摘要：企业趋向于多项目共享全局资源的分布式协同管理。但在多项目实际执行时,全局资源可用量往往由于外部环境的动态变化而存在不确定性,活动中断、资源浪费等现象频发,项目管理变得愈加复杂。本文将不确定的全局资源可用量建模为随机变量,设计两阶段资源分配协调机制,在预分配阶段,考虑项目允许的最大活动中断次数约束,建立各项目调度的马尔可夫动态决策过程模型;预分配结束后,基于活动重要度依次对剩余全局资源进行协调再分配,以提高资源利用率并减少平均项目延期。设计基于全局资源协调分配的Rollout近似动态规划算法进行求解。开展问题库算例实验研究与案例分析,验证协调机制与求解算法的性能;同时,探讨并分析不确定参数对目标结果的影响。

摘要：目前对于随机工期的分布式资源受限多项目调度问题(SDRCMPSP)的研究较少且大多数为静态调度方案,无法针对环境的变化实时地对策略进行调整优化,及时响应频繁发生的动态因素。为此建立了最小化总拖期成本为目标的随机资源受限多项目动态调度DRL模型,设计了相应的智能体交互环境,采用强化学习中的DDDQN算法对模型进行求解。实验首先对算法的超参数进行灵敏度分析,其次将最优组合在活动工期可变和到达时间不确定两种不同条件下对模型进行训练及测试,结果表明深度强化学习算法能够得到优于任意单一规则的调度结果,有效减少随机资源受限多项目期望总拖期成本,多项目调度决策优化提供良好的依据。