引言

当前企业常并行开展多个项目，使分布式多项目管理模式兴起，这种模式具有地域分布广、参与主体多等特点，同时也带来资源分配难题，而传统集中式调度方法难以满足复杂需求。分布式资源约束多项目调度问题（distributed resource-constrained multi-projectschedulingproblem，DRCMPSP）研究具有重要意义，但现有研究对活动模式等因素考虑不足。近年来，国内外学者针对DRCMPSP的特性与求解方法开展了广泛研究。随着人工智能技术的发展，本研究尝试结合该技术以进一步解

决DRCMPSP问题。

在研究方法方面，ShiYX等提出了一种新的层级调度模型，并采用示例问题进行验证，将调度过程分为项目层和资源层，采用启发式方法进行调度，研究表明其调度模型对项目经理和资源经理之间的利益协调产生了积极的效果[]。HuFY等采用多参数优先规则（multi-PR）与过程模拟和遗传搜索策略相结合的方法，得出较其他方法能实现更低的总延迟成本[2]。ChenHJ等提出的混合代理辅助双树遗传规划框架为动态资源约束多项目调度提供了一种高效、鲁棒的解决方案，其双树结构和代理模型的创新设计显著提升了动态环境下的调度性能[3]。李飞飞等从求解算法包括精准算法、启发式算法、超启发式算法以及分布式决策机制等方面，表现出优于传统算法的求解效果，能够有效缩短项目工期、降低成本和提高资源利用率4]。张豪华、白思俊针对实践中分布式多项目活动存在多种执行模式的情况，采用改进变邻域搜索算法求解局部计划，设计基于模式调整的全局协商算法求解全局模型，通过双层算法实现局部与全局调度协调，降低项目中断与延期成本[5。……