[发明专利]一种基于启发式离散人工蜂群算法的软件项目调度方法

权利要求书

1.一种基于启发式离散人工蜂群算法的软件项目调度方法，其特征在于，包括以下步骤：

步骤S1，读取项目的输入信息，定义优化目标，设定约束条件：

项目的输入信息包括每个任务的工作量、技能要求、技能难度和任务优先级图，每位员工的已有技能、已有技能熟练度、学习能力、可投入的最大工作量、正常月薪和加班月薪；优化目标为最佳员工-任务调度方案中，项目工期和项目成本加权求和值最小；约束条件包括任务技能约束和员工不允许超负荷工作；

步骤S2，针对项目新技能需求，设计新技能学习机制，新技能学习机制包括员工选择学习新技能、新技能熟练度的增长曲线函数及其投入度的自适应变化；

步骤S3，初始化启发式离散人工蜂群算法参数；

步骤S4，生成初始蜜源种群，并计算每个蜜源的目标值：

采用整数编码，随机生成SN个蜜源个体，每个个体的编码均为M×N的矩阵：

Y＝(y_ij)_M×N，i＝1,2,...,M，j＝1,2,...,N；

其中，Y表示个体编码矩阵，y_ij∈{0,1,2,...,h}，h表示解的粒度，即将员工E_i的最大投入度平均分为h份；为第i个员工E_i能够对本项目投入的最大工作量占全日制工作量的百分比，y_ij表示，元素y_ij的含义是员工E_i将自己最大投入度的y_ij/h奉献给任务T_j；通过每个任务T_j占据每个员工E_i最大贡献度的比例y_ij/h，将个体矩阵转化为员工-任务的分配矩阵X＝(x_ij)_M×N，转化公式如下：

其中，

计算初始种群中每个个体的目标值：

f(X)＝ω_t·t_dur+ω_c·cost

其中，f(X)表示个体的目标值，t_dur为项目工期，cost表示项目成本，ω_t、ω_c表示预定义的参数，用于调整项目总工期t_dur和项目成本cost的相对重要性；

步骤S5，引领蜂采用多元学习方法对所有蜜源个体进行开采：多元学习方法方法包括随机学习、精英学习和优值学习3种学习方法，为3种学习方法分别赋予选择概率，然后每一只引领蜂基于轮盘赌方法选择一种学习方式对相应蜜源进行开采；计算开采后的蜜源个体目标值，对开采前后的蜜源个体进行贪婪选择，留下目标值好的个体，并更新所有蜜源的未更新次数；

步骤S6，跟随蜂采用基于启发信息的变异机制对蜜源进行开采：每一只跟随蜂通过排序选择方法选择一个蜜源进行开采，并利用问题启发信息保留最优个体中契合度高的员工信息，同时根据当前蜜源个体的目标值优劣，选择不同的变异方式；对变异前后的蜜源进行贪婪选择，留下目标值好的个体，并更新开采后蜜源的未更新次数；

步骤S7，侦查蜂抛弃无用蜜源，随机产生新的蜜源替代旧蜜源：

判断是否存在未更新次数超出最大未更新次数limit的蜜源；如果有多个，则选择未更新次数最大的蜜源，如果仍有多个选择，则随机选择其中一个蜜源，将该蜜源对应的引领蜂转变为侦查蜂，重新随机生成新的蜜源替代旧蜜源；

步骤S8，终止准则判断：

若达到最大迭代次数，则终止迭代，输出目标值最优的个体，该个体即为项目中每位员工在每项任务中投入的工作量分配结果，否则，转至步骤S5。