摘 要：為了提升大型工程項目的施工效率，本文提出了一種基于遺傳算法的土方調配優(yōu)化方法，以期縮短施工周期、節(jié)約土方調配成本。首先，構建了土方調配的基本模型，并給出了關鍵參數和約束條件的詳細描述。其次，從適應度函數、選擇計算、交叉計算和變異計算等方面，完成了遺傳算法的設計，使其更符合土方調配的特定目標多約束優(yōu)化問題。最后，對所提方法進行了驗證性試驗，試驗結果顯示，采用本文提出的遺傳算法獲得的土方調配方案與理想方案間擬合度較高。

關鍵詞：遺傳算法；大型工程項目；土方；調配優(yōu)化

中圖分類號：TU 751" " " " 文獻標志碼：A

目前，我國基礎設施建設獲得了前所未有的發(fā)展，各地興建各類大型工程項目，極大提升了民生保障水平[1]。大型工程項目不僅規(guī)模大、建筑施工的工程量大，而且涉及土方工程這個重要方面。一方面，土方工程需要采用挖掘施工，開辟出足夠建設施工的空間場地，另一方面需要通過回填施工，使土石總量保持平衡并恢復施工現場的土地平整性?？梢?，土方工程是大型工程項目整體建設中的一部分[2]。同時，土方工程也與生態(tài)環(huán)境的保護密切相關。大型工程項目的工序內容較多，施工操作流程復雜性高，其中的土方工程也具有同樣特點。在何處挖掘、土方的存放地和土方何時回填等，均涉及不同場地間的調配和地上、地下的調配。土方調配處理不得當，會增加工程成本，甚至影響工程進度[3]。因此，對大型工程項目進行土方調配優(yōu)化，可以降低工程成本、縮短工期，并保證工程項目按時完工，對我國大型工程項目建設水平的提升具有重要意義。

1 大型工程項目的土方調配模型設定

土方調配是一個復雜的過程，為了簡化土方調配，便于成本計算，上文對土方調配過程進行了簡化，本節(jié)也采用與上文相同的簡化方法。根據土方調配目標函數的性質，即成本函數是否為線性，可以將土方調配分為線性優(yōu)化模型和非線性優(yōu)化模型，2個模型的建模不同，求解方法也有較大差別，下面分別對2種優(yōu)化模型進行分析。

目前對線性優(yōu)化模型及其標準形式已有深入研究，在前人研究基礎上，本文假設土方施工分區(qū)整體土方量為填方大于挖方，需要借土且所有土方材料均能滿足填方需求，不需要進行土方換填等操作。針對上述工程假設，對土方工程進行線性土方調配模型建模。

設定土方調配優(yōu)化過程中的各個參數，在調配過程中，總挖方量要小于總填方量，并且所有挖方土壤均可以滿足回填要求，如果總挖方量大于總填方量，那么需要所有挖方土壤都可以滿足回填要求。如果并不是所有挖方土壤都能滿足填方需要，那么就會產生借方體積和棄方體積均不為零的情況。因為在假設條件下，棄方和借方的體積只與總填方體積、總挖方體積相關，不會因調配方案的不同而產生變化，同時借方成本和棄方成本也不考慮運距，所以可以將借方、棄方的成本和體積單獨作為一個常量，當進行調配優(yōu)化時，不考慮借方和棄方的成本，所得調配方案是最優(yōu)方案，為了簡化調配計算過程，后續(xù)計算如無特殊說明，也不考慮借方和棄方成本。

2 土方調配過程的遺傳算法優(yōu)化

已經建立的大型工程項目的土方調配模型包括多種參數、多項約束和特定目標。為了取得最合理的土方調配，需要運用一定算法對模型進行優(yōu)化，以得到土方調配的最優(yōu)解。對于多約束的目標優(yōu)化問題，可以選用的優(yōu)化算法較多，例如神經網絡算法、模擬退化法、決策樹方法和粒子群算法等。本文針對大型工程項目的土方調配問題的實際需求，進行了基于遺傳算法的優(yōu)化。

遺傳算法在特定的目標引導下，從初始狀態(tài)不斷進行優(yōu)化調整，從而使土方調配不斷向目標前進，包括最短調配距離、最低運輸成本等。遺傳算法建立在染色體逐漸向下一代遺傳和進化的基礎上，土方調配中的各種約束條件也成為遺傳算法執(zhí)行過程中的優(yōu)化條件，保證目標能夠實現的函數稱為適應度函數。染色體不斷進化的過程也是適應度函數不斷調整、適應度值不斷趨于合理的過程。染色體的進化又基于染色體個體的變異、染色體間的交叉和選擇等操作。因此，為了實現大型工程項目的土方調配優(yōu)化，需要對這些內容進行具體設計。

2.1 染色體之間選擇操作的計算過程設計

遺傳算法的理論基礎是遺傳學和進化論，其核心思想是物競天擇、適者生存和優(yōu)勝劣汰。因此，在遺傳過程中，染色體總會向那些更合理的方向進化，或者把染色體中更好的基因遺傳給下一代。為了判斷染色體中哪一個基因更好，遺傳算法會采用適應度函數的計算，如公式（1）所示。

（1）

式中：Fit（k）表示在大型工程項目土方調配優(yōu)化過程的第k種情況下的適應度；p（k）表示出現第k種適應度在大型工程項目的土方調配優(yōu)化過程中出現全部適應度中所占的概率。

顯然，上述選擇操作會選取概率最大的適應度，向下一代染色體進行遺傳。

2.2 染色體間交叉操作的計算過程設計

交叉操作體現了染色體間的相互作用，是個體結合后擇優(yōu)遺傳給下一代的具體體現。在遺傳算法中，染色體間交叉操作的計算過程如圖1所示。

遺傳算法中的交叉操作需要在2個染色體間進行，同時2個染色體需要帶有一定程度的差異性，至少保證有一組基因是不重復的，即2個染色體的基因組序列不能完全一致，如果完全一致，就會失去交叉計算的意義。因此，染色體間的差異性保持在適中的狀態(tài)是最理想的。其中一部分基因是無條件向下一代遺傳的，這一部分基因在交叉操作中不列入候選。如果2個染色體的基因組完全不同，也不利于交叉操作的執(zhí)行和計算。

2.3 染色體個體變異操作的計算過程設計

染色體個體的變異是進化過程中非常重要的因素，正是因為變異的存在，才可能出現更好、更新的物種。對應本文中的大型工程項目土方調配優(yōu)化問題，染色體個體出現變異，才可能出現新的優(yōu)化方案，這個計算過程如圖2所示。

從圖2可以看出，當2個染色體進行交叉運算時，因為變異的存在，所以出現了2個全新的基因組排序，進一步擴大了大型工程項目的土方調配優(yōu)化方案的候選解。

3 大型工程項目土方調配優(yōu)化試驗結果與分析

上文針對大型工程項目的土方調配問題，給出了包括多個參數的模型。在此基礎上，本文提出基于遺傳算法的土方調配優(yōu)化策略，并針對其中的適應度函數設置、染色體間的選擇計算、染色體間的交叉計算以及染色體個體的變異計算進行了詳細設計。下文將采用測試試驗，驗證所提遺傳算法在大型工程項目土方調配優(yōu)化中的效果。本文遺傳算法的參數配置情況見表1。

第一組試驗，在已知大型工程項目土方最佳調配取得理想值的情況下，采用遺傳算法進行調配方案的優(yōu)化處理，將優(yōu)化結果與最佳調配預設值進行比較，結果如圖3所示。

從圖3不難發(fā)現，隨著遺傳算法迭代次數增加，其大型工程項目土方調配優(yōu)化結果與預設理想結果間的擬合度一直為94%以上，并穩(wěn)定在94%～99%。

第二組試驗考察進化代數約束下的遺傳算法優(yōu)化過程的演進，結果如圖4所示。

從圖4可以看出，遺傳算法在進化5代以后基本達到穩(wěn)定狀態(tài)，其獲得的大型工程項目土方調配優(yōu)化結果與預設理想調配方案間的擬合度為95%以上，其后的進化過程也基本保證了土方優(yōu)化調配與理想方案間的高度擬合。

4 結論

隨著我國經濟持續(xù)高速增長，大型工程項目的數量也不斷增加，土方調配是其中非常重要的施工內容，直接關系工程項目的建設成本和完工周期。為了降低工程成本、縮短施工工期，應該采取有效方法對土方調配進行優(yōu)化。土方調配屬于典型的特定目標多約束優(yōu)化問題，為了取得更好的優(yōu)化效果，本文以遺傳算法為基礎進行了優(yōu)化過程設計。在土方調配的優(yōu)化過程中，以適應度函數的計算為整體進化的標志判斷，進而利用選擇計算、交叉計算和變異計算的設計，對優(yōu)化過程進行細化。試驗結果表明，隨著迭代次數和進化代數增加，本文提出的遺傳算法可以獲得理想的土方調配優(yōu)化結果。

參考文獻

[1]申明亮，劉新剛，陳鋼，等.堆石壩土石方調配與道路運輸強度的聯合優(yōu)化模型[J].武漢大學學報（工學版），2006，39（5）：14-18.

[2]張晴，周宜紅，龔攀.績溪抽水蓄能電站土石方調配方案研究[J].水電能源科學，2016，34（3）：136-139.

[3]金鑫，李瀚遠，杜蒙蒙，等.基于遺傳—蟻群算法的農田微地形特征土方調配路徑研究[J].中國農機化學報，2024，45（8）：270-275.