基于BIM的施工进度多目标优化方法.pdf

中国科技期刊数据库 工业 A 收稿日期：2023 年 12 月 22 日 作者简介：代笠（1985），男，汉族，河北唐山人，研究生，工程师，研究方向：建筑工程类，燃气工程类。-189-基于 BIM 的施工进度多目标优化方法 代 笠 唐山市燃气集团有限公司，河北 唐山 063000 摘要：摘要：由于多因素的相互依存性和矛盾性，施工进度安排是一个复杂的过程。可以应用基于群体的优化算法，如进化算法，以达到最优解的目的。然而，当优化三个以上的目标时，这种算法的效率会降低，并且必须在冲突的目标之间进行权衡。有研究试图将建筑信息建模（BIM）与多目标优化（MOO）算法相结合，以解决建筑设计和管理问题。本文旨在评估开发将信息系统和优化方法相结合的模型的潜力，以更好地进行决策过程。本文是一篇结构化的文献综述，通过深入了解多目标优化方法和基于 BIM的主动优化模型，重点是将将 BIM 与优化工具相结合，提供更有效、更稳健的施工过程的潜力，并对未来的研究发展提出了建议。关键词：关键词：多目标优化（MOO）；遗传算法（GA）；建筑信息建模（BIM）；施工进度安排 中图分类号：中图分类号：TU7 1 简介 由于不断变化的环境因素，规划和调度的有效性对施工至关重要1-3。任何建筑项目都是由几个不同但相互关联的操作组成的。通过选择一组受几个约束的变量来确定函数的最低或最高值的方法被称为优化，目标函数是通常使用模拟工具确定的优化函数4。为了应对特定的场景或挑战，特别是实际困难，研究已经开发了各种方法和算法。由于施工进度优化（CSO）问题基本上是项目进度优化问题的一个子集。因此，可以利用许多调度问题优化方法和算法来解决施工调度问题5。遗传算法等多目标进化算法是解决多目标优化问题最成功的算法。BIM 最初用于通过创建具有完整几何信息的虚拟 3D 建筑模型来简化设计过程，从而使建筑元素可视化6-7。具有基于可视化的基本 BIM 功能的BIM 系统被视为被动 BIM 系统，而主动 BIM 系统具有提供主动解决方案的额外决策能力8。本文进行了一个探索性的搜索标准，为施工进度优化领域奠定了更深入的综合基础，并确定了对 BIM与优化工具的集成真正至关重要的变量。研究的主要目的是深入了解最常用的多目标优化方法，特别关注为解决具有两个或多个目标的多目标调度问题（MOSP）而开发的遗传算法方法和技术。文章还对基于 BIM 的主动优化模型的使用进行了审查，并根据研究结果提出了使用遗传算法开发基于 BIM 的多目标优化模型的建议，以供该领域未来的研究发展。2 施工进度问题（CSP）施工进度安排的主要目标是在时间范围内以最有效的方式安排活动，并相应地分配资源。调度科学可以追溯到 19 世纪 50 年代，当时 Kelly 和 Walker 开发了调度算法，并引入了关键路径法（CPM）的形式化9。后来，CPM 调度与计算机的进步同步发展，并导致了计算机辅助设计技术的出现。时间是需要考虑的最重要因素之一。时间和成本有着内在的联系，最小化时间会增加直接费用（工厂和设备、材料和劳动力），同时降低间接成本（项目管理费用），其他一些侧重于最小化时间和成本的方法可能会影响项目质量11。2.1 施工进度优化 为了获得最佳施工进度，必须解决几个执行约束、环境和需求。施工进度优化问题（CSOP）基本上是项目进度优化问题的一个子集。CSOP 能够利用许多调度问题优化方法和算法来解决施工调度问题。优化是通过选择一组受约束的变量来确定函数的最低或最高值的过程。适应度或目标函数是通常使用模拟工具。在采用搜索方法之前，应该从函数和决策变量的角度来评估优化问题。大多数优化问题都包含一些限制，这些限制使它们无法找到微不足道的解决方案。1 3 解决 CSOP 的方法 解决 CSO 问题的方法主要有三类：数学方法、启发式方法和元启发式方法。为了克服数学方法所面临的一些实际挑战，已经开发了启发式和元启发式方法。传统的数学方法不足以进行平滑的同时优化，因为它通过对目标函数进行约束来分别分析目标函数和约束。中国科技期刊数据库 工业 A-190-3.1 数学方法 数学规划方法的主要优点是，即使在某些情况下搜索过程本身可能需要很长时间，它们也能产生准确的最优解。解的收敛速度较慢在优化高度组合、离散、非线性问题，特别是非凸问题中普遍存在。3.1.1 关键路径法（CPM）Kelley Jr 和 Walker2开发的关键路径法（CPM）经常用于规划和控制施工项目。CPM 可以用于任何涉及互连操作的项目，如工程和生产。项目的传统 CPM 模型可以使用所涉及的所有活动的列表、每个活动的持续时间和执行这些活动的顺序来建立。有趣的是，CPM算法只能处理单目标优化问题8。3.1.2 线性规划（LP）线性规划（LP）是一种复杂的数学建模方法，广泛用于规划、调度、工程等过程。优化的目标是在给定一组线性等式和等式约束的情况下确定线性目标函数的最大值或最小值8。然而，如果部分或全部变量被约束为整数，则 LP 问题变为整数规划问题。优化分为两个主要阶段：第一阶段使用 LP，第二阶段使用 IP来获得精确解。3.1.3 非线性规划 非线性数学规划（NLP）是数学优化方法的一个重要方面，因为大多数现实世界的问题都被认为是非线性的。大多数非线性规划问题都与目标函数的最小化或最大化有关。当函数不是凸的或凹的时，寻找全局最小值或最大值实际上更具挑战性。定义函数的凸性经常用于对非线性规划问题进行分类2。3.1.4 动态编程（DP）动态规划是解决复杂问题的一种数学方法。发现它在寻找具有几个重叠子问题的解决方案方面很有价值8。有许多研究提出了尝试使用动态规划来解决资源利用优化问题的公式。3.2 启发式方法 启发式方法是基于经验的非计算方法，比数学方法需要更少的计算工作。由于其简单高效，已在项目管理软件中实现8。它们可以用于解决广泛的优化问题，特别是在施工调度领域。它们也是特定于问题的，不能应用于所有条件，并且适合于单个项目的进度安排。他们中只有少数人能够同时应对几个项目的挑战。因此，需要开发元启发式方法8。3.3 元启发式方法 在过去的二十年里，元启发式算法受到了极大的关注，因为人们越来越需要执行多目标优化，特别是在建筑行业。在复杂的优化问题中，与确定性方法相比，元启发式方法需要相对较短的优化时间。通常，需要解决的问题类型决定了优化过程中要选择的优化算法7。最流行的元启发式方法是受自然启发的进化算法。3.3.1 进化算法（EA）EA 是一种随机搜索技术，模拟自然的生物进化、生活在其中的物种的社会行为和生存行为。EAs 由一群个体（形成染色体）组成，称为群体。这一群体经历了一个代代相传的共同学习过程。组中的每个个体代表可能解决方案领域中的一个搜索点。当算法在几代之后收敛时，会出现最优秀的个体，这个个体反映了之后的最佳（或几乎最佳）解。个体通常表示为一个字符串或一串字符串，指的是一个生物基因型。要使用 EA，需要一个目标和一个适应度函数。目标函数被认为是问题域的一个元素，并指定 EA 的最优性条件。适应度函数是算法域的一个特征，用于衡量特定解决方案对特定条件的满意度4。3.3.2 遗传算法 遗传算法（GA）最早由约翰霍兰德于 20 世纪 60年代开发，基于查尔斯达尔文的自然进化和适者生存理论5。GA 与一群人一起运作，每个人都代表着一个问题的潜在解决方案。GA 根据其提供的解决方案的质量为每个个体提供适合度得分，高度适合的个体通过繁殖进行复制。从本质上讲，遗传算法过程包括选择、交叉和突变。遗传算法和粒子群算法有很多相似之处，其中之一是它们都是随机搜索算法，根据个人的适应度值而变化。3.3.3 Pareto 最优 帕累托最优集是针对许多客观情况的多目标进化技术的概述。如果一个解决方案在任何目标上都不差，并且在至少一个目标上严格优越，那么它就被认为是帕累托优势的。在许多 MOP 中，由于难以获得完整准确的 Pareto 集，近似或接近最优的解被接受。一般来说，MOEA 和其他 MOEA 的区别在于它们的适应度分配方法。3.3.4 NSGA II 和 NSGA III 中国科技期刊数据库 工业 A-191-NSGA-II 是一种基于非主导排序的多目标 EA（MOEA），它解决了所有三个问题，并提供了三个主要方面。它采用了一种明确的方法来保护多样性，并强调了非主导解决方案。NSGA-II 的功能是按前沿对亲本和后代种群进行排序，使用前沿耙来创建新的种群。然后应用利用拥挤距离的拥挤排序，拥挤距离与每个解决方案周围的解决方案密度成比例。密度越低越好。最后，进行拥挤的锦标赛选择、交叉和突变操作，从这个新群体中生成后代群体2。4 施工进度问题的多目标优化 多目标优化问题（MOOP）通常被描述为具有四个或多个目标的问题，因此多目标最优化问题的目标数量的精确最大限制尚不清楚。因此，任何优化技术在处理许多客观问题时都会面临各种困难，主要包括：一是目标数量的增加，导致随机产生的人口呈指数级增长。因此，限制了新解决方案的产生空间，导致搜索过程较慢，算法效率低下。二是评估多样性措施和确定群体中解决方案拥挤程度的计算成本很高。三是如果在高维空间中只找到几个解决方案，那么在许多客观问题中，它们可能相距甚远。四是更高维度的权衡曲面需要指数级的更多点来表示，这反过来又需要巨大的种群规模来表示由此产生的 Pareto 最优，这增加了决策的难度。五是为了比较不同算法的性能，必须使用更高维的点集，这使得计算性能测量在计算上非常昂贵。六是描述许多客观问题的高维权衡可能会被证明是有问题的。5 建设项目中的建筑信息建模 21 世纪初，建筑信息建模（BIM）被认为是建筑元素的数字数据模型。通常，BIM 模型由两个主要属性组成：描述模型的物理属性（如材料、重量和位置）和描述嵌入模型中的详细规范的综合信息属性（如施工规范或维护说明）。BIM 技术的使用使构建施工进度优化模型的过程变得更加容易。通过使用 BIM 工具，所有原本需要手动估算的参数都会立即可用。各个项目的材料和物理特征已经包含在完善的模型中。在 BIM工具中，可以将资源分配给对象，并可以生成活动及其持续时间，从而在 BIM 中制定基本施工计划1。优化方法的根本缺点是其强烈的数学关注，这意味着在大多数情况下必须单独分析结果，因为大多数项目决策者很难理解这些结果。这导致在使用优化技术时，将BIM（尽管本质上是动态的）分为被动 BIM 或主动 BIM。由于缺乏模型的分析元素，这种方法被称为被动 BIM16。另一方面，Active BIM 采用优化技术进行定量数学分析，并验证项目信息。6 讨论和结论 本文对文献中可用于优化施工进度和 BIM 集成的优化技术进行了结构文献综述，以实现数据处理和进度优化的更多功能。这项研究得出了以下结论和未来的研究建议：施工进度安排的主要目标是在时间内以最有效的方式安排活动，并相应地分配资源。即使使用最新的算法和计算机技术，在合理的时间内解决许多活动的调度问题也被认为是极其困难的。作为一种基于群体的方法的优势，元启发式的解决方案是由群体的规模和代数决定的。因此，与确定性方法相比，需要它们相对较短的优化时间。特别是 GA 作为一种 EA，被认为是识别最优解的合适的元启发式替代方案，因为与传统方法相比，它们能够在显著的计算时间内同时处理多个目标。BIM 在各个阶段被广泛用于提高建筑项目的效率。BIM 领域的最新发展提供了更多的机会，通过与人工智能优化工具的集成，开发出一种基于BIM的优化方法，以取代当前的传统施工方法。为进一步研究使用 BIM创建基于施工设计的自动化施工进度表打开了大门，该进度表可以通过使用云环境和实时 BIM 工具进行更新。应在未来的研究中探索使数据收集更容易的 BIM解决方案。参考文献 1 Dasovic B,Galic M,Klan ek U.A survey on integration of optimization and project management tools for sustainable construction scheduling.Sustainability 2020;12:3405.2 Nguyen D-T,Chou J-S,Tran D-H.Integrating a novel multiple-objective FBI with BIM to determine tradeoff among resources in project scheduling.Knowledge-Based Syst 2022;235:107640.3 Jeunet J,Bou Orm M.Optimizing temporary work and overtime in the Time Cost Quality Trade-off 中国科技期刊数据库 工业 A-192-Problem.Eur J Oper Res 2020;284:74361.4 Panwar A,Jha KN.A many-objective optimization model for construction scheduling.Constr Manage Econ 2019;37:72739.5张金阳.预应力混凝土连续梁桥悬臂浇筑施工控制研究D.阜新：辽宁工程技术大学,2022.6向卫国.新城区集群市政工程 BIM 技术应用研究D.北京:中国铁道科学研究院,2020.7邹天歌.基于 BIM 技术的桥梁施工项目管理应用研究D.沈阳:沈阳建筑大学,2020.8 Kelley Jr JE,Walker MR.Critical-path planning and scheduling.In:Papers presented at the December 1-3,1959,eastern joint IRE-AIEE-ACM computerv conference;1959:16073.9佘宇深.基于 BIM 技术的桥梁参数化建模及轻量化研究D.北京:北京交通大学,2021.