多技能资源受限项目调度问题（MSRCPSP）中考虑技能深度与广度下基于蚁群优化（ACO）算法与LINGO的求解研究

《Algorithms》：Solving the Multi-Skill Resource-Constrained Project Scheduling Problem Considering Skill Depth and Breadth Using ACO Algorithm and LINGO

　　

本研究针对多技能资源受限项目调度问题（Multi-Skill Resource-Constrained Project Scheduling Problem，MSRCPSP），考察了劳动力技能熟练度（深度）与技能多样性（广度）对项目工期缩减的协同影响。研究人员实施了两种前沿技术，即集成并行调度方案（Parallel Scheduling Scheme，PSS）的蚁群优化（Ant Colony Optimization，ACO）算法与LINGO，对一个已知数据集进行求解。结果表明，随着资源水平提升，LINGO的性能优于ACO算法，并在较高资源可用度下提供更优的解质量；而在资源有限时，ACO算法在较低技能熟练度（Skill Proficiency，SP）水平（0.1与0.3）下表现更佳，但当SP水平升高至0.5、0.7与0.9时，LINGO反超ACO。此外，资源水平与最优性百分比呈正相关。研究显示，ACO更适用于SP有限且资源稀缺的场景，而LINGO在资源充裕且SP值较大时更为有效。

研究背景方面，当代组织通过精简人员并提升在岗员工技能以降本增效，促使多技能劳动力需求上升，传统资源受限项目调度问题（Resource-Constrained Project Scheduling Problem，RCPSP）由此扩展为NP难的多技能资源受限项目调度问题（MSRCPSP）。该问题在建筑工程、软件工程、制造与医疗等领域均有应用，但因任务路由与异质技能分配的组合复杂性而难以求解。现有方法分为精确方法（如整数线性规划ILP）、元启发式（遗传算法、粒子群、模拟退火、蚁群优化ACO）与混合方法三类，但少有研究将ACO的全局信息素学习与显式处理技能深度（depth，单技能熟练度）和广度（breadth，掌握技能数）的并行调度方案（PSS）在时间动态约束下同步。为此，研究人员提出PSS-ACO混合框架，并在《Algorithms》发表该文，以最小化项目总工期（makespan）为目标，在RanGen生成的RG30数据集（50个30活动实例，SP从0.1到0.9，资源数4/6/12/24）上对比LINGO（ILP精确解，600秒时限）与ACO（5次独立运行，每次10000解评价）的性能。

关键技术方法上，研究人员采用文献[9]的数学模型，目标为最小化makespan，约束涵盖人力满足、 precedence保序、无冲突排序、工人互斥、技能不重复计酬、工期由最慢技能组平均经验决定、资格校验（熟练度>0）及变量界。ACO分四阶段：问题图表示、参数初始化（α、β、ρ等）、蚂蚁生成、基于PSS的排程构建；PSS以时间推进机制并行决策可调度活动集S_n，按转移概率τ^αη^β选任务与多技能资源匹配，全局信息素更新含蒸发与最优路径增强。LINGO作为对照提供小规模实例真值基线。

研究结果部分，按原文小节归纳如下。

数据集：使用文献[9]经RanGen2生成的RG30衍生集，50个项目各30活动，SP∈{0.1,0.3,0.5,0.7,0.9}，深度随机0.5–1.5（步长0.25），资源水平4/6/12/24各配5题，共25题每水平。

算法调参：ACO的α、β、τ、ρ等经实验调优得固定配置（表3）。

结果与讨论：在资源4与6时，低SP（0.1、0.3）下ACO平均偏差为负或近零，优于或逼近LINGO；SP≥0.5后LINGO占优。资源升至12与24时，LINGO在各SP下均优于ACO，平均百分比偏差随资源水平上升而更有利于LINGO。图7显示资源水平与LINGO最优性百分比正相关。结论指向ACO适于低SP+少资源快速近优，LINGO适于高资源+高SP精确寻优。

讨论与结论翻译：本研究系统考察MSRCPSP下技能深度与广度对工期的联合作用，提出PSS-ACO混合框架并与LINGO比对，证实方法优劣依赖网络复杂度（SP）与资源密度——元启发式与精确解算器互补而非替代。未来可引入随机工期/缺勤等动态不确定性、拓展多目标（工期-成本-利用率）、将ACO与精确局部搜索杂交处理超大规模实例，并在真实工业项目中验证。管理启示为：推行跨技能培训缓解瓶颈；紧约束急件用ACO，高资源战略计划用LINGO；SP升高须预留更长计算预算。