基于改进粒子群算法的资源受限项目进度研究

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (15): 26-28.

基于改进粒子群算法的资源受限项目进度研究

单汨源¹，吴娟¹，吴亮红²，刘琼¹

1.湖南大学工商管理学院，长沙 410082
2.湖南大学电气与信息工程学院，长沙 410082

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-05-21 发布日期:2007-05-21
通讯作者: 单汨源

Research on resource-constrained project scheduling based on proving particle swarm algorithm

SHAN Mi-yuan¹，WU Juan¹，WU Liang-hong²，LIU Qiong¹

1.School of Business Administration，Hunan University，Changsha 410082，China
2.College of Electrical and Information Engineering，Hunan University，Changsha 410082，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-05-21 Published:2007-05-21
Contact: SHAN Mi-yuan

摘要/Abstract

摘要： 资源受限的项目进度问题是经典的NP-hard问题，在研究以往求解方法的基础上，应用一种新的群智能算法——粒子群算法，对粒子群优化算法的搜索能力进行改进，结合Gbest模型与Pbest模型的优点，提出使粒子在搜索的前期有较强的全局搜索能力，尽可能多地发现可能全局最优的种子，而在搜索的后期则具有较强的局部搜索能力，用提高算法的收敛速度和精度的复合最优模型粒子群算法对RCPSP问题进行了求解，最后用文献[8]中的算例进行了仿真实验，实验结果验证了此算法的可行性与优越性。

关键词: 资源受限, 项目进度, 粒子群优化, 复合最优粒子群优化算法（COMPSO）

Abstract: The Resource-Constrained Project-Scheduling Problem（RCPSP） is a classic NP-hard problem.Based on the analysis of former algorithms about this problem， we apply a novel swarm intelligence algorithm——Particle Swarm Optimization（PSO） algorithm，and improve it to enhance its searching ability.We combine advantages of Gbest model and Pbest model and propose that particle should be given strong global searching ability at prophase in order to find possible optimal solutions as many as possible.In contrast， particle should be given strong local searching ability at anaphase.We solve RCPSP by applying the compound optimal model PSO algorithm that improves the converging speed and accuracy of PSO algorithm.At the end of this paper，we simulate the example in reference [8]，and the result proves the feasibility of this algorithm.

Key words: resource constrained, project scheduling, Particle Swarm Optimization（PSO）, complex PSO

单汨源¹，吴娟¹，吴亮红²，刘琼¹. 基于改进粒子群算法的资源受限项目进度研究[J]. 计算机工程与应用, 2007, 43(15): 26-28.

SHAN Mi-yuan¹，WU Juan¹，WU Liang-hong²，LIU Qiong¹. Research on resource-constrained project scheduling based on proving particle swarm algorithm[J]. Computer Engineering and Applications, 2007, 43(15): 26-28.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	武哲纬，周世杰，刘启和. 运算资源受限环境下的目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(21): 24-40.
[6]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[7]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[8]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[9]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[12]	祝政，胡志华. 多次抢占项目调度问题的混合遗传算法[J]. 计算机工程与应用, 2019, 55(6): 225-230.
[13]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[14]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[15]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.