【正文】 ltiobjective one .The two objective functions are respectively to minimize the total cost loss ,which is to conform to the economic target ,and to shorten the time delay of the project with highest 建筑大學畢業(yè)設(shè)計外文文獻及譯文 6 priority .The first objective function can only optimize the apparent economic cost 。 然后 用 遺傳算法求解該模型 。多項目 、 項目的優(yōu)先 權(quán) 。對于許多企業(yè)來說，人力資源是最寶貴的資產(chǎn) 。 基 于 工作分解結(jié)構(gòu)（ wbs ）和 dantzig wolf 的分解方法， 人們曾演示過 一個可行的多項目規(guī)劃方法。 用遺傳算法解決了工程項目的資源優(yōu)化問題。 2. 項目優(yōu)先權(quán)對人的 資源 分 配 的作用和影響 項目 優(yōu)先權(quán)的因素 建筑大學畢業(yè)設(shè)計外文文獻及譯文 11 資源共享是是多項目管理一個主要特點。正如 項目的 利潤一樣 ，復雜的項目管理和技術(shù)以及戰(zhàn)略 都 影響 著 企業(yè)的未來發(fā)展。 s 指該項目 對 企業(yè)的影響。本文將 著 力 研究 被分配 在 多項 目中有 限 且 關(guān)鍵 的 人力資源 ，而這些多項目都 有明確的期限和時代優(yōu)先 權(quán) 。 本文不 考慮非關(guān)鍵獨立的人力資源 的配置問題 ，這是 假定這些 獨立的資源可以滿足每個項目的需求。關(guān)鍵 環(huán)節(jié)的 延 誤將 會 影響整個項目的持續(xù)時間。 建筑大學畢業(yè)設(shè)計外文文獻及譯文 12 (3) 重要人力資源的總數(shù)是 R， 用 rk代表 每個人，而 k=1,2， … ， R (4)? ki= ??? 其他 中的人是分配到 0 rQ1 ki (5)幾個項目 共用的 資源 從 時間 ts開始 。 （而潛在的成本是難以量化 的 ，這在 本文中 暫時 不做 考慮）。 (9)活動 持續(xù)時間可以 用 活動的工作量除以資源的數(shù)量表達， 用 下面的表達式 表示為 tAi = η i/R*i。 由于資源的競爭，具有較高優(yōu)先 權(quán) 項目的資源需求可能得到保障，而 那 些較低的優(yōu)先 權(quán)的 項目可能無法得到充分保障。 這 兩個目標函數(shù) 一個是為 符合經(jīng)濟目標以盡量減少總 的 成本損失， 另一個是 以縮短 有 最高優(yōu)先 權(quán) 項目 的 延遲時間。 4 、用 遺傳算法 求 解多目標模型 多目標優(yōu)化問題是相當普遍。假定兩個優(yōu)化目標的權(quán)重 各是 α 和 β ， 有α+β=1 。 因為平行的性質(zhì)和較少的限制，它 有著傳播充分、 ，收斂速度快，且易于計算 的 主要特點 。字串長度等于人力資源配 置的 總數(shù)。 這個過程 中 包括三個基本的 算子 ：選擇算子 、 交叉算子 和 變異 算子 。 2）交叉算子 所謂交叉是 指交叉 的染色體交換一些基因， 而在 一些規(guī)則 下 產(chǎn) 生兩個字 符串。幾種整數(shù)串的簡單的統(tǒng)一變異方法確實存在 。 但其 效率 會降低 。每一個項目只存在一個關(guān)鍵路徑。 步驟 3：采取賭輪和精英的策略確定選擇算子做遺傳 操作 。 計算機模擬 后 ，我們可以獲取兩個目標函數(shù)不同重要性權(quán)重的帕累托結(jié)果 。本文分析項目的優(yōu)先 權(quán) 在資源配置 中 的重要性， 并在 優(yōu)先次序和項目成本的基礎(chǔ)上建立了人力資源分配模型 。 。在分配模式 下 施工過程中，我們提出了一些假設(shè)以簡化問題。 但我們可以取得了一系列的帕累托結(jié)果。我們假設(shè)突變的概率 為 。染色體的 長度是 16 即 將被分配的人力資源的總數(shù) 是 16。 5)數(shù)值例子 我們使用一個數(shù)值例子來說明遺傳算法的成效。人口規(guī)模影響著 最終的結(jié)果和運算速度 。 3）變異算子 變異增加 了 人口的多樣性，從而增加了 產(chǎn)生 更好 合適性 價值個人 的 可能性。 一個字符串被作為 母體 選中 的 概率 與它的合適性 是成正比 的。 為估計 目標函數(shù)的價值， N 個人 的合適性為 1/ n 。 本文 中 遺傳算法 的 主要步驟如下： （ 1 ）編碼 整數(shù)串是短期，直接和有效 的 。 遺傳算法的原則 遺傳算法 起源于 自然選擇和遺傳學 的 概念。 因此每個 分 目標 的比重 ，應該 予以 考慮。對于有 最高優(yōu)先 權(quán)的 項目，時間延遲將會損害 的 不僅 有 經(jīng)濟利益，而且也 會損害企業(yè) 的 策略和威望。 優(yōu)化模型 基于上述的假設(shè)確立多項目環(huán)境 的 資源分配模 型 。 R*i是指 在 項目經(jīng)理對項目的規(guī)劃階段被 實際上 分配給項目 i中的 關(guān)鍵人力資源 的數(shù)量。 由 于存在著資源的競爭，時間的差距必然是一個正數(shù)。 (6)根據(jù)合同，如果該項目延誤 則由延誤對項目 i造成 的 每日成本損失為 △ Ci。 每個項目 Q 用表示 ，而 i=1,2， … N 。 在某時期內(nèi) ， 當項目的幾個關(guān)鍵環(huán)節(jié)同時需要同一種關(guān)鍵性人力資源時就會 發(fā)生資源 的 沖突和競爭。關(guān)鍵人力資源的供應是有 限的，在一定期限內(nèi) 是 不能 通過 雇用或 憑借 任何其他方式 獲得的。 3 、 在多項目環(huán)境 下的 人力資源分配模 型。 公式為： W=f(I,c,s… ) (1) 其中 w是指項目的優(yōu)先 權(quán) 重 ； i 指該 項目 的 利潤 ， 。在此 之后，較低優(yōu)先 權(quán) 的項目 才 予以考慮。本文將 引進數(shù)學模型用以 分析項 目優(yōu)先 權(quán)在 人力資源配置 中的作用。提出在 長期、 中期和短期 的 多項目 及 研究和開發(fā)（ R ＆ D ）環(huán)境 中 人力資源配置框架。 一些文獻中曾討論 的存在 資源 約束的 多項目環(huán)境 中 資源 分配問題 。 多項目環(huán)境中， 諸如 資金，時間和人力 等資源的共享和競爭 經(jīng)常發(fā)生 。 關(guān)鍵字 遺傳算法 。 (3) Geic operation It’s the core of GA .This process includes three basic operators: selection operator, crossover operator, and mutation operation. 1) Selection operation is to select the good individuals among the group .The probability of a string to be selected as a parent is proportional to its fitness .The higher the string’s fitness is, the greater the probability of the string to be selected as a parent will be. 2) Crossover operator The socalled crossover is that the paten chromosomes exchange some genes to yield two offspring strings in some rule .We can use uniform crossover ,that the two chromosomes exchange the genes on the same positions with the same crossover probability to yield two new individuals. 3) Mutation operator Mutation adds to the diversity of a population and thereby increases the likelihood that the algorithm will generate individuals with better fitness values .The mutation operator determines the search ability of GA ,maintain the diversity of a population ,and avoid the prematurity .There are several mutation is quite easy . 4) Standard for the terminal of GA Without human control ,the evolution process of the algorithm will never end .The population size affects the final result and the operation speed .If the size is greater ,the diversity of the population can be added ,and the best result can be obtained easier .However ,the efficiency is reduced .Recently ,in most GA progress , the biggest evolvement algebra is determined by humanbeings to control the c