数值,Ki为第i维的划分网格数。
假设每一次迭代后产生粒子a=(a1,a2,...,am),则此时粒子a在目标空间的位置为:
其中fi(x)为在第i维上的适应度函数值,mod(ti,di)表示取得的整数值。
ii.外部集中非支配解的修剪:
判断粒子优劣:
如图10所示为网格内粒子拥挤距离表示。由图可知,在设置的同一网格内,非支配解距离Pareto前沿各不相同,而距离真实Pareto前沿较近的那些解,是我们需要的较优解,较远的解是较劣解。因此,使用拥挤距离方法,来对这部分非支配解进行优劣判断,设置作为非支配解距离真实Pareto前沿的距离,应用以下公式:
删除网格内粒子个数:
当Mt+1>M时,对外部集进行修剪,修剪公式为
其中grid(k,n)为n维目标空间下,第k个网络内粒子个数。
本实施例中,通过使用多目标的粒子群算法对工程项目信息优化模型的参数进行求解,得到该优化模型对应的全局目标解集合,相较于其它算法,粒子群算法的优势在于简单,容易实现,无需梯度信息,参数少,特别是其天然的实数编码特点特别适合于处理实优化问题,能够使得求解的过程相对简单,计算量相对较少,满足业务需求的准确度。
在一个实施例中,如图4所示,基于工程项目数据以及工程项目约束条件对应的计算需求,对单目标的粒子群算法进行优化,得到多目标的粒子群算法,包括:
步骤402,基于工程项目数据以及所属工程项目约束条件对应的计算需求,对单目标的粒子群算法中的速度和位置更新方式进行重新设置,得到初始多目标的粒子群算法。
具体地,针对单目标的粒子群算法中的粒子速度和位置修改成多目标的粒子群优化算法,进行如下方式的更新,得到初始多目标的粒子群算法。
假设在N为搜索空间中的第i个粒子的位置为Xi=(xi1,xi2,...,xid),速度Vi=(vi1,vi2,...,vid),在迭代过程中,所有粒子都是具有两个极值,即个体极值pi=(pi1,pi2,...,pid),全局极值pg=(pg1,pg2,...,pgd)。
Vi(t+1)=ω*Vi(t)+c1*r1*(Pbest-Xi(t))+c2*r2*(Gbest-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
其中ω,c1,c2分别表示惯性权重及学习因子,常用的c1=c2=2.0,r1、r2是在区间[0,1]之间的随机数。
步骤404,根据预设的第二条件和第三条件分别对初始多目标的粒子群算法的速度和位置进行限定,得到多目标的粒子群算法。
其中,第二条件可以是多目标的粒子群算法中用于限定粒子的速度的条件。
其中,第二条件可以是多目标的粒子群算法中用于限定粒子的边界的条件。
具体地,假如粒子的速度和位置超越边界时,通过以下方式处理,得到多目标的粒子群算法。
其中,[xmin,j,xmax,j]表示在第j维界定的粒子取值范围。
本实施例中,通过根据工程项目数据以及约束条件的计算需求,对单目标的粒子群算法进行改进,得到多目标的粒子群算法,能够满足业务需求,对多个未知参量进行粒子群算法的求解,以达到同时计算工程项目信息优化模型各参数的目的。
在一个实施例中,如图5所示,基于工程项目数据以及工程项目约束条件,使用多目标的粒子群算法对工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到工程项目信息优化模型的模型参数对应至少一个目标解析粒子,包括:
步骤502,基于工程项目数据以及工程项目约束条件,使用多目标的粒子群算法对工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到各解析粒子对应的第一非支配集。
其中,第一非支配集可以是用于多目标的粒子群算法运行中,将所有求得的非支配解的储存。
具体地,基于工程项目数据以及工程项目约束条件,使用多目标的粒子群算法对工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到各解析粒子对应的第一非支配集,对于非支配集的计算过程如下。
非支配集的作用:算法运行中,将所有求得的非支配解储存在非支配集中。这个集合意味着算法将这一迭代中寻找到的最好的粒子储存起来。
构造非支配集步骤如下:
a.选取种群中的某一个个体i;
b.比较种群中其他个体与该个体i。此时粒子被分为两部分,一部分为被个体i支配,一部分为支配个体i或者与个体i互不相关;
c.如果个体i不被种群中其他个体支配,那就说明个体i是非支配解,此时将i放入非支配集中,否则不放入;
d.重复上述过程,直至种群为空。
步骤504,对各解析粒子对应的第一非支配集运行至少两次的寻优迭代算法,得到工程项目信息优化模型的模型参数对应至少一个目标解析粒子。
具体地,对各解析粒子对应的第一非支配集运行至少两次的寻优迭代算法,得到工程项目信息优化模型的模型参数对应至少一个目标解析粒子,具体的算法迭代过程如下。
(1)个体最优位置为某个粒子从开始时的位置到当前位置的最优位置。具体表达如下:
(2)外部集是指在算法运行过程中储存开始到目前时刻搜索到的最优粒子的集合。外部集合设置的目的如下:
a.用来储存算法从开始到算法目前为止所能找到的所有非支配解,加速完成算法靠近Pareto最优前端的进程;
b.全局最优是需要从外部集中进行选择的,这样利于从外部集中直接选取全局最优解;
c.解的选取仅需要与外部集内已选择的非劣解进行支配关系对比,缩短了算法的运行时间,加速算法步骤完成。
具体的外部集存储步骤和方法选用的是:利用支配关系,比较判断非支配集中的个体,将不被支配或者不相关的较优粒子存入外部集。具体实现为:
a.初始化将外部集设置为空集,即算法开始时,此时将非支配集中的较优个体先存储进外部集内;
b.当外部集里有粒子时,即外部集不再是空集时,任意选取非支配解的某一个个体,假设为i,利用支配关系,依次判断外部集中所有个体与该个体i,若结果是i被支配,则将i从外部集中删除;若i不被任一个体支配或者i支配外部集中某一个或多个个体,则将i存入外部集,且将被支配的所有个体从外部集中删除;
c.以此循环,直至算法完毕。
本实施例中,通过建立解析粒子对应的第一非支配集,并根据第一非支配集运行至少两次的寻优迭代算法,得到工程项目信息优化模型的目标解析粒子,从而能够使用多目标的粒子群算法准确地计算出工程项目信息优化模型对应的目标解析解。
在一个实施例中,如图6所示,对不符合预设的第一条件的目标解析粒子进行删除,得到工程项目信息优化模型对应的全局目标解集合,包括:
步骤602,根据寻优迭代算法的外部集对应的规模和大小构建外部集对应的自适应网络。
具体地,为了防止非支配解的大小超出了外部集的承载能力,需要对外部集进行规模设置和大小剪辑,以此来删掉多余个体,保留较优粒子,构建外部集对应的自适应网络。
采用自适应网格方式将非支配解存入外部集,然后设置公式记录每个非支配解存放的网格位置,然后采用拥挤距离方案删除超过外部集最大存储的非支配解。具体方法如下:
自适应网络的构建:
假设粒子维度为m,则需要对m维目标空间进行划分,自定义的分为K1×K2×...×Km个网格后,根据以下公式对网格宽度di进行宽度计算:
其中fi(x)为在第i维上的适应度函数值,Ki为第i维的划分网格数。
假设每一次迭代后产生粒子a=(a1,a2,...,am),则此时粒子a在目标空间的位置为:
其中fi(x)为在第i维上的适应度函数值,mod(ti,di)表示取得的整数值。
步骤604,将各目标解析粒子对应第二非支配集使用自适应网络进行修剪,以选择各目标解析粒子中符合外部集对应的规模和大小的解析粒子,得到工程项目信息优化模型对应的全局目标解集合。
其中,第二非支配集可以用于多目标的粒子群算法运行中,将所有求得的非支配解中选取目标解析粒子进行储存。
具体地,将各目标解析粒子对应第二非支配集使用自适应网络进行修剪,以选择各目标解析粒子中符合外部集对应的规模和大小的解析粒子,得到工程项目信息优化模型对应的全局目标解集合,具体的运算过程如下。
外部集中非支配解的修剪:
判断粒子优劣:
如图10所示为网格内粒子拥挤距离表示。由图可知,在设置的同一网格内,非支配解距离Pareto前沿各不相同,而距离真实Pareto前沿较近的那些解,是我们需要的较优解,较远的解是较劣解。因此,使用拥挤距离方法,来对这部分非支配解进行优劣判断,设置作为非支配解距离真实Pareto前沿的距离,应用以下公式:
删除网格内粒子个数:
当Mt+1>M时,对外部集进行修剪,修剪公式为
其中grid(k,n)为n维目标空间下,第k个网络内粒子个数。
本实施例中,通过对目标解析粒子所形成的第二非支配集进行修剪,以选择符合外部集对应的规模和大小的目标解析粒子,能够达到从多个目标解析粒子中寻找最优的目标解析粒子,也就是获得针对工程项目信息优化模型的最优解析解。
在一个实施例中,如图7所示,基于时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型,包括:
步骤702,建立时间、资源消耗值、质量的相反数和环境资源消耗值之间的第一映射关系;以及,建立时间与各工序所需的实际持续时间的和之间的第二映射关系。
其中,第一映射关系可以是时间、资源消耗值、质量的相反数和环境资源消耗值四者之间用等式建立起来的关系。
其中,第二映射关系可以是时间与各工序所需的实际持续时间的和两者之间用等式建立起来的关系。
具体地,建立时间、资源消耗值、质量的相反数和环境资源消耗值之间的第一映射关系;以及,建立时间与各工序所需的实际持续时间的和之间的第二映射关系。其中,
第一映射关系:f(T,C,-Q,Ce)=min(T,C,-Q,Ce)
其中,Ce表示工程环境资源消耗量;T表示建设项目的总时间;C表示工程项目的总资源消耗量;Tij用来表示工序(i,j)所需的实际持续时间;Q指代项目建设实际的质量水平。
步骤704,基于第一映射关系、第二映射关系、时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型。
具体地,基于第一映射关系、第二映射关系、时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型。
电力工程项目时间-资源消耗值-质量-环境多目标优化模型
目标函数:f(T,C,-Q,Ce)=min(T,C,-Q,Ce)
其中,Ce表示工程环境资源消耗量;Ec表示系数(通过历史数据分析获得);表示环境预防资源消耗量;表示环境治理资源消耗量;τij用来表示工序(i,j)所需的最短持续时间;μij用来表示工序(i,j)所需的最长持续时间;Tij用来表示工序(i,j)所需的实际持续时间;Xi表示事项i的开始时间;Xj表示事项j的开始时间;C表示工程项目的总资源消耗量;A指建设工程中各个工序的集合;α表示奖励系数;β表示惩罚系数;D用来表达提早完成工程的天数;H为延迟完成工程的天数;T表示建设项目的总时间;T0表示项目的要求时间;Q指代项目建设实际的质量水平。
本实施例中,通过根据时间、资源消耗值、质量以及环境建立的多个包括其中两个参数的子优化模型,进一步整合得到包括上述四个参数的工程项目信息优化模型,能够进一步地考虑时间、资源消耗值、质量以及环境这四个参数相互之间的影响,并且根据这四个参数建立约束条件,使得工程项目信息优化模型的解析解能够更加准确。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于粒子群算法的电力工程项目信息优化方法的基于粒子群算法的电力工程项目信息优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于粒子群算法的电力工程项目信息优化装置实施例中的具体限定可以参见上文中对于基于粒子群算法的电力工程项目信息优化方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种基于粒子群算法的电力工程项目信息优化装置,包括:子优化模型得到模块、工程项目信息优化模型建立模块、工程项目约束条件建立模块和全局目标解集合得到模块,其中:
子优化模型得到模块1102,用于根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;
工程项目信息优化模型建立模块1104,用于基于时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型,工程项目信息优化模型具有至少一个模型参数;
工程项目约束条件建立模块1106,用于获取工程项目信息优化模型对应的至少一个工程项目数据,并根据工程项目数据建立工程项目信息优化模型对应的工程项目约束条件
全局目标解集合得到模块1108,用于将工程项目数据以及工程项目约束条件通过多目标的粒子群算法对工程项目信息优化模型进行求解,得到工程项目信息优化模型对应的全局目标解集合,全局目标解集合用于表征电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
在其中一个实施例中,全局目标解集合得到模块,用于基于工程项目数据以及工程项目约束条件对应的计算需求,对单目标的粒子群算法进行优化,得到多目标的粒子群算法;基于工程项目数据以及工程项目约束条件,使用多目标的粒子群算法对工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到工程项目信息优化模型的模型参数对应至少一个目标解析粒子;对不符合预设的第一条件的目标解析粒子进行删除,得到工程项目信息优化模型对应的全局目标解集合,各目标解析粒子为工程项目信息优化模型的全局目标解集合中的对应的目标解析解。
在其中一个实施例中,全局目标解集合得到模块,用于基于工程项目数据以及所属工程项目约束条件对应的计算需求,对单目标的粒子群算法中的速度和位置更新方式进行重新设置,得到初始多目标的粒子群算法;根据预设的第二条件和第三条件分别对初始多目标的粒子群算法的速度和位置进行限定,得到多目标的粒子群算法。
在其中一个实施例中,全局目标解集合得到模块,用于基于工程项目数据以及工程项目约束条件,使用多目标的粒子群算法对工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到各解析粒子对应的第一非支配集;对各解析粒子对应的第一非支配集运行至少两次的寻优迭代算法,得到工程项目信息优化模型的模型参数对应至少一个目标解析粒子,目标解析粒子满足预设的第四条件。
在其中一个实施例中,全局目标解集合得到模块,用于根据寻优迭代算法的外部集对应的规模和大小构建外部集对应的自适应网络;将各目标解析粒子对应第二非支配集使用自适应网络进行修剪,以选择各目标解析粒子中符合外部集对应的规模和大小的解析粒子,得到工程项目信息优化模型对应的全局目标解集合。
在其中一个实施例中,工程项目信息优化模型建立模块,用于建立时间、资源消耗值、质量的相反数和环境资源消耗值之间的第一映射关系;以及,建立时间与各工序所需的实际持续时间的和之间的第二映射关系;基于第一映射关系、第二映射关系、时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型和各自的约束条件,建立电力工程项目对应的工程项目信息优化模型。
上述基于粒子群算法的电力工程项目信息优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于粒子群算法的电力工程项目信息优化方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于粒子群算法的电力工程项目信息优化方法,其特征在于,所述方法包括:
根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;
基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,所述工程项目信息优化模型具有至少一个模型参数;
获取所述工程项目信息优化模型对应的至少一个工程项目数据,并根据所述工程项目数据建立所述工程项目信息优化模型对应的工程项目约束条件;
将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,所述全局目标解集合用于表征所述电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
2.根据权利要求1所述的方法,其特征在于,所述将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,包括:
基于所述工程项目数据以及所述工程项目约束条件对应的计算需求,对单目标的粒子群算法进行优化,得到所述多目标的粒子群算法;
基于所述工程项目数据以及所述工程项目约束条件,使用所述多目标的粒子群算法对所述工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到所述工程项目信息优化模型的模型参数对应至少一个目标解析粒子;
对不符合预设的第一条件的所述目标解析粒子进行删除,得到所述工程项目信息优化模型对应的全局目标解集合,各所述目标解析粒子为所述工程项目信息优化模型的所述全局目标解集合中的对应的目标解析解。
3.根据权利要求2所述的方法,其特征在于,所述基于所述工程项目数据以及所述工程项目约束条件对应的计算需求,对单目标的粒子群算法进行优化,得到所述多目标的粒子群算法,包括:
基于所述工程项目数据以及所属工程项目约束条件对应的计算需求,对所述单目标的粒子群算法中的速度和位置更新方式进行重新设置,得到初始多目标的粒子群算法;
根据预设的第二条件和第三条件分别对所述初始多目标的粒子群算法的速度和位置进行限定,得到所述多目标的粒子群算法。
4.根据权利要求2所述的方法,其特征在于,所述基于所述工程项目数据以及所述工程项目约束条件,使用所述多目标的粒子群算法对所述工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到所述工程项目信息优化模型的模型参数对应至少一个目标解析粒子,包括:
基于所述工程项目数据以及所述工程项目约束条件,使用所述多目标的粒子群算法对所述工程项目信息优化模型的模型参数对应的解析粒子进行遍历,得到各所述解析粒子对应的第一非支配集;
对各所述解析粒子对应的第一非支配集运行至少两次的寻优迭代算法,得到所述工程项目信息优化模型的模型参数对应至少一个所述目标解析粒子,所述目标解析粒子满足预设的第四条件。
5.根据权利要求2所述的方法,其特征在于,所述对不符合预设的第一条件的所述目标解析粒子进行删除,得到所述工程项目信息优化模型对应的全局目标解集合,包括:
根据寻优迭代算法的外部集对应的规模和大小构建所述外部集对应的自适应网络;
将各所述目标解析粒子对应第二非支配集使用所述自适应网络进行修剪,以选择各所述目标解析粒子中符合所述外部集对应的规模和大小的所述解析粒子,得到所述工程项目信息优化模型对应的全局目标解集合。
6.根据权利要求1所述的方法,其特征在于,所述基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,包括:
建立所述时间、所述资源消耗值、所述质量的相反数和环境资源消耗值之间的第一映射关系;以及,建立所述时间与各工序所需的实际持续时间的和之间的第二映射关系;
基于所述第一映射关系、所述第二映射关系、所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型。
7.一种基于粒子群算法的电力工程项目信息优化装置,其特征在于,所述装置包括:
子优化模型得到模块,用于根据时间与资源消耗值对应关系、时间与质量对应关系以及资源消耗值与环境对应关系和各自的约束条件分别建立对应的目标优化模型,得到时间与资源消耗值优化模型、时间与质量优化模型以及资源消耗值与环境优化模型;
工程项目信息优化模型建立模块,用于基于所述时间与资源消耗值优化模型、所述时间与质量优化模型以及所述资源消耗值与环境优化模型和各自的约束条件,建立所述电力工程项目对应的工程项目信息优化模型,所述工程项目信息优化模型具有至少一个模型参数;
工程项目约束条件建立模块,用于获取所述工程项目信息优化模型对应的至少一个工程项目数据,并根据所述工程项目数据建立所述工程项目信息优化模型对应的工程项目约束条件
全局目标解集合得到模块,用于将所述工程项目数据以及所述工程项目约束条件通过多目标的粒子群算法对所述工程项目信息优化模型进行求解,得到所述工程项目信息优化模型对应的全局目标解集合,所述全局目标解集合用于表征所述电力工程项目的时间、资源消耗值、质量以及环境多目标之间的优化解。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003454.5A CN115310709A (zh) | 2022-08-19 | 2022-08-19 | 一种基于粒子群算法的电力工程项目信息优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003454.5A CN115310709A (zh) | 2022-08-19 | 2022-08-19 | 一种基于粒子群算法的电力工程项目信息优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310709A true CN115310709A (zh) | 2022-11-08 |
Family
ID=83862845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211003454.5A Pending CN115310709A (zh) | 2022-08-19 | 2022-08-19 | 一种基于粒子群算法的电力工程项目信息优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310709A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907446A (zh) * | 2022-12-24 | 2023-04-04 | 众芯汉创(北京)科技有限公司 | 一种基建工程施工进度的智能管控评估系统 |
-
2022
- 2022-08-19 CN CN202211003454.5A patent/CN115310709A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907446A (zh) * | 2022-12-24 | 2023-04-04 | 众芯汉创(北京)科技有限公司 | 一种基建工程施工进度的智能管控评估系统 |
CN115907446B (zh) * | 2022-12-24 | 2023-10-03 | 众芯汉创(北京)科技有限公司 | 一种基建工程施工进度的智能管控评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3504666A1 (en) | Asychronous training of machine learning model | |
CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN116167289B (zh) | 电网运行场景生成方法、装置、计算机设备和存储介质 | |
CN116188878A (zh) | 基于神经网络结构微调的图像分类方法、装置和存储介质 | |
US20120054212A1 (en) | Systems and methods for interpolating conformal input sets based on a target output | |
CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
CN115795535A (zh) | 一种提供自适应梯度的差分私有联邦学习方法及装置 | |
CN116957167B (zh) | 一种电动汽车充电桩充电时长预测方法和装置 | |
CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
CN115392594B (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
CN110991660A (zh) | 基于蝗虫优化的lssvm-arima模型的态势分析方法、系统和存储介质 | |
CN116307250A (zh) | 一种基于典型日特征选择的短期负荷预测方法及系统 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN115688569A (zh) | 增益调整方法、装置、计算机设备和存储介质 | |
CN111027709B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN112767128A (zh) | 权重确定模型训练方法、风险预测方法及装置 | |
CN113837782A (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 | |
CN117130794B (zh) | 联邦学习的客户端选择方法、装置和计算机存储介质 | |
CN115630772B (zh) | 综合能源检测配电方法、系统、设备及存储介质 | |
CN116753561B (zh) | 供热控制方法、控制装置和供热系统 | |
CN117171628B (zh) | 异构联邦环境中的图结构数据节点分类方法和装置 | |
CN113987806B (zh) | 一种基于代理模型的大气模式优化方法 |
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 |