【摘要】：相对于Rand-50算法，随着工序数的增加，本书提出的项目支付进度安排的内环蚁群算法的最优目标函数值的平均改进率也随之增加；在资源强度处于0.3—0.5时，本书提出的内环蚁群算法具有更好的寻优性能。本书提出的内环蚁群算法的计算时间较短，相对于前向／后向混合迭代算法和Rand-50算法，整体上具有更好的性能，在寻优效率上能够满足工程实际的需要。
（1）内环蚁群算法的基本思路是：首先产生工序的进度安排顺序；然后在这个进度安排顺序下利用进度产生方案产生可行的最早进度计划和最迟进度计划；接着通过局部优化程序对所产生的可行最早／最迟进度计划进行优化，以找到该种工序进度安排顺序下的局部最优进度计划；最后利用蚁群算法在这些局部最优进度计划中找到最优解。
（2）项目支付进度安排的内环蚁群算法建议的参数设置如下：ρ＝0.1，Q＝0.0003，α＝2，β＝1，q0＝0.5，Nant＝30，NCmax＝20。在此参数设置下，算法具有较好的搜索效率。算法在整个迭代过程中收敛十分平滑，没有出现很大的振荡。
（3）与结合折现现金流权重（DCFW）概念的前向／后向混合迭代算法相比，随着工序数的增加，本书提出的项目支付进度安排的内环蚁群算法的最优目标函数值的改进率呈现先降后升的规律，且在工序数为120时最优目标函数值改进率达到最大；并且对于资源受限的情况，本书提出的方法在求解性能和计算时间上更具有竞争力。
（4）相对于Rand-50算法，随着工序数的增加，本书提出的项目支付进度安排的内环蚁群算法的最优目标函数值的平均改进率也随之增加；在资源强度处于0.3—0.5时，本书提出的内环蚁群算法具有更好的寻优性能。
（5）本书提出的内环蚁群算法的计算时间较短，相对于前向／后向混合迭代算法和Rand-50算法，整体上具有更好的性能，在寻优效率上能够满足工程实际的需要。对于具有较多工序数和资源强度较“紧”的项目环境，本书提出的内环蚁群算法更适于求解PSM2模型。
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。
