基于粒子群算法的施工进度优化管理方法

2015-10-31刘苏波

建材与装饰 2015年28期

关键词：施工进度工期粒子

刘苏波

（岭南师范学院基建处　524048）

基于粒子群算法的施工进度优化管理方法

刘苏波

（岭南师范学院基建处524048）

针对传统施工进度管理无法优化配置资源的问题，研究了基于粒子群算法的施工进度优化管理方法。在该方法中，建立了施工进度管理优化模型，并采用先进的集群智能优化算法即粒子群算法搜索模型的最优解，设计了新的拓扑结构。

施工进度；粒子群算法；进度管理；优化方法

1　施工进度管理问题分析

采用传统的人工方法进行施工进度管理存在以下几个方面问题：

1.1进度计划缺乏优化

对于小规模工程，管理者缺乏重视。对于大型工程，人工方法又无法解决工期长，存在各种意外情况的问题，无法制定优化的、科学地进度计划。

1.2进度计划没有考虑实际情况

人工方法难以准确核算工期，因此制定出的进度计划水平低，不能如实反映施工状况以至失去指导作用。

1.3进度计划缺乏可行性

传统管理方法容易造成制定的计划过粗或过细。一旦发现作业延误，将难以挽回。

2　施工进度优化管理数学模型

施工项目发生的总成本主要集中于组织、管理正式工程的施工阶段，而这一阶段所投入人力、物力的直接目的是为了达到业主认可的各阶段进度目标。因此，将施工进度优化的目标分为两个阶段，约束条件为施工工期与所能投入的人力、资源与工期。

（1）第一阶段工期优化模型

式中：T为工期；ti为分项工程的开工日期；di为分项工程的工期，i=1，2，…，n；n为总的分项工程署；C为整个工程的直接费用；tj为分项工程j的开工日期。

（2）第二阶段资源配置优化模型

式中：P=∑[pt（tj-ti）]+∑[pr（Rkq-bk）]。lk为第k种资源实际值与其总均值只差的和，P为总的惩罚值，pt为各分项工程的先后关系被破坏时的惩罚系数，pr为资源需求超过资源供给时的惩罚系数。wk为第k种资源的权重，Rkq为第q天第k种资源的总需求量。

3　基于粒子群算法的施工进度优化

基于PSO算法的施工进度优化过程具体为：

首先随机的初始化一个粒子群（随机解），在每一次的迭代中，每个粒子通过跟踪两个极值来实现更新自身：①粒子本身找到的最优解，这个最优解叫做个体极值点（用pbest表示它的位置）；②整个种群到目前为止找到的最优解，叫做全局极值点（用gbest表示它的位置），然而局部PSO算法不用整个种群，仅用种群中的一部分邻近粒子，所有邻近粒子中的最优解就是局部极值点（用lbest表示它的位置）。

粒子i的位置和速度信息可以用D维向量表示，位置表示为Xi=（Xi1，Xi2，…，XiD）

速度表示为Vi=（Vi1，Vi2，…，ViD）T，其他的向量与之类似，其速度和位置的更新方程为：

每一维粒子的速度都被限制了一个最大速度Vmax如果某一维速度更新后超过用户设定的Vmax，那么这一维的速度就被设定为新的Vmax，粒子群优化算法把每个可能产生的解表示为粒子群中的一个粒子，而每一个粒子都有自己的速度向量和位置向量，每一个位置都表示一个参数值，因此，对于一个N维优化问题而言，在N维空间中的每一个位置的粒子都表示了优化问题中的一个解，而位置就代表等待接受优化调整的参数。

分配序列可表示为，其中di是指从一个节点出发经过i条边（不循环）可以到达的节点个数平均值。

采用的拓扑结构为Ring拓扑结构。它的节点间拥有最少的边，信息在这种拓扑下流动缓慢，这反映在算法中，搜索空间的不同区域可同时被搜索，这是由于一块区域的成功搜索，要经过很长时间才能传递到拓扑结构的其他地方[2]。

4　实例应用

以河道疏浚工程为例验证所提方法的效果。该工程包括主坝工程（工程1）、副坝工程（工程2）、挖沙工程（工程3）、开流工程（工程4）、新建孔深孔闸工程（工程5）、石滩挖掘工程（工程6）、河道分岔改流工程（工程7）。整个工程周期长、耗资大、施工工序与物资需求复杂，因此需要对施工进度进行优化管理以提高资源配置效率并缩短工期。采用本文提出的PSO算法以施工项目进度控制为主线，在资源有限的前提下进行全局优化管理，给出工期优化方案。选择该方案将在投资额等资源不变的情况下整个施工工期由202个月缩短为187.1个月，压缩了6.14%的工期（计14.9个月），并且在有限物资资源约束下，以合理的开工逻辑顺序完成了主坝工程、副坝工程、300t挖沙工程、5km开流工程、新建孔深孔闸工程、318平方石滩挖掘工程以及1km河道分岔改流工程，施工进度管理优化效果显著。