隨著經(jīng)濟的不斷發(fā)展,軟件行業(yè)之間的競爭愈演愈烈,軟件公司需要研發(fā)新的軟件來滿足人類工作生活上日益增長的需求,設置合理的軟件項目調度方案顯得極為重要。面對規(guī)模越來越大的軟件項目,軟件項目經(jīng)理需要采取智能化的手段在短時間內提供高效的調度方案,并綜合考慮相關因素,降低軟件項目開發(fā)的時間和成本。員工作為軟件項目調度中最重要的資源,員工的流動性會給軟件項目帶來極大的不確定性,使其較確定型軟件項目調度問題更為復雜。本文針對動態(tài)軟件項目調度問題,考慮員工隨機離職和新增員工的加入。采用馬爾可夫鏈描述員工隨機離職過程,并用蒙特卡洛方法進行員工離職抽樣。新增員工的加入,考慮到常規(guī)情況和緊急情況下員工的加入,設置相應的啟發(fā)式規(guī)則。本文基于預調度和重調度策略,構建了動態(tài)軟件項目調度模型。預調度階段滿足各項約束條件,為員工分配相應的任務,生成預調度方案。重調度階段考慮員工的離職帶來的技能缺失,增加新的員工加入到軟件項目調度過程中,對未完成的任務進行調度方案的調整。根據(jù)軟件項目調度方案解的形式,采用集合型粒子群算法求解SPSP問題,重新定義了粒子群算法的位置、速度和更新公式。為防止算法陷入局部最優(yōu),并根據(jù)問題特征... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

T10-E5-SK4-5的甘特圖

第四章實驗以結果分析354.2.1種群規(guī)模分析變鄰域離散粒子群算法的初始搜索空間是由種群規(guī)模決定的，算法的尋優(yōu)精度和運行時間也是由種群規(guī)模決定的。如果種群規(guī)模選擇過小，會降低算法的尋優(yōu)精度，導致算法在后期運行階段容易陷入局部最優(yōu)。如果種群規(guī)模選擇過大，收斂速度會變得十分緩慢，對算法的尋優(yōu)過程并不會有顯著的作用，且浪費算法的運行時間。因此，在運用變鄰域離散粒子群算法解決動態(tài)軟件項目調度問題時，算法中的種群規(guī)模要選取適當，既能獲得求解的精準度同時又具有較好的收斂性。因此本文設置的種群規(guī)模分別為10，15，20，25，30，35，40，45，50。圖4.2種群規(guī)模對算法性能影響Fig4.2Influenceofpopulationsizeonalgorithmperformance圖4.2展示了不同種群規(guī)模對變鄰域離散粒子群算法的影響。可以看出，當種群規(guī)模設置的過小，算法找到的解集的平均值也過大。當種群規(guī)模增長到50時，對算法的性能并沒有顯著的提升。當種群規(guī)模為30時，算法能夠找到解集的最小平均值。因此，本文設置算法的種群規(guī)模大小為30。4.2.2迭代次數(shù)分析變鄰域離散粒子群算法中的迭代次數(shù)決定著種群演化持續(xù)的范圍。若粒子的迭代次數(shù)選取的較小，則不能保證粒子能夠獲得較優(yōu)的解。若粒子的迭代次數(shù)選

合肥工業(yè)大學碩士學位論文36取的過大，則并不能對算法性能帶來顯著提升。因此本文設置迭代次數(shù)時考慮四種情況，分別是500，1000，1500，2000。圖4.3迭代次數(shù)對算法性能影響Fig4.3Influenceofiterationnumbersonalgorithmperformance圖4.3展示了不同迭代次數(shù)對變鄰域離散粒子群算法的影響，可以看出，當?shù)螖?shù)為500時，算法找到的是最大的解集平均值，當?shù)螖?shù)為1000時，算法已經(jīng)能夠找到較小的解集平均值。當?shù)螖?shù)增加至2000時，算法找到的解集平均值沒有很大變化，對于算法性能并沒有顯著提升。因此，本文設置變鄰域離散粒子群算法的迭代次數(shù)為1000。4.3對比分析4.3.1解的質量分析本文把變鄰域離散型粒子群算法與粒子群算法、集合型粒子群算法進行比較，粒子群算法的參數(shù)如下表4.4所示，集合型粒子群算法的參數(shù)參照文獻[47]。根據(jù)表4.5利用三種算法得到的解集求每個優(yōu)化目標的平均值，從而證明改進變鄰域離散粒子群算法的有效性。

【參考文獻】：
期刊論文
[1]室內環(huán)境下基于最優(yōu)路徑規(guī)劃的PSO-ACO融合算法[J]. 劉俊,徐平平,武貴路,彭杰.  計算機科學. 2018(S2)
[2]考慮隨機離職的新產品研發(fā)項目組合多技能員工調度模型[J]. 陳蓉,梁昌勇,葉春森,蔣麗.  系統(tǒng)工程理論與實踐. 2018(01)
[3]考慮學習/遺忘特性的軟件項目調度多目標優(yōu)化方法[J]. 郭一楠,季俊華,吉建嬌,鞏敦衛(wèi).  控制與決策. 2018(02)
[4]自適應粒子群算法求解資源受限多項目調度問題[J]. 王海鑫,王祖和,溫國鋒,李海霞.  管理工程學報. 2017(04)
[5]基于模式組合的粒子群優(yōu)化測試用例生成方法[J]. 姜淑娟,王令賽,薛猛,張艷梅,于巧,姚慧冉.  軟件學報. 2016(04)
[6]具備反向學習和局部學習能力的粒子群算法[J]. 夏學文,劉經(jīng)南,高柯夫,李元香,曾輝.  計算機學報. 2015(07)
[7]求解資源受限項目調度的雙種群準粒子群算法[J]. 何杰光,陳新度,陳新,劉強.  計算機集成制造系統(tǒng). 2015(09)
[8]基于時間軸的軟件多項目任務調度遺傳算法[J]. 肖菁,吳洲.  計算機科學. 2012(12)
[9]軟件項目管理最新研究綜述[J]. 姜茸.  項目管理技術. 2011(10)
[10]帶時間窗車輛路徑問題的粒子群算法[J]. 李寧,鄒彤,孫德寶.  系統(tǒng)工程理論與實踐. 2004(04)

碩士論文
[1]協(xié)同進化粒子群算法在軟件多項目調度問題中的應用[D]. 薛云勇.南京信息工程大學 2019
[2]考慮人員特性的動態(tài)軟件項目多目標進化優(yōu)化方法[D]. 季俊華.中國礦業(yè)大學 2018
[3]進化算法在軟件工程任務調度中的研究與應用[D]. 范增輝.江南大學 2016
[4]考慮知識員工軟技能的軟件多項目調度問題研究[D]. 句彩霞.西安電子科技大學 2014



本文編號：3593193