第 1 章 绪论
1.1 背景概述及研究意义
汽车产业作为我国经济的重要支柱行业，具备消费能力拉动大、就业面涉及广、产业链长等特点，在社会进步和我国国民经济发展过程中发挥着举足轻重的作用。但当下有一个巨大的考验放在了中国汽车产业面前，据统计，中国汽车产销量首次于二零一八年出现负增长，终结了过去二十多年的高速增长[29]，市场需求面临萎缩，如图 1.1。
............................
1.2 多目标管理优化研究现状综述
当代项目管理过程中，运用多目标规划理论的意义在于多目标规划的理论成果可直接用于项目管理决策中。项目工期、成本、质量等多目标之间的冲突持续存在，唯有兼顾各项目标，采取达成项目整体最优目标的行为和策略，依赖决策模型使项目决策更加合理化，更加有效。
1.2.1 国内研究概述
多目标规划的最终目的是优化项目管理过程，在追求项目整体目标最优化的大前提下达到一种平衡，国内一批学者在多目标规划上展开了相关研究。
郑玉秋（2017）[65]理论研究认为，在满足约束变量的条件下，多目标规划是研究如何同时使多个可数值化目标最小化，证明了有效解与弱有效解的关系。
叶晓甦（2016）[53]以某体育场馆为研究对象，通过运用多目标模型，对项目各融资性方案进行对比，并对场馆 PPP 项目融资所应该采用的最佳合作方式进行探讨，最终得出结论就是多目标规划模型可以帮助求出满足政府、企业、消费者三方利益诉求整体指标最佳合作区域。
杨满，汪传旭，徐朗（2016）等[54]基于 EOQ 模型，以利润最大化和碳的排放最小化作为多目标，构建多目标决策模型。在每次订货过程中，会发现库存量和库存导致的碳排放呈线性相关，订货次数和运输产生的碳排放也呈线性相关。为分析碳排放税对多目标决策的影响以及验证碳税政策对引导企业减排的效果，研究通过加权法对模型进行求解，发现碳排放、订货量以及需求会随着给出不同权重而出现不同的变化。
........................
第 2 章 相关理论综述
2.1 多目标管理优化
在科学研究、现实生活中，我们可以较为常见的遇到多目标管理优化问题。比如，在人类的经济活动中，公众总是希望实现低投资高回报，并把投资风险控制到最低，但往往高回报就需要承受高风险才能获取。当处理这样多个相互冲突的多目标问题时，有必要在满足项目几个重点评价指标的基本要求下，采用各种均衡、优化手段，以保障项目的总体结果达到最优化。我们本文要讲的成本、质量和工期三大目标整体优化，就是多目标管理优化问题的一种。
2.1.1 多目标管理优化兴起过程
有关多目标管理优化的研究早已兴起，经济学家帕累托，被大多数学者认为是第一位提出多目标优化问题概念的人，于 1896 年引入多目标管理优化理论，实现将以往没办法直接比较的多目标问题进行整体优化求解。
在博弈理论的基础上，Neumann 于 1944 年提出了决策目标存在冲突的多目标问题决策方案[45]。Koopmans 于 1951 年首次将“Pareto 最优解”概念应用于生产、分配分析中[10]。之后，Kulm 等结合数学规划方面的知识，提出了帕累托最优解的概念，研究帕累托最优解的充要条件[11]。Zadeh 于 1963 年在基于控制理论，创新性地引入线性加权法求解多目标问题[57]。
2.2 量子粒子群智能多目标优化算法
在许多领域中，处理多目标优化问题时，对所得到的结果精度要求较高，使传统的多目标求解方法变得不再适合，甚至落伍。随着智能算法越来越普及，大多数管理者和研究人员越来越倾向利用智能算法来解决多目标管理优化问题。智能优化算法具有的最大特点，就是拥有较高的并行机制、强大的自适应能力和学习能力，对于那种大型、复杂的多目标优化问题同样能够较好地解决。所谓的智能优化算法一般包括模拟退火算法、遗传算法、粒子群算法和量子粒子群算法等，下面简要介绍其中的一些方法。
（1）模拟退火优化算法
模拟退火优化算法，一种模拟金属降温的随机优化算法，是由 Kirkpatrick等[52]于 1982 年研究设计出的，经改进后在求解多目标优化问题时，可以做到较强的全局搜索，搜索非劣解集的能力十分优秀。通过理论分析，模拟退火算法被证明具有渐近收敛性，能做到以 1 的概率收敛于全局最优解，是一种全局最优化算法[68]。
（2）遗传优化算法
遗传算法，为通过优化聚类算法的一种改善方法，在迭代计算中运用选择、变异和交叉等操作，从而聚类算法的质量明显得到提高。遗传算法早在十九世纪五十年代被人提出并论证，其核心点包括遗传三算子，即选择，变异和交叉。先通过对父代随机选择，然后将子代的基因随机进行交叉和变异，如此新的种群就诞生了。接着根据适应度函数将种群中的个体优劣排序，挑选出适应度最好的个体去进行下一次迭代[49]。
（3）粒子群优化算法
粒子群优化算法（PSO）也称为微粒群算法[22]，于 1995 年由 James 和 Russell共同提出，作为一种群体智能算法技术应用于进化计算领域。最初提出该算法是应用于对社会系统的仿真简化，以方便对复杂的社会行为进行研究分析，后来慢慢发现粒子群优化算法可以作为一种较好的优化工具进行运用[23]。
.............................
第 3 章 汽车研发项目多目标优化综合模型构建..........................17
3.1 汽车研发项目主要目标分析 ...................................17
3.1.1 汽车研发项目的工期目标分析............................17
3.1.2 汽车研发项目的成本目标分析............................18
第 4 章 引入量子粒子群算法的多目标模型优化..........................25
4.1 量子粒子群优化算法求解集 ...................................25
4.1.1 更新外部档案集和选取优势个体..........................25
4.1.2 量子粒子群算法具体操作方法............................26
第 5 章 汽车研发项目多目标优化分析..................................33
5.1 J 公司及其汽车研发 LT 项目概况...............................33
5.1.1 J 公司简介 .........................33
5.1.2 J 公司发展现状 ........................................33
第 5 章 汽车研发项目多目标优化分析
5.1 J 公司及其汽车研发 LT 项目概况
5.1.1 J 公司简介
J 公司成立于 1993 年，经过二十多年的不懈努力，已发展成为中国商用车行业的骨干企业之一。是一家主要生产商用车的汽车制造商，生产品种拓展到多个领域，包括轻卡、皮卡、SUV 和 MPV 等。J 公司具备完整整车生产基地有 3 个，涵盖冲压、焊接、喷涂、总装等制造工艺过程，而且基本都已实现高度智能化和柔性化生产，整车年产能可达到 55 万台。J 公司拥有从事整车、发动机及车架等零部件现代化组装的生产工厂，并聚集了多家汽车相关企业，形成有效的产业链基地。目前已形成 80 万辆整车、62 万台柴汽油发动机生产产能的总体布局，继续扩大公司在汽车方面的产能配套。
作为中国商业车行业劲旅的 J 公司，于上世纪八十年代从日本 ISUZU 引进先进技术，开始生产制造轻型卡车，而后多年不断发展自己的核心竞争力。J 公司作为一家现代化中外合资企业，集整车开发、生产制造、销售于一体，在我国汽车商用车行业市场中处于领先地位，多年位列中国上市公司百强。同时在中国轻型柴油商用车领域，J 公司也是较大出口制造商，荣获“国家级技术中心”、“国家整车出口基地”等荣誉称号。近年，J 公司通过与 ISUZU 和 Ford 等国际公司合作，引进他们的先进管理模式和技术，并且在前人的基础上不断磨合、创新，为中国本土企业与外资合作共赢树立了良好典范。在福特公司先进管理经验和技术的加持下，J 公司在行业中的影响力稳步提升，无论在新技术、设备更新改造，还是在新产品的开发、创新上，都取得了一定的进步。J 公司未来将借助当下全球化平台，以自主研发作为关键核心，逐步形成自己的绝对竞争力，为跟上未来智能化、电气化、全球化、网络化的汽车产业发展步伐，在搭建全球数字化设计平台架构的同时，完善自主研发体系[9]。
.......................
第 6 章 结论及展望
6.1 结论
随着我国市场不断放开，汽车制造企业来自欧美、日韩车企的竞争、挤压，以及国内整车制造企业之间的同业竞争越来越激烈。面对这种新常态，我国国内汽车市场慢慢进入存量市场博弈，汽车企业在技术、质量、时效及成本控制能力的竞争日趋激烈，科学地进行汽车研发项目多目标管理优化，就显得更具必要性。
本文首先梳理了汽车行业的现状及国内外多目标优化研究现状，阐述多目标优化研究在汽车研发项目领域的必要性和适用性，尤其是工期、成本、质量三大控制目标。其次介绍了多目标管理相关理论及研究方法；然后通过分析工期、成本和质量之间的关系，构建了汽车研发项目智能多目标优化模型；最后以一个LT 汽车研发项目为例，引用 QPSO 多目标优化算法，智能搜索求解形成解集；再通过熵值-TOPSIS 法从非支配解集中选取到了满意解，有效支持项目管理者决策。本文第一章阐述了汽车行业及项目多目标管理优化的背景和意义，参考总结了国内外的相关研究文献，分析了国内外多目标优化问题的研究现状，据此给出本文的研究方向和技术路线。第二章引入了一些多目标优化的概念，介绍了针对多目标管理的部分传统优化方法和智能优化算法，并重点引出量子粒子群算法。第三章阐述了汽车研发项目特点，选定汽车研发项目的三个关键控制目标，并分别对三个控制目标进行分析并搭建相应数学模型，包括根据网络计划搭建汽车研发项目工期数学模型，根据成本与工期的关系，搭建汽车研发项目成本数学模型，再通过质量与成本、工期的关系，搭建质量数学模型，最终建立工期、成本、质量的多目标整体优化模型。本文第四章是重点阐述量子粒子群算法和熵值-TOPSIS 优选法的运用及操作步骤。第五章引入 J 公司实际 LT 项目，搭建基于LT 项目的多目标整体优化模型，再利用量子粒子群算法进行求解，再通过熵值-TOPSIS 优选法对 Pareto 解排序，择优选取，最终实现汽车研发项目工期、成本、质量多目标的均衡最优，通过对比过往经验数据确实验证了目标优化的效果。从而得出构建的模型的实用性，可以作为汽车研发项目管理者的决策参考依据，为以后的项目目标定义和决策参考提供了科学的规划、决策理论模型。
参考文献（略）