Agent技術(shù)特點及其在裝備維修人員保障決策模型中的應(yīng)用

　　裝備維修是保持和恢復(fù)裝備的戰(zhàn)斗力，充分發(fā)揮裝備軍事效能的主要手段，根據(jù)不同的裝備特點和任務(wù)要求，合理的組織裝備維修力量，以保證裝備遂行作戰(zhàn)、訓(xùn)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重要的作用。

　　對于裝備維修人員的配備數(shù)量問題，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。在進行了裝備維修人員配備之前，需要考慮的幾個因素有：

　　①待維修裝備的類型及各類型的數(shù)量。待維修裝備的類型和數(shù)量決定了整個維修任務(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(shè)施數(shù)量。維修設(shè)施的數(shù)量，將制約著維修任務(wù)的同時進行，是維修過程中的限定性條件，它制約著同一類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(shù)量。維修備件的數(shù)量，限定了實際能維修的損壞裝備的數(shù)量，因此維修備件的數(shù)量也是一個限定因素。下面的維修人員配備模型是在損壞裝備數(shù)量和類型、維修人員都己確定的條件下建立，如果備件數(shù)量不受限制，其主要的*價指標(biāo)就是維修任務(wù)完成的總時間。如果備件數(shù)量有限時，*價指標(biāo)就有兩個：一是維修任務(wù)完成的總時間；二是配套裝備的數(shù)量。維修人員的配備組成，即確定哪些人員參加及分配每個人的任務(wù)，可以通過求解任務(wù)安排問題而確定。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(zhàn)指揮員通過該系統(tǒng)對人員、設(shè)備等可用資源的任務(wù)分配，也就是資源調(diào)配問題。為了綜合考慮這些因素的影響，必須設(shè)計一個合適的目標(biāo)函數(shù)coST，這個目標(biāo)函數(shù)cost 體現(xiàn)出MAS 對子任務(wù)分配問題的要求，并體現(xiàn)整個任務(wù)組完成后的時間消耗。這個函數(shù)可以是如下形式：

　　其中，，即每個人員Agent最大的工作時間為。

　　求解MAS子任務(wù)分配的最優(yōu)解過程就是尋找一組解使得目標(biāo)函數(shù)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(jié)合來實現(xiàn)任務(wù)分配求解。

　　遺傳算法 (Genetic Algorithm)是一類模擬自然過程，特別是模擬生物界自然進化和遺傳過程的隨機搜索算法，具有在復(fù)雜空間求解近似最優(yōu)解的能力。它采用簡單的編碼技術(shù)來表示各種復(fù)雜的結(jié)構(gòu)，并通過對一組編碼表示進行簡單的遺傳操作和優(yōu)勝劣汰的自然選擇來指導(dǎo)學(xué)習(xí)和確定搜索的方向。遺傳算法的操作對象是一群二進制(稱為染色體、個體)，即種群。這里每一個染色體都對應(yīng)問題的一個解。從初始種群出發(fā)，采用基于適應(yīng)值比例的選擇策略在當(dāng)前種群中選擇個體，使用雜交和變異來產(chǎn)生下一代種群。如此模仿生命的進化一代代演化下去，直到滿足期望的終止條件為止。其基本步驟：

　　(1)定義一個目標(biāo)函數(shù)，即函數(shù)cost；

　　(2)將可行解群體在一定的約束條件下初始化，每一個可行解用一個向量x來編碼，稱為一條染色體，向量的分量代表基因，它對應(yīng)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(yīng)的目標(biāo)函數(shù)值，并以此計算適應(yīng)值，按F的大小來*價該可行解的好壞；

　　(4)以優(yōu)勝劣汰的機制，將適應(yīng)值差的染色體淘汰掉，對幸存的染色體根據(jù)其適應(yīng)值的好壞，按概率隨機選擇，進行繁殖，形成新的群體；

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

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