程序运行正确，但运行的效果不太好，最优个体通常在第2,3代就找到了，换句话说就是过早收敛。这是算法问题吧。我做了些算例实验了一下（实验的算例在下面可以下载，是mpp文件，要通过Project 2003生成xml文件），结果如下：
对于实验算例1，2，3，由于可调整的地方有限，解空间较少，而且算法也有瑕疵，所以最优个体通常在第2,3代就找到了。特别的是实验算例3是同济大学出版的《建筑施工》教材中为了教授手动调整资源平均方法而设计的算例，程序优化的效果还不如书上给出的手动计算的结果。
但是到了实验算例4，应该是应为解空间大了，程序并不是很快就收敛。我尝试了几次，结果如下
| 交叉率 | 变异率 | 种群大小 | 最大遗传代数 | 最优个体所在世代 | 项目资源的方差 |
| 0.7 | 0.08 | 50 | 100 | 87 | 511.2500 |
| 0.6 | 0.08 | 200 | 2000 | 1884 | 434.6750 |
| 0.6 | 0.4 | 100 | 1500 | 673 | 459.8250 |
这里我是给出了方差，但在遗传算法的评价函数中我是使用了方差的倒数。因为我们要求的是方差小的方案，而遗传算法中规定适应值为非负，而且在任何情况下都希望数值越大越好（看看遗传算法中选择算子的轮盘赌形式就知道了），所以不能直接使用方差作为染色体的适应度。我只是随便把方差取倒数来用，只是为了先实现，再改进。实际上要考虑到适应度的分布，不要太离散了，不然的话就会有不正常的收敛。当然用了double还有考虑到c#双精度浮点数的精度去到多少位。还有的就是根据李东南老师论文，整个项目理想的资源消耗量应该是钟形，而不是矩形这样的话，评价适应度函数是有改进的地方。
还有就是李文雄老师周一晚来看了一下。他说遗传算法的核心是要保存种群的多样性，就像现实世界一样，只有保存种群多样性才能逼近全局最优解。他强调特别是运行到了后面各个个体都差不多，在进行交叉就意义不大了。要实现多样性这一点，就要设计好遗传算法的各个算子，例如都保留旧种群中某些个体，或者在新种群中挑一些适应度低的跟旧种群进行替换。具体要怎样做就要自己设计了。
程序的大体框架是这样的：
程序时序图
程序类图结构
两个xsd文件均是强类型的DataSet，主要是方便数据的处理。通过Command中的DataOperator读取xml格式的Project文件（使用到类型化DataSet），在通过DataAccess把数据填充到Entity中。要注意的是Project，Task这几个类是根据Project文件的xml标记设计的。
优化相关的全部设置在Bussiness里面，考虑到优化的方向不止资源均衡一方面（还有像如何调整每项工作的时间来缩短总工期），有把所以与资源均衡相关的都放到ResourceEquipoise中。而为了实现多种算子，并能够更新（就是相当于升级），还设定一个遗传算子的接口。在GAOperator中是接口的实现。这里还要用一下Patterns，我还没有考虑好是用那个。
程序源代码
实验算例打包