基于遺傳算法的水利工程進度優化模型設計

孟凡蘭 萬 靜

（青州水建工程建設有限公司，山東 青州 262500）

0 引言

水利工程項目管理是一項復雜且系統化程度較高的工作，需要管理單位充分結合已有的理論和實際的施工情況[1]，科學合理地對項目建設過程中各個施工環節和活動進行規劃設計[2]。進度管理就是在協調質量和成本目標的基礎上，采用科學的方法確定進度目標，編制進度計劃和資源供應計劃，控制進度，實現工期目標。工期、成本和質量構成了項目的三大目標。其中，施工進度是極為重要的組成部分之一，其在一定程度上實現了項目整體工期的管控[3]，對于最終工程施工質量和投資效益均具有極為重要的影響[4]。而在對工程進度進行計劃時，需要對相關影響因素進行客觀分析，綜合各因素之間的作用關系[5]，這也是現階段工程進度規劃管理面臨的最主要的問題之一。影響因素是動態的，影響因素之間的關系也是動態的，如何實現對動態下工程進度的設計成為了專家和學者研究的重點[6]。其中，文獻[7]利用IFC/IDM/MVD開展了建筑工程項目進度管理研究，并設計了適用性較高的模型，測試結果驗證了其在穩定環境下的有效性，但是對于波動因素的分析有待提高。文獻[8]借助BIM技術的優勢，與遺傳算法進行有機結合，以費用為目標對工程施工進度進行設計，實現了成本的有效控制，但工期管控效果相對較弱。為此，本文提出基于遺傳算法的水利工程進度優化模型設計，以期為相關工程管理工作的開展提供有價值的參考。

1 工程因素與施工進度關系分析

任何一項水利工程由若干個不同的項目組成，因此，各個工程因素都與施工進度之間存在直接或間接的關系。一般情況下，影響水利工程的施工進度的因素包括資源條件、施工組織和管理能力、成本投入、技術水平以及自然環境5個部分[9]。在此基礎上，本文對這5個因素在進度中的作用特點進行分析。

(1)常規狀態下的施工進度。此時對應的工程因素是以相對的穩定和持續的狀態存在。假設其可以表示為

式中：

T0——常規狀態下的施工進度；

z0——資源條件；

s0——施工組織和管理能力；

c0——成本投入；

j0——技術水平；

r0——自然環境。

從式（1）中可以看出，T0與z0，s0，c0，j0成正比關系，與r0成反比關系。但是需要注意到是，z0，s0，c0，j0的變化范圍是相對的，在一定的空間范圍內，z0的取值范圍以企業的實際經濟基礎以及施工隊伍建設程度為基礎，且當其達到一定高度時，其對于施工進度的影響將不再變化，且其變化程度的作用效果與s0直接相關。相比之下，s0是相對固定的。由于水利工程施工團隊構成相對固定，因此在本文構建的模型中，設置其為常量。

（2）c0的取值范圍。在大多數情況下，c0也是定值，但是受客觀施工環境因素的影響，其出現波動的情況也是存在的，但波動范圍一般以工程最低利潤為上限。

（3）j0的取值范圍。由于技術水平是最直接影響施工進度的因素之一，在s0滿足技術支撐的條件下，j0越高，對應的施工進度越快，但是當j0超過現有s0的范疇時，j0的變化將不再影響T0。同樣地，當r0的波動范圍在s0的可控范疇之內時，其同樣不會影響T0，當r0取值高于s0的可控范疇的上限或低于s0的可控范疇的下限時，都會對T0產生負面影響。

在此基礎上，對于水利工程進度優化模型的設計就可以轉換為對上述因素綜合作用下最優進度的計算。

2 水利工程進度優化模型設計

2.1 影響因素編碼

為了實現對施工因素作用效果的綜合分析，本文采用遺傳算法實現水利工程進度優化模型設計。在設計之前，首先需要對上述5個工程因素進行編碼處理，將參數在對應空間中的變量映射到編碼空間范圍內，以此為后續的模型設計提供便利，提高模型的運行效率。本文在實際的編碼操作中采用實數作為編碼信息，通過這樣的方式在最大限度上使得編碼后的參數求解范圍接近最優解。最終的編碼結果如表1所示。

表1 影響因素編碼

按照表1所示的方式，對影響施工進程的因素進行編碼處理。各個因素中的差異化取值結果通過改變“0”位的編碼參數進行標記，其中，z0的差異化編碼參數為“2”，s0的差異化編碼參數為“3”，c0的差異化編碼參數為“4”，j0的差異化編碼參數為“5”，r0的差異化編碼參數為“6”。

通過這樣的方式，實現對空間因素所有狀態的編碼。

2.2 生成初始群體

在利用遺傳算法構建施工進程優化模型的過程中，初始群體的生成和確定都是以水利工程的基礎參數信息為基礎進行的。需要注意的是，有選擇的操作可能會降低初始群體的可靠性，當群體規模較小時，這種影響并不明顯，但是隨著群體規模越來越大，模型得到最終結果需要進行的遺傳操作會越來越多，降低模型的計算效率。為此，本文在構建初始群體的階段，將群體規模約束在0~100之間。在此基礎上，通過將不同的編碼信息集中在一條染色體上，構成以染色體為基礎的尋優范圍。不僅如此，在染色體上對應的不同基因位進行差異化設置，以此表示不同的水利工程施工工序，具體的基因值表示水利施工項目的實施方式。按照這樣的方式，最終得到的遺傳算法初始群體可以表示為：

式中：

P——構建的遺傳算法初始群體；

m——染色體上的基因位；

n——z0，s0，c0，j0，r0的取值規模。

以此為基礎，實現對最優工程進度的計算。

2.3 適應度參數設置

在計算最優解的過程中，適應度函數是確保最終結果可靠性的技術，某種程度上，其也是模型最終輸出最主要的約束。在前面對工程因素與施工進度關系的分析中已經表明，各個因素的波動范圍是有限的，這就意味著模型輸出結果對應的值域經過映射變換后也應在某空間范圍內，本文將其作為適應度參數對模型進行設計。從本質上進行分析，施工進程優化的最終目標是在最小投入的前提下實現工期的最短化，因此本文設置的適應度為成本和工期，其表示為：

式中：

c——水利工程的成本投入；

min——最小值。

利用式（3）作為模型設計的適應度參數，求解工程的最優進程。

2.4 工程進度優化模型

在上述基礎上，對于水利工程進度優化模型的設計結果為：

式中：

f(t)——水利工程進度優化模型；

T——工期；

best——最優解求解函數，其求解的目標是對應的P值無限接近約束函數。

通過這樣的方式，在適應度參數的約束下，計算得到優化后的工程進度數據。

3 測試分析

在上述基礎上，為了測試本文設計模型的應用效果，進行了分析測試，并采用文獻[7]和文獻[8]提出的方法同時進行測試，對比三種方法求解施工進程的結果。

3.1 施工環境概況

施工環境對應的流域為該工程所在縣境內主干河流的一級支流。施工區域的整體地勢呈現出西南向東北傾斜的趨勢，但整體傾斜角度較小，約為12.4°。水利工程流域覆蓋面積415.92km2，干流總長為49.22km，對應的平均坡降為3.26‰。在河流坡降的上游，有較為陡峻的地勢，坡降下游的地勢更加平緩。流域供給周圍4個鄉鎮的基礎用水需求，并涵蓋了20.33萬畝農田的澆灌任務。水利工程的具體實施方案設計是對所屬河段28.56~30.05km位置設置堤防加固工程，并在重點位置構建岸坡防護工程，預計全長7.35km，同時在河流上游設置1座攔河閘，新建3座穿堤涵閘。針對上述施工設計，在實際的施工過程中涉及的主要施工內容包括土方開挖及填筑、漿砌石砌筑及混凝土澆筑。預期工期為70d，預期成本投入為120萬元。

在此基礎上，分別采用三種方法對工程進度進行設計。

3.2 測試結果與分析

三種方法對測試水利工程進度的設計結果如表2所示。

表2 水利工程進度設計結果

從表2中可以看出，在三種方法的設計結果中，文獻[7]方法在70d時的施工進度為90.15%，且成本投入已經達到了145.91萬元，不僅工期超過了預期，成本投入也遠超預算。與之相比，文獻[8]方法的進度有所提升，在70d時的施工進度為96.21%，對應的成本投入為112.20萬元，雖然現階段的成本投入仍在預算范圍內，但是工程未在70d內竣工，后期需要繼續追加部分資金。本文設計方法在70d時的施工進度為100%，實現了目標工期內的施工任務，同時成本投入為110.36萬元，遠低于工程設計初期的預算。表明本文設計模型可以實現對施工進度的有效設計，在滿足施工要求的前提下，確保工程順利竣工。

4 結束語

水利工程項目的不斷發展在極大程度上改善了原有的水資源分配不均問題，是一項關系到社會發展和人民生活的重要工程項目。如何確保項目施工的科學性和合理性也成為了企業管理和工程建設過程中備受關注的問題之一。本文提出的基于遺傳算法的水利工程進度優化模型設計，充分考慮了施工資源、成本等因素之間的協調關系，以目標工期為基礎，對施工進度進行設計。測試結果表明，模型設計的施工進度可以有效降低工程的成本，并在預期工期內完成水利工程的施工。總之，本文的研究，結合施工環境的實際情況，實現了對成本和工期的優化設計，希望可以為相關管理部門相關工作的開展提供有價值的參考。