基于遗传免疫微粒群算法的工程项目多目标综合优化-研究

《基于遗传免疫微粒群算法的工程项目多目标综合优化-研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第一章绪论面的，应更加关注项目管理联盟和项目伙伴管理模式的应用，在这方面虽有所发展但充其量只不过是理念而已，这种伙伴关系模式在具体实施时却被各利益相关方自身的利益所限制，其实践应用则受到了极大的限制，项目管理的各方仍然以追求各自利益的最大化为项目管理目标，因此在项目管理实践中，项目管理各相关方甚至各相关方的内部均不能综合协同处理好工期、成本、质量、安全及环境管理等目标之间的关系，甚至割裂各个项目管理目标之间的关系，造成建设项目投资的损失和浪费，使建设项目投资的经济效益和社会效益不能很好地发挥，基于以上的原因，进行建设项目管理目标的综合优化研究，不仅具有重要的理论意义，而且具有重大的应用

2、价值。1．2工程项目多目标优化问题的发展现状在工程领域，项目管理的关键主要是对工程工期、质量和成本的有效控制，同时也要满足安全以及环境等其他因素。对于工程项目目标优化问题的研究，最早出现的是对工期进行优化。后来逐渐出现了对工期一成本优化和工期资源优化的研究，在最近几年也出现了关于工期一成本一质量综合均衡优化的研究。工程项目的环境和安全管理和控制本身是非常复杂的问题，而对于其中的安全和环境问题的量化更是难中之难，至今仍然未找到合适的解决方法。多目标优化问题在现实世界中的普遍存在型以及求解的困难性，促使人们付出了很多精力来寻求解决的方法，早在17世纪，Franklin就提出了多目标问题矛盾

3、如何协调的问题，随着在实际生活中遇到的多目标问题越来越多，多目标优化也逐渐受到人们的关注。网络计划技术可以用来进行工程优化。该技术不仅能进行施工进度计划安排，还能根据管理目标(进度、资源、质量、成本等)的需要，对计划进行调整与优化。网络计划技术的出现为工程项目目标优化提供了一种很好的方法。很多学者正是通过网络技术来对工程工期、成本、质量等项目目标进行优化的。Siemens[2】建立了一个简单的工期一成本均衡优化方法，它首先要绘制整个项目从初始节点到最终节点的网络图，并确定每项工作预期的完成时间。然后根据工期目标，决定每条可选择的路径可压缩的天数。有效的成本倾斜可以通过对实际成本倾斜进行

4、修正得到。最后选定关键线路上有效成本斜率最小的工作来进行压缩。Suresh【3】建立了线形模型来研究工期、成本以及质量之间的平衡关系。Azaron等利用交互式方法和动态PERT网络计划技术研究了项目工期一成本的多目标优化，在他们的研究中首先把动态PERT网络计划转化为随机排队网络，并把各工作活动的2第一章绪论持续时间当作服务时间，构建了工期一成本的优化的非线性规划模型，运用交互式STEM进行求解14J。Vrat／5】提出了一种解决工程优化问题的目标规划模型。文章用分段线性函数代替实际的工期一成本曲线(实际的总工期一总成本函数为凸形非线性曲线)。分段线性函数的每一段代表一个工序的工期一成

5、本函数。文章主要考虑在满足业主要求的质量水平下如何通过压缩工序持续时间来实现成本最低目标。Wul6J提出了一种新的方法即割集平行网络法来解决工期．成本问题。首先通过最小割集理论来选择每次要压缩持续时问的工序，然后文章引入“割集平行网络”的概念，通过割集平行网络决定每次每个工序持续时间的最大压缩量。这一方法的应用极大的提高了时间一费用均衡优化问题的解决效率。Bruce【7J在标准的成本一工期模型中加入质量因素，对于工序的每一种时间成本组合都考虑其工序质量水平，文章提出了一种混合规划模型一整数线性规划模型，在评价整个工程质量时，通过层次分析法考虑各个工序的质量水平和各个工序在整个工程中的权

6、重综合评价总体工程质量，并通过一个实例验证了该模型的优越性。这些年，随着最优化技术的不断发展，国内外科学家陆续提出了一系列性能优良的优化算法，如人工神经网络、模拟退火、遗传算法、禁忌搜索、进化规划等优化算法。这些优化技术在解决复杂优化问题中表现出了巨大的潜力和作用。但是，这些算法实现步骤大都相当繁琐，即使是倍受优化技术领域推崇的遗传算法，也需要复杂的交叉、变异以及选择操作，使得这些优化技术很难满足实际优化需要，而且大多数优化技术都容易陷于局部最优，这就使解决优化问题的准确性大大折扣。微粒群算法(pso)是由Kennedy等于l995年提出的一种演化计算技术，其基本思想源于他们早期对鸟类

7、群体行为的规律性研究，并参照生物学家的群体模型。微粒群把鸟群中的每一只鸟拟作为空问内一个没有体积和质量的“微粒”，所有的粒子都有一个优化的函数来决定它们在空间的适应度，每个粒子位置和速度都被随机初始化。在飞行过程中，粒子问相r瓦竞争和合作，其运动速度根据自身和同伴的历史运动状态信息动态调整，同时为能协调粒子本身与群体运动之间的关系，自身和群体的历史最优位置会对微粒当前的运动轨迹加以影响，使更多微粒能够飞向解空间并在适应度最好处降落。微粒群算法概