劉蘇波
(嶺南師范學院基建處 524048)
基于粒子群算法的施工進度優化管理方法
劉蘇波
(嶺南師范學院基建處524048)
針對傳統施工進度管理無法優化配置資源的問題,研究了基于粒子群算法的施工進度優化管理方法。在該方法中,建立了施工進度管理優化模型,并采用先進的集群智能優化算法即粒子群算法搜索模型的最優解,設計了新的拓撲結構。
施工進度;粒子群算法;進度管理;優化方法
采用傳統的人工方法進行施工進度管理存在以下幾個方面問題:
1.1進度計劃缺乏優化
對于小規模工程,管理者缺乏重視。對于大型工程,人工方法又無法解決工期長,存在各種意外情況的問題,無法制定優化的、科學地進度計劃。
1.2進度計劃沒有考慮實際情況
人工方法難以準確核算工期,因此制定出的進度計劃水平低,不能如實反映施工狀況以至失去指導作用。
1.3進度計劃缺乏可行性
傳統管理方法容易造成制定的計劃過粗或過細。一旦發現作業延誤,將難以挽回。
施工項目發生的總成本主要集中于組織、管理正式工程的施工階段,而這一階段所投入人力、物力的直接目的是為了達到業主認可的各階段進度目標。因此,將施工進度優化的目標分為兩個階段,約束條件為施工工期與所能投入的人力、資源與工期。
(1)第一階段工期優化模型

式中:T為工期;ti為分項工程的開工日期;di為分項工程的工期,i=1,2,…,n;n為總的分項工程署;C為整個工程的直接費用;tj為分項工程j的開工日期。
(2)第二階段資源配置優化模型

式中:P=∑[pt(tj-ti)]+∑[pr(Rkq-bk)]。lk為第k種資源實際值與其總均值只差的和,P為總的懲罰值,pt為各分項工程的先后關系被破壞時的懲罰系數,pr為資源需求超過資源供給時的懲罰系數。wk為第k種資源的權重,Rkq為第q天第k種資源的總需求量。
基于PSO算法的施工進度優化過程具體為:
首先隨機的初始化一個粒子群(隨機解),在每一次的迭代中,每個粒子通過跟蹤兩個極值來實現更新自身:①粒子本身找到的最優解,這個最優解叫做個體極值點(用pbest表示它的位置);②整個種群到目前為止找到的最優解,叫做全局極值點(用gbest表示它的位置),然而局部PSO算法不用整個種群,僅用種群中的一部分鄰近粒子,所有鄰近粒子中的最優解就是局部極值點(用lbest表示它的位置)。
粒子i的位置和速度信息可以用D維向量表示,位置表示為Xi=(Xi1,Xi2,…,XiD)
速度表示為Vi=(Vi1,Vi2,…,ViD)T,其他的向量與之類似,其速度和位置的更新方程為:

每一維粒子的速度都被限制了一個最大速度Vmax如果某一維速度更新后超過用戶設定的Vmax,那么這一維的速度就被設定為新的Vmax,粒子群優化算法把每個可能產生的解表示為粒子群中的一個粒子,而每一個粒子都有自己的速度向量和位置向量,每一個位置都表示一個參數值,因此,對于一個N維優化問題而言,在N維空間中的每一個位置的粒子都表示了優化問題中的一個解,而位置就代表等待接受優化調整的參數。
分配序列可表示為
采用的拓撲結構為Ring拓撲結構。它的節點間擁有最少的邊,信息在這種拓撲下流動緩慢,這反映在算法中,搜索空間的不同區域可同時被搜索,這是由于一塊區域的成功搜索,要經過很長時間才能傳遞到拓撲結構的其他地方[2]。
以河道疏浚工程為例驗證所提方法的效果。該工程包括主壩工程(工程1)、副壩工程(工程2)、挖沙工程(工程3)、開流工程(工程4)、新建孔深孔閘工程(工程5)、石灘挖掘工程(工程6)、河道分岔改流工程(工程7)。整個工程周期長、耗資大、施工工序與物資需求復雜,因此需要對施工進度進行優化管理以提高資源配置效率并縮短工期。采用本文提出的PSO算法以施工項目進度控制為主線,在資源有限的前提下進行全局優化管理,給出工期優化方案。選擇該方案將在投資額等資源不變的情況下整個施工工期由202個月縮短為187.1個月,壓縮了6.14%的工期(計14.9個月),并且在有限物資資源約束下,以合理的開工邏輯順序完成了主壩工程、副壩工程、300t挖沙工程、5km開流工程、新建孔深孔閘工程、318平方石灘挖掘工程以及1km河道分岔改流工程,施工進度管理優化效果顯著。
本文首先建立了施工進度管理優化模型,并采用先進的集群智能優化算法即粒子群算法搜索模型的最優解,設計了新的拓撲結構提高施工進度優化精度。運用實例對所提方法進行了驗證,應用結果說明所提方法能夠顯著縮短施工工期,具有顯著的資源配置優化效果。
[1]王錫勇,王鴻雁,張興千.試論項目管理中施工進度的管理[J].中國建材科技,2009(03).
[2]吳霞,羅新艷.建筑施工進度的管理方法探討[J].科技信息,2013(19).
TP18
A
1673-0038(2015)28-0160-01
2015-5-23