一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法
【專利摘要】本發(fā)明公開了一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法，（1）讀取項(xiàng)目信息，包括任務(wù)和軟件工程師的屬性；（2）初始化算法參數(shù)；（3）產(chǎn)生初始父代種群，并進(jìn)行局部搜索；（4）對父代種群執(zhí)行選擇、交叉和變異操作，構(gòu)成子代種群；（5）對子代種群進(jìn)行局部搜索；（6）合并父代和經(jīng)局部搜索后的子代種群，從中選取適應(yīng)度最優(yōu)的一半個體構(gòu)成下一代父代種群并進(jìn)行迭代；（7）判斷迭代代數(shù)是否達(dá)到最大值，若達(dá)到，則終止迭代，輸出適應(yīng)度最優(yōu)的個體，該個體即為項(xiàng)目中每位軟件工程師在每項(xiàng)任務(wù)中投入的工作量分配結(jié)果。本發(fā)明具有搜索能力強(qiáng)，生成的調(diào)度方案效率高的優(yōu)點(diǎn)。
【專利說明】一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于項(xiàng)目管理領(lǐng)域，特別涉及了一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方 法。

【背景技術(shù)】
[0002] 項(xiàng)目調(diào)度問題是指建立項(xiàng)目調(diào)度的模型，通過某種算法確定軟件工程師在各項(xiàng)任 務(wù)中的工作量，即確定任務(wù)分配列表，以在滿足各種約束條件的前提下，實(shí)現(xiàn)項(xiàng)目的工期最 短、成本最低等優(yōu)化目標(biāo)。項(xiàng)目調(diào)度問題研究得到的任務(wù)分配列表可以為項(xiàng)目管理者進(jìn)行 實(shí)際任務(wù)分配提供重要參考。
[0003] 文化基因算法（memetic algorithm)是Pablo Moscato在1989年首次提出的。 文化基因算法模擬文化進(jìn)化過程，用局部啟發(fā)式搜索來模擬由大量專業(yè)知識支撐的變異過 程。文化基因算法將基于種群的全局搜索和基于個體的局部啟發(fā)式搜索相結(jié)合，該機(jī)制使 得它的搜索效率在某些問題領(lǐng)域中比傳統(tǒng)遺傳算法提高幾個數(shù)量級，可廣泛應(yīng)用于各類優(yōu) 化問題中。遺傳文化基因算法是一種將遺傳算法作為全局搜索策略的文化基因算法，它的 基本步驟如下：將解空間中的向量編碼為遺傳空間中的基因串，常用的編碼方式有二進(jìn)制 編碼、實(shí)數(shù)編碼等；在解空間中隨機(jī)生成n個個體構(gòu)成初始種群；適應(yīng)度計(jì)算，適應(yīng)度反應(yīng) 種群中個體的適應(yīng)能力，通過適應(yīng)度評價種群中個體的優(yōu)劣；對初始種群中的每個個體進(jìn) 行局部搜索；對種群實(shí)施遺傳算子操作，主要有選擇、交叉和變異三種算子組成，選擇的目 的是從種群中選擇優(yōu)良的父代個體進(jìn)入交配池，交叉的目的是對父代個體的染色體編碼進(jìn) 行重組以產(chǎn)生子代個體，變異的目的是提供基因突變，以產(chǎn)生新的染色體；對生成的子代種 群評價適應(yīng)度并進(jìn)行局部搜索；構(gòu)成新一代的父代種群。
[0004]目前已有的項(xiàng)目調(diào)度方法存在的不足之處是：局部搜索能力較弱，易于陷入局部 最優(yōu)，調(diào)度效率低下。


【發(fā)明內(nèi)容】

[0005] 為了解決上述【背景技術(shù)】提出的技術(shù)問題，本發(fā)明旨在提供一種基于遺傳文化基因 算法的項(xiàng)目調(diào)度方法，提高了局部搜索能力，避免陷入局部最優(yōu)，實(shí)現(xiàn)快速高效的項(xiàng)目調(diào) 度。
[0006] 為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：
[0007] -種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法，包括以下步驟：
[0008] (1)讀取項(xiàng)目的輸入信息，定義優(yōu)化目標(biāo)，設(shè)定約束條件：
[0009] 項(xiàng)目的輸入信息包括每個任務(wù)的工作量、技能要求和任務(wù)優(yōu)先級圖，每位軟件工 程師所掌握的技能、可在本項(xiàng)目中投入的最大工作量、正常月薪和加班月薪；優(yōu)化目標(biāo)包括 項(xiàng)目工期和項(xiàng)目成本；約束條件包括任務(wù)技能約束和軟件工程師未超負(fù)荷工作的約束；
[0010] (2)初始化遺傳文化基因算法參數(shù)：
[0011] 設(shè)置遺傳文化基因算法的迭代次數(shù)T_、種群規(guī)模size_、聯(lián)賽選擇規(guī)模St_、交 叉概率P。以及局部搜索的迭代次數(shù)g_，設(shè)項(xiàng)目中有M名軟件工程師，N項(xiàng)任務(wù)，則變異概 率Pm為1AMN)，設(shè)迭代次數(shù)計(jì)數(shù)器t = 0;
[0012] (3)產(chǎn)生初始父代種群，并進(jìn)行局部搜索，得到新的父代種群：
[0013]隨機(jī)生成size_個個體構(gòu)成初始父代種群P'（t)，每個個體表示一個工作量分配 矩陣：
[0014] X = (xjjOuxn
[0015] 其中，

【權(quán)利要求】
1. 一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法，其特征在于，包括以下步驟： (1) 讀取項(xiàng)目的輸入信息，定義優(yōu)化目標(biāo)，設(shè)定約束條件： 項(xiàng)目的輸入信息包括每個任務(wù)的工作量、技能要求和任務(wù)優(yōu)先級圖，每位軟件工程師 所掌握的技能、可在本項(xiàng)目中投入的最大工作量、正常月薪和加班月薪；優(yōu)化目標(biāo)包括項(xiàng)目 工期和項(xiàng)目成本；約束條件包括任務(wù)技能約束和軟件工程師未超負(fù)荷工作的約束； (2) 初始化遺傳文化基因算法參數(shù)： 設(shè)置遺傳文化基因算法的迭代次數(shù)Tmax、種群規(guī)模size_、聯(lián)賽選擇規(guī)模St_、交叉概 率P。以及局部搜索的迭代次數(shù)gmax，設(shè)項(xiàng)目中有M名軟件工程師，N項(xiàng)任務(wù)，則變異概率Pm為 V(MN)，設(shè)迭代次數(shù)計(jì)數(shù)器t = O ; (3) 產(chǎn)生初始父代種群，并進(jìn)行局部搜索，得到新的父代種群： 隨機(jī)生成size_個個體構(gòu)成初始父代種群P'（t)，每個個體表示一個工作量分配矩 陣： X - (Xij) MXN 其中，Xi e {0,e ·?/&,…i/M為第i個工程師ei在第j項(xiàng)任務(wù)Tj中投入的 工作量占全日制工作量的百分比，1 = 1，2，?，，」=1，2，?"；6_<^為第1個工程師61 能夠?qū)Ρ卷?xiàng)目投入的最大工作量占全日制工作量的百分比；k為解的劃分粒度；計(jì)算初始 種群中每個個體的目標(biāo)值duration和cost，duration和cost分別表示項(xiàng)目工期和成本， 并進(jìn)行約束處理；按下式計(jì)算每個個體的適應(yīng)度： f (X) = ω1 · duration+ω 2 · cost 其中，ω i和ω 2表示目標(biāo)duration和cost的相對重要性權(quán)重；對每個個體分別進(jìn)行 局部搜索，得到新的父代種群P (t);從P (t)中確定出當(dāng)前最優(yōu)個體Xbest,即適應(yīng)度值最小 的個體； (4) 生成子代種群： 對父代種群P (t)執(zhí)行選擇、交叉和變異操作，產(chǎn)生新的個體構(gòu)成子代種群Q'（t);計(jì)算 Q'（t)中每個子代個體的目標(biāo)值和適應(yīng)度； (5) 對子代種群進(jìn)行局部搜索： 在子代種群Q'（t)中每個個體Vp的鄰域內(nèi)，分別執(zhí)行局部搜索操作得到新個體Zp，其 中，P = 1，2,…，Size_ ;將Zp與當(dāng)前最優(yōu)個體Xbest進(jìn)行比較，如果Zp的適應(yīng)度優(yōu)于X best,即 f (Zp) <f (Xbest),則令Xbest = Zp;經(jīng)局部搜索后產(chǎn)生的所有個體Zp構(gòu)成新的子代種群Q(t); (6) 生成新一代父代種群： 合并父代種群P (t)和子代種群Q(t)，從中選取適應(yīng)度最優(yōu)的一半個體構(gòu)成下一代父 代種群 P(t+1);令 t = t+1 ; (7) 終止準(zhǔn)則判斷： 若t > Tmax，則終止迭代，輸出適應(yīng)度最優(yōu)個體Xbest,該個體即為項(xiàng)目中每位軟件工程師 在每項(xiàng)任務(wù)中投入的工作量分配結(jié)果；否則，轉(zhuǎn)至步驟（4)。
2. 根據(jù)權(quán)利要求1所述一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法，其特征在于： 步驟（1)中所述項(xiàng)目工期表示完成項(xiàng)目所有任務(wù)所花費(fèi)的時間開銷，它定義為：
其中，TT和7Trf分別表示任務(wù)L的開始時間和完成時間，且t 0; 步驟（1)中所述項(xiàng)目成本表示完成項(xiàng)目所有任務(wù)所花費(fèi)的財(cái)力，它定義為：
其中，t'表示項(xiàng)目處于開發(fā)階段的某一個月；e_c〇<表示在t'期間付給軟件工程師 ei的薪酬；T_active_set(t'）表示在t'期間正在進(jìn)行開發(fā)的任務(wù)集合；Xij表示ei在任務(wù) Tj中投入的工作量占全日制工作量的百分比；表示ei能夠?qū)φ麄€項(xiàng)目投入的最大工 作量占全日制工作量的百分比，當(dāng)>1時，表示ei能夠加班工作和《胃--"分 別表示ei的正常月薪和加班月薪； 步驟（1)所述任務(wù)技能約束指參與某項(xiàng)任務(wù)的所有軟件工程師必須具備該任務(wù)要求 的所有技能，即
其中，req^表示任務(wù)L所需求的技能的集合；Skilli表示軟件工程師ei所掌握的所有 技能的集合； 步驟（1)所述軟件工程師不能超負(fù)荷工作的約束指在任一時期t' >0, 一個軟件工程 師為正在進(jìn)行開發(fā)的任務(wù)同時投入的工作量之和不超過他對整個項(xiàng)目投入的最大允許工 作量，即
其中，e_.HW式'表示第i個軟件工程師ej^t'內(nèi)正在進(jìn)行開發(fā)的任務(wù)投入的工作量之 和。
3. 根據(jù)權(quán)利要求1所述一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法，其特征在于：在 步驟⑵中，交叉概率P。為〇. 9。
4. 根據(jù)權(quán)利要求1所述一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法，其特征在于：步 驟（3)和步驟（5)所述局部搜索方法的具體步驟如下： (a) 獲取初始個體Vp,令代數(shù)計(jì)算器g = 1，mark = 0 ; (b) 如果mark的值為0,則對個體Vp執(zhí)行"隨機(jī)替代"操作，生成新個體Zp ;所述 "隨機(jī)替代"操作：從個體Vp的工作量分配矩陣中隨機(jī)選擇一個元素 vpip然后從集合 {0,· 1作，…,中隨機(jī)挑選一個與Vpij當(dāng)前取值不同的值替代Vpij ;如果mark的 值不為0,則對個體Vp執(zhí)行"交換"操作，生成新個體Zp ;所述"交換"操作：從個體Vp的工 作量分配矩陣中隨機(jī)選取兩行或兩列進(jìn)行交換，然后對生成的新個體Zp執(zhí)行啟發(fā)式算子操 作，即如果軟件工程師 ei不具備任務(wù)L要求的任一技能，則將ei對L分配的工作量設(shè)為 〇 ； (C)如果新個體Zp的適應(yīng)度值優(yōu)于個體Vp，即f (Zp) < f (Vp)，則令Vp = Zp，否則，令 mark = mark-1 ； (d)如果g = gmax，則令Zp = Vp，輸出Zp，Zp即為對原個體Vp進(jìn)行局部搜索操作后得到 的新個體；否則，令g = g+Ι，轉(zhuǎn)至步驟（b)。
5.根據(jù)權(quán)利要求1所述一種基于遺傳文化基因算法的項(xiàng)目調(diào)度方法，其特征在于：步 驟（4)中所述選擇操作是聯(lián)賽選擇，依據(jù)聯(lián)賽選擇規(guī)模Stour，從父代種群P (t)中隨機(jī)選取 St_個不同的個體，從中挑選適應(yīng)度最優(yōu)的一個個體加入交配池，此過程循環(huán)size_次；將 交配池中的個體隨機(jī)配對為size_/2對；所述交叉操作是依據(jù)交叉概率P。，確定交配池中 的每對個體是否需要進(jìn)行交叉操作；如果某對個體需要進(jìn)行交叉操作，則對這兩個交配個 體工作量分配矩陣中的每一行或列，以〇. 5的概率進(jìn)行交換；所述變異操作是依據(jù)變異概 率Pm，將個體矩陣中待變異的元素替換為從集合·?〇^_Μ _々作}中隨機(jī)挑選的 另一個值。
【文檔編號】G06N3/12GK104392317SQ201410681051
【公開日】2015年3月4日 申請日期:2014年11月24日 優(yōu)先權(quán)日:2014年11月24日
【發(fā)明者】申曉寧, 陳逸菲, 張敏, 趙麗玲, 林屹, 王玉芳 申請人:南京信息工程大學(xué)