施工現(xiàn)場設(shè)施布局的合理性直接關(guān)系到項目成本等目標的實現(xiàn).針對涉及設(shè)施較多的施工現(xiàn)場布局優(yōu)化問題,首先將該離散變量優(yōu)化問題轉(zhuǎn)換為高維空間的隨機抽樣問題,進而利用過渡馬爾可夫鏈蒙特卡羅方法的思想,提出一種高效的全局優(yōu)化啟發(fā)式算法.與針對連續(xù)型高維概率密度分布函數(shù)進行隨機取樣的過渡馬爾可夫鏈蒙特卡羅方法相比,本文提出的啟發(fā)式算法的框架基礎(chǔ)需從概率密度分布函數(shù)轉(zhuǎn)變?yōu)楦怕史植己瘮?shù),進而需在馬爾可夫鏈狀態(tài)點的產(chǎn)生方法上進行修正,以適應(yīng)離散型變量優(yōu)化問題的不同特性.通過實例驗證,與目前應(yīng)用較廣的遺傳算法相比,本文提出的新型啟發(fā)式算法在全局最優(yōu)解的獲取穩(wěn)定性上有較大改進. 

【文章來源】：湖南大學(xué)學(xué)報(自然科學(xué)版). 2020,47(09)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

典型施工場地及預(yù)定位置示意圖

該設(shè)施布局優(yōu)化問題需考慮將9個設(shè)施分配在9個位置，故問題的可行解（布局方案）個數(shù)為9!=362 880.通過枚舉法可得到問題的最優(yōu)目標函數(shù)值為6 273 m.針對本實例問題，基于TMCMC的建議優(yōu)化算法的參數(shù)中，無量綱化常數(shù)g0取值10 000，樣本變異系數(shù)取0.3.圖2描述了基于TMCMC的建議優(yōu)化算法一次典型求解過程（每一階段的樣本個數(shù)取100）中最優(yōu)目標函數(shù)值隨迭代階段的變化，圖3描述了該求解過程中溫度參數(shù)隨迭代階段的變化.圖3 典型求解過程中溫度參數(shù)隨迭代階段變化（實例一）

圖2 典型求解過程中最優(yōu)目標函數(shù)值隨迭代階段的變化（實例一）為檢驗基于TMCMC的施工現(xiàn)場設(shè)施布局優(yōu)化算法的穩(wěn)定性，表5給出了針對案例問題的500次建議優(yōu)化算法求解的統(tǒng)計結(jié)果.作為對比，表5也提供了遺傳算法（Genetic Algorithm,GA）的500次求解的統(tǒng)計結(jié)果.本文采用的遺傳算法為雙交叉算子遺傳算法，其與傳統(tǒng)遺傳算法相比，更適用于組合優(yōu)化問題，且性能更優(yōu)[14].其交叉操作采用交叉掩碼和部分映射雜交算子作為雙交叉算子，既能保護優(yōu)質(zhì)染色體，又不影響劣質(zhì)染色體的進化，從而提高種群的收斂速度.其變異操作采用染色體內(nèi)部變異的方式，即隨機選擇染色體內(nèi)的兩個基因進行交換.考慮到計算資源對兩種優(yōu)化算法性能的影響，兩種算法的迭代終止原則均取為迭代次數(shù)不超過20代.

【參考文獻】：
碩士論文
[1]基于BIM技術(shù)的施工現(xiàn)場動態(tài)布置研究[D]. 宋興蓓.長安大學(xué) 2017
[2]基于BIM的施工現(xiàn)場布置優(yōu)化研究[D]. 馬筠強.哈爾濱工業(yè)大學(xué) 2016



本文編號：3268426