[发明专利]面板堆石坝施工工期-质量-成本均衡优化方法

权利要求书

1.一种面板堆石坝施工工期-质量-成本均衡优化方法，其特征是，建立基于质量成本和决策偏好的工期-质量-成本均衡优化模型，给出优化模型求解的基于模糊工期和模糊质量的非支配排序遗传算法；建立的数学模型即建立的目标函数和采用模糊测度Me方法计算各个总方案的工期、质量、施工成本、总成本具体如下：

计算最短工期、最低总成本、最高质量公式为：

max Q＝αQ_min+(1-α)Q_avg (3)

计算质量成本，包括预防成本、鉴定成本及损失成本：

满足：f(Q)＝PC+AC+FC (4)

计算方案最小质量、平均质量及函数的约束条件：

Q_min＝min{q_ij:x_ij＝1}1≤i≤N,1≤j≤m_j (5)

x_ij＝1或0，1≤i≤N (7)

[v]⁺表示max{0,v}；

FC是损失成本，PC是预防成本，AC是鉴定成本，最高质量水平Q′_max对应的质量损失成本W₁及最低质量水平Q′_min对应的质量损失成本W₂，则由专家打分法确定；计算质量成本的公式如下：

由上式及目标函数即可获得总方案的工期、总成本及质量；

其中，T：工程总工期，天；

C：工程总成本，元；

D：工程的截止日期，天；

N：工程中工序的数量；

d_ij：第i个工序的第j个方案的工期，天；

x_ij：索引变量，当第i个工序的第j个方案被选用时，x_ij＝1，否则，x_ij＝0；

c_ij：第i个工序的第j个方案的费用，元；

m_i：第i个工序的方案的数量；

IC：工程中各项活动的间接成本，元/天；

β：对于工期拖延的惩罚成本，元/天；

I：对于工期提前的奖励成本，元/天；

Q：工程质量，％；

α：Q_min和Q_avg两者的相对重要性；

Q_min：工程中某一方案中所有工序的最低质量，％；

Q_avg：工程中某一方案中所有工序的平均质量，％；

q_ij：第i个工序的第j个方案的质量，％；

γ：预防成本与鉴定成本之和占工程总投资的比重，％；

W：工程项目总投资，元。

2.如权利要求1所述的面板堆石坝施工工期-质量-成本均衡优化方法，其特征是，在实际工程中应用时包含以下三个步骤：

(1)采用基于实时监控系统的施工动态仿真及质量分析方法，考虑工期及质量的不确定性，对填筑施工各工序分别制定多个施工方案，并通过组合各期的施工方案得到多个大坝填筑施工总方案；

(2)通过建立的目标函数和采用模糊测度Me方法计算各个总方案的工期、质量、施工成本、总成本；其中，施工成本是指填筑施工实际发生的费用，即填筑期成本；总成本是指均衡优化时所考虑的全部费用，除包括施工成本以外，还包括因提前完工而增加的效益或因延期完工而损失的效益，以及因质量问题而引起的运行期损失成本，需要指出的是在面板堆石坝施工工期-质量-成本均衡优化中所考虑的成本指的是总成本；

(3)采用层次分析法和熵值法相结合的组合赋权法对工期、质量、总成本进行权重赋值，进而运用带决策偏好的非支配排序遗传算法对以上组合方案进行筛选，并通过逼近于理想解的排序方法(TOPSIS法)对筛选出的较优组合方案进行基于决策偏好的优劣比较，选出符合决策需求的最优折衷组合方案。

3.如权利要求1所述的面板堆石坝施工工期-质量-成本均衡优化方法，其特征是，基于模糊工期和模糊质量并耦合决策偏好的非支配排序遗传算法的过程如下：

步骤1：染色体编码，随机产生大小为N的初始方案种群

目标因素中即：模糊工期、施工成本、模糊质量；染色体中基因的个数为工序数目，每个基因性状的个数为对应工序的方案的数量；而初始方案种群是从所有可能组合方案中随机产生，随机种群的大小要设定一合适值N，且在以后的循环过程中，每一代的父本其大小要保持为定值N；

步骤2：评估适应度函数

考虑工程中的工期、总成本、质量三个因素，并将质量成本及工期因素耦合到总成本的函数表达式中，以更全面的考虑成本因素，并力求最大程度的降低整个工程的包括建设期和运行期的总成本；以挑选出所有工序的最优组合为目标，即：尽可能的缩短工程工期和减小总成本，同时最大限度的提高工程质量；

步骤3：对父本进行非支配排序

整个种群进行非支配排序，根据每个个体的非支配水平分配给其一个对应的位次或数值，位次越低即数值越小，非支配水平越高；所谓的非支配水平是以其支配个体多少为依据的，即在种群中，某个体支配的其他个体越多，其非支配水平越高；否则，其非支配水平越低；

步骤4：计算拥挤度

种群中给定个体周围的个体密度，用两侧分别最靠近这个个体的另外两个个体之间的距离来表示；

对于每个目标函数，首先对所有个体进行排序，处在边界的个体即目标函数值最大或最小的个体的分拥挤度被分配给一个无限大的距离值，而其他所有的中间个体的分拥挤度则根据排序后与它们左右相邻的两个个体的绝对归一化的目标函数差值来分配；最后，依据每个目标的权重对各分拥挤度进行加和计算得到个体的拥挤度；

拥挤度的计算伪代码如下，其中I为种群中的非支配集，id表示个体拥挤度：

函数crowding-distance(I)

l＝｜I｜

对每个目标函数m

I＝sort(I,m)

I[1]_d＝I[l]_d＝∞

每个个体的拥挤度i_d

其中，l为集合I中解个体的个数；i_d表示某个个体拥挤度，I[i]_d则表示对个体排序之后，在目标函数m下，排序为i的个体的分拥挤度；sort(I,m)是指在目标函数m下对个体进行排序；表示在目标函数m下，排序为(i+1)的个体的函数值；表示在目标函数m下，排序为(i-1)的个体的函数值；表示种群中目标函数m的最大值，表示种群中目标函数m的最小值，i_d,j表示对应于每个个体第j个目标的分拥挤度；ω_j表示第j个目标元素的权重；

步骤5：锦标赛选择

该方法随机选择一些个体，并从中选出最好的进行繁殖，因此同时包含了随机性和确定性的特征，在父代，通过拥挤度比较算子进行锦标赛选择，并产生新的一代，在算法的各个阶段，拥挤度比较算子都引导选择进程朝着均匀分布的帕累托(Pareto)最优前沿面进行；

由于经过了非支配排序和拥挤度的计算，种群中每个个体都具有两个属性：非支配序和拥挤度，如果两个个体的非支配排序位次不同，取排序号较小的个体；如果两个个体在同一级，取周围较不拥挤的个体；

步骤6：交叉和变异操作

交叉操作以单点交叉为例，对种群中的个体进行两两随机配对，然后每一对相互配对的个体，随机设置某一基因座之后的位置为交叉点；对每一对相互配对的个体，依设定的交叉概率在其交叉点处相互交换两个个体的部分染色体，从而产生新的个体；

变异算子以基本位变异为例，对个体的每一个基因座，依变异概率指定其为变异点，对每一个指定的变异点，改变其基因值，改变范围为此位置上相应工序的方案数以内，即1～m_i；

步骤7：结合父代和子代个体

结合父代和子代种群，形成一个个体更多的新种群，带有精英策略的思想，防止在交叉和变异操作过程中，适应能力强的个体被丢失，以确保各代最好个体的适应度不随着代数的增大而降低；

步骤8：挑选出大小为N的新种群

在以上操作的基础上，从上一步得到的种群中依据拥挤度比较算子挑选出大小为N的下一代新种群，其步骤为：首先参考非支配序的大小，如果在最好的非支配集F1，非支配序为1中，个体的数量超过N，则依据拥挤度的大小，从中选择出数量为N的周围较不拥挤的个体；如果在F1中的个体数量N1小于N，则继续在F2中挑选个体；如果F1和F2中的个体数量之和超过N，则依据拥挤度的大小，从中选择出数量为N-N1的周围较不拥挤的个体；如果仍然小于N，则继续在F3中挑选个体，依次循环下去；

步骤9：根据实际工程情况选择最优折衷组合方案

当算法运行到最后一代时，运用TOPSIS法从中选择出与实际工程情况相符的最优折衷组合方案。