鄧東磊+胡穎

摘要： 項目的工序間存在著普遍的相依性，在項目的進度管理中，合理考慮工時之間的相依性，有利于更加準(zhǔn)確地預(yù)測和評估工期風(fēng)險，從而更有效地控制工程進度。本文建立了一個基于貝葉斯網(wǎng)絡(luò)的進度計劃動態(tài)更新模型，度量工程進度網(wǎng)絡(luò)中工序持續(xù)時間的相依隨機性，并進行進度計劃的動態(tài)更新，模型用貝葉斯網(wǎng)絡(luò)表示工序間的相依關(guān)系，由專家估計工序持續(xù)時間的邊緣分布及工序間協(xié)調(diào)系數(shù)，然后確定貝葉斯網(wǎng)絡(luò)中的條件概率和分布，從而確定各工序持續(xù)時間的條件分布和總工期的分布。算例表明該模型能有效預(yù)測和控制工時的不確定性，有利于降低工程進度風(fēng)險。

Abstract： There is the universal dependence between the project processes. In the project schedule management， considering the dependence between time reasonably， is conducive to predicting and assessing the schedule risk more accurately， so as to effectively control the progress of the project. This paper establishes an dynamic updating model of the schedule based on Bayesian network， which is used to measure the dependent random of the process duration in the project progress network， and dynamically update the schedule. The model uses Bayesian network to represent dependence between processes. The marginal distribution of process duration and the coordination coefficient between processes are estimated by experts， and then the conditional probability and distribution in the Bayesian network are determined， so as to determine the conditional distribution of each process duration and total duration. The example shows that the model can effectively predict and control the uncertainty of the working hours， which is conductive to reducing the project risk.

關(guān)鍵詞： 項目進度管理；進度計劃更新；相依隨機變量；貝葉斯網(wǎng)絡(luò)

Key words： project scheduling；schedule updating；dependent random variable；Bayesian Network

中圖分類號：TU17；F426 文獻標(biāo)識碼：A 文章編號：1006-4311（2017）33-0045-04

0 引言

在項目管理實踐中，不同工序的工時變量之間存在普遍的相依性，且這種相依性受到諸多因素的影響。在實際的項目進度管理中，掌握各個工時變量之間的相依性意義重大，它能夠?qū)⒐て谟媱澲械牟淮_定性充分估計出來，提高了預(yù)測及評估工期風(fēng)險的準(zhǔn)確度，有利于施工項目工程的進度控制[1]。

國外很多學(xué)者都會項目進度網(wǎng)絡(luò)中工時的線性相關(guān)性具有濃厚的興趣，開展了較為深入的研究，建立的模型基本可歸為三類，分別是仿真模型、解析模型、專家系統(tǒng)模型。Ringer[2]最早在PERT網(wǎng)絡(luò)中考慮工時間的相關(guān)性，他提出了一個基于圖論約簡算法的解析模型；Fatemi Ghomi[3]、Mehrotra [4]建立了一種基于圖論的路徑相依模型；Van Dorp[5]等提出了一種基于多元統(tǒng)計的方法對工時間的正相關(guān)關(guān)系進行建模和度量。Padilla & Carr[6]開發(fā)了一個仿真模型來評價項目進度網(wǎng)絡(luò)中的不確定性；Woolery[7]、Toura[8]等采用蒙特卡洛技術(shù)，建立了考慮工時相關(guān)和獨立情形的隨機進度網(wǎng)絡(luò)模型；Wang & Demsetz[9]開發(fā)了一種考慮共同因素影響下產(chǎn)生的工時相關(guān)性仿真模型；Levitt and Kunz[10]、Cho[11]等建立了考慮工時相依性的進度管理的專家系統(tǒng)。這些方法對項目進度網(wǎng)絡(luò)中的各種相依關(guān)系沒有進行系統(tǒng)的研究，相關(guān)系數(shù)矩陣難以直接估計且須滿足正定條件，工時間的相依性沒有應(yīng)用在進度計劃的動態(tài)更新上。本文將貝葉斯網(wǎng)絡(luò)與進度計劃網(wǎng)絡(luò)相結(jié)合，建立工時的相依隨機網(wǎng)絡(luò)結(jié)構(gòu)，用直觀的協(xié)調(diào)系數(shù)度量工時之間的相依性，分析工時的條件分布，對項目進度計劃進行動態(tài)更新。

1 貝葉斯網(wǎng)絡(luò)的基本原理

貝葉斯網(wǎng)絡(luò)是一個帶有概率注釋的有向無環(huán)圖，這個圖模型能夠表示變量集合的聯(lián)合概率分布，可以分析大量變量之間的相互關(guān)系，利用貝葉斯定理的學(xué)習(xí)和統(tǒng)計推斷功能實現(xiàn)預(yù)測、診斷、分類等任務(wù)。貝葉斯網(wǎng)絡(luò)使用概率表示所有形式的不確定性，用概率規(guī)則來實現(xiàn)學(xué)習(xí)和推理的過程。關(guān)于一組變量X={X1，X2，…，Xn}的貝葉斯網(wǎng)絡(luò)由以下兩部分組成：

①一個表示X中變量的條件獨立斷言的網(wǎng)絡(luò)結(jié)構(gòu)S；

②每一個變量相聯(lián)系的局部概率分布集合P。endprint

兩者定義了X的聯(lián)合概率分布。S是一個有向無環(huán)圖，S中的節(jié)點一對一對應(yīng)于X中的變量。以Xi表示變量節(jié)點，Pai表示中Xi的父節(jié)點。S的節(jié)點之間默認(rèn)弧線則表示條件獨立。X的聯(lián)合概率分布表示為

以P表示式（1）中的局部概率分布，即乘積中的項p（xi|pai）（i=1，2，…，n），則二元組（S，P）表示了聯(lián)合概率分布p（X）。當(dāng)僅僅從先驗信息出發(fā)建立貝葉斯網(wǎng)絡(luò)時，該概率分布是主觀的，當(dāng)從數(shù)據(jù)出發(fā)，進而建立貝葉斯網(wǎng)絡(luò)時，該概率是客觀的[13]。

在應(yīng)用領(lǐng)域中構(gòu)建貝葉斯網(wǎng)涉及3個步驟：①分辨出建模領(lǐng)域中重要的變量及其可能取值，并以節(jié)點表示；②判斷節(jié)點問的依賴或獨立關(guān)系，并以圖的方式表示；③獲得貝葉斯網(wǎng)定量部分所需要的概率參數(shù)。

2 基于貝葉斯網(wǎng)的進度計劃動態(tài)更新模型

2.1 基于貝葉斯網(wǎng)的相依隨機網(wǎng)絡(luò)計劃結(jié)構(gòu)

傳統(tǒng)的建設(shè)項目進度管理方法主要包括關(guān)鍵路徑法（Critical Path Method，簡稱CPM）和計劃評審技術(shù)（Project Evaluation and Review Technique，簡稱PERT），CPM和PERT網(wǎng)絡(luò)計劃是根據(jù)工序之間邏輯關(guān)系而繪成，傳統(tǒng)的網(wǎng)絡(luò)計劃由于不能反映工序之間的相依關(guān)系，因此在項目風(fēng)險管理、計劃更新等方面的應(yīng)用受到很大的限制。單代號網(wǎng)絡(luò)計劃（AON， activity on node）與貝葉斯網(wǎng)絡(luò)都是有向無環(huán)圖，都以節(jié)點表示問題變量，以有向邊表示變量間的關(guān)系；所不同的是，前者描述變量間的前后邏輯關(guān)系，而后者描述變量間相互影響的相依關(guān)系[1]。因此，本文將單代號網(wǎng)絡(luò)計劃與貝葉斯網(wǎng)絡(luò)相結(jié)合，用來描述工時之間相依性的網(wǎng)絡(luò)計劃結(jié)構(gòu)。

工時間的相依性可分為序列相依性與并行相依性[1]。對于序列相依的工序，可以直接用網(wǎng)絡(luò)計劃的有向邊表示前后工序的相依關(guān)系，從而將網(wǎng)絡(luò)計劃直接轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)圖。圖1為某貝葉斯網(wǎng)絡(luò)圖，A，B，…代表工序名稱，a，b…代表工時變量，箭線A→B表示A、B間的相依關(guān)系。在圖中，同一調(diào)線路上的工序之間都存在相依關(guān)系[1]。對于并行相依性，主要存在有兩種情況：①共同的緊前工序使不同的緊后工序之間產(chǎn)生相依性，如圖1中，工時變量f的變化可能會引起工時變量g、h的相同變化，工時變量g的變化可能會引起工時變量i、j的相同變化，這時g、h，i、j間就存在相依性；②受共同的外在因素的影響使并行工序間產(chǎn)生相依性，圖1中，F(xiàn)工序完成后的設(shè)計變更可能會使G、H工序都拖延，I、J實施中的惡劣天氣可能會使I、J工序都拖延，這些因素使G、H，I、J間產(chǎn)生相依性[1]。根據(jù)貝葉斯網(wǎng)的條件獨立性假設(shè)，第一種情況下的并行相依性已經(jīng)被貝葉斯網(wǎng)絡(luò)圖中的序列相依關(guān)系所體現(xiàn)[18]。第二種情況下，可在貝葉斯網(wǎng)絡(luò)圖上針對并行工序添加共同的因素變量，使并行的工時變量相依，但條件獨立于因素變量。

在一個考慮序列相依性及并行相依性的貝葉斯網(wǎng)絡(luò)中，假定有一個包含n個工時變量的隨機變量集V，有一個包含m個因素變量的隨機變量集W，P表示條件概率分布集，K表示因素變量與工時變量間有向邊的集合，L表示工時變量間有向邊的集合，G表示有向無環(huán)圖，則該貝葉斯進度網(wǎng)絡(luò)可表示為：

2.2 工時相依度的估算

相依性度量的方法相應(yīng)有不同的指標(biāo)，但應(yīng)用最廣泛的還是Pearson的相關(guān)系數(shù)（r）。

相關(guān)系數(shù)（r）可以通過大量的統(tǒng)計數(shù)據(jù)計算得出，但考慮到工程項目的一次性和單件性特征，針對特定項目工序的持續(xù)時間往往難以收集到大量的樣本數(shù)據(jù)，所以工時間的相依度大都只能通過專家的先驗知識進行估計。而由式（3）可以看出，即使經(jīng)驗非常豐富的專家也很難準(zhǔn)確地估計工時之間的相關(guān)系數(shù)。因此，本文采用協(xié)調(diào)系數(shù)[14]（τ）來度量工時之間的相依性。設(shè)（X1，Y1），（X2，Y2）是隨機變量（X，Y）的兩個獨立樣本，X，Y間的協(xié)調(diào)系數(shù)為[14]：

τXY表征變量X、Y的變化是否協(xié)調(diào)，0≤τXY≤1。τXY=1，表示X、Y的變化完全協(xié)調(diào)，X增大，Y也增大；τXY=0，表示X、Y的變化完全不協(xié)調(diào)，X增大意味著Y減小。對τXY求導(dǎo)可得：

由此可知，協(xié)調(diào)系數(shù)（τ）是相關(guān)系數(shù)（r）的單調(diào)增函數(shù)，通過專家估計出的協(xié)調(diào)系數(shù)可以求得相關(guān)系數(shù)：

2.3 工時的條件概率分布

貝葉斯網(wǎng)絡(luò)計劃中的概率參數(shù)包括兩部分：一部分是節(jié)點變量的概率分布，描述節(jié)點變量即工時變量和因素變量的不確定程度；另一部分是節(jié)點變量間的條件概率分布，描述節(jié)點變量的相依程度。在工程實踐中，工時分布一般可根據(jù)實際情況選用正態(tài)分布、三角分布、β分布、對數(shù)分布等[16]，本文假設(shè)工時變量為正態(tài)分布；因素變量一般由專家確定離散的概率分布集。對于因素變量與工時變量之間的條件分布，可由專家直接估計不同的因素條件下工時的條件分布；工時變量由于均為連續(xù)，無法直接確定其條件分布，可以先估計相依度（如相關(guān)系數(shù)等），再根據(jù)相依度估計相依工時變量間的條件分布。

在給定因素變量的情況下，工時變量的條件分布由專家直接進行估計[17]。如天氣變量W={W1，W2}，受天氣影響的工序A的工時變量TA的條件分布可估計為：

兩個相依的工時變量之間的條件分布可由它們之間的相關(guān)系數(shù)求得：對于貝葉斯網(wǎng)絡(luò)計劃中的兩個工序A、B，其工時變量分別為TA、TB。假設(shè)（TA，TB）為雙變量正態(tài)分布，均值為（μA，μB），協(xié)方差矩陣∑=（σij），其中σ11=σA2，σ22=σB2，σ12=rABσAσB，rAB為TA、TB間的相關(guān)系數(shù)。則

2.4 進度計劃的動態(tài)更新

在工時的條件分布已知的情況下，我們可以將已完工序的持續(xù)時間作為新的“證據(jù)”，去更新未完工序的工時分布。同理，當(dāng)環(huán)境因素等發(fā)生變化時，可根據(jù)式（7）去更新受影響工序的工時分布。

設(shè)有兩個工序A、B，A是B的緊前工序，其工時變量TA、TB為正態(tài)分布[17]：endprint

3 進度計劃動態(tài)更新模型的應(yīng)用

3.1 進度計劃動態(tài)更新的一般步驟

要建立一個項目的相依隨機進度計劃并進行動態(tài)更新，包括三個主要步驟[1]：

①確定基于貝葉斯網(wǎng)絡(luò)的相依隨機進度網(wǎng)絡(luò)結(jié)構(gòu)。明確工序間的邏輯關(guān)系，繪制單代號（AON）網(wǎng)絡(luò)計劃；分辨工時的影響因素，明確工時的并行相依關(guān)系和序列相依關(guān)系，完成貝葉斯網(wǎng)絡(luò)計劃圖。

②度量工時變量之間的相依程度。估計工時變量的均值和方差，估計因素變量的取值及概率；確定工時變量間的協(xié)調(diào)系數(shù)（τ），進一步確定相關(guān)系數(shù)（r），得出工時變量的條件分布；估計因素變量給定的條件下工時變量的條件概率。

③更新進度計劃參數(shù)。當(dāng)部分工序已經(jīng)完成或者影響因素發(fā)生變化時，更新后續(xù)工序或受影響工序的工時分布；更新總工期的均值及方差，更新工程進度的風(fēng)險評估值。

3.2 算例

實現(xiàn)項目進度計劃動態(tài)更新的方法有多種，本文借助Excel工作表的宏命令來實現(xiàn)。某項目各工序如圖2所示，各工序的邏輯關(guān)系、工時分布，以及實施過程中的實際工時、影響因素及其概率如表1所示。

專家估計的工序間協(xié)調(diào)系數(shù)（τ）及推算的相關(guān)系數(shù)（r）見圖3。以實際工時和影響因素為新證據(jù)對后續(xù)工序進行更新，用Excel計算的結(jié)果如圖3所示。計算步驟為：計算相關(guān)系數(shù)（r）；計算受因素影響的工時分布；計算工時的條件分布；工時更新。

4 結(jié)論與展望

用基于貝葉斯網(wǎng)絡(luò)的相依網(wǎng)絡(luò)計劃結(jié)構(gòu)，可以很直觀地描述工時之間的序列相依性和并行相依性；文中提出的協(xié)調(diào)系數(shù)和因素概率表有利于專家直觀地估計工時之間的相依性；利用工時的相依性，將已完工時及實際因素作為證據(jù)去更新后續(xù)工時計劃的方法為實際工程進度計劃的調(diào)整提供了新的思路。更新后的工時期望值更接近于實際工時，工時方差小于初始計劃的方差。因此，考慮相依性的進度計劃及其更新模型能較好地預(yù)測和控制工時的不確定性，有利于減弱工程進度風(fēng)險。

由于缺乏工時信息統(tǒng)計數(shù)據(jù)，使得在實際應(yīng)用過程中，難以用參數(shù)學(xué)習(xí)的方法確定工時變量間的條件概率分布，而主要依靠專家的先驗知識進行估計，從而降低了本方法的科學(xué)性和精度。因此，在今后的項目管理實踐中，應(yīng)注重收集的工時相依信息，為同類工程的工時相依性研究提供支持。

參考文獻：

[1]莫俊文，工程進度網(wǎng)絡(luò)中工時相依性研究[D].天津大學(xué)博士學(xué)位論文，2010.

[2]L.J. Ringer. A statistical theory for PERT in which completion times of activities are inter-dependent[J]. Management Science， 1971，.17（11）：717-723.

[3]S.M. T. Fatemi Ghomi & M. Rabbani. A new structural mechanism for reducibility of stochastic PERT networks[J]. Eur. J. Oper. Res.， 2003，145（3）：394-402.

[4]K. Mehrotra， J. Chai， and S. Pillutla， A study of approximating the moments of the job completion time in PERTnetworks， J.Oper.Manage.1996，14（3）： 277-289.

[5]David Heckerman，Dan Geiger，David M. Chickering. Learning Bayesian Networks： The Combination of Knowledge and Statistical Data[J]. Machine Learning . 1995 （3）.

[6] E. M. Padilla & R. I. Carr. Resource strategies for dynamic project managemen[J]t， J. Constr. Eng. Manage.1991， 117 （2）： 279-293.

[7]J.C. Woolery and K.C. Crandall， Stochastic network model for planning scheduling[J]. J. Constr. Engrg. and Mgmt.1983， 109（3）：342-354.

[8]A. Touran & E. D. Wiser.Monte Carlo technique with correlated random variables[J]， J. Constr. Eng. Manage.1992，118（2）： 258-272.

[9]W.C. Wang & L.A. Demsetz. Model for evaluating networks under correlated uncertainty-NETCOR[J]. J. Constr. Engrg. and Mgmt.， 2000， 126（6）：458-466.

[10]R.E. Levitt and J.C. Kunz.Using knowledge of construction and project management for automated schedule updating[J]. Project Management Journal， 1985，16（5）：57-76.

[11]S. Cho.An exploratory project expert system for eliciting correlation coefficient and sequential updating of duration estimation[J]. Expert Systems with Applications. 2006， 30（5）：553-560.

[12]劉大有，王飛，盧奕南，薛萬欣，王松昕.基于遺傳算法的Bayesian網(wǎng)結(jié)構(gòu)學(xué)習(xí)研究[J].計算機研究與發(fā)展，2001（08）.

[13]Kane M.J，Savakis A."Bayesian network structure learning and inference in indoor vs.outdoor image classification". Proceedings of the 17th International Conference on Pattern Recognition . 2004.

[14]D. D. Mari & S. Kotz. Correlation and Dependence[M]. Imperial College Press， Singapore， 2001.

[15]D. V. Gokhale & S. James Press.Assessment of a Prior Distribution for the Correlation Coefficient in a Bivariate Normal Distribution[J]. Journal of the Royal Statistical Society. Series A （General）， 1982， 145（2）：237-249.

[16]W. Herroelen & R. Leus. Project scheduling under uncertainty： survey and research potentials[J]. European Journal of Operational Research. 2005， 165（3）：289-306.

[17]曹光明，白思俊.國外PERT/CPM網(wǎng)絡(luò)計劃技術(shù)發(fā)展的三個方面[J].系統(tǒng)工程理論與實踐，1993（03）.

[18]王仁超，褚春超，等.考慮工序間兩類依賴關(guān)系的網(wǎng)絡(luò)計劃方法[J].天津大學(xué)學(xué)報，2004，37（4）：312-317.endprint