Agent技術(shù)在裝備維修人員保障決策模型中的應用

　　3 裝備維修人員配備模型

　　裝備維修是保持和恢復裝備的戰斗力，充分發(fā)揮裝備軍事效能的主要手段，根據不同的裝備特點(diǎn)和任務(wù)要求，合理的組織裝備維修力量，以保證裝備遂行作戰、訓練或其它任務(wù)的順利完成。維修人員是裝備維修保障決策中最具有活力和變化的因素，裝備維修人員的素質(zhì)起著(zhù)決定性的作用，充分發(fā)揮維修人力資源的效能和利用率有著(zhù)重要的作用。

　　對于裝備維修人員的配備數量問(wèn)題，一方面要求有足夠的人力，以保證裝備維修的需要;另一方面，又要求提高人員的利用率，避免人員編制的浪費。在進(jìn)行了裝備維修人員配備之前，需要考慮的幾個(gè)因素有：

　?、俅S修裝備的類(lèi)型及各類(lèi)型的數量。待維修裝備的類(lèi)型和數量決定了整個(gè)維修任務(wù)的工作量，是確定維修人員組成的決定性因素。②維修同型裝備的器材設施數量。維修設施的數量，將制約著(zhù)維修任務(wù)的同時(shí)進(jìn)行，是維修過(guò)程中的限定性條件，它制約著(zhù)同一類(lèi)型的裝備維修是并行維修還是串行維修。③各型維修備件的數量。維修備件的數量，限定了實(shí)際能維修的損壞裝備的數量，因此維修備件的數量也是一個(gè)限定因素。下面的維修人員配備模型是在損壞裝備數量和類(lèi)型、維修人員都己確定的條件下建立，如果備件數量不受限制，其主要的*價(jià)指標就是維修任務(wù)完成的總時(shí)間。如果備件數量有限時(shí)，*價(jià)指標就有兩個(gè)：一是維修任務(wù)完成的總時(shí)間；二是配套裝備的數量。維修人員的配備組成，即確定哪些人員參加及分配每個(gè)人的任務(wù)，可以通過(guò)求解任務(wù)安排問(wèn)題而確定。任務(wù)即是損壞的裝備，而維修人員就是等待分配任務(wù)的維修人員。本模型討論的人力資源配備主要是指作戰指揮員通過(guò)該系統對人員、設備等可用資源的任務(wù)分配，也就是資源調配問(wèn)題。為了綜合考慮這些因素的影響，必須設計一個(gè)合適的目標函數coST，這個(gè)目標函數cost 體現出MAS 對子任務(wù)分配問(wèn)題的要求，并體現整個(gè)任務(wù)組完成后的時(shí)間消耗。這個(gè)函數可以是如下形式：

　　其中，，即每個(gè)人員Agent最大的工作時(shí)間為。

　　求解MAS子任務(wù)分配的最優(yōu)解過(guò)程就是尋找一組解使得目標函數cost達到最優(yōu)值。在這里我們利用遺傳算法與模擬退火算法結合來(lái)實(shí)現任務(wù)分配求解。

　　遺傳算法 (Genetic Algorithm)是一類(lèi)模擬自然過(guò)程，特別是模擬生物界自然進(jìn)化和遺傳過(guò)程的隨機搜索算法，具有在復雜空間求解近似最優(yōu)解的能力。它采用簡(jiǎn)單的編碼技術(shù)來(lái)表示各種復雜的結構，并通過(guò)對一組編碼表示進(jìn)行簡(jiǎn)單的遺傳操作和優(yōu)勝劣汰的自然選擇來(lái)指導學(xué)習和確定搜索的方向。遺傳算法的操作對象是一群二進(jìn)制(稱(chēng)為染色體、個(gè)體)，即種群。這里每一個(gè)染色體都對應問(wèn)題的一個(gè)解。從初始種群出發(fā)，采用基于適應值比例的選擇策略在當前種群中選擇個(gè)體，使用雜交和變異來(lái)產(chǎn)生下一代種群。如此模仿生命的進(jìn)化一代代演化下去，直到滿(mǎn)足期望的終止條件為止。其基本步驟：

　　(1)定義一個(gè)目標函數，即函數cost；

　　(2)將可行解群體在一定的約束條件下初始化，每一個(gè)可行解用一個(gè)向量x來(lái)編碼，稱(chēng)為一條染色體，向量的分量代表基因，它對應可行解的某一決策變量；

　　(3)計算群體中每條染色體xi(i =1，2，...，n)所對應的目標函數值，并以此計算適應值，按F的大小來(lái)*價(jià)該可行解的好壞；

　　(4)以?xún)?yōu)勝劣汰的機制，將適應值差的染色體淘汰掉，對幸存的染色體根據其適應值的好壞，按概率隨機選擇，進(jìn)行繁殖，形成新的群體；

　　(5)通過(guò)雜交和變異的操作，產(chǎn)生子代。雜交是隨機選擇兩條染色體(雙親)，將某一點(diǎn)或多點(diǎn)的基因互換而產(chǎn)生兩個(gè)新個(gè)體，變異是基因中的某一點(diǎn)或多點(diǎn)發(fā)生突變。

　　對于子代群體重復步驟(3)至(5)的操作，進(jìn)行新一輪遺傳進(jìn)化過(guò)程，直到迭代收斂(適應值趨穩定)即找到了最優(yōu)解或準最優(yōu)解。模擬退火算法(Simulated AnneALIng)的研究對象是由一個(gè)參數集所確定的某種配置。對配置的優(yōu)化過(guò)程即是對目標函數cost的極小化過(guò)程。極小化過(guò)程模擬自然界的退火過(guò)程，由一個(gè)逐步冷卻溫度temp控制。在每個(gè)極小化步驟中，隨機選擇一個(gè)新的配置并計算cost函數。如cost比以前的小，則選定新的配置；如大，則計算概率值。