模糊工时下资源受限的物流项目工期优化方法及系统与流程

[0001]
本发明涉及项目管理技术领域，特别涉及一种基于模糊工时下资源受限的物流项目工期优化方法及系统。


背景技术：

[0002]
项目工期控制是项目管理重要的组成部分，不仅受到项目的时间、资源、任务节点等条件约束，而且直接影响项目的成败，在物流等项目管理过程中如何合理地计算项目工期、过程控制都是整个项目管理的重点内容，所以项目工期估算和优化广泛地应用于仓储、配送、流通加工等物流项目管理过程中。
[0003]
cn103617472b公开了一种多项目多任务管理中的资源平衡自适应调度方法，该方法包括步骤：s1资源池资源替换：查出系统资源中参与叶子节点任务并且为非完成状态的超负荷的资源，获取其替换条件，通过资源池查找符合替换条件的资源，然后依据其负荷上限判断是否超负荷，当没有超负荷并且替换平衡了所有待调配任务的超负荷资源时进行资源替换，更新资源使用情况，否则进行自动调配；s2获取自动调配初始化数据集合：依据叶子节点任务生命周期获取所有待调度项目中符合调配的任务的属性数据，所述属性数据包括标志码、估计开始时间、估计结束时间、估计工期、创建时间、是否关键路径任务、任务优先级、最小完成期限、松弛时间、资源集合、约束关系，获取任务所属项目的标志码、估计开始时间，估计结束时间属性数据，获取每个资源负荷上限形成需要的数据结构；s3动态分层加权平均处理，生成待调配任务集：依据预先设定的n个优先规则，通过页面交互确定层数，所述层数的范围是[1，n]，通过页面交互确定每层中对应的优先规则，通过页面交互确定每个优先规则对应的权重比值，然后计算相同层数的优先规则权重比值的和，其百分比作为其权重系数，通过任务的优先规则特性获得其权重值，然后对同一层中的优先规则进行加权平均，再依次对初始化集合按每层加权平均后的数值由大到小进行排序，由n到1，下一层只对上一层数值相等的任务再进行排序，直到上一层没有相等权值的任务或者层数为n时，生成待调配任务集；s4自动调配，从待调配任务集中选取第一个任务。
[0004]
在复杂物流项目管理过程中，由于资金、原材料等资源的限制，以及工艺任务的独特性、用户需求的多变性等多种不确定因素的影响，物流供应商很难精准确定各工序时长，甚至多数情况下仅能利用经验知识估计各工序时长的大致区间，从而造成整体物流项目工期估算上的困难。


技术实现要素：

[0005]
长期的统计研究发现，现有的文献中的资源受限的物流项目工期优化只考虑在资源约束下对固定精确时长的工序进行调度安排，以实现物流项目总体完工工期的优化，却忽视了工序时长与投入资源量的内在关系，而实际情况下，工序的时长受到投入资源量的影响，其时长是可度量的模糊数。
[0006]
有鉴于此，本发明旨在提出一种模糊工时下资源受限的物流项目工期优化方法，
该模糊工时下资源受限的物流项目工期优化方法包括，
[0007]
步骤s1，采用w个评价主体对物流项目中第i个工序评估出最小转换参数值最大转换参数值和最可能转换参数值其中，ω＝1,2,
…
,w，w为正整数；得到第i个工序的三角模糊数再将第i个工序中和做均值处理，得到模糊数处理，得到模糊数
[0008]
步骤s2，建立资源受限的工期估算模型，其中模型中目标函数约束函数包括：
[0009][0010][0011][0012][0013]
其中，(1)式表示前置工序均完成后，才能开始后续工序p
j
表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量a
i
与模糊时长成反比关系，为各工序资源与工期之间的转换关系的转换比例系数，值为模糊常数；(3)式表示优化后的工序时长大于等于未优化的工序时长其中均为正整数；
[0014]
步骤s3，若当前投入资源总量r
′
>r，其中r为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合c(i)中和非关键路径集合n(i)中，输入r，再将全部关键路径的工序i的集合c(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量活动时长和因子γ，采用模糊关键路径算法计算得到当前总工期t
1
；其中，因子因子
[0015]
步骤s4，对非关键路径的工序i的集合n(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量活动时长和因子γ，采用模糊关键路径算法计算得到当前总工期t
2
；
[0016]
步骤s5，若t
1
≤t
2
，保留全部工序i的集合c(i)对应的γ，记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；否则，保留n(i)对应的1，转至步骤s3；否则，保留n(i)对应的γ，同时记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；
[0017]
步骤s6，若当前投入资源总量r
′
≤r，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，r为整个项目的实际资源投入量。
[0018]
优选地，所述步骤s3中，所述图形算法包括拓扑排序算法。
[0019]
优选地，所述物流项目包括n个工序，各工序间存在时序上的先后关系，所有前置工序完成后才能开始后续工序，最后一道工序的完工时间为物流项目的完工工期，其中n为正整数。
[0020]
优选地，调节因子θ表示在各工序中消耗单位资源所增加的模糊时长的测度值。
[0021]
优选地，各工序初始时长为资源饱和状态的值，即增加投入资源量也无法缩短各工序时长。
[0022]
优选地，各工序优化工序时长和资源配置后，与未优化时的各工序前置后续约束关系不变。
[0023]
优选地，r
′
为当前资源投入总量，初始值为原先资源投入总量。
[0024]
本发明还公开了一种用于执行模糊工时下资源受限的物流项目工期优化方法系统，所述系统包括：
[0025]
评价模块，包括w个评价主体用于对物流项目中第i个工序评估出最小转换参数值最大转换参数值和最可能转换参数值其中，ω＝1,2,
…
,w，w为正整数；得到第i个工序的三角模糊数再将第i个工序中和做均值处理，得到模糊数做均值处理，得到模糊数
[0026]
工期计算模块，用于建立资源受限的工期估算模型，其中模型中目标函数约束函数包括：
[0027][0028][0029][0030][0031]
其中，(1)式表示前置工序均完成后，才能开始后续工序p
j
表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量a
i
与模糊时长成反比关系，为各工序资源与工期之间的转换关系的转换比例系数，值为模糊常数；(3)式表示优化后的工序时长大于等于未优化的工序时长其中均为正整数；
[0032]
关键路径优化模块，若当前投入资源总量r
′
>r，其中r为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合c(i)中和非关键路径集合n(i)中，输入r，再将全部关键路径的工序i的集合c(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量活动时长和因子γ，采用模糊关键路径算法计算得到当前总工期t
1
；其中，因子；其中，因子因子
[0033]
非关键路径优化模块，用于对非关键路径的工序i的集合n(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量
活动时长和因子γ，采用模糊关键路径算法计算得到当前总工期t
2
；
[0034]
判断模块，用于判断若t
1
≤t
2
，保留全部工序i的集合c(i)对应的γ，记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；否则，保留n(i)对应的γ，同时记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；
[0035]
输出模块，用于若当前投入资源总量r
′
≤r，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，r为整个项目的实际资源投入量。
[0036]
优选地，所述关键路径优化模块包括模糊关键路径算法模块和模糊网络构建模块，所述模糊网络构建模块用于将全部工序构建成带有模糊参数的网络拓扑图；
[0037]
所述模糊关键路径算法模块，用于将全部工序按是否满足关键路径特征，分别归类到关键路径集合c(i)中和非关键路径集合n(i)中。
[0038]
根据本发明实施例的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的方法。
[0039]
相对于现有技术，本发明提供的模糊工时下资源受限的物流项目工期优化方法，可实现技术效果：该方法考虑了工序的时长受到投入资源量的影响，其时长是可度量的模糊数，并在基于物流项目任务工序的逻辑关系、模糊参数和模糊运算法则，建立模糊工时下资源约束条件下的工期计算模型，采用关键路径、非关键路径双路径择优进行优化，提高了工期的计算的效果和求解算法的效率，本发明还提供一种系统，该方法和系统能够有效计算和优化模糊工时下资源受限的完工工期。
[0040]
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0041]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0042]
图1为本发明的模糊工时下资源受限的物流项目工期优化方法一种实施方式的流程图；
[0043]
图2为本发明的模糊工时下资源受限的物流项目工期优化方法一种实施方式优化后的对比图。
具体实施方式
[0044]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0045]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0046]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0047]
为了解决背景技术部分所指物流供应商很难精准确定各工序时长，甚至多数情况下仅能利用经验知识估计各工序时长的大致区间，从而造成整体物流项目工期计算上的困难等问题。本发明提供一种模糊工时下资源受限的物流项目工期优化方法，如图1所示，所述模糊工时下资源受限的物流项目工期优化方法包括，
[0048]
步骤s1，采用w个评价主体对物流项目中第i个工序评估出最小转换参数值最大转换参数值和最可能转换参数值其中，ω＝1,2,
…
,w，w为正整数；得到第i个工序的三角模糊数再将第i个工序中和做均值处理，得到模糊数处理，得到模糊数
[0049]
步骤s2，建立资源受限的工期估算模型，其中模型中目标函数约束函数包括：
[0050][0051][0052][0053][0054]
其中，(1)式表示前置工序均完成后，才能开始后续工序p
j
表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量a
i
与模糊时长成反比关系，为各工序资源与工期之间的转换关系的转换比例系数，值为模糊常数；(3)式表示优化后的工序时长大于等于未优化的工序时长其中均为正整数；
[0055]
步骤s3，若当前投入资源总量r
′
>r，其中r为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合c(i)中和非关键路径集合n(i)中，输入r，再将全部关键路径的工序i的集合c(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量活动时长和因子γ，采用模糊关键路径算法计算得到当前总工期t
1
；其中，因子因子
[0056]
步骤s4，对非关键路径的工序i的集合n(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量活动时长
和因子γ，采用模糊关键路径算法计算得到当前总工期t
2
；
[0057]
步骤s5，若t
1
≤t
2
，保留全部工序i的集合c(i)对应的γ，记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；否则，保留n(i)对应的1，转至步骤s3；否则，保留n(i)对应的γ，同时记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；
[0058]
步骤s6，若当前投入资源总量r
′
≤r，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，r为整个项目的实际资源投入量。
[0059]
本发明公开的模糊工时下资源受限的物流项目工期优化方法考虑了工序的时长受到投入资源量的影响，其时长是可度量的模糊数，并在基于物流项目任务工序的逻辑关系、模糊参数和模糊运算法则，建立模糊工时下资源约束条件下的工期计算模型，采用关键路径、非关键路径双路径择优进行优化，提高了工期的计算的效果和求解算法的效率，该方法能够有效计算和优化模糊工时下资源受限的完工工期。
[0060]
为了在模糊工时下资源受限的物流项目工期优化方法中更好对整个模糊网络进行优化，在本发明更为优选的情况下，所述步骤s3中，所述图形算法包括拓扑排序算法，在本发明更为优选的情况下，拓扑排序算法包括基于dfs的拓扑排序算法或kahn算法。
[0061]
为了使得项目任务工序的逻辑关系优化前后保持与优化前一致，且需要在前置任务全部完成后才能进行当前任务，在本发明更为优选的情况下，所述物流项目包括n个工序，各工序间存在时序上的先后关系，所有前置工序完成后才能开始后续工序，最后一道工序的完工时间为物流项目的完工工期，其中n为正整数。
[0062]
为了更好地测算消耗单位资源所增加的模糊时长，使得在优化计算时能够优先采用某资源，在本发明更为优选的情况下，调节因子θ表示在各工序中消耗单位资源所增加的模糊时长的测度值。
[0063]
为了使得各工序初始时长在初始状态，未优化时资源处于资源饱和状态，当优化后，资源在非饱和状态下不增加或尽量少增加总工期，在本发明更为优选的情况下，各工序初始时长为资源饱和状态的值，即增加投入资源量也无法缩短各工序时长。
[0064]
为了使得项目任务工序的逻辑关系优化前后保持与优化前一致，在本发明更为优选的情况下，各工序优化工序时长和资源配置后，与未优化时的各工序前置后续约束关系不变。
[0065]
为了更好地比较当前资源投入总量的变化，在本发明更为优选的情况下，r
′
为当前资源投入总量，初始值为原先资源投入总量。
[0066]
本发明公开了一个实施例：
[0067]
某物流项目中26项任务工序，见表1，其中，转换系数和初始时长均使用三角模糊数表示，工序时长用转换参数除以投入资源得到，工序则必须满足时序逻辑关系。另外，资源-时长转换参数来自于对多个不同评价主体评估数据的均值处理，其中，评价主体包括不同专家和项目负责人。
[0068]
表1项目任务工序相关参数
[0069][0070]
物流供应商根据客户预计可能投入的资源量，模糊工时下资源受限的物流项目工期优化方法构建模糊工时下资源受限的工期计算模型，使用该方法进行求解，与传统的自适应机制的模拟退火算法进行求解对比图，如图2所示，该方法计算的测度值以黑色实线显示，传统的自适应模拟退火算法解的测度值以黑色虚线显示，采用该方法计算的测度值明显优于传统的自适应模拟退火算法。
[0071]
本发明还公开了一种用于执行模糊工时下资源受限的物流项目工期优化方法系统，所述系统包括：
[0072]
评价模块，包括w个评价主体用于对物流项目中第i个工序评估出最小转换参数值最大转换参数值和最可能转换参数值其中，ω＝1,2,
…
,w，w为正整数；得到第i个工序的三角模糊数再将第i个工序中和做均值处理，得到模糊数做均值处理，得到模糊数
[0073]
工期计算模块，用于建立资源受限的工期估算模型，其中模型中目标函数约束函数包括：
[0074][0075][0076][0077][0078]
其中，(1)式表示前置工序均完成后，才能开始后续工序p
j
表示第j个工序的紧前活动集；(2)式表示第i条工序的初始资源投入量a
i
与模糊时长成反比关系，为各工序资源与工期之间的转换关系的转换比例系数，值为模糊常数；(3)式表示优化后的工序时长大于等于未优化的工序时长其中均为正整数；
[0079]
关键路径优化模块，若当前投入资源总量r
′
>r，其中r为整个项目的实际资源投入量，运用图形算法构建模糊网络，将全部工序分别归类到关键路径集合c(i)中和非关键路径集合n(i)中，输入r，再将全部关键路径的工序i的集合c(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量活动时长和因子γ，采用模糊关键路径算法计算得到当前总工期t
1
；其中，因子；其中，因子因子
[0080]
非关键路径优化模块，用于对非关键路径的工序i的集合n(i)中的活动边i按因子θ进行升序排序，从中选择最小因子所对应的边，更新该边的当前投入资源量活动时长和因子γ，采用模糊关键路径算法计算得到当前总工期t
2
；
[0081]
判断模块，用于判断若t
1
≤t
2
，保留全部工序i的集合c(i)对应的γ，记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；否则，保留n(i)对应的γ，同时记录当前投入资源总量r
′
＝r
′-
1，转至步骤s3；
[0082]
输出模块，用于若当前投入资源总量r
′
≤r，输出整个物流项目优化后的模糊工期、各工序模糊工时以及优化后的资源配置结果数据，r为整个项目的实际资源投入量。
[0083]
本发明公开执行模糊工时下资源受限的物流项目工期优化方法的系统，综合考虑了工序的时长受到投入资源量的影响，其时长是可度量的模糊数，并在基于物流项目任务工序的逻辑关系、模糊参数和模糊运算法则，建立模糊工时下资源约束条件下的工期计算模型，采用关键路径、非关键路径双路径择优进行优化，提高了工期的计算的效果和求解算法的效率，该系统能够有效计算和优化模糊工时下资源受限的完工工期。
[0084]
为了对数据更好地预处理和拓扑结构处理，在本发明优选的情况下，所述关键路径优化模块包括模糊关键路径算法模块和模糊网络构建模块，所述模糊网络构建模块用于将全部工序构建成带有模糊参数的网络拓扑图；所述模糊关键路径算法模块，用于将全部工序按是否满足关键路径特征，分别归类到关键路径集合c(i)中和非关键路径集合n(i)中。
[0085]
本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述方法。
[0086]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0087]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0088]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0089]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0090]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0091]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0092]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。