本发明涉及工程建设的施工调度领域，具体是一种考虑劳动效率变化的施工调度方法。
背景技术：
1、工程建设包括勘察、设计、施工三大主要阶段，其中施工阶段是工程建设中投资最高也是最主要的阶段，因此安全、高效地开展施工作业决定了工程建设能否安全、高质量完成。作为为了保证施工作业能够顺利开展的核心关键，科学、合理的施工调度至关重要。
2、施工调度主要包括施工进度、人材机等资源的协调。目前，在施工现场开展施工调度作业时，管理人员通常根据工程建设的总工期计划，结合施工过程中的经费开支，利用关键链法开展调度工作，并制定响应的进度计划、劳动力计划等。
3、然而，单纯利用关键链法通常只能满足工期或经费单目标的优化，无法协同兼顾考虑经费和工期目标，造成了工期和经费安排并非协调最优，造成了时间和经济上的浪费。
4、尽管大量学者也开展了基于多目标优化算法的施工调度目标协同优化，但这些方法通常注重经费、工期、质量等目标的优化，并未在调度过程中考虑劳动效率变化对于施工调度的影响。而根据实践经验和研究表明，施工调度过程中劳动力的投入量，对劳动效率影响显著，因为劳动力过多时，会造成施工面的拥挤，这在赶工期时尤为明显。在既有施工调度方法中，关于劳动力的投入仅依照劳动定额进行计算，忽略了劳动效率的变化，导致投入的人过多或过少，造成了资源的浪费。
5、此外，由于既有的施工调度方法中，劳动力计划都是根据进度计划制定，往往在完成进度计划之后再根据劳动定额计算得到劳动力进度计划，导致劳动力在施工周期中的分布不均衡，一方面部分时段施工场地的工人数量时多时少，对于住宿、安全等间接成本造成了额外支出，另一方面，不均衡的劳动力计划也给施工管理造成压力。
技术实现思路
1、有鉴于此，本发明提供一种考虑劳动效率变化的施工调度方法，该方法一方面考虑了劳动效率，另一方面将劳动力的分布均匀性作为目标函数纳入到优化过程，以期实现考虑劳动效率变化的同时，协同优化施工工期、经费、劳动效率、劳动力均匀性四个维度的施工调度目标，突破既有的粗放式施工调度，提升施工调度的行业水平。
2、一种考虑劳动效率变化的施工调度方法，包括如下步骤：
3、步骤一、建立劳动效率函数及施工调度优化目标函数；
4、步骤二、生成初始种群，所述初始种群包含劳动力计划方案；
5、步骤三、对原种群复制并进行交叉、变异、组合操作；
6、步骤四、建立劳动力分配网络；
7、步骤五、建立考虑劳动效率的劳动力分配法则；
8、步骤六、根据步骤四建立的劳动力分配网络以及步骤五建立的劳动力分配法则，对各个体对应的计划劳动力方案进行分配，得到种群中每个个体对应的劳动力分配方案；
9、步骤七、根据劳动力分配方案计算目标函数值，根据目标函数值对种群个体进行排序、选择操作，生成与原种群个体数量一致的新种群；
10、步骤八、判断目标函数值是否收敛，若判断收敛则根据最后一次迭代的种群信息提取劳动力计划方案，生成施工调度方案；若判断不收敛则返回步骤三。
11、进一步的，步骤一中建立劳动效率函数，具体包括：
12、人均作业面受到作业面大小s、作业面施工人数n的影响,通过式(1)表征：
13、
14、根据参考人均作业面大小s0和参考劳动效率v0，通过对大量同类场景和作业类型的数据进行统计分析，利用拟合方法，建立实际施工中的人均作业面大小同劳动效率v之间的关系，该关系通过式(2)表征：
15、
16、将式(2)和式(1)联合，建立劳动效率v关于作业面施工人数n的函数v(n)：
17、
18、进一步的，优化施工调度目标包括施工总经费c、施工总工期t、施工过程中的整体劳动效率v、施工过程中劳动力配置的均匀度u，步骤一中建立的施工调度优化目标函数通过式(4)、(5)、(6)、(7)、(8)、(9)表达：
19、c＝fc+ic+hc 式(4)
20、t＝max{tf} 式(5)
21、
22、式中fc表示固定经费开支，包括材料、机具等；ic表示间接经费开支；hc表示人力资源开支；tf表示最后结束施工的单元结束施工的时间节点；vt表示第t天施工当天的整体劳动效率，项目整体劳动效率v根据其计算得到；k表示第t天开展施工作业的单元数量；wi则表示第t天各施工单元对于计算vt的权重；nt表示每天参与施工的工人数量；μ表示整个施工周期中平均每天的施工人数。
23、进一步的，步骤二具体包括：利用nsga-ⅲ算法随机生成若干种初始种群，种群由若干个体组成，个体由其基因表征，基因包含若干基因片段，其中初始种群所包含的若干个体对应的个体基因均表征一个劳动力计划方案，其包含的若干基因中的片段是具体到某一天的劳动力总数，所述劳动力计划方案包括计划施工工期和每天的劳动力投入量。
24、进一步的，步骤三对原种群复制并进行交叉、变异操作，具体步骤如下：
25、(1)交叉
26、针对既有种群，利用二进制交叉来模拟生物染色体的交叉行为，通过随机选择某个个体，其基因表达用向量n表示，对其某两个基因片段进行交叉操作(nl，nm)，进而生成新的基因表达产生新的个体，该过程具体数学变换如下：
27、
28、式中u是(0,1)范围的随机数，η是分布参数，此处取1；
29、(2)变异
30、针对既有种群，随机选择某些个体，其基因表达用向量n表示，对其部分片段nr随机突变，产生新的片段n'r以产生新的个体，该过程的数学表达通过下列公式进行：
31、nr'＝nr+δ·(u-l) 式(13)
32、
33、式中b,l分别表示个体基因中不同维度对应数值的最大值、最小值；δ是变异参数，正在突变的基因、该个体极差和当下随机状态同时影响；p是[0,1]区间内的随机数；ηm是分布指数，此处取1。
34、进一步的，步骤四具体包括：
35、将施工项目离散化为若干个需要开展施工作业的单元，每个单元包含对应的工程量信息、所需工人种类信息；根据多目标寻优模块生成的劳动力计划方案，建立动态分配网络，在分配网络中，各施工单元是分配网络中的待施工节点，分为已施工完成单元、可施工单元、暂不可施工单元，第t天的计划劳动力是输入节点，第t天的等效整体劳动效率vt则作为输出节点；
36、通过将多目标寻优模块生成的个体基因离散为每天的计划劳动力，并根据基因的排列，对于任意第t天的基因片段，都将被设置为第t天的计划劳动力是输入节点，并通过分配法则子模块对第t天的所有可施工单元进行劳动力分配，并根据劳动力分配结果，最终流到第t天的输出节点，进而结合劳动效率函数模块的劳动效率函数，计算第t天的等效整体劳动效率vt；
37、同时，根据第t天分配到各可施工单元的劳动力，计算第t天各可施工单元的工程量完成情况，更新其剩余还需完成的工程量，进而判断在t+1天各施工单元的状态，以确定第t+1天的已施工完成单元、可施工单元以及暂不可施工单元。
38、进一步的，步骤五中的劳动力分配法则是一种基于梯度下降算法的分配法则，该法则根据各单元所获劳动力数量，计算各单元的人均作业面进而根据步骤一中获得的人均施工面同劳动效率函数关系f，以及由f推导得到的v(n)，计算第t天的等效整体劳动效率vt，并利用梯度下降算法获得最优的各单元所获劳动力数量。
39、进一步的，步骤六具体包括：
40、首先，在t时刻，可施工单元共计有k个，初始时，随机产生一种分配方案，并通过式(17)、(18)、(19)，计算vt对于各可施工单元接收到的劳动力数量n(i)(i＝1,2,…,k)的梯度：
41、
42、式中vi表示施工单元i的劳动效率；vo,i表示施工单元i的参考劳动效率v0；s(i)表示施工单元i的作业面大小s，表示参考人均作业面大小s0；
43、进而根据梯度下降，计算分配方案的调整量，引入分配向量nt＝(n(1)、n(2)，...，n(k))用来表征第t天的各可施工单元接收到的劳动力数量信息，通过在梯度下降算法里设置学习率α，计算分配方案的调整量：
44、
45、nt(n(1),n(2),…,n(3))→nt(n(1)+δn(1),n(2)+δn(2),…,n(k)+δn(k)) 式(21)
46、向量nt发生更新后，对应的vt也将更新为并计算δvt：
47、
48、通过上述法则，计算得到第t天的等效整体劳动效率vt最大的劳动力分配方案。
49、进一步的，步骤七中的排序、选择操作，具体包括：
50、(1)排序
51、步骤三将复制种群通过交叉、变异后更新，并将更新后的种群和原种群混合，基于混合后的种群中各个个体的目标值分布，通过非支配排序将各个个体划分到非支配层和支配层(f1,f2,…,fn)；
52、(2)选择
53、对于排序后的个体，选择与原种群大小一致的个体数量组建成新的种群，其中在选择原种群大小一致的个体数量时，在最后一个支配层中选择有限的个体并纳入到新种群中，对最后一个支配层中的个体再做一次筛选的步骤具体包括：
54、通过在归一化的超平面上，生成个等间距的参考点，其中d表示目标维数，y表示含有被选择个体的最高非支配层；
55、根据非支配层f1中各维度最小值，通过式(24)构成集合z；根据支配层fy中各个维数最大值，通过式(25)形成集合s；考虑不同目标值的量纲不同，分别进行归一化处理，通过式(26)表示：
56、
57、进而计算上述需要进一步筛选的各个个体距离参考平面的距离，由近到远进行选择操作，并使选择得到的新种群个体数量与原种群一致。
58、本发明建立了基于nsga-ⅲ的施工调度优化模型，协同考虑了施工工期、施工经费、施工整体劳动效率、劳动力分布均衡性思维目标，实现了施工调度的多目标优化，提高了施工调度的科学性和优化求解的精确性；建立了劳动力动态分配网络，实现了以天为单位的劳动力动态分配；提出了梯度下降的分配法则，在劳动力分配过程中考虑了劳动效率变化规律，实现了基于整体劳动效率最高的劳动力分配，有效避免了施工调度中劳动力的安排不合理性。
1.一种考虑劳动效率变化的施工调度方法，其特征在于：包括如下步骤：
2.如权利要求1所述的考虑劳动效率变化的施工调度方法，其特征在于：步骤一中建立劳动效率函数，具体包括：
3.如权利要求1所述的考虑劳动效率变化的施工调度方法，其特征在于：
4.如权利要求1所述的考虑劳动效率变化的施工调度方法，其特征在于：步骤二具体包括：利用nsga-ⅲ算法随机生成若干种初始种群，种群由若干个体组成，个体由其基因表征，基因包含若干基因片段，其中初始种群所包含的若干个体对应的个体基因均表征一个劳动力计划方案，其包含的若干基因中的片段是具体到某一天的劳动力总数，所述劳动力计划方案包括计划施工工期和每天的劳动力投入量。
5.如权利要求1所述的考虑劳动效率变化的施工调度方法，其特征在于：步骤三对原种群复制并进行交叉、变异操作，具体步骤如下：
6.如权利要求2所述的考虑劳动效率变化的施工调度方法，其特征在于：步骤四具体包括：
7.如权利要求6所述的考虑劳动效率变化的施工调度方法，其特征在于：步骤五中的劳动力分配法则是一种基于梯度下降算法的分配法则，该法则根据各单元所获劳动力数量，计算各单元的人均作业面进而根据步骤一中获得的人均施工面同劳动效率函数关系f，以及由f推导得到的v(n)，计算第t天的等效整体劳动效率vt，并利用梯度下降算法获得最优的各单元所获劳动力数量。
8.如权利要求7所述的考虑劳动效率变化的施工调度方法，其特征在于：步骤六具体包括：
9.如权利要求8所述的考虑劳动效率变化的施工调度方法，其特征在于：步骤七中的排序、选择操作，具体包括：
