1.一种基于分层两阶段智能算法的资源受限项目调度优化方法，其特征在于：包括以下步骤：步骤1：形式化资源受限项目调度问题，获取调度优化所需的信息；

获取项目任务集T＝{t0,t1,…,tJ,tJ+1}；其中tj表示任务j，即编号为j的任务，t0与tJ+1是人为增加的虚拟任务，即不占用项目工期也不占用资源，J是需要调度的实际任务数量；

获取任务间的时序关系，即任务j的父任务集PRj和子任务集SCj，任务j在其父任务j-∈PRj全部完工之前不能开始执行，j＝0,1,…,J+1，t0没有父任务即 tJ+1没有子任务即获取资源k在任意时刻的可使用量Rk，k＝1,…,K，K是资源种类数量；

获取任务j执行时需要的时间即工期dj和占用资源k的数量rj,k，rj,k≤Rk，j＝1,…,J，k＝1,…,K；

步骤2：计算任务的排序值rank和层次值lvl；

任务的排序值rank计算如下：

首先，计算任务j的自下而上排序值

对于没有子任务的结束任务J+1：

其它任务的自下而上排序值 采用如下递归公式进行计算：然后，计算任务j的自上而下排序值

对于没有父任务的开始任务0：

其它任务的自上而下排序值 采用如下递归公式进行计算：最后，计算任务j的排序值rankj，j＝1,…,J；

任务的层次值lvl计算如下：

对于没有父任务的开始任务0：

lvl0＝0     (6)

其它任务的层次值lvl采用如下递归公式进行计算：其中，j＝1,…,J

步骤3：初始化当代种群；

基于层次和rank的个体生成方法生成一个个体，然后基于层次的个体随机生成方法生成剩余的N-1个不同个体，形成初始当代种群，N为种群规模，且为正偶数；

所述个体采用J位整数编码，其方法如下：ch＝{g1,…,gJ}，基因gj是一个正整数，g1,…,gJ是一个满足任务时序约束的调度顺序，即任何任务都不能排在其父任务的前面，为1,…,J的一个排列，gj表示第j个被调度的任务，即任务gj是第j个被调度的；

所述基于层次和rank的个体生成方法包括如下步骤：步骤A1：令待处理任务集UT＝{t1,t2,…,tJ}，令循环控制变量δ＝1；

步骤A2：在UT中找出层次最小的任务集，从中选出一个rank最大的任务，不妨设为tj，从UT中取出tj，gδ＝j；

步骤A3：令δ＝δ+1，如果δ≤J，转到步骤A2；否则转到步骤A4；

步骤A4：获得一个个体{g1,…,gJ}，操作结束；

所述基于层次的个体随机生成方法包括如下步骤：步骤B1：令待处理任务集UT＝{t1,t2,…,tJ}，令循环控制变量δ＝1；

步骤B2：从UT中随机取出一个层次值最小的任务，不妨设为tj，gδ＝j；

步骤B3：令δ＝δ+1，如果δ≤J，转到步骤B2；否则转到步骤B4；

步骤B4：获得一个个体{g1,…,gJ}，操作结束；

步骤4：对当代种群中的每个个体进行基于插入模式的串行个体解码，获得其适应度值；

所述基于插入模式的串行个体解码包括如下步骤：步骤C1：系统状态初始化：令任务0的完成时间f0＝0、任务完成时间集F＝{f0,lf}，F中的元素从小到大排列，lf表示项目的最晚完成时间： 令对应于F中各完成时间的资源剩余可用量： k＝1,…,K；令循环控制变量δ＝1；

步骤C2：取出任务j＝gδ；

步骤C3：计算任务j的开始时间sj和完成时间步骤C4：如果fj在F中不存在，则F＝F∪{fj}，增加fj时刻的资源剩余可用量：其中：fj″是fj的前一个时刻；

步骤C5：更新[sj,fj)时段内的资源剩余可用量：步骤C6：令δ＝δ+1，如果δ≤J则转到步骤C2，否则转到步骤C7；

步骤C7：获得所有任务的完成时间fj，及适应度值 操作结束；

所述适应度值越小，个体越优；

其中： 表示τ时刻资源k的剩余可用量， 表示任务j的就绪时间；步骤

5：对当代种群进行N/2次基于层次的交叉操作生成新种群，对新种群中的每个个体进行基于层次的变异操作；

所述基于层次的交叉操作包括如下步骤：

步骤D1：基于排序的轮赌法从当代种群中随机选择两个不同个体作为父体1和父体2；

步骤D2：随机选择一个层次，不妨设其为层次l；

步骤D3：交换父体1和父体2中层次l的任务调度顺序，生成两个子体1和子体2，操作结束；

所述基于层次的变异操作描述如下：

步骤E1：产生一个随机数λ∈[0,1)，如果λ

步骤E2：如果存在层内任务数量大于1的层次，那么从中随机选择一个，不妨设为l，转到步骤E3；否则转到步骤E4；

步骤E3：从l层中随机选择两个任务，并交换这两个任务；

步骤E4：基于层次的变异操作结束；

其中，pm为变异概率；

步骤6：对新种群中的每个个体进行基于插入模式的串行个体解码，获得其适应度值；

步骤7：从当代种群和新种群中从优到劣选出N个不同的个体形成下一代种群，令下一代种群为当代种群；

步骤8：判断是否满足第一阶段迭代终止条件，如满足，则第一阶段进化结束转到步骤

9，否则转到步骤5；

所述第一阶段终止条件为迭代到指定的代数TG1或连续迭代GG1代最优个体没有改进；

步骤9：对当代种群进行N次基于拓扑排序的参数化均匀交叉操作生成新种群，对新种群中的每个个体采用基于拓扑排序的变异操作；

所述基于拓扑排序的参数化均匀交叉操作包括如下步骤：步骤F1：基于排序的轮赌法从当代种群中随机选择两个不同个体作为父体1和父体2，不妨设为：chp1、chp2，令循环控制变量δ＝1，子体步骤F2：如果δ≤J则转到步骤F3，否则转到步骤F4；

步骤F3：产生一个随机数λ∈[0,1)，如果λ<0.5，那么从chp1中取出首元素放到chc的尾部，并从chp2中删除该元素，否则从chp2中取出首元素放到chc的尾部，并从chp1中删除该元素；令δ＝δ+1，转到步骤F2；

步骤F4：输出子体 操作结束；

所述基于拓扑排序的变异操作包括如下：

步骤G1：产生一个随机数λ∈[0,1)，如果λ

步骤G2：随机选择一个基因gj；如果任务gj存在除任务0以外的父任务，那么从gj开始向前找到第一个父任务gj′，令位置值pos1＝j′+1，否则令pos1＝1；如果任务gj存在除任务J+1以外的子任务，那么从gj开始向后找到第一个子任务gj″，令位置值pos2＝j″-1，否则令pos2＝J；在[pos1,pos2]之间重新随机选择一个位置插入gj；

步骤G3：基于拓扑排序的变异操作结束；

步骤10：对新种群中的每个个体采用FBI&D方法进行改进并计算其适应度值；

所述FBI&D方法包括如下步骤：

步骤H1：令计次变量θ＝1；基于插入模式的串行个体解码获得所有任务的完成时间fj，j＝1,…,J，及其适应度值fit；

步骤H2：把任务0变成任务J+1，任务J+1变成任务0，颠倒任务间的时序关系，即把任务的父任务集变成子任务集，子任务集变成父任务集，把个体ch的调度顺序根据任务完成时间fj从大到小重新排列，即把个体中的基因gj设置为倒数第j个完成的任务，j＝1,…,J，形成个体步骤H3：令θ＝θ+1，对个体 进行基于插入模式的串行个体解码获得所有任务的完成时间 及其适应度值步骤H4：若 那么 转到步骤H2，否则转到步骤H5；

步骤H5：如果θ为偶数那么输出个体ch，否则输出个体 其适应度值fit，操作结束；

步骤11：从当代种群和新种群中从优到劣选出N个不同的个体形成下一代种群，令下一代种群为当代种群；

步骤12：判断是否满足第二阶段进化终止条件，如满足，则转到步骤13，转到步骤9；

所述第二阶段终止条件为迭代到指定的代数TG2或连续迭代GG2代最优个体没有改进；

步骤13：输出最优个体对应的调度方案，及其项目执行时间

2.根据权利要求1所述的一种基于分层两阶段智能算法的资源受限项目调度优化方法，其特征在于：所述步骤C3中计算任务j的开始时间sj和完成时间的具体步骤如下：

步骤C3.1：令任务j的开始时间sj＝rtj，令标记值flag＝1；

步骤C3.2：在F中找出大于等于rtj的元素，并组成集合TF，即TF＝{f∈F|f≥rtj}；

步骤C3.3：从TF中取出一个值最小的元素，不妨设为fj′；

步骤C3.4：如果flag＝1并且fj′-sj≥dj，那么转到步骤C3.7；否则转到步骤C3.5；

步骤C3.5：如果flag＝0，那么sj＝fj′，flag＝1；

步骤C3.6：判断fj′时刻所有资源的剩余可用量是否满足任务j的需求，即判断所有的k＝1,…,K是否满足 如果有不满足则flag＝0，转到步骤C3.3；

步骤C3.7：令fj＝sj+dj，操作结束。

3.根据权利要求1所述的一种基于分层两阶段智能算法的资源受限项目调度优化方法，其特征在于：所述步骤D1和步骤F1中基于排序的轮赌法从当代种群中随机选择两个不同个体作为父体1和父体2的具体步骤如下：步骤I1：对当代种群中的个体按优到劣进行排序，获得个体n的排序值rkn，n＝1,…,N，其中排第一的其取1，排第二的其取2，以此类推，排最后一名的其取N；

步骤I2：计算个体n被选中的概率 R>1为区分度系数；

步骤I3：计算累计概率：

步骤I4：产生一个随机数λ1∈[0,1)，如果 那么选择个体n作为父体1；

步骤I5：产生一个随机数λ2∈[0,1)，如果 并且n′≠n，那么选择个体n′作为父体2，转到步骤I6，否则转到步骤I5；

步骤I6：个体选择操作结束。