软件开发项目中数据驱动的资源均衡与鲁棒调度集成优化

In software development projects, to ensure the effectiveness of project planning and scheduling and enhance the project success rate, various resources need to be utilized smoothly and efficiently. However, to the best of our knowledge, existing studies did not simultaneously consider schedule robustness and resource leveling under uncertain environment, resulting in a baseline schedule that may not be executed stably with smooth resource usage.. To fill this crucial void, driven by various project related data, we consider generalized precedence relations and multiple resources constraints under time and resource uncertainty in software development projects and propose the integrated optimization problem for resource leveling and robust scheduling with multi-mode and preemptive activities. We will use stochastic programming, robust optimization and constraint programming to construct proactive and reactive resource leveling optimization models. For solution methods, on the one hand, from the perspective of intelligent optimization, many promising approaches, such as estimation of distribution algorithm, logic-based Benders decomposition method, discrete systems simulation and so on, will be explored. On the other hand, from the perspective of data mining, real-time reactive resource leveling approaches will be developed by dynamically discovering scheduling rules from project status and schedule data. The designed algorithms will be tested on simulation data and real project data by conducting extensive computational experiments and we hope to get a series of competitive results. We aim at leveling the project resource usage stably as much as possible by adopting our models and algorithms. Case studies will also be carried out in IT companies to provide decision support for project management practices.

在软件开发项目中，均衡、合理地利用各类资源可以确保项目计划与调度的有效性，进而提升项目的成功率。然而，现有不确定环境下软件项目调度的研究，对于项目进度的鲁棒性和资源利用的均衡性缺乏集成考虑，导致项目难以稳定地实现资源均衡。.鉴于此，本项目针对软件开发过程中时间和资源的不确定性，以项目管理过程中产生的多种数据为驱动，考虑广义优先关系和多资源约束，提出了多模式和可抢占条件下资源均衡与鲁棒调度的集成优化问题。为了解决该问题，本项目将利用随机规划、鲁棒优化等方法构建主动型和响应型资源均衡优化模型。并从智能优化的角度，基于分布估计算法、逻辑Benders分解等方法，设计仿真优化混合算法；从数据挖掘的角度，从项目状态与进度相关数据中动态发现调度规则，设计响应型资源均衡的实时调度方法。最后利用仿真数据和真实数据，对算法的性能进行计算实验和案例研究，以验证算法的有效性和先进性，为项目管理实践提供决策支持。

资源均衡调度是实现项目资源优化配置的重要手段。本课题针对活动工期、活动重叠以及资源供应量等多种不确定性，基于整数规划、随机规划、近似动态规划、智能优化算法、离散系统仿真等理论与方法，分别从主动型和响应型调度的角度，对软件开发项目中的资源均衡与鲁棒调度进行了系统研究。（1）针对带有广义优先关系的项目资源均衡问题，设计了高效的遗传算法和蝙蝠算法。在这两种算法中，结合资源均衡问题的特点，提出了新的融合了随机键与位移向量的进度计划编码方式，并设计了相应的解码方法。（2）本课题首次实现了对广义优先关系依赖于模式条件下的多模式项目资源均衡问题的研究，并提出了求解上述问题的两类策略：分解与集成策略。（3）针对可抢占条件下的项目资源均衡问题，本课题引入单位网络，建立了资源均衡问题的非线性优化模型，进而基于线性化手段，将非线性优化模型转化为了等价的线性混合整数规划模型。（4）针对项目调度的多目标特性，研究了离散时间∕成本权衡问题的双目标启发式调度算法，并首次报告了包含多达500个活动的大规模问题的计算结果。（5）将活动重叠建模为最小时间延迟，进而研究了带有随机最小时间延迟的资源均衡问题。在该问题中，时间延迟和活动工期都是随机的。本课题提出了一个基于仿真的求解框架，基于该框架设计了进化算法和蝙蝠算法。（6）同时考虑活动工期、活动重叠以及资源供应量的不确定性，提出了多重不确定环境下的资源均衡问题，并建立了该问题的马尔可夫决策过程模型。设计了开环与闭环策略相结合的近似动态规划算法（HOC-ADP），从而可以在项目执行过程中动态给出调度方案，有效实现资源的均衡利用。在HOC-ADP中，设计了值近似策略获取目标函数值，构建了“平均项目”避免耗时的仿真过程，嵌入了基于贪婪式解码的分布估计算法获取开环调度策略。此外，还构造了仿真算法评估HOC-ADP的资源均衡效果。研究成果为更科学、合理地进行软件开发项目管理提供了理论指导和决策支持。