【摘要】：求解PSM2模型的内环蚁群算法的启发式信息Iηg,j，表示第g决策层次选择工序j安排进度的启发式信息。与信息素信息不同，启发式信息取决于问题本身的特点，而与迭代过程中所产生的解的信息无关。因此，对于本书的前向和后向蚁群，它们将使用相同的启发式信息。因此，本书将借鉴优先权规则设计内环蚁群算法的启发式信息。ε为一极小的实数，它的引入主要是为了避免启发式信息等于0，从而导致选择概率为0的情况出现。
求解PSM2模型的内环蚁群算法的启发式信息Iηg,j，表示第g决策层次选择工序j安排进度的启发式信息。与信息素信息不同，启发式信息取决于问题本身的特点，而与迭代过程中所产生的解的信息无关。因此，对于本书的前向和后向蚁群，它们将使用相同的启发式信息。
内环蚁群算法的启发式信息Iηg,j，可以借鉴资源受限项目进度安排问题的优先权规则（priority rule）进行设计。这些优先权规则和进度产生方案相结合，形成了求解RCPSP问题的各种启发式方法。优先权规则的应用主要是为了确定当前决策层次上有资格安排进度的工序集合中各工序的进度安排优先权。从这个意义上看，优先权规则与内环蚁群算法的启发式信息的作用相类似。因此，本书将借鉴优先权规则设计内环蚁群算法的启发式信息。如1.2.1中所述，在资源受限的Max-NPV问题中，国外学者提出了很多有效的优先权规则，具体可参见表1.1。在这些优先权规则中，对进化算法最有效的是LFT规则，即最小最迟完成时间规则。因而本书采用此规则计算内环蚁群算法的启发式信息。
按照LFT优先权规则，具有较大最迟完成时间的工序，其进度安排的优先权越小，因此设计内环蚁群算法的启发式信息为：
式中，SJg表示第g决策层次有资格安排进度的工序集合。ε为一极小的实数，它的引入主要是为了避免启发式信息等于0，从而导致选择概率为0的情况出现。LFj为工序j的最迟结束时间，它是在不考虑可更新资源约束下，通过传统的CPM网络计划技术计算得到，即：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
