一种项目动态调度过程中关键控制点的智能决策方法

技术领域

本发明属于调度控制技术领域，涉及一种项目动态调度过程中关键控制点的智能决策方法。

背景技术

动态调度是一项涉及调度、风险分析和项目控制的项目管理技术，广泛应用于建筑工程、软件开发、交通运输、产品生产、高端装备制造等领域，具有很强的工程应用背景。调度作为风险分析和项目控制的基础和参考，风险分析提高项目控制决策的准确性，项目控制的实施以便在出现问题时及时启动纠正措施。由于项目执行的实际进度与调度阶段构建的基线进度之间不可避免地存在偏差，所以项目控制是动态调度的一个重要方面，它通常包括三个过程：确定控制点、监测项目进度、以及采取纠正措施。控制点是衡量项目进度和采取纠正措施的时机，其选择对于项目进度监测结果以及纠正措施实施效果具有重大影响。因此，控制点的良好设计不仅可以提高项目监测的可靠性，而且可能提高纠正措施的质量。

目前，控制点的设置主要分为在项目进展中按固定周期设置的定期控制点和在某些活动开始或完成时设置的里程碑控制点。定期控制点在项目中的应用主要是基于项目和活动特征，通过不同分析方法以确定最佳控制点。然而，通过定期控制点从未完成的活动中收集项目信息会存在不可靠或不准确的风险。根据对113个不同行业的真实项目进度信息的调查，结果显示，22％的项目采用定期控制点，78％的项目采用里程碑控制点。因此，里程碑控制点在实践中的应用更为频繁。然而，由于在实际应用中，里程碑控制点总是被设定为日历上的简单日期，导致了失败的里程碑跟踪，这与项目的延误密切相关。因此，在不同的行业中，里程碑控制点计算的影响因素至关重要，例如，在现实生活中的建筑和IT项目中，控制点的计算受到失败风险、资源可用性、项目复杂性和预算的影响。

因此，项目控制点的设置方法在学术界和工业界具有重要意义，如何自动选择最佳性能控制点进而提升项目控制的精准性和稳定性是亟需解决的重要问题。

发明内容

为了解决如何在项目动态调度过程中自动选择最佳性能控制点进而提升项目控制的精准性和稳定性的技术问题，本发明采用的技术方案是：

一种项目动态调度过程中关键控制点的智能决策方法，包括以下步骤：

通过网络方法和子网络方法对项目所包含活动的重要性进行排序，将最重要的部分活动设置成初步控制点；

根据所提出的每种网络方法及子网络方法，计算初步控制点的时间有效性最高时，即得到最佳控制方法；

选择具有多样化特征的项目数据集构建CHAID分类模型；所述数据集按照比例划分成测试集和训练集；

利用训练集来学习训练最佳控制方法的性能与项目参数之间的关系，以得到训练好的CHAID分类模型；

采用测试集验证从训练集中选择的CHAID分类模型，使用训练好的模型来预测最佳控制方法；

采用回归树分析方法，对CHAID分类模型得到的最佳控制方法进行检验分析。

进一步地：所述网络方法根据项目网络逻辑设置控制点，所述子网络方法根据子网络的概念及复杂度的测量设置控制点。

进一步地：所述通过网络方法和子网络方法对项目所包含活动的重要性进行排序方法如下：

计算项目中每项活动的后继活动总数TS；

计算每项活动的前继活动总数；

构建活动的子网络；

计算项目中每个活动的子网络的复杂度；

依据子网络的复杂度，使用对项目所包含活动的重要性进行排序。

进一步地：所述CHAID分类模型由分类变量、分类值和最终节点组成的回归树。

进一步地：利用训练集来学习最佳控制方法的性能与项目参数之间的关系，以得到训练好的CHAID分类模型。

本发明提供的一种项目动态调度过程中关键控制点的智能决策方法，旨在提供一种考虑资源和网络信息复杂性的控制点方法，并将其嵌入动态调度框架中，以确定监测和控制项目的最佳时机。同时引入了新的不同项目特征来模拟现实生活中的项目特征，以根据项目特征为特定项目选择性能最好的控制点。本发明打破了传统里程碑控制点根据简单日期设定的方法，考虑了资源和网络复杂度实现最佳控制点的自动选择，使得项目控制精准性和稳定性得到进一步提升，对于项目的动态调度具有重要意义和工程应用价值，具有以下优点：

(1)本发明考虑资源和网络复杂度实现最佳控制点的自动选择，将其嵌入动态调度框架中，同时引入了新的参数来模拟项目特征，提供了第一个分类分析，为特定项目在项目动态调度过程中选择最佳性能控制点的方法。

(2)本发明在广泛的人工数据上进行了广泛的计算实验，以验证分类模型是否能够检测出最佳方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本方法的流程图。

图2是项目1网络图；

图3是项目1子网络图；

图4是项目1子网络复杂度图；

图5是部分回归树。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

我们用一个项目来说明确定最佳控制点的方法及CHAID模型的使用。

图1是本方法的流程图。

图2显示了项目的网络图。

项目动态调度过程中关键控制点的智能决策方法，包括以下步骤：

通过网络方法和子网络方法对项目所包含活动的重要性进行排序，将最重要的部分活动设置成初步控制点；

根据所提出的每种网络方法及子网络方法，计算初步控制点的时间有效性最高时，即得到最佳控制方法；

选择具有多样化特征的项目数据集构建CHAID分类模型(CHi-squared AutomaticInteraction Detection，卡方自动交叉检验)；所述数据集按照比例划分成测试集和训练集；

利用训练集来学习训练最佳控制方法的性能与项目参数之间的关系，以得到训练好的CHAID分类模型；

采用测试集验证从训练集中选择的CHAID分类模型，使用训练好的模型来预测最佳控制方法；

采用回归树分析方法，对CHAID分类模型得到的最佳控制方法进行检验分析。

步骤1：确定控制点

通过网络方法和子网络方法确定活动的重要性，网络方法根据项目网络逻辑设置控制点，子网络方法根据子网络的概念及复杂度的测量设置控制点。

步骤A1：计算每项活动的后继活动总数TS；

按下式计算每项活动的后继活动总数:

其中：N表示一组活动，A是活动对的集合，其中活动对满足最小滞后量为零的完成-开始优先关系。

步骤A2：计算每项活动的前继活动总数TP；

按下式计算每项活动的前继活动总数

步骤A3：构建活动子网络

分别在没有资源和有资源的情况下，通过考虑活动本身及其所有后继活动或前继活动，保留原始的活动信息和活动之间的优先级关系，为每个活动构建Subs网络或SubP网络。

步骤A4：计算子网络复杂度

对于没有资源的项目，通过网络复杂度CNC、顺序强度OS和串行/并行SP三种方法计算网络Subs或网络SubP的复杂度；

网络复杂度CNC表示为直接优先关系总数|A|与该子网络项目活动总数n的比值，具有高(低)值CNC的项目网络有较多(较少)直接优先关系的网络，公式表示为：

其中：表示直接优先关系总数，n表示项目活动总数。

顺序强度OS衡量优先关系的总数|A

其中

串行/并行SP表示为根据渐进层次的数量来衡量项目网络与串行/并行图形的接近程度，具有高(低)SP值的项目网络接近于串行(并行)项目，公式表示为：

其中，m表示串行活动的数量，n-m表示并行活动的数量。

对于有资源的项目，除上述三种方法外，还使用资源约束RC方法计算两种类型网络的复杂度。

资源约束RC衡量所有项目活动所需的每种资源类型K的平均数量与其可用性的比值。当时，RC＝0所有活动都不需要资源；当RC＝1时，所有活动的资源需求都等于资源约束条件，其公式表示为：

表示所有项目活动所需的每种资源类型k的平均数量，a

下标S表示SubS网络方法(CNC

因此，对于没有资源的项目，将评估6(＝2×3)种子网络方法，对于有资源的项目，将评估8(＝2×4)种子网络方法。

步骤A5：确定活动的重要性排序

对于每项活动，根据上述每种方法计算结果的大小，即后继活动总数

步骤2：确定每种项目控制点方法的时间有效性TE

通过比较不同控制点方法对项目持续时间的影响来评估它们的影响，对项目持续时间的影响反映在项目延误的减少上。

时间有效性TE定义为由于设置控制点而减少的项目延迟与没有设置控制点的项目总延迟之间的比率。

nrs

根据步骤1中所提出的每种网络方法及子网络方法，当一个控制点的时间有效性最高时，认为该方法为最佳控制方法。

步骤3：构建CHAID分类模型

CHAID分类模型依据项目初始数据，先确定进行分类的因变量与自变量，再将二者以交叉方式进行分类，不断合并和拆分，直到每个划分的类别中两两类别之间没有差异。

在本发明中，根据步骤1中提出的控制点方法，CHAID分类模型用于自动选择具有不同项目特征下的特定项目的最佳控制方法。

CHAID分类模型的一般程序分为三个阶段，即数据准备、模型构建和回归树分析。

步骤B1：数据准备

选择具有多样化特征的项目数据集用来构建CHAID分类模型。项目数据集包含了广泛多样的网络参数、资源参数以及成本参数。如果项目数据集包含了其他参数，则认为与本发明无关。

通过创建一个随机选择80％项目实例的训练集和一个包括20％项目实例的测试集，对该数据集进行分类样本验证。

步骤B2：模型构建

步骤B2.1：训练集

步骤B2.1.1：变量预处理

在数据准备阶段后，对于每一个项目，以最佳控制方法作为因变量，以反映不同项目特征的项目参数作为自变量。根据确定的因变量和自变量类型，需要采用F检验。F检验统计量为：

其中，S

步骤B2.1.2：确定当前分支变量

在变量预处理阶段后，计算所有的自变量与因变量相关性检验的F统计量与概率P值。选择P值最小的变量作为当前分支变量。

若所有的P值大小都一样，选择F统计量最大的变量作为当前最优的分支变量，将最优分支变量进行分组产生相应的子节点。

在所有子节点上进行同样的操作，重复上述过程直到每一个分割的类别中两两类别之间没有差异，即满足P值大于0.05的停止标准时则分类停止。

步骤B2.1.3：合并或拆分

此过程贯穿于确定当前分支变量的过程前后，可分为以下三种情况。

1、若仅有一个或两个分组，则无需进行合并处理。

2、每次当前分支变量确定之前，即计算完数据准备后的各自变量与因变量的P值之后，寻找出某两个类别的P值最大值，比较它和预先设定的合并水平(默认为0.05)，如果P值大于合并水平，则表示因变量的最终值受当前自变量的分组水平影响不明显，此时归并这两个类别，进而得到一个新的类别，转至第1步。

3、当P值比合并水平的值小时，停止归并。使用Bonferroni方法对自变量X与目标变量Y的列联表进行校验计算新的P值。其校正方式如下：

自变量的初始类别数用c表示，归并后的类别数用m表示。

4、在每一轮合并过程中可能存在包含3个类别以上需要进行拆分的组。选择P值最小的类别进行节点拆分，采用二进制拆分方法，将P值与先前规定的拆分水平(默认为0.05)进行比较，若P的取值小于拆分水平，则说明因变量的取值深受该自变量分组的影响。若P的取值大于拆分水平，那么说明当前的拆分不合理，停止拆分并标记当前节点为最终节点。

步骤B2.1.4：预剪枝

预剪枝的基本参数包括三个，分别为决策树深度最大值、树中每个节点含有的样本量最小值或比例以及自变量和因变量的相关性。

1、决策树深度最大值定义为决策树停止成长当且仅当树的现有层数是所规定的最大深度，在本发明中该值设置为4。

2、树中每个节点含有的样本量最小值或比例指的是当父节点所含有的样本量比样本量最小值或比例还要少时，则停止分组。当分组后得到的子节点所含有的样本量比样本最小值或比例少时，将停止对父节点的分组。本发明将树中每个节点含有的样本量最小值设定为50。

3、当自变量和因变量之间的相关性小于0.05时，则不再进行分组。

步骤B2.2：测试集

对于测试集中的每一个项目，将测试数据的指标部分作为输入传给CHAID算法，通过算法在训练好的模型的作用下，对最佳控制点方法做出相应的预测。

步骤B3：回归树分析

CHAID分类模型的结果是一个由分类变量、分类值和最终节点组成的回归树。分类变量是影响为每个项目选择最佳方法的重要参数。分类值指定了重要参数的范围间隔。最终节点为相似项目特征的项目实例推荐最佳方法。

选择具有相似项目特征的项目实例，并根据建议的和一般的最佳方法来衡量这些项目的平均时间有效性。

采用非参数Wilcoxon符号秩检验进行显著性检验，对每个最终节点重复步骤B3。

步骤B4：输出最终得到的结果，即特定项目的最佳控制点方法。

实施例1：针对某具体项目，项目的结构网络图如图2所示；

步骤A1：确定每项活动的后继活动；

活动i:

步骤A2：确定每项活动的前继活动；

活动i:

步骤A3：构建每项活动的子网络，图3项目1子网络图；

步骤A4：使用不同方法计算每项活动子网络的复杂度；

表1项目特征和统计参数值

图4是项目1子网络复杂度图；

在TS方法下，应将控制点设置在活动1结束后；在TP方法下，应将控制点设置在活动13结束后；在CNC方法下，应将控制点设置在活动3结束后；在OS方法下，应将控制点设置在活动2、活动8等活动结束后；在SP方法下，应将控制点设置在活动2、活动4等活动结束后；在RC方法下，应将控制点设置在活动5结束后。

步骤2：

计算不同控制点设置方法下的时间有效性。时间有效性越高，则控制效果越好。

TE

因此，对于项目1，OS方法为最佳控制点方法。在控制点的后继活动上采取纠偏措施后，减少后继活动工期的20％。

步骤3：构建CHAID分类模型；

按照与项目1相同步骤依次得出项目2～项目10的项目特征参数及对应的时间有效性，建立具有10个项目的数据集，该项目数据集包含了广泛多样的网络参数、资源参数，选择其中的CNC、OS、SP、RC和RU作为自变量，最佳控制方法作为因变量，如表2所示。随机选择项目数据集的80％作为训练集，20％的项目作为测试集，对该数据集进行分类样本验证。

表2

/>

接下来，确定首要影响因素，即最佳分类变量。CHAID算法从统计显著性检验角度确定当前最佳分类变量和分割点。选用CNC、OS、SP、RC和RU所代表的项目特征分别与最佳控制方法进行F检验，以期得到不同项目特征对最佳控制方法选择的影响情况。

通过表3的F检验结果，可以看出，p值小于0.001，所以在95％的置信水平上拒绝原假设，可以认为项目特征CNC的取值对最佳控制方法有显著影响。

表3CNC的F检验结果

ANOVA

最佳控制方法

通过表4的F检验结果，可以看出，p值为0.028，小于0.05，所以在95％的置信水平上拒绝原假设，可以得出项目特征OS的取值对最佳控制方法存在影响，但可能不会太显著。

表4OS的F检验结果

ANOVA

最佳控制方法

从表5的F检验结果可知，p值远小于0.05，所以在95％的置信水平上拒绝原假设，可以认为项目特征SP的取值对最佳控制方法有显著影响。

表5SP的F检验结果

ANOVA

最佳控制方法

从表6的F检验结果，可以看出，p值为0.009，小于0.05，所以在95％的置信水平上拒绝原假设，可以得出项目特征RC的取值对最佳控制方法存在较大影响。

表6 RC的F检验结果

ANOVA

最佳控制方法

从表7的F检验结果，可以看出，p值为0.851，远大于0.05，所以在95％的置信水平上接受原假设，可以得出项目特征RU的取值对最佳控制方法不存在影响。

表7RU的F检验结果

ANOVA

最佳控制方法

根据CHAID算法的统计原理，计算出每个指标的F值和p值，p值越小，越在树的顶端。

从运算的结果可知，项目特征CNC对最佳控制方法的检测具有最显著的影响，它是众多的变量中最能够对最佳控制方法进行分类的因素。图5为部分回归树；

根据计算的p值依次确定每一分类变量。从决策树的父节点和子节点可以得到，变量之间是存在交叉影响的，这种所谓的交叉影响分为两种，一种局部影响，另一种全局影响，本案例即属于第一种情况。局部影响是指这种交叉影响只在某一项目特征的某一类别中表现。当然这种交叉影响也可能在所有项目特征中存在，比如CNC分为3个类别，≤1.17、(1.17,1.29]和(1.29,1.42]，如果每个类别都受到SP的再次划分，这种情况就属于全局影响。

最终以回归数形式输出最终得到的结果，即特定项目的最佳控制点方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。