工期约束条件下资源均衡问题的研究综述

2023-01-28

工期约束条件下资源均衡问题研究的目标就是工程实施过程中资源的利用能够尽量保持均衡, 避免出现频繁, 严重的高峰或低谷现象, 从而减少现场各种临时设施的规模, 最大限度地节约费用等[1]。资源的均衡优化问题在网络计划的初始方案制定时都难以考虑周到, 因此对该问题的研究显得尤为重要。

1 传统算法

在最初阶段, 主要是借鉴统筹规划的原理, 结合网络计划和数学规划[2], 针对不同的问题建立精确的数学模型, 然后采用合适的优化方法进行求解。这种解析法侧重于从理论上阐明问题, 通过严密的数学方法和推理建立切合实际的数学模型, 然后用数学方法进行求解, 因此该方法可能出现无解的情况。各种不同类型的问题, 没有一个完全公认统一的数学模型, 缺乏可适应性。

鉴于种种局限性, 人们开始着眼于启发式算法的研究。其着眼点并不在于得到数学含义上的最优解, 而是在一定范围内的满意解。在最优解附近存在一个相当大的区间, 其目标值与最优解之间比较接近对于工程管理问题, 只要在这个区间附近选定方案, 其接近最优解的程度已足够精确。启发式算法以经验公式为基础, 针对不同具体的问题, 在求解之前先设计好一套优先规则, 然后在网络资源进行优化的过程中, 像削峰法, 优选法, 平谷法等[3], 这些算法毕竟是基于经验的, 优化准则都和特定的问题有关, 只能适用于某些特定类型的网络, 缺乏可移植性。

2 智能算法

近代科学技术发展使生命科学与工程科学的相互交叉, 相互渗透和相互促进。70年代诞生的遗传算法是继启发式算法之后又一类求解组合优化问题的新方法, 被称为智能仿生类算法。到目前成熟地运用于工程领域中, 已经取得了众多的研究成果, 充分表明该类算法的随机搜索思想在求解资源优化问题的优越性。文献[4]把遗传算法引入工程项目优化中, 通过将工程优化变量编码, 经过选择、变异、杂交等操作, 实现了资源优化的问题的求解;文献[5]引入随机搜索法;文献[6]把神经网络的思想引入;其它如:模拟退火法[7]、禁忌搜索等[8]。这些优化技术的出现在解决复杂优化问题中取得了良好的效果, 大大提高了优化的结果。在项目管理中发挥着越来越重要的作用。但, 像倍受优化技术领域推崇的遗传算法, 也需要进行复杂的交叉、变异以及选择等操作, 算法实现步骤较多也会出现计算效率偏低的情况, 容易陷入局部最优。这就使解决优化问题的准确性受到一定程度的影响。

1995年新诞生的一种新的智能仿生类进化计算算法—微粒群算法, 源于对鸟群捕食行为的研究, 在短短的十几年时间中微粒群算法得到广泛的重视和进一步的研究, 这种算法首先在优化目标函数的形态上没有特殊的要求, 甚至可以将传统优化方法无法表达的问题描述为目标函数, 使算法应用更具有广泛性;其次, 由于微粒群算法的自身特点, 使得它具有很强的全局寻优能力;同时, 由于算法的进化方程相对简单, 参数的设置较少, 可移植性强, 使得有很强的工程应用性。已经在工程项目优化中有所应用, 文献[9]在梯度水电站短期优化调度中引入微粒群算法;文献[10]在水库优化调度优化中引入微粒群算法;文献[11]在资源均衡中应用微粒群算法。微粒群算法在这些方面的应用取得了很好的优化效果, 表现出了很强的优越性。但是, 该算法还不成熟, 尤其在大规模的网络计划中应用处在进一步的发展研究中, 另外在参数的选取上, 这些都值得深入地研究, 同时, 该方法与成熟的其他的智能算法结合也将是一个重要方向, 来取长补短, 取得更好的优化效果。