Author： Kim Jin-Lee Ellis Ralph D.
Publisher： NRC Research Press
ISSN： 1208-6029
Source： Canadian Journal of Civil Engineering, Vol.36, Iss.3, 2009-03, pp. : 375-388
Disclaimer: Any content in publications that violate the sovereignty, the constitution or regulations of the PRC is not accepted or approved by CNPIEC.
Abstract
The resource-constrained project scheduling problem (RCPSP) is one of the most challenging problems in construction scheduling applications, in which optimal solutions are of great value to project planners. This paper presents a new adaptive hybrid genetic algorithm search simulator (AHGASS) for finding an optimal solution to the problem, and provides the strategies and practical procedures to develop the algorithm. Elitist genetic algorithm (EGA) developed is used for the global search, while random walk algorithm for the local search is incorporated into the EGA to overcome the drawbacks of general genetic algorithms, which are computationally intensive and premature convergence to a local solution. Computational experiments are presented to demonstrate the performance and accuracy of AHGASS. The proposed algorithm provides a comparable and competitive performance compared with the existing genetic algorithm (GA) hybrid heuristic methods. The findings demonstrate that AHGASS has significant promise for solving a large-sized RCPSP.Le problème d’ordonnancement de projet avec contrainte de ressources (RCPSP) est l’un des problèmes posant les plus grands défis aux applications de détermination des échéanciers de construction dans lesquelles les solutions optimales sont d’une grande valeur pour les planificateurs en construction. Cet article présente un nouveau simulateur de recherche par algorithme génétique hybride et adaptatif (AHGASS) afin de découvrir une solution optimale au problème et fournit des stratégies et des procédures pratiques pour développer cet algorithme. L’algorithme génétique élitiste (EGA) développé est utilisé pour la recherche globale alors que l’algorithme de marche aléatoire pour la recherche locale est incorporé dans l’EGA afin de surmonter les lacunes des algorithmes génétiques généraux, qui demandent beaucoup de temps d’ordinateur et qui convergent prématurément vers une solution locale. Des expériences de calcul sont présentées afin de démontrer le rendement et la précision de l’AHGASS. L’algorithme proposé fournit un rendement comparable et compétitif par rapport aux méthodes heuristiques hybrides d’algorithmes généraux existantes. Les conclusions montrent que l’AHGASS est prometteur pour résoudre un RCPSP de grande dimension.
Access to resources
Recommend
