Agent技术在装备维修人员保障决策模型中的应用-电子工程世界

分享到: 微博; QQ; 微信; LinkedIn

1 Agent 基本概述

　　1.1 基本概念

　　目前学术界对 Agent 的定义多种多样，难以形成一个统一确切的概念。Agent 的一般描述为:Agent 是一个具有自主性、社会性、反应性、主动性的抽象实体，它能在一定环境下能独立自主地运行，作用于环境也受环境影响，且能不断地从环境中获取知识以提高自己的能力。Agent 具有以下特点:自主性、社会性、反应性和主动性。

　　1.2 Agent 的理论模型

　　由于 Agent 理论模型是Agent 技术的基础，因此，关于Agent 模型结构的研究是目前主要的研究领域之一。当前，人们侧重研究信念(Belief)、愿望(Desire)、意图(IntentiON)的关系和形式化描述，建立Agent 的BDI 模型。

　　1.3 Agent 的体系结构

　　Agent 结构需要解决的问题是Agent 由哪些模块组成，它们之间如何交互信息，如何将这些模块组合起来形成一个有机整体，所以说对Agent 的基本结构进行描述和研究是必要的。一般来说，Agent 一般组成和结构主要包括Agent 的基本属性和通讯模块、学习模块、推理模块和事件处理模块等。

　　2 维修人员的决策过程分析

　　维修人员需求的确定，主要是根据维修工作分析中记录的维修工作与人员专业、技术等级与数量之间的关系，以及*各维修级别维修人员的编制，装备的部署数量和年使用时间，从而确定出在各个维修级别上需配备的人员专业、技术等级与数量。决策流程图如图3所示。具体的分析工作可分为以下3 步：

　　①根据维修工作分析中记录的维修工作与维修人员之间的关系，确定出所需人员数量、专业及技术等级一些信息；

　　②根据设备信息，按照设备的使用量和维修率来计算每件设备在各个维修级别上的工作量；

　　③根据所要求的人员、可用有效工时以及工作量的要求，确定出各个专业、技术等级的人员数量需求。

　3 装备维修人员配备模型

　　装备维修是保持和恢复装备的战斗力，充分发挥装备军事效能的主要手段，根据不同的装备特点和任务要求，合理的组织装备维修力量，以保证装备遂行作战、训练或其它任务的顺利完成。维修人员是装备维修保障决策中最具有活力和变化的因素，装备维修人员的素质起着决定性的作用，充分发挥维修人力资源的效能和利用率有着重要的作用。

　　对于装备维修人员的配备数量问题，一方面要求有足够的人力，以保证装备维修的需要;另一方面，又要求提高人员的利用率，避免人员编制的浪费。在进行了装备维修人员配备之前，需要考虑的几个因素有：

　　①待维修装备的类型及各类型的数量。待维修装备的类型和数量决定了整个维修任务的工作量，是确定维修人员组成的决定性因素。②维修同型装备的器材设施数量。维修设施的数量，将制约着维修任务的同时进行，是维修过程中的限定性条件，它制约着同一类型的装备维修是并行维修还是串行维修。③各型维修备件的数量。维修备件的数量，限定了实际能维修的损坏装备的数量，因此维修备件的数量也是一个限定因素。下面的维修人员配备模型是在损坏装备数量和类型、维修人员都己确定的条件下建立，如果备件数量不受限制，其主要的*价指标就是维修任务完成的总时间。如果备件数量有限时，*价指标就有两个：一是维修任务完成的总时间；二是配套装备的数量。维修人员的配备组成，即确定哪些人员参加及分配每个人的任务，可以通过求解任务安排问题而确定。任务即是损坏的装备，而维修人员就是等待分配任务的维修人员。本模型讨论的人力资源配备主要是指作战指挥员通过该系统对人员、设备等可用资源的任务分配，也就是资源调配问题。为了综合考虑这些因素的影响，必须设计一个合适的目标函数coST，这个目标函数cost 体现出MAS 对子任务分配问题的要求，并体现整个任务组完成后的时间消耗。这个函数可以是如下形式：

　　其中，，即每个人员Agent最大的工作时间为。

　　求解MAS子任务分配的最优解过程就是寻找一组解使得目标函数cost达到最优值。在这里我们利用遗传算法与模拟退火算法结合来实现任务分配求解。

　　遗传算法 (Genetic Algorithm)是一类模拟自然过程，特别是模拟生物界自然进化和遗传过程的随机搜索算法，具有在复杂空间求解近似最优解的能力。它采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制(称为染色体、个体)，即种群。这里每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应值比例的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化一代代演化下去，直到满足期望的终止条件为止。其基本步骤：

　　(1)定义一个目标函数，即函数cost；

　　(2)将可行解群体在一定的约束条件下初始化，每一个可行解用一个向量x来编码，称为一条染色体，向量的分量代表基因，它对应可行解的某一决策变量；

　　(3)计算群体中每条染色体xi(i =1，2，...，n)所对应的目标函数值，并以此计算适应值，按F的大小来*价该可行解的好坏；

　　(4)以优胜劣汰的机制，将适应值差的染色体淘汰掉，对幸存的染色体根据其适应值的好坏，按概率随机选择，进行繁殖，形成新的群体；

　　(5)通过杂交和变异的操作，产生子代。杂交是随机选择两条染色体(双亲)，将某一点或多点的基因互换而产生两个新个体，变异是基因中的某一点或多点发生突变。

　　对于子代群体重复步骤(3)至(5)的操作，进行新一轮遗传进化过程，直到迭代收敛(适应值趋稳定)即找到了最优解或准最优解。模拟退火算法(Simulated AnneALIng)的研究对象是由一个参数集所确定的某种配置。对配置的优化过程即是对目标函数cost的极小化过程。极小化过程模拟自然界的退火过程，由一个逐步冷却温度temp控制。在每个极小化步骤中，随机选择一个新的配置并计算cost函数。如cost比以前的小，则选定新的配置；如大，则计算概率值。

　　这里k为玻尔兹曼常数。然后在(0，1)上产生随机数rand，如果rands prob，则选择新的配置方案；如果rand a prob，仍保留原方案，重复这些步骤直到冷却不再产生更好的配置为止。

　　系统中维修人员决策推理的核心工作就是对装备维修人员的配备进行分析，特别是战时抢修时，考虑战场环境的复杂性以及时间的宝贵性，选择适当的人员进行维修，关系到战争的成败，所以应该在对装备维修人员的技能进行*估之后，根据维修任务的多少，对装备维修人员进行适当的选择配备。其推理的整个过程:首先根据损坏装备维修的类型与数量，进行规则推理从模型Agent中确定要使用的模型，再利用装备实际数据、历史数据和相应的信息处理方法，得到决策模型要使用的参数，最后确定所需得维修人员配备的最佳方案，维修人员决策过程如图4如示。