基于变邻域离散粒子群算法的动态软件项目调度研究
发布时间：2022-01-16 18:23
随着经济的不断发展,软件行业之间的竞争愈演愈烈,软件公司需要研发新的软件来满足人类工作生活上日益增长的需求,设置合理的软件项目调度方案显得极为重要。面对规模越来越大的软件项目,软件项目经理需要采取智能化的手段在短时间内提供高效的调度方案,并综合考虑相关因素,降低软件项目开发的时间和成本。员工作为软件项目调度中最重要的资源,员工的流动性会给软件项目带来极大的不确定性,使其较确定型软件项目调度问题更为复杂。本文针对动态软件项目调度问题,考虑员工随机离职和新增员工的加入。采用马尔可夫链描述员工随机离职过程,并用蒙特卡洛方法进行员工离职抽样。新增员工的加入,考虑到常规情况和紧急情况下员工的加入,设置相应的启发式规则。本文基于预调度和重调度策略,构建了动态软件项目调度模型。预调度阶段满足各项约束条件,为员工分配相应的任务,生成预调度方案。重调度阶段考虑员工的离职带来的技能缺失,增加新的员工加入到软件项目调度过程中,对未完成的任务进行调度方案的调整。根据软件项目调度方案解的形式,采用集合型粒子群算法求解SPSP问题,重新定义了粒子群算法的位置、速度和更新公式。为防止算法陷入局部最优,并根据问题特征...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
T10-E5-SK4-5的甘特图
第四章实验以结果分析354.2.1种群规模分析变邻域离散粒子群算法的初始搜索空间是由种群规模决定的，算法的寻优精度和运行时间也是由种群规模决定的。如果种群规模选择过小，会降低算法的寻优精度，导致算法在后期运行阶段容易陷入局部最优。如果种群规模选择过大，收敛速度会变得十分缓慢，对算法的寻优过程并不会有显著的作用，且浪费算法的运行时间。因此，在运用变邻域离散粒子群算法解决动态软件项目调度问题时，算法中的种群规模要选取适当，既能获得求解的精准度同时又具有较好的收敛性。因此本文设置的种群规模分别为10，15，20，25，30，35，40，45，50。图4.2种群规模对算法性能影响Fig4.2Influenceofpopulationsizeonalgorithmperformance图4.2展示了不同种群规模对变邻域离散粒子群算法的影响。可以看出，当种群规模设置的过小，算法找到的解集的平均值也过大。当种群规模增长到50时，对算法的性能并没有显著的提升。当种群规模为30时，算法能够找到解集的最小平均值。因此，本文设置算法的种群规模大小为30。4.2.2迭代次数分析变邻域离散粒子群算法中的迭代次数决定着种群演化持续的范围。若粒子的迭代次数选取的较小，则不能保证粒子能够获得较优的解。若粒子的迭代次数选
合肥工业大学硕士学位论文36取的过大，则并不能对算法性能带来显著提升。因此本文设置迭代次数时考虑四种情况，分别是500，1000，1500，2000。图4.3迭代次数对算法性能影响Fig4.3Influenceofiterationnumbersonalgorithmperformance图4.3展示了不同迭代次数对变邻域离散粒子群算法的影响，可以看出，当迭代次数为500时，算法找到的是最大的解集平均值，当迭代次数为1000时，算法已经能够找到较小的解集平均值。当迭代次数增加至2000时，算法找到的解集平均值没有很大变化，对于算法性能并没有显著提升。因此，本文设置变邻域离散粒子群算法的迭代次数为1000。4.3对比分析4.3.1解的质量分析本文把变邻域离散型粒子群算法与粒子群算法、集合型粒子群算法进行比较，粒子群算法的参数如下表4.4所示，集合型粒子群算法的参数参照文献[47]。根据表4.5利用三种算法得到的解集求每个优化目标的平均值，从而证明改进变邻域离散粒子群算法的有效性。
【参考文献】：
期刊论文
[1]室内环境下基于最优路径规划的PSO-ACO融合算法[J]. 刘俊,徐平平,武贵路,彭杰. 计算机科学. 2018(S2)
[2]考虑随机离职的新产品研发项目组合多技能员工调度模型[J]. 陈蓉,梁昌勇,叶春森,蒋丽. 系统工程理论与实践. 2018(01)
[3]考虑学习/遗忘特性的软件项目调度多目标优化方法[J]. 郭一楠,季俊华,吉建娇,巩敦卫. 控制与决策. 2018(02)
[4]自适应粒子群算法求解资源受限多项目调度问题[J]. 王海鑫,王祖和,温国锋,李海霞. 管理工程学报. 2017(04)
[5]基于模式组合的粒子群优化测试用例生成方法[J]. 姜淑娟,王令赛,薛猛,张艳梅,于巧,姚慧冉. 软件学报. 2016(04)
[6]具备反向学习和局部学习能力的粒子群算法[J]. 夏学文,刘经南,高柯夫,李元香,曾辉. 计算机学报. 2015(07)
[7]求解资源受限项目调度的双种群准粒子群算法[J]. 何杰光,陈新度,陈新,刘强. 计算机集成制造系统. 2015(09)
[8]基于时间轴的软件多项目任务调度遗传算法[J]. 肖菁,吴洲. 计算机科学. 2012(12)
[9]软件项目管理最新研究综述[J]. 姜茸. 项目管理技术. 2011(10)
[10]带时间窗车辆路径问题的粒子群算法[J]. 李宁,邹彤,孙德宝. 系统工程理论与实践. 2004(04)
硕士论文
[1]协同进化粒子群算法在软件多项目调度问题中的应用[D]. 薛云勇.南京信息工程大学 2019
[2]考虑人员特性的动态软件项目多目标进化优化方法[D]. 季俊华.中国矿业大学 2018
[3]进化算法在软件工程任务调度中的研究与应用[D]. 范增辉.江南大学 2016
[4]考虑知识员工软技能的软件多项目调度问题研究[D]. 句彩霞.西安电子科技大学 2014
本文编号：3593193
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
T10-E5-SK4-5的甘特图
第四章实验以结果分析354.2.1种群规模分析变邻域离散粒子群算法的初始搜索空间是由种群规模决定的，算法的寻优精度和运行时间也是由种群规模决定的。如果种群规模选择过小，会降低算法的寻优精度，导致算法在后期运行阶段容易陷入局部最优。如果种群规模选择过大，收敛速度会变得十分缓慢，对算法的寻优过程并不会有显著的作用，且浪费算法的运行时间。因此，在运用变邻域离散粒子群算法解决动态软件项目调度问题时，算法中的种群规模要选取适当，既能获得求解的精准度同时又具有较好的收敛性。因此本文设置的种群规模分别为10，15，20，25，30，35，40，45，50。图4.2种群规模对算法性能影响Fig4.2Influenceofpopulationsizeonalgorithmperformance图4.2展示了不同种群规模对变邻域离散粒子群算法的影响。可以看出，当种群规模设置的过小，算法找到的解集的平均值也过大。当种群规模增长到50时，对算法的性能并没有显著的提升。当种群规模为30时，算法能够找到解集的最小平均值。因此，本文设置算法的种群规模大小为30。4.2.2迭代次数分析变邻域离散粒子群算法中的迭代次数决定着种群演化持续的范围。若粒子的迭代次数选取的较小，则不能保证粒子能够获得较优的解。若粒子的迭代次数选
合肥工业大学硕士学位论文36取的过大，则并不能对算法性能带来显著提升。因此本文设置迭代次数时考虑四种情况，分别是500，1000，1500，2000。图4.3迭代次数对算法性能影响Fig4.3Influenceofiterationnumbersonalgorithmperformance图4.3展示了不同迭代次数对变邻域离散粒子群算法的影响，可以看出，当迭代次数为500时，算法找到的是最大的解集平均值，当迭代次数为1000时，算法已经能够找到较小的解集平均值。当迭代次数增加至2000时，算法找到的解集平均值没有很大变化，对于算法性能并没有显著提升。因此，本文设置变邻域离散粒子群算法的迭代次数为1000。4.3对比分析4.3.1解的质量分析本文把变邻域离散型粒子群算法与粒子群算法、集合型粒子群算法进行比较，粒子群算法的参数如下表4.4所示，集合型粒子群算法的参数参照文献[47]。根据表4.5利用三种算法得到的解集求每个优化目标的平均值，从而证明改进变邻域离散粒子群算法的有效性。
【参考文献】：
期刊论文
[1]室内环境下基于最优路径规划的PSO-ACO融合算法[J]. 刘俊,徐平平,武贵路,彭杰. 计算机科学. 2018(S2)
[2]考虑随机离职的新产品研发项目组合多技能员工调度模型[J]. 陈蓉,梁昌勇,叶春森,蒋丽. 系统工程理论与实践. 2018(01)
[3]考虑学习/遗忘特性的软件项目调度多目标优化方法[J]. 郭一楠,季俊华,吉建娇,巩敦卫. 控制与决策. 2018(02)
[4]自适应粒子群算法求解资源受限多项目调度问题[J]. 王海鑫,王祖和,温国锋,李海霞. 管理工程学报. 2017(04)
[5]基于模式组合的粒子群优化测试用例生成方法[J]. 姜淑娟,王令赛,薛猛,张艳梅,于巧,姚慧冉. 软件学报. 2016(04)
[6]具备反向学习和局部学习能力的粒子群算法[J]. 夏学文,刘经南,高柯夫,李元香,曾辉. 计算机学报. 2015(07)
[7]求解资源受限项目调度的双种群准粒子群算法[J]. 何杰光,陈新度,陈新,刘强. 计算机集成制造系统. 2015(09)
[8]基于时间轴的软件多项目任务调度遗传算法[J]. 肖菁,吴洲. 计算机科学. 2012(12)
[9]软件项目管理最新研究综述[J]. 姜茸. 项目管理技术. 2011(10)
[10]带时间窗车辆路径问题的粒子群算法[J]. 李宁,邹彤,孙德宝. 系统工程理论与实践. 2004(04)
硕士论文
[1]协同进化粒子群算法在软件多项目调度问题中的应用[D]. 薛云勇.南京信息工程大学 2019
[2]考虑人员特性的动态软件项目多目标进化优化方法[D]. 季俊华.中国矿业大学 2018
[3]进化算法在软件工程任务调度中的研究与应用[D]. 范增辉.江南大学 2016
[4]考虑知识员工软技能的软件多项目调度问题研究[D]. 句彩霞.西安电子科技大学 2014
本文编号：3593193
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3593193.html
