基于量子遗传算法的多目标结构优化模型  

目录

基于量子遗传算法的多目标结构优化模型

1．导言

2．工程建设管理中的问题描述

3.基于QGA的优化模型

3.2条。优化过程

3.3条。实验结果与分析

4．结论

参考文献

1．导言

随着世界经济的发展，项目的工期和成本越来越受到重视。大型建设项目资金投入大，建设周期长。为了最大限度地缩短工期和成本，特制定有效的施工组织方案[3]。施工计划的目的是获得较短的结构周期长，成本低。研究人员专注于优化工期和造价的研究。然而，在优化算法中，进度和成本之间不可避免地存在冲突。因此，优化也被称为工期与成本的平衡，最优化平衡是指在人、机、料的约束下，在相同的情况下，管理者可以通过适当增加子项目的成本/时间来合理分配资源，实现时间和成本的最小组合。

传统的平衡策略包括关键路径法、整数规划法和枚举法方法。但是由于目前建设项目规模的扩大，计算复杂度呈指数级增长，因此这些方法难以满足大型建设项目的计算要求。如何在不破坏建筑设计和功能的前提下，找到一种快速、准确、有效地平衡工期和成本的优化算法，即缩短工期，降低成本，已成为当务之急。近年来，具有全局搜索能力的启发式算法被用于求解优化问题，包括Jaya算法、粒子群算法、群体算法、模拟annelingalgorithm、和声搜索算法逻辑和其他混合算法，这是项目管理长期研究的重点，可以用这些方法进行研究。根据Boussad等人的研究结果，在众多复杂的启发式算法中，遗传算法无疑是最好的解决方案。在对遗传算法进行深入研究的基础上，将遗传算法与其他方法相结合也得到了发展。古尔宾考虑了环境因素对算法运行的影响，设计了遗传算法显性测序应用基于遗传算法运算的模糊集理论，考虑了结构的不确定性条件，提出了一种工程项目工期、成本、质量优化的多目标优化方法。Mungle等人设计了模糊聚类遗传算法来解决公路项目的多目标优化问题。Xie等将预处理方法和成本改进过程应用到遗传算法中，建立了不同约束条件下多模式资源受限项目的优化模型。然而，这些方法对于要求高精度、高时效性的大型工程项目有着不可避免的局限性。因此，大型建设项目优化的计算模型和算法有待改进。

从理论上讲，用遗传算法可以解决的问题也可以用量子遗传算法（QGA），因此，量子遗传算法在遗传算法领域应该是可行的，例如周期和成本的多目标优化。此外，作为另一种计算方法，QuantumComputing具有对大型数据集进行Astrong数据分析和处理的能力。因此，在本研究中，我们将QGA应用于解决周期/成本权衡问题，并建立了一个优化模型。在优化模型中，以遗传算法为基础，将量子计算的并行性与遗传算法相结合，将量子矢量状态表达式引入遗传编码中，通过量子旋转门实现了量子进化和进化。为了减少遗传算法在全局优化中的应用周期，本文建立了遗传算法在全局优化中的应用模型。实验结果表明，所提出的方法比传统的遗传算法具有更好的性能比

2．工程建设管理中的问题描述

建设项目的工期和成本是控制的两个主要目标。然而，这两个目标之间存在着一种限制性关系，即获得一个目标是以牺牲另一个目标为代价的。例如，时间的减少必然导致成本的增加。因此，建设项目的时间/成本优化也被认为是一个多约束混合优化问题。相反，一个项目的网络计划是由多个逻辑排列的子过程组成的，每一个子过程都有多个备选方案。不同的劳动力和建筑机械方案可能会对工艺产生不同的影响。例如，项目工期、直接成本和间接成本可能受到不同方案的影响。因此，时间/成本优化问题也被认为是一个多变量问题。一般来说，在求解多目标优化问题之前，需要用函数表达式来表示每个目标之间的关系。解释表1列出了符号。             

 2.1条。目标01：时间。项目总时间由Summingupthedura计算每个子流程的操作子项目的持续时间用中间变量“x”标记。选定的子流程要求工作可以而且必须在上一个工作完成后立即开始，不受资源或其他流程的限制。每个过程的时间参数的限制满足过程之间的逻辑关系。项目控制期（i）的计算公式。