一、主要功能
该代码实现了一个基于PSO-GA混合算法的铁路工程施工进度计划多目标优化，旨在通过智能优化算法调整施工活动中各作业组数和开工时间，以最小化总成本（考虑资金时间价值）并实现资源均衡，同时满足工期约束和资源限制。
二、算法步骤
初始化参数与数据
- 设定施工活动数量、种群规模、迭代次数、PSO参数、GA参数等。
- 加载施工活动数据（工程量、工效、作业组数范围、资源需求等）。
- 定义施工活动间的逻辑关系（FS：Finish-Start）。
初始方案评估
- 计算初始施工方案的工期、成本、资源使用情况及其变异系数。
PSO-GA混合优化主循环
- PSO部分：动态更新惯性因子和学习因子，更新粒子位置与速度。
- GA部分：每5代执行一次锦标赛选择、两点交叉、非均匀变异。
- 精英保留策略：保留10%的最优个体，替换最差个体。
- 约束处理：通过惩罚项处理工期超限、资源超限等约束。
结果输出与可视化
- 输出优化后的施工计划（作业组数、开工时间、工期）。
- 绘制收敛曲线、对比图（工期、成本、资源均衡、甘特图等）。
三、技术路线
- 算法融合：结合PSO的全局搜索能力和GA的交叉变异机制，增强算法多样性与收敛性。
- 动态参数调整：惯性因子、学习因子、变异概率随迭代非线性调整。
- 多目标处理：将成本最小化与资源均衡（变异系数最小化）融合为单目标，通过惩罚项处理约束。
- 资源均衡评价：采用资源使用量的变异系数（CV）作为均衡性指标。
四、公式原理
目标函数：
总成本 = ∑ 直接成本 + 间接成本 + 动态成本（折现） \text{总成本} = \sum \text{直接成本} + \text{间接成本} + \text{动态成本（折现）}总成本=∑直接成本+间接成本+动态成本（折现）
动态成本考虑资金时间价值：
C dynamic = ∑ C i ( 1 + r ) t i C_{\text{dynamic}} = \sum \frac{C_i}{(1+r)^{t_i}}Cdynamic=∑(1+r)tiCi施工活动持续时间：
T i = Q i P i × G i T_i = \frac{Q_i}{P_i \times G_i}Ti=Pi×GiQi
其中Q i Q_iQi为工程量，P i P_iPi为工效，G i G_iGi为作业组数。资源均衡指标（变异系数）：
C V = σ μ CV = \frac{\sigma}{\mu}CV=μσ
五、参数设定
| 参数类别 | 参数名称 | 设定值 |
|---|---|---|
| 算法参数 | 种群规模 | 150 |
| 迭代次数 | 500 | |
| 惯性因子w ww | 0.9 → 0.4 | |
| 学习因子c 1 , c 2 c_1, c_2c1,c2 | 2.5→0.5, 0.5→2.5 | |
| 交叉概率 | 0.8 | |
| 变异概率 | 0.1（动态递减） | |
| 工程参数 | 合同工期T contract T_{\text{contract}}Tcontract | 475天 |
| 设备上限Q max,equip Q_{\text{max,equip}}Qmax,equip | 53台/天 | |
| 劳动力上限Q max,labor Q_{\text{max,labor}}Qmax,labor | 150人/天 | |
| 折现率r rr | 0.0086/季度 |
六、运行环境
- 平台：MATLAB R2020a 或更高版本
七、应用场景
- 铁路、桥梁、隧道等线性工程施工进度优化
- 多资源约束下的施工计划编制
- 工程项目成本控制与资源均衡管理
- 智能施工调度系统的算法原型
总结：
该代码是一个工程优化与智能算法结合的典型案例，适用于复杂施工环境下的多目标进度优化问题。通过PSO-GA混合策略，在保证约束满足的前提下，显著提升了施工计划的经济性与资源均衡性。代码结构清晰、可视化丰富，具备较强的工程实用性与学术参考价值。
使用Spring的AOP)
通知与切面)
