一种优化异地分布式时间-成本的APSO方法技术

一种优化异地分布式时间‑成本的APSO方法，根据异地分布式开发时间与成本的关系，建立时间‑成本的模型并进行约束规划处理，结合APSO算法，使用罚函数法，进一步约束处理，通过仿真实验，验证了APSO能够优化异地分布式时间‑成本。同时根据建立的不同模型，能够得到不同的项目时间‑成本优化方案，为项目计划的制定提供准确和可靠的数据依据。

【技术实现步骤摘要】
一种优化异地分布式时间-成本的APSO方法
本专利技术属于异地分布式软件开发
，涉及对时间-成本的优化，具体涉及一种异地分布式时间-成本优化的APSO方法。
技术介绍
对于一个成功的项目它有三个重要的因素，第一项目必须符合客户要求，第二它必须是在预算之内，第三它必须准时。这三个因素被称为铁三角。根据广大学者对铁三角的研究，得出了时间、成本以及质量是衡量一个项目能否成功的重要指标。迄今为止，时间-成本的权衡问题都是广泛研究的重要问题。近代研究时间-成本包括进化方法和启发式算法。使用进化的方法如差分进化算法对多目标优化的工程项目的时间-成本权衡。但是差分进化算法寻优速度慢，容易出现早熟收敛，且不适合进行大量的计算。启发式算法是最近几年模拟自然界生物的活动规律，根据生物种群之间的协作和竞争来求解最优化问题的智能仿生算法。一些对时间-成本的启发式算法如遗传算法、蚁群算法、微粒子群算法等是当今比较流行的优化算法。刘晓峰利用微粒子群算法对工程项目的时间成本和质量进行了优化，但是微粒子群也有一些缺点如容易早熟，易陷入局部最优解。由于微粒子群算法的这些缺陷，使得广大研究学者针对微粒子群算法的缺点进行了改进，使用改进的粒子群算法来解决一些工程上的问题。这些改进的算法有自适应粒子群算法、改进动态粒子群算法和混合的粒子群算法，这些算法根据算法特性应用于不同的研究领域。例如使用自适应的粒子群算法优化多目标的超带宽天线阵，使用改进动态粒子群算法去协调定向的过量电流继电器，在工程电磁学中使用混合的粒子群算法。自适应的粒子群算法通过粒子的自适应权重，来改变粒子的搜索策略，使得粒子在搜索时避免陷入局部最优解和过早地收敛。目前，使用自适应的粒子群算法对项目时间-成本的优化的研究比较少。本文考虑异地分布式开发背景，对软件项目开发时间综合考虑，加入成本，进行时间-成本的优化，根据所建立的直线型与抛物线型模型，对比两种优化模型，并使用具有较强寻优能力的自适应粒子群(APSO)算法进行验证，得到相对最优的时间优化方案。在进行实际的软件开发时，可以根据实际情况使用时间优化模型进行快速求解计算开发时间与成本，为软件开发计划的制定和及时交付提供可靠的数据保证。
技术实现思路
本专利技术的目的是提供一种异地分布式时间-成本优化的方法，综合考虑异地分布式软件开发的时间-成本的关系，建立时间-成本的模型，使用罚函数法，再结合APSO算法，进行仿真实验和验证，证明了使用APSO算法能够解决异地分布式开发中时间-成本的优化问题。本专利技术所采用的技术方案是，一种异地分布式时间-成本优化的APSO方法，其特征在于，建立时间-成本的关系模型，使用罚函数法和结合APSO算法，验证了APSO算法能够很好地解决异地分布式开发中时间-成本的优化。通过对异地分布式时间-成本的优化，能够为异地分布式软件开发项目提供准确和可靠的数据依据。本专利技术的特点：1.根据异地分布式项目中时间-成本关系，建立了直线型的时间-成本模型和抛物线型的时间-成本模型。2.根据建立的模型，使用APSO算法仿真实验并验证了所建立的模型，对比所建立模型的结果。3.使用APSO算法能够很好地解决异地分布式时间-成本的优化，为项目计划的制定提供准确的数据依据。附图说明图1是开发时间与直接成本关系；图2是直线型与抛物线型的时间-成本模型公式；图3是实例网络图；图4是直线型输出的解；图5是时间-成本的APSO算法流程图；图6是抛物线型输出的解；图7是实例网络图参数；图8是直线型和抛物线型的时间-成本目标函数；图9是直线型的适应度函数图；图10是直线型和抛物线型的时间-成本目标函数的约束条件；图11是抛物线型的适应度函数；图12是直线型模型耗时图；图13是抛物线型耗时图；图14是时间-成本优化对比图。具体实施方式时间-成本模型的建立：图1开发时间与直接成本的关系，其中tN表示工序的正常的持续时间，CN为正常的持续时间下所对应的直接成本，tc表示工序的应急持续时间，也是极限最短时间，Cc是应急持续时间所对应的直接成本，也是最早工期下所使用的最高费用。建立数学模型：根据图1分别建立直线型的时间-成本数学模型和抛物线型的时间-成本数学模型。图2中，k为直线型的系数，d为压缩时间，a为抛物线型的系数，Cij(dij)为工序(i，j)的成本费，C(dij)为总的直接成本，T(dij)为项目总的工期。时间-成本的约束规划模型的建立：在模型中，d为可压缩的天数，在活动工序(i，j)中，d的取值范围如下：0≤dij≤(tijN-tijc)项目中工序(i，j)成本的取值范围为：CijN≤Cij(dij)≤Cijc，对于时间-成本的组合约束问题，建立的约束方程如下：其中K为关键路径上的集合。时间-成本模型的APSO算法实现：根据项目在计算工期和成本的实际情况，考虑APSO算法的使用，需要进行一些假设来规划所建立的时间-成本模型，并进一步限定模型的约束条件，假设条件如下：(1)压缩的时间必须小于关键路径上可压缩的时间，如关键路径上可压缩时间tN-tc，压缩的时间为d，则d≤(tN-tc)。(2)对关键路径的时间压缩，压缩时间应不大于非关键路径的压缩时间。(3)对于项目的资源约束条件，考虑资源很充足，不作为限定条件。对于模型的约束条件，考虑使用闭合原理来优化。闭合原理是从关键路径上的某节点出发，遍历路径上的任务节点并回到该节点，将构成一个闭合回路。闭合回路上的关键任务所需时间的和应该大于或等于该闭合回路上的非关键任务所需时间的和。根据原理建立约束条件如下：∑Ti-j-∑Tg-l≤∑Tui-j-∑Tug-l其中Ti-j和Tg-l为关键路径上的压缩时间与持续时间，Tui-g和Tug-l为非关键路径上压缩时间与持续时间。适应度函数：适应度函数是压缩的费用的最小值，即任务在可压缩范围内时间的压缩，所产生的最少费用，适应度函数公式如下：使用罚函数的约束规划：对于时间-成本的模型的约束条件的处理，本文结合APSO算法，使用罚函数法对目标函数的约束条件进行限制，从而得到符合条件的解。如果目标函数的最优解能满足罚函数约束的条件限制，就可以确定所得到的解是该问题的解。如果目标函数的解不满足罚函数的约束条件限制，可以确定所得到的解不是所求问题的解，则丢弃所得到的解。当然如果目标函数误解，直接输出无解。时间-成本的APSO算法实现流程：根据自适应惯性权重，增加粒子的随机衰减因子和收敛速度因子，能够加快粒子的寻优能力，得到目标函数的最优解。图5中结合时间-成本模型的APSO算法实现步骤如下：步骤1：设置具体的参数，包括目标函数、约束方程、约束方程的取值范围、粒子数、迭代次数等参数。步骤2：对种群中粒子的速度和位置进行初始化。假设粒子向量包含了n变量，则对任务的压缩时间可以表示为Di＝{d1,d2,d3,……·,dn}。同时设置粒子的最优位置pbest和粒子的全局最优位置gbest。步骤3：计算每个粒子的适应度函数值，根据4.2.3节的适应度函数，讨论直线型的时间-成本模型和抛物线型的时间-成本模型的最优值。记录粒子的最佳的位置和相应的目标函数值即适应度值，同时选择种群记录中最好粒子的适应度值作为全局最好位置值。步骤4：检查是否满足约束条件，使用罚函数法来确本文档来自技高网...

【技术保护点】
1.一种优化异地分布式时间‑成本的APSO方法，其特征在于，根据异地分布式开发时间与成本的关系，建立时间‑成本的模型并进行约束规划处理，通过仿真实验，验证了APSO能够优化异地分布式时间‑成本。

【技术特征摘要】
1.一种优化异地分布式时间-成本的APSO方法，其特征在于，根据异地分布式开发时间与成本的关系，建立时间-成本的模型并进行约束规划处理，通过仿真实验，验证了APSO能够优化异地分布式时间-成本。2.根据权利要求1所述的一种优化异地分布式时间-成本的APSO方法，其特征在于，建立...

【专利技术属性】
技术研发人员：殷茗，邓国林，蒋丹，成丽媛，王文杰，党敏玲，
申请(专利权)人：西北工业大学，殷茗，蒋丹，
类型：发明
国别省市：陕西,61