通过方差缩减技术提升建设工程离散事件仿真优化性能

《Modelling》：Enhancing Construction Simulation Optimization Performance Through Variance Reduction Techniques

　　

摘要：仿真优化（Simulation Optimization）已被用于分析不确定环境下的施工作业并支持规划决策，能够识别项目全生命周期内的有效规划策略。然而，采用随机仿真评估备选策略会导致较高的计算负荷，并使最终最优解中混入劣质解（inferior solutions）。本研究探讨将方差缩减技术（Variance Reduction Techniques, VRTs）引入离散事件仿真优化（Discrete-Event Simulation Optimization）框架以克服上述问题。通过案例研究评估三种VRT：共同随机数（Common Random Numbers, CRN）、对偶变数（Antithetic Variates, AV）及二者联合应用（CAV, Combined CRN+AV）。尽管这些技术在仿真领域已成熟，但其对建设工程问题优化性能的影响尚未被充分探究。结果表明，VRT不仅减少了评估规划策略所需的计算量，还能获得更优的规划策略；其中CAV联合方法改善效果最为显著。总体而言，本研究表明方差缩减技术可使仿真优化框架在复杂建设工程项目中更具实用性与可靠性。

论文解读：《Enhancing Construction Simulation Optimization Performance Through Variance Reduction Techniques》

该研究针对建设工程项目中不确定环境下施工规划决策困难的问题展开。传统经验判断难以处理复杂的工期—费用权衡（Time-Cost Trade-off, TCT），而结合随机离散事件仿真（Discrete-Event Simulation, DES）与元启发式算法的仿真优化方法虽可求解此类多目标问题，却面临两大瓶颈：一是随机DES需大量独立重复仿真（independent replications, IR）才能获得目标函数可靠估计，计算负担随问题规模急剧上升；二是噪声导致目标函数值估计误差，易引发随机占优（stochastic dominance）现象，使优化算法误选劣质解，降低Pareto前沿质量。既有研究中VRT多用于固定方案对比，极少嵌入优化循环并系统评估其对优化效率与解质量的综合影响。因此研究人员以CRN、AV及二者结合（CAV）为对象，考察其对不同随机数流管理方法下DES–遗传算法优化框架的效率与解质量提升作用。论文发表于Modelling。

主要关键技术方法

研究人员以先张法节段预制箱梁桥梁架设工程为案例，建立含13个决策变量（作业班组/设备数量、养护方式、加班政策、堆场容量等）的STROBOSCOPE离散事件仿真模型，耦合Darwin框架中fast messy Genetic Algorithm（fmGA）进行双目标（最小化工期与费用）优化。在仿真评估候选解时分别植入三种VRT方案——CRN、AV、CAV——各按同流法（same-stream, 下标ss）与新流法（new-stream, 下标ns）管理随机数流，以IR为对照。先通过试点研究验证方差缩减效果并确定合适重复次数（CRN取10次重复，AV与CAV取5对），随后在相同评价解总数（100,000个候选解）下运行完整优化，并用1,000次独立重复重评Pareto解。性能评价指标包括计算时间节省率、超体积指标（Hypervolume Indicator, HV）改善率及劣质解（Inferior Solutions, ISs）占比。

研究结果

4.1. Pilot Study and Sensitivity Analysis（试点研究与敏感性分析）

通过对三个随机候选解分别施加CRN、AV、CAV及对应IR对照，计算方差缩减率、诱导相关系数、置信区间半宽缩减率及等效IR所需重复次数。结果表明CRN与CAV均能显著降低方差与估计误差（CRN平均方差缩减约88%，置信区间半宽缩减约73%，诱导正相关系数达0.91，等效IR需约135次重复），AV部分配置未稳定产生负相关性。据此选定后续优化中CRN用10次重复、AV与CAV用5对（即各10次仿真运行），IR对照组用100次重复。

4.2. Comparison of the Different Schemes（不同方案对比）

在相同fmGA参数与硬件条件下，IR基线耗时约7.20 h，各VRT方案平均耗时约1.31 h，平均计算时间节省达81.81%。HV指标显示VRT方案平均较IR提升2.4%，Pareto解集规模由IR的10个增至12–14个；ISs占比IR为38%，VRT平均降至14%（平均减少63.15%）。不同VRT间比较：CAV无论同流或新流法均优于单独CRN与AV——CAV_ssHV最高，CAV_nsISs最少；CRN于新流法（CRN_ns）表现优于同流法，AV于同流法（AV_ss）表现优于新流法，随机数流管理方式影响不一致。综合而言CAV联合方案在降噪与解质量上最具稳健性。

讨论与结论总结

讨论指出，以往VRT仅被视为提高仿真估计精度的手段，而本研究表明其还可直接改善含噪声目标函数下优化算法的收敛行为与解质量。CAV因同时引入方案间正相关（CRN效应）与同方案内负相关（AV效应），在抑制随机噪声方面最稳健，生成的Pareto前沿覆盖更大目标空间且劣质解最少。81.81%的时间节省使同等时间内可评估更多候选解或应用于更大规模问题，增强现场快速决策可行性；HV提升与成本最低解较IR降低约4.5%说明VRT可提高实际经济效益。作者亦指出局限含案例单一性、需手动开展试点研究验证方差缩减效果及需谨慎管理随机数流增加建模复杂度，未来应拓展至更多工程类型并实现STROBOSCOPE中试点研究的自动化。

结论部分翻译如下：

本研究探讨了在建设工程作业的随机离散事件仿真优化框架中实施三种方差缩减技术——共同随机数（CRN）、对偶变数（AV）及其联合应用（CAV，即Combined Application of CRN and AV，文中缩写为CAV），每种技术均考察同流法（same-stream method, 标注下标_ss）与新流法（new-stream method, 标注下标_ns），并通过案例研究评估有效性。既有随机DES优化框架的主要局限是计算耗时及因候选解评估噪声而产生劣质解。与以往仅将VRT用于提高仿真精度不同，本研究揭示了VRT在耦合随机仿真的优化算法性能提升中的作用。(1) VRT提升了最优解质量——超体积指标表明其支配更大目标空间并提供更多样化解；(2) VRT显著降低了最终Pareto前沿中劣质解比例；(3) VRT允许以更少仿真重复次数估计目标函数，从而大幅缩减计算时间。通过同时提高效率和可靠性，VRT支持在复杂不确定项目环境中评估更多备选方案并辅助更明智的决策，有望拓宽仿真优化在建设工程规划中的应用范围。未来工作应在更广泛建设工程问题上验证该方法，并推动STROBOSCOPE中试点研究的自动生成以促进VRT的工程应用。