水利工程施工进度优化中遗传算法的应用分析

水利工程施工进度优化中遗传算法的应用分析

彭章彬

彭章彬（四川省川力水利电力建设有限公司，610036）

【摘要】随着时代的发展，国家越来越重视水利工程的施工质量，水利工程施工进度的优化是水利工程质量的重要保障，所以选择合理的方法分析水利工程施工进度的优化分析具有十分重要的意义。本文主要讨论遗传算法在水利工程施工进度优化中的应用，希望对施工质量的提高提供一定的参考价值。

【关键词】水利工程；施工进度优化；遗传算法；应用

水利工程的施工过程是一项比较繁琐且复杂的工作，水利工程的施工进度与整个工程的施工设计有着紧密的联系，而且对于水利工程的整体质量有着一定的影响。通常情况下，施工进度的计划以及整个施工活动之间的关系是明确的，但是由于一些自然环境因素的影响，使得实际施工的情况会有所改变，所以，存在着一些不确定的因素。基于我国水利施工的具体情况，选择合理的方法进行施工进度计划的制定具有十分重要的意义。遗传算法在工期计划的优化方面有着十分重要的作用，因为遗传算法有着自身的特点，在工程工期的优化方面具有优势和实际的应用价值[1]。

一、水利工程施工进度的影响因素由于水利工程是一项比较复杂而且繁琐的工程，所以影响水利工程施工进度的因素有很多。首先，进度安排很容易受到当地自然环境的影响，比如当地的地形或者是气候等因素。这些关键性的自然条件因素在一定程度上影响水利工程施工的进度；其次，资金方面的影响，由于水利工程的施工是一个比较巨大的工程，所以需要先进的施工仪器或者是设备作为施工质量的保证，大量先进的施工设备以及施工仪器的引进需要足够的资金作保障，否则资金的短缺，在一定程度上会影响施工进度；最后，由于水利工程施工具有季节性的特点，所以，通常选择施工的季节在枯水期，枯水期利用的效果直接影响水利工程施工的进度，所以这也是影响水利工程施工进度的重要因素之一。

二、遗传算法的概述随着时代的快速发展，一种新的水利工程计划进度优化算法——遗传算法（简称GA）逐渐的发展起来，而且也在逐渐的被广泛的运用。GA是进化算法的一种重要的组成部分，它主要是根据达尔文的生物进化过程设计的模型，依据自然淘汰的原则以及遗传选择的原则。GA这种算法与常用的经验法、网络计划方法或者是专家系统统计的方法相比较，有着很大的优势，它在进行水利工程计划进度优化过程中更加的实用而且高效。

而传统的算法却存在一些缺点，主要表现在不能将施工过程中的不确定因素进行全面的考虑，导致施工计划优化效果不理想。遗传算法是随着时代的发展，在实践的过程中逐渐的产生而且被广泛的推广应用，而且这种算法在实际的应用过程中的应用效果比较好。遗传核算方法主要是根据生物进化过程中，经过优胜劣汰的自然选择，达到进化的结果。这种优化的算法是由美国的一些教授提出来的，是一种建立在自然遗传以及自然选择之上的算法[2]。

GA主要是根据自然选择的过程以及最优化的类比相结合，对于比较复杂的问题进行解决，搜索到最合适的解决方法。GA这种优化算法与传统的算法相比，具有很多的优点，比如自我组织、自我适应以及智能，是一种突破传统算法的创新优化方法。GA算法将对于复杂问题的解决过程转化为一群在后代连续不断进化的染色体，两个父代的子染色体通过交叉的方式获得下一代的染色体，通过这种一代代的进化，能够提高种群的优势，最终被选择的就有具有优势基因的一代，而且GA算法在搜索的过程中能够有效的将整个过程进行控制，实现自动的收集一些相关的有效的信息，然后发现最合适的解决方法,提高解决问题的效率[3]。

三、遗传算法在水利工程施工进度优化中应用（一）编码过程的介绍这个过程其实是将很多个参数，需要通过优化的过程在经过有序的编码工作映射到编码的空间中，通常为了实现遗传算法与空间更加的贴近，所以采用的是实数编码。这种编码的方式与其他的编码方式相比，更加的有效，而且已经得到了广泛的使用。

（二）生成初始群体的介绍这个过程的设计一般情况下是随机分配的，初始群体的最终确定容易受到选择操作的影响，因为随着选择群体范围的扩大，带来的后果就是一串操作的模式逐渐的变多，从而增加计算量，这样在一定程度上影响GA算法的实效性，所以，通常情况下，选择操作一般在几时到几百之间。GA算法中的群体与生物群体不同，它是由的染色体有机的组合到一起，并且每条组成成分的染色体代表的含义有所不同，不同的染色体代表着不同的选择方案，（具体如图1所示）。

图1染色体结构

（三）适应度计算的介绍通常情况下，函数优化的解决方案，主要是通过设定目标函数为适应度函数。适应度尺寸的变换映射了目标函数置于的变化。

适应度的属性反映着一些具体的情况，也就是说，随着适应度的增加，所研究对象的性能就更加的优越。但是相反，如果适应性减少，就代表着所研究对象的性能降低，虽然与GA算法的操作看上去有矛盾的地方。但是，可以通过函数之间的转换消除这种矛盾。

F(i)=M-T(i)(i=1,2,3………..N)(四)选择操作的介绍选择操作是有使用范围的，主要针对的是上面介绍的适应度高的个体，因为适应度决定了选择操作的过程，只有适应度很高的个体才能够增加保留下来的几率，如果适应度很低的话，那么意味着被淘汰的几率比较大[4]。

（五）交叉操作的介绍交叉操作的进行需要按照一定的原则，也就是说按照一定的交叉概率进行，如果确定了选择的个体，那么这些个体在繁殖后代的时候，可以随机的进行交叉位置的选择，个体之间的基因交叉以及进行基因重组，在一定程度上提高了GA算法的搜索功能。而且，通常情况下，交叉率有一定的范围，在0.6和0.9之间。具体的交叉过程如图2所示。

图2交叉过程

（六）变异操作的介绍该操作首先是在群体中选择一个个体，然后以一定标准的概率来判断变异发生的情况，具体的方法是通过将选择的变异的位置与相邻的额基因位置进行位置的调换，这个操作可以使GA算法选出最优的方案。

结语：综上所述，遗传算法在水利工程计划最优化的过程中起着十分重要的作用，与其他的算法不同，这种算法具有实效性，而且可以快速的选择最优的计划实施方案，应该在今后的水利工程实施计划的优化过程中充分的应用。

参考文献：[1]刘国帅,杨侃,郝永怀,周冉,郑姣.水库短期优化调度改进选择算子的遗传算法应用研究[J].中国农村水利水电,2011(10).[2]双学珍,于广斌,张智涌.基于遗传算法的水电工程施工“资源有限工期最短”的优化研究[J].四川水力发电,2008(01).[3]姚静,方彦军,李琦.多目标遗传算法求解电力系统经济负荷分配[J].华东电力,2012(04).[4]汪安南,史安娜,张元教,彭得胜.遗传算法在水利工程施工进度控制优化中的应用[J].水利经济,2006(04).作者简介彭章彬，性别，男；出生年月，1981.05；籍贯，四川绵阳；研究方向，水利水电；单位全称，四川省川力水利电力建设有限公司；学历，本科；民族，汉