项目名称: 复杂不确定环境下多层资源受限项目调度优化研究

项目编号: No.71401075

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 管理科学

项目作者: 张哲

作者单位: 南京理工大学

项目金额: 22万元

中文摘要: 面对日益增长的社会发展需求,当前的项目规模越来越大,参与要素越来越多,资源受限项目调度过程往往需要多层级决策人员同时参与,共同决策。本课题针对复杂不确定环境下具有多层级决策结构的资源受限项目调度问题 (RCPSP),以实现项目工期最短、延期惩罚成本最小、资源配置最佳等为决策目标,综合运用不确定理论、多层规划理论和多目标优化理论,构建资源受限多项目调度 (RCMPSP) 和多模式资源受限项目调度 (MRCPSP) 的不确定二层多目标决策模型,设计合理有效的智能算法,并在理论和方法研究的基础上,将研究付诸于实践检验和应用。本课题从多层规划的独特视角建立项目合理调度、资源科学利用、持续优化的管理策略与方法举措,为复杂不确定环境下多层 RCPSP 提供理论和方法学支撑,同时创新资源受限项目调度管理模式,提升项目完成效率与质量,为项目管理者提供有益参考和指导。

中文关键词: 资源受限项目调度问题;复杂不确定;二层规划;多目标决策;鲁棒性

英文摘要: Since more elements and industry segments are involved in the projects, the process of the decision making for resource-constrained project scheduling problems (RCPSP) cannot be determined by a manager, but the multiple level decision makers. This researc

英文关键词: RCPSP;Complex Uncertainty;Bi-Level Programming;Multiple Objective Decision Making;Robustness

成为VIP会员查看完整内容
0

相关内容

【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
面向任务型的对话系统研究进展
专知会员服务
57+阅读 · 2021年11月17日
专知会员服务
34+阅读 · 2021年10月17日
专知会员服务
27+阅读 · 2021年9月17日
专知会员服务
34+阅读 · 2021年8月1日
专知会员服务
45+阅读 · 2020年11月13日
【ICML2020】强化学习中基于模型的方法,279页ppt
专知会员服务
46+阅读 · 2020年10月26日
【ICML2020】基于模型的强化学习方法教程,279页ppt
专知会员服务
127+阅读 · 2020年7月20日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
94+阅读 · 2019年12月23日
面向中后台复杂场景的低代码实践思路
阿里技术
0+阅读 · 2022年1月10日
吴恩达:回顾2021,这些大事件影响了AI这一年
【资源】强化学习实践教程
专知
43+阅读 · 2019年9月11日
外包开发的风险,一半以上的企业都被坑过
DBAplus社群
16+阅读 · 2019年9月1日
【资源推荐】AI可解释性资源汇总
专知
47+阅读 · 2019年4月24日
人工智能的现状与未来(附PPT)
人工智能学家
74+阅读 · 2019年3月27日
【资源推荐】模型压缩与加速相关资源汇总
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2010年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月15日
Arxiv
66+阅读 · 2022年4月13日
Arxiv
31+阅读 · 2021年3月29日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
A Multi-Objective Deep Reinforcement Learning Framework
Arxiv
11+阅读 · 2018年4月25日
小贴士
相关VIP内容
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
面向任务型的对话系统研究进展
专知会员服务
57+阅读 · 2021年11月17日
专知会员服务
34+阅读 · 2021年10月17日
专知会员服务
27+阅读 · 2021年9月17日
专知会员服务
34+阅读 · 2021年8月1日
专知会员服务
45+阅读 · 2020年11月13日
【ICML2020】强化学习中基于模型的方法,279页ppt
专知会员服务
46+阅读 · 2020年10月26日
【ICML2020】基于模型的强化学习方法教程,279页ppt
专知会员服务
127+阅读 · 2020年7月20日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
94+阅读 · 2019年12月23日
相关资讯
面向中后台复杂场景的低代码实践思路
阿里技术
0+阅读 · 2022年1月10日
吴恩达:回顾2021,这些大事件影响了AI这一年
【资源】强化学习实践教程
专知
43+阅读 · 2019年9月11日
外包开发的风险,一半以上的企业都被坑过
DBAplus社群
16+阅读 · 2019年9月1日
【资源推荐】AI可解释性资源汇总
专知
47+阅读 · 2019年4月24日
人工智能的现状与未来(附PPT)
人工智能学家
74+阅读 · 2019年3月27日
【资源推荐】模型压缩与加速相关资源汇总
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2010年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月15日
Arxiv
66+阅读 · 2022年4月13日
Arxiv
31+阅读 · 2021年3月29日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
A Multi-Objective Deep Reinforcement Learning Framework
Arxiv
11+阅读 · 2018年4月25日
微信扫码咨询专知VIP会员