[发明专利]一种基于启发式离散人工蜂群算法的软件项目调度方法

说明书

本发明公开了一种基于启发式离散人工蜂群算法的软件项目调度方法，包括以下步骤(1)项目信息读取，包括任务和员工的属性；(2)设计新技能学习机制；(3)初始化算法参数；(4)生成初始蜜源种群，并计算目标值；(5)引领蜂通过多元学习策略对蜜源进行全局搜索；(6)跟随蜂通过基于启发信息的变异机制对蜜源进行局部搜索；(7)侦查蜂抛弃无用的蜜源，并重新随机生成新的蜜源替代旧蜜源；(8)判断迭代次数是否达到最大值，若达到，则终止迭代，输出目标值最优的个体，该个体即为项目中每位员工在每项任务中投入度的调度结果。本发明具有搜索能力强，生成的调度方案效率高的优点。

技术领域

本发明属于项目管理领域，特别涉及了一种基于启发式离散人工蜂群算法的软件项目调度方法。

背景技术

近年来，软件行业已经发展成为国民经济的重要产业。国家出台了《新时期促进集成电路产业和软件产业高质量发展的若干政策》等相关文件以进一步优化软件产业的发展环境，深化产业国际合作，提升产业创新能力和发展质量。软件项目调度(SPSP)是软件开发的重要环节，直接影响软件企业的经济效益和市场竞争力。SPSP是指要找到一种合理的人力资源和任务的安排方式，最小化项目开发成本和持续时间，同时满足人力资源和任务的相关约束。由于软件项目一般具有周期长、复杂度高、专业性强且人力资源灵活多变的特点，传统的精确算法难以在有限的时间内得到符合要求的解。大多数学者采用元启发式算法搜索最优调度方案，进而辅助软件项目管理者做出最终的决策。

人工蜂群算法(artificial bee colony，ABC)是由土耳其学者Karaboga于2005年提出的一种模拟蜜蜂采蜜行为的元启发式算法，该算法具有引领蜂、跟随蜂和侦查蜂三个阶段。它通过引领蜂、跟随蜂和侦查蜂之间的信息交互，实现对蜜源的开采，进而寻找具有最多花蜜的蜜源。与其它群智能算法相比，ABC算法控制参数少，对于不同阶段可采用不同的策略，结构灵活，易于改进。本发明所提基于启发式离散人工蜂群算法的软件项目调度方法，它将软件项目调度问题信息与启发式离散人工蜂群算法的结构特点相融合，该算法基本步骤如下：采用整数编码的方式，随机生成初始蜜源种群，计算每个蜜源个体的目标值；引领蜂阶段：每一只引领蜂通过随机学习、精英学习和优值学习三种算子的选择概率，通过轮盘赌策略选择一种算子对相应蜜源进行开采，对每一个开采前后的蜜源进行贪婪选择，留下目标值较优的蜜源个体；跟随蜂阶段：首先，每一只跟随蜂通过排序选择策略选择一个需要进行变异的蜜源，然后基于员工任务契合度选择需要保留的最优个体部分信息，对满足变异概率，并基于目标值的优劣采用不同的变异策略，对开采前后的蜜源实行贪婪选择策略；侦查蜂阶段：判断是否存在未更新次数超出最大未更新次数limit的蜜源。如果有多个，则选择未更新次数最大的蜜源，如果仍有多个选择，则随机选择其中一个蜜源，将该蜜源对应的引领蜂转变为侦查蜂，重新随机生成新的蜜源替代旧蜜源。基本人工蜂群算法搜索较为盲目，收敛速度较慢，且具有易陷入局部最优，求解精度低等不足，综上，提出一种收敛效率更高且具有较强跳出局部最优能力的软件项目调度方法极为必要。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于启发式离散人工蜂群算法的软件项目调度方法，本发明能够极大地提高算法的全局搜索能力，具有较强的跳出局部最优的能力，从而快速高效地得到一组关于软件项目调度的最佳员工-任务调度方法。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于启发式离散人工蜂群算法的软件项目调度方法，包括以下步骤：

步骤S1，读取项目的输入信息，定义优化目标，设定约束条件：

项目的输入信息包括每个任务的工作量、技能要求、技能难度和任务优先级图，每位员工的已有技能、已有技能熟练度、学习能力、可投入的最大工作量、正常月薪和加班月薪。优化目标为最佳员工-任务调度方案中，项目工期和项目成本加权求和值最小。约束条件包括任务技能约束和员工不允许超负荷工作。