关于啥是CPM关键路径法的概述

Posted 2023-05-17

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了关于啥是CPM关键路径法的概述相关的知识，希望对你有一定的参考价值。

参考技术A 一种计划管理方法。它是通过分析项目过程中哪个活动序列进度安排的总时差最少来预测项目工期的网络分析。它用网络图表示各项工作之间的相互关系，找出控制工期的关键路线，在一定工期、成本、资源条件下获得最佳的计划安排，以达到缩短工期、提高工效、降低成本的目的。CPM中工序时间是确定的，这种方法多用于建筑施工和大修工程的计划安排。它适用于有很多作业而且必须按时完成的项目。关键路线法是一个动态系统，它会随着项目的进展不断更新，该方法采用单一时间估计法，其中时间被视为一定的或确定的。关键路线法是一种网络图方法，最早出现于20世纪50年代，由雷明顿-兰德公司(Remington- Rand)的JE克里(JEKelly)和杜邦公司的MR沃尔克(MRWalker)在1957年提出的，用于对化工工厂的维护项目进行日程安排。这种方法产生的背景是，在当时出现了许多庞大而复杂的科研和工程项目，这些项目常常需要运用大量的人力、物力和财力，因此如何合理而有效地对这些项目进行组织，在有限资源下以最短的时间和最低的成本费用下完成整个项目就成为一个突出的问题，这样CPM就应运而生了。设定方法、步骤简单关键路径法关键路径法（CPM）是一种网络分析技术，是确定网络图当中每一条路线从起始到结束，找出工期最长的线路，也就是说整个项目工期的决定是由最长的线路来决定的。关键路径法是时间管理中很实用的一种方法，其工作原理是：为每个最小任务单位计算工期、定义最早开始和结束日期、最迟开始和结束日期、按照活动的关系形成顺序的网络逻辑图，找出必须的最长的路径，即为关键路径。时间压缩是指针对关键路径进行优化，结合成本因素、资源因素、工作时间因素、活动的可行进度因素对整个计划进行调整，直到关键路径所用的时间不能再压缩为止，得到最佳时间进度计划。（1）画出网络图，以节点标明事件，由箭头代表作业。这样可以对整个项目有一个整体概观。习惯上项目开始于左方终止于右方。（2）在箭头上标出每项作业的持续时间（T）（3）从左面开始，计算每项作业的最早结束时间（EF）。该时间等于最早可能的开始时间（ES）加上该作业的持续时间。（4）当所有的计算都完成时，最后算出的时间就是完成整个项目所需要的时间。（5）从右边开始，根据整个项目的持续时间决定每项作业的最迟结束时间（LF）。（6）最迟结束时间减去作业的持续时间得到最迟开始时间（LS）。（7）每项作业的最迟结束时间与最早结束时间，或者最迟开始时间与最早开始时间的差额就是该作业的时差。（8）如果某作业的时差为零，那么该作业就在关键路线上。（9）项目的关联路线就是所有作业的时差为零的路线。主要时间参数在关键路径法中，一般有以下一些时间参数：最早开始时间（Early Start）活动最早开始时间由所有前置活动中最后一个最早结束时间确定。最早结束时间（Early Finish）活动的最早结束时间由活动的最早开始时间加上其工期确定。最迟结束时间（LateFinish）一个活动在不耽误整个项目的结束时间的情况下能够最迟开始的时间。它等于所有紧后工作中最早的一个最晚开始时间。最迟开始时间（Late Start）一个活动在不耽误整个项目的结束时间的情况下能够最早开始的时间。它等于活动的最迟结束时间减去活动的工期。总时差(Total Float) 指一项活动在不影响整体计划工期的情况下最大的浮动时间。自由时差（Free Float）指活动在不影响其紧后工作的最早开始时间的情况下可以浮动的时间。如果是对于箭线图法，用到的时间参数还常有：最早节点时间（Early Event Occurrence Time）最早节点时间由其前置活动中最晚的最早结束时间确定。最迟节点时间（Late Event Occurrence Time）最迟节点时间由其后置活动中最早的最迟开始时间确定。关键路径法的时间计算在进行计算时，箭线图和前导图的计算过程有所不同。本回答被提问者采纳

基于QD求解法的二分类SVM仿真

CSDN用户：我爱C编程
CSDN主页：https://blog.csdn.net/hlayumi1234567?type=blog
擅长技术：智能优化，路径规划，通信信号，图像处理，深度学习，控制器等。

1.算法概述

支持向量机（support vector machines）是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。由简至繁的模型包括：

当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机；（也称硬间隔 SVM或线性可分 SVM）
当训练样本近似线性可分时，通过软间隔最大化，学习一个线性支持向量机；（也称软间隔 SVM或线性不可分 SVM）
当训练样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机；（也称核函数或非线性 SVM）

SVM 是一种二分类模型，该模型是定义为特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM 还包括核技巧，这使它成为实质上的非线性分类器。其学习策略就是间隔最大化，可形式化为一个求解凸二次规划的最小化问题。

2.部分程序

......................................................

%%=========================================================================
%定义核函数及相关参数
C =0.1719;
ker=struct('type','linear');
%%=========================================================================
%构造训练样本和训练目标
n = 50;
% randn('state',2);%选择正态分布数据,线性可分样本点
x1 = randn(n,2);
y1 = ones(n,1);
x2 = 4+randn(n,2);
y2 = -ones(n,1);
X = [x1;x2];            % 训练样本,2n×2的矩阵,2n为样本个数,2为样本维数
Y=[y1;y2];
% figure(2)
% plot(x1(:,1),x1(:,2),'x')
figure();
plot(x1(:,1),x1(:,2),'bx',x2(:,1),x2(:,2),'b.');

title('二分类svc');
hold on;
% 构造测试样本
x3 = randn(n,2);
x4 = 5+randn(n,2);
Xd = [x3;x4];
plot(x3(:,1),x3(:,2),'kx',x4(:,1),x4(:,2),'k.');
hold on
...........................................