Page 138 - 2025年第56卷第8期

5.2 工程运输调度仿真及最优解获取 由随机程序确定 g、n 为混凝土接收点位，p、q 为渣料产出点，
从而进行后续仿真计算。根据 2023 年 12 月现场施工作业强度统计，日施工强度为 260 ~ 360 m ，重型
3
3［30］
自卸汽车每车作业强度为 12 m 。结合运输车作业强度、日施工强度等数据资料得出初始点位列表
如下：［'a'］：19；［'b'］：35；［'c'］：49；［'d'］：49；［'e'］：49；［'g'］：25；［'n'］：24；［'p'］：25；
［'q'］：29；［'f'］：10（［'a'］：19 表示“a”点位在本次仿真过程中出现 19 次）。
据图6仿真结果显示，连续3次仿真趋势基本一致，且均在 60 ~ 100次迭代时进入收敛，最高适应度分别
为：0.001 164 808 796 636 032 8 、0.001 168 156 065 650 371 0、0.001 168 019 622 729 662 7， 3 次 收 敛 值
接 近 。 由此可证明本研究采用的高约束单亲遗传算法（HC-PGA）具有较强稳定性和良好寻优能力。

图 6 高约束单亲遗传算法仿真计算结果

不同的是，3次仿真的最大适应度有所区别，故而在具体工程应用时可多次仿真取最优。本次实验以最
优结果仿真二为例，仿真二在迭代至 70次左右时进入收敛，收敛适应度值为 0.001 168 156 065 650 371 0，
对应此调度计划的运输路径总长度为 856.05 km。
5.3 动态调度 在实际混凝土坝施工中，施工环境的复杂性及不可预测性经常导致施工规程中的边界
条件发生变化。这种变化常常会影响到运输车辆调度任务，使得既定的任务目标需要进行动态调整。
在施工高峰期，任务目标的动态变化尤为频繁。目前，对于这种动态任务目标变化的场景，尚缺乏有
效的解决策略。现有的调度算法大多设计为在静态条件下运行，难以适应快速变化的施工环境。因
此，本节研究继续使用高约束的单亲遗传算法，处理此类动态难题。
在动态任务调度的再优化过程中，与静态调度最显著的不同之处在于染色体的构成和编码方式。
在传统的静态调度中，使用 HC-PGA 时，染色体通常按照停车点位为起始和终止点进行编码。这种
方法适用于环境和任务目标相对固定的情况，能够有效地规划出一条完整且封闭的路线。然而，在
面对动态调度问题时，任务的再分配需要基于当前运输车辆的实时位置进行调整，这要求染色体编
码必须以车辆的当前位置作为起点，而终点依然是一个停车点位。这种动态编码策略允许算法更灵活
地适应环境变化和任务调整，从而更有效地优化运输路径和降低调度成本。静态和动态染色体结构对
比见图 7。
在算法调整完成后，将其应用于工程实例，进行动态任务调度的模拟。在此模拟场景中，假设任
务目标发生变化，原本针对 n 点的混凝土施工任务变更为 m 点，以及 p 点的渣料运输任务改为 h 点，这

图 7 动静态染色体对比

— 1102 —