分配组员任务

分配组员任务（共8篇）

分配组员任务 篇1

收集相关数据与文献，并整理出此次活动的大概纲要，了解学习此次研究性学习的相关知识，编写并完成各自的研究性学习活动的指派任务，得出自己的一份研究学习成果。

针对主题进行一些调查活动，收集数据并整理，制成表格。编写并完成各自的研究性学习活动的指派任务，得出自己的一份研究学习成果，帮助完成研究性学习小组任务，参加编写论文，整理研究成果。

查找关于家庭洗涤用品的相关化学成分，收集资料从而了解并整理出其对于人体或者家庭生活所带来的各种影响,并具体收集资料，了解并进行小组讨论来确定其对于我们家庭生活的利与弊，后与小组成员一起进行总结。

收集相关资料，观察市场上家庭洗涤用品的类型与种类，并作出分析与总结，明确其在我们的日常生活中扮演的角色，了解家庭洗涤用品在哪些方面便捷了我们的生活。然后积极整理，得出讨论结果。

根据主题确定本次研究性学习的开题报告，分配组员任务，同时搜集资料，进行相关调查，根据所得结果与组员一同讨论，而后整理此次研究性学习所得编写此次研究性学习成果论文，最后开展 结题活动。

确定子题后根据子题核心来手收集各种文献资料，从中筛选出与此次活动主题相符合的类型的资料与调查结果，确定研究性学习成果后帮助宣传，为同学们在选择家庭洗涤用品时提供有效凭据。

分配组员任务 篇2

任务分配是MAS(Multi-Agent Systems)研究的热点问题之一,研究者提出了许多任务分配方法[1,2,3],然而动态环境中由于任务、Agent的可变性使得这些方法很难发挥更好的作用。为了解决动态环境中的任务分配问题,研究者提出了许多方法如:文献[4]提出了一种分布式的任务分配方法BnB FMS,用于解决任务和成员动态变化时的任务分配问题,但没有对任务和Agent变化的细节进行描述;文献[5,6]用对策论方法来解决灾难环境中的任务分配问题,他们的方法假定Agent具有相同的能力,且Agent的能力不会发生变换。文献[7]提出了一种分组模型用于解决动态环境中的任务分配问题,通过动态分组来解决任务的动态调整问题,每个小组成员需要频繁通信,增加了通信量。文献[8,9]提出了基于群体智能的任务分配方法,群体智能由于没有中心的控制与数据,更具鲁棒性,不会因为某些个体的故障而影响整个问题的求解,因此适应于动态环境下进行任务分配,但是群体智能方法不能单独对某些个体进行调整,只能重新进行二次分配,造成了大量的计算。

为了解决动态环境中的任务分配问题,本文提出了一种基于Agent能力及任务需求的分配方法,该方法把任务分配分为两个层次:第一层为全局任务规划层,使用集中式任务分配方法,由某个特殊的成员根据了解的任务信息和环境信息为每个Agent分配相应的任务;第二层为动态调整层,以解决动态环境中,Agent能力、任务需求等变化导致的任务分配不合理等问题。仿真实验表明该方法是合理和有效的,能够适应动态变化的环境。

1 相关概念

每个任务都有一定需求,Agent要完成这些任务必须满足任务需求,为方便起见,本文引用文献[9,10]中关于Agent、任务的描述方法。其中C=<c1,c2,…,cs>为环境中基本的能力向量,0≤αij(t)≤1,0≤βij(t)≤1,分别表示Agent在t时刻所拥有的能力因子,t时刻任务所需要的能力因子。A={a1,a2,…,aM}为Agent集合,任务集合为W={w1,w2,…,wN}。

定义1 Agent的能力,C${}_i^a$(t)=[αi1(t)c1,αi2(t)c2,…,αil(t)cl]T,表示t时刻Agent ai所具有的能力,αik(t)≥0对应于Agent ai能力ck的强弱程度。αik(t)=0,表明Agent ai不具备能力ck。

定义2 任务需求,完成任务所需要的能力, C${}_j^w$(t)=[βj1(t)c1,βj2(t)c2,…,βjl(t)cl]T,表示任务wj 在t时刻的能力需求,βjk(t)≥0对应于任务wj对能力ck的强弱程度,如果完成任务wj不需要能力ck,则相应的βjk(t)=0。

定义3 Agent完成任务需要付出的代价:

cost:resource→R+∪{0}

环境的动态变化会导致完成任务的代价发生变化,故代价函数是一个随时间变化的量,记Agent ai完成任务wj的代价为:cost(ai,wj)(t),若Agent为空闲状态,则cost(ai,Φ)(t)=0。根据实际的实验环境,代价函数可以是一个随时间变化的连续函数,也可以是一个离散函数,或者由专家组给出的经验值。

定义4 任务报酬,指Agent完成任务后获得的报酬。Agent ai完成任务wj后得到的报酬为:r(ai,wj)=Uwj-cost(ai,wj)(t),其中Uwj表示成功完成任务wj后所获得的奖赏。若Agent没有承担任务,则r(ai,Φ)=0。

定义5 Agent对任务的期望度,表示Agent对任务的“偏好”。在不同的时刻,系统环境不同,Agent对任务的偏好也会改变,因此Agent ai对任务wj的期望度记为:E${}_i^j$(t)∈R+∪{0},满足0≤E${}_i^j$≤1。当E${}_i^j$=0时,表示Agent ai对任务wj没有兴趣,不会选择承担该任务。

基于以上的定义,M个Agent,N个任务的分配问题可以描述如下:

(1) 任 务分配行为描述

${\rm P}{}_{ij}=\{\begin{array}{l}1\text{任}\text{务}w{}_j\text{分}\text{配}\text{给}\text{A}\text{g}\text{e}\text{n}\text{t}a{}_i\\ 0\text{任}\text{务}w{}_j\text{未}\text{分}\text{配}\text{给}\text{A}\text{g}\text{e}\text{n}\text{t}a{}_i\end{array}(1)$

(2) Agent的效用函数,ui:S→R,代表Agent对分配结果的满意度。S={s1,s2,…,sl}是任务分配结果的集合。如果对于Agent ai,如果两个分配结果s1和s2有如下关系:ui(s1)≥ui(s2),则对Agent ai,分配s1不劣于分配s2。

本文算法中,若任务wj分配给了Agent ai,则该Agent 对任务分配结果的满意度,用如下的式子衡量:

$u(a{}_i,w{}_j)=\left(1-\frac{\text{c}\text{o}\text{s}t(a{}_i,w{}_j)(t)}{u{}_{w{}_j}}\right)\times E{}_i^j(t)(2)$

其中,Uwj为Agent ai完成任务wj后得到的报酬。

(3) Agent对任务的适应度,表示任务与Agent的匹配程度。本文算法中,将t时刻,Agent对任务的适应度记为:${\rm M}{}_i^j(t)=\frac{E{}_i^j(t)}{\text{c}\text{o}\text{s}t(a{}_i,w{}_j)(t)}(3)$

(4) 全局效用函数,表示任务分配后,系统的总效用,记为:

$U={\displaystyle \sum _{i=1}^{{\rm M}}{\displaystyle \sum _{j=1}^{{\rm N}}u}}(a{}_i,w{}_j)(4)$

多Agent任务分配的最优分配问题可以形式化为如下的线性规划问题:

$U{}_{\max }=\text{Μ}\text{A}\text{X}\left({\displaystyle \sum _{i=1}^{{\rm M}}{\displaystyle \sum _{j=1}^{{\rm N}}{\rm P}}}{}_{ij}u(a{}_i,w{}_j)\right)(5)$

使得:${\displaystyle \sum _{i=1}^{{\rm M}}{\rm P}}{}_{ij}=1$,j=1,2,…,N,${\displaystyle \sum _{j=1}^{{\rm N}}{\rm P}}{}_{ij}=1$,i=1,2,…,M。

2 基于能力及任务需求的任务分配方法

动态环境中由于任务需求变化、新任务的增加及Agent自身能力的变化,导致Agent不能完成目前承担的任务或者对现有的任务不满意,目前主要的解决方法[4]是进行任务的二次分配,但是这需要花费大量的代价。因此为了适应动态的变换环境,提高任务执行的效率和Agent的满意度,本文采用一种层次任务分配方法,如图1所示。该方法把任务分配问题分为两个层次:第一层为全局任务分配层。有一个成员负责任务的分配问题,把每个任务分配给相应的Agent;第二层为动态任务调整层。获得任务的Agent,当发现不能完成当前任务,或环境中有更好的任务可以来完成时,通过调整的方法来解决,使得更多的Agent能够得到满意的任务。

2.1 全局任务分配方法

在多Agent中选择一个管理Agent来完成全局分配任务,管理Agent掌握所有Agent的能力、偏好信息,并了解所有待分配的任务。但是鉴于Agent的自利性,了解所有Agent的能力和偏好是不现实的,本文采用基于拍卖的方法来实现第一层分配,算法如下:

Step1 管理Agent发布所有任务wj的信息,包括完成任务的能力需求C${}_j^w$,以及任务完成后可以给出的报酬uwj等信息。

Step2 等待所有满足能力需求的Aegnt提交投标信息M${}_i^j$(t),若无投标信息,转向step 9。

Step3 管理Agent将每个任务的投标从高到低进行排序。设最高投标价格为FP,共有m个Agent给出了FP。

Step4 如果m=1,管理Agent选择该Agent,转step7。

Step5 如果m>1,则管理Agent任意选择一个投标最高者。转step7。

Step6 如果同一个Agent向对多个任务提交了最高投标,则管理Aegnt计算该Agent对这些任务的效用函数,选择效用函数最高的任务分配给该Agent,其他任务选择第二投标价格的Agent执行。

Step7 向选定的Agent发送“中标”信息,设置该Agent的忙标志busy=1,不允许再投标其他任务。

Step8 向所有竞拍Agent发布分配结果。

Step9 结束。

2.2 局部任务调整方法

通过全局任务分配可以为Agent分配到合适的任务,但是由于任务分配是一个NP问题,因此很难得到最优解,这就意味着可能存在Agent对目前承担的任务不满意的情况。另外随着任务的执行,Agent的能力、任务的需求及完成任务的代价都可能发生变换,也可能出现新的任务,此时如果重新进行任务分配,需要花费很大的代价。

2.2.1 问题描述

随着环境的变换,Agent的能力、偏好或者任务的需求可能发生变化,这些变化导致原有的任务分配方法不能适应新的要求,需要进行必要的调整。调整的条件描述如下:

设在t 时刻,分配给Agent ai 的任务为wj。对任务w′,若Allow(w′)=1,表示w′被分配给某个Agent;若Allow(w′)=0,表示没有Agent承担任务w′;若Allow(w′)=2,表示w′目前被某个Agent承担,但是等待交换。某个Agentak没有承担任务,则Agentak的状态为空闲,即state(ak)=idle。

(1) if ∃w′∈W,(Allow(w′)=0 or Allow(w′)=2) and Agent ai有能力完成该任务and r(ai,w′)>r(ai,wj)+T,then C1=1 ,else C1=0。if C1=1 ,Agent会放弃当前执行的任务,而选择任务w′,其中T为阈值。

(2) if ∃k∈{1,2,…,l},$\frac{\alpha {}_{ik}}{\beta {}_{jk}}<1$,then C2=1 ,else C2=0。if C2=1,表明Agent能力发生变换或者任务需求发生变换,导致Agent不能完成当前任务。

(3) if u(ai,wj)<Td,then C3=1,else C3=0。 if C3=1 Agent请求交换当前任务,其中Td为阈值。

2.2.2 算法描述

设置一个黑板结构用于存放最新到达的尚未分配的任务、需求交换的任务信息,当前Agent为ai,其当前承担的任务为wj,算法描述如下。

Step1 如收到成功交换任务信息,则state(ai)=idel;

Step2ai评估自身能力信息;检查黑板信息;

Step3 计算C1,C2,C3的值;

Step4 如果C1+C2+C3 < 1则转Step8;

Step5 如果C1=1, 当前任务信息写入黑板,allow(wj)=0,把满足条件的任务设为w′作为当前任务,如果allow(w′)=2,则Agent ai通知目前承担w′的Agent愿意承担任务 w′,转Step8;

Step6 如果C2=1,当前任务写入黑板,allow(wj)=0,state(ai)=idel,转Step1;

Step7 当前任务写入黑板,allow(wj)=2;

Step8 执行当前任务;

Step9 如果当前任务没有完成,则转Step1;

Step10 结束。

3 仿真实验

战场环境和灾难环境都满足动态性和复杂性,为了验证本文提出算法的有效性,基于HLA/RTI 结构,20个CGA(Computer Generated Actor)为例进行仿真。

CGA地形数据库由DEM高程数据库和DLG文化特征数据融合而成,并在地形数据库中加入威胁区,采用Creator建模工具构建20个自治实体(CGA,本文使用地面车辆),文化特殊(如桥梁、树木、道理、村庄等)同样使用Creator构建,搭建仿真需要的虚拟战场环境。软件环境:BUAA RTI1.2、VC6.0、OpenGL、OpenGVS、Windows XP;硬件环境:1G内存,图形加速卡,显存512M。CGA能力描述向量和任务需求向量是时间的函数,由专家经验值给出,也可以根据环境的具体情况对这些初值进行修改。

由于战场环境中,随着仿真的进行,道路会遭到破坏、安全区域会发生变换、CGA可能被击毁或者出现故障等,导致分配的任务不能执行或者执行代价变大,因此为了确保任务能有效地完成,需要对任务进行调整。经过100次的仿真实验,对全局分配未交换方法和本文的方法,在完成任务总的效用方面进行了比较,如图2所示。从图中可以看出,随着任务的执行,环境发生变换后,如果没有调整,则整体效应呈下降态势,而且随着环境的变换,有可能导致整体任务不能完成,整体效用为零的情况。本文的算法可以保证Agent整体效用稳步上升,可能会有小的上下波动,但不会出现急速下降的情况,从而提高了MAS的可靠性。

在任务交换的过程中,需要进行必要的通信。动态环境中通信是有代价的,因此任务分配算法必须减少通信的数量,才能有效地提高整体效用。为了清楚描述本文算法的特点,在上述仿真环境中分别实现了文献[7]的方法、文献[4]的方法,重点统计的是需要的通信数量。本文的方法、文献[7]和文献[4]的方法在通信数量上的对比结果,如图3所示,从图中可以看出,Kathryn的方法需要的通信量最少,当Agent数目较少时,文献[7]的方法需要的通信数量优于本文的方法,当Agent数目较大时,本文的方法需要的通信数量明显少于李的方法。由于篇幅的限制本文所设计的具体仿真程序在这里不再详述。

4 结 语

多Agent任务分配是MAS中一个重要的和富有挑战性的问题之一,合理的任务分配方法能够使Agent之间形成有效地合作,提高MAS的整体性能。本文针对动态环境中的任务及Agent的动态变化,提出了一种层次任务分配方法,当Agent能力、任务需求发生变化及新任务出现时,Agent能够自主地对当前执行的任务进行调整。这种层次任务分配方法,融合了集中任务分配和分布式任务分配的优点,有效地提高了MAS的整体效用、MAS系统的鲁棒性和可靠性,仿真结果表明该方法是合理及有效的。

摘要：针对动态环境中的任务和Agent的动态变化问题,提出一种基于能力及任务需求的层次任务分配方法。利用全局分配方法为Agent分配合适的任务,当环境发生变换时,通过局部调整来解决任务和Agent之间的不适应问题,每个Agent能够根据局部信息选择理想的任务执行,提高了分配算法的鲁棒性。仿真实验表明该方法是可行及有效的,能够解决动态环境中的任务分配问题。

关键词：多Agent,任务分配,能力,调整

参考文献

[1]Pietro Baroni,Daniela Fogli.Modeling,robot cognitive activity throughactive mental entities[J].Robotics and Autonomous Systems,2000(30):325-349.

[2]Ponda S,Redding J,Choi H L,et al.Distributed Change-ConstrainedTask Allocation[C]//American Control Conference(ACC),June 2012.

[3]Kalran,Martinoli A.A comparative study of Market-based and Thresh-old-based Task Allocation[C]//Distributed Autonomous Robotic Sys-tems(DARS).Minneapolis,USA,2006.

[4]Kathryn S Macarthur,Ruben Stranders,Sarvapali D Ramchurn,et al.A Distributed Anytime Algorithm for Dynamic Task Allocation in Multi-Agent Systems[C]//Proceedings of the Twenty-Fifth AAAI Conferenceon Artificial Intelligence.

[5]Chapman A C,Micillo R A,Kota R,et al.Decentralised DynamicTask Allocation:A Practical Game-Theoretic Approach[C]//Proc 8thInt Conf on Autonomous Agents and Multi-Agent Systems(AAMAS-09),Budapest,Hungary,2009.

[6]刘小梅,田彦涛,杨茂.基于博弈论的多机器人任务分配算法[J].吉林大学学报:信息科学版,2010,28(3):256-262.

[7]李湘清,孙秀霞,夏岩.Multi Agent动态分组模型用于多无人机协同任务分配[J].系统仿真学,2010,22(5):1266-1269.

[8]Oliverra D,Ferreir A P R,Bazzaz A L C.A swarm based approach fortask allocation in dynamic agents organizations[C]//Autonomous A-gents and Multi-agent Systems,New York,2004:1252-1253.

[9]Zhang G Dandan,Xie Guangming,Yu Junzhi,et al.Adaptive taskassignment for multiple mobile robots via swarm intelligence approach[J].Robotics and Autonomous Systems,2007,55:572-588.

自动化码头ALV实时任务分配 篇3

摘要：

为弥补自动化集装箱码头自动装载车（Automated Lifting Vehicle， ALV）先到先服务（First Come First Service， FCFS）分配方式的缺陷，提出基于触发事件的ALV作业任务实时分配方式.设置一组触发事件触发ALV实时分配，以ALV到达任务作业点估计时间最短为目标，建立ALV实时分配模型，选用A*算法对该模型进行求解.通过与贪婪算法的对比，验证A*算法的优越性.对用A*算法求解大型集装箱码头ALV实时分配问题的求解速度和稳定性进行实验测试，结果验证了选用A*算法的可行性.

关键词：

自动化集装箱码头； ALV实时分配； A*算法； 触发事件

中图分类号： U691.31； U656.135

0 引 言

随着集装箱码头整体效率的不断提高，码头水平运输车辆的任务分配问题也成为一个非常重要的问题.解决好车辆任务分配问题，可以使车辆更好地服务于其他设备，提高其他设备的作业效率.然而，随着码头向大型化和自动化方向发展，现有的先到先服务（First Come First Service， FCFS）车辆任务分配方式已经很难满足码头的作业需求，急需提出一种更加高效合理的分配方式来解决水平运输车辆的任务分配问题.[1]

国内外学者对集装箱码头的水平运输车辆任务分配问题已经进行了许多研究.NGUYEN等[2]为自动化集装箱码头的自动装载车（Automated Lifting Vehicle， ALV）分配问题建立混合整数规划模型.ANGELOUDIS等[3]根据不准确的码头作业信息，提出在成本/收益下的车辆分配模型和求解的算法.LEE等[4]考虑起重机的作业时间，建立根据多台岸桥的作业任务顺序分配车辆的混合整数规划模型，应用启发式算法进行求解.RASHIDI等[5]将自动导引车（Automated Guided Vehicle， AGV）的分配问题转化为一个最小成本流问题模型，应用改进的网络单纯形法求解.CAI等[6]研究跨运车的作业时序安排问题，利用装卸和搬运的时间窗解决这个问题，并用分支定界法求解.轩华[7]利用FCFS规则进行水平运输车辆和任务的分配，建立数学模型并用启发式算法进行求解.SONG等[8]针对AGV分配问题提出混合元启发式方法，并与贪婪算法进行仿真实验对比.ICHOUA等[9]针对车辆分配问题提出基于先进先出的按时间的行驶速度模型，通过与固定行驶时间的实验结果的对比，发现按时间的车辆分配方式明显优于固定行驶时间的车辆分配方式.GUJJULA等[10]总结几个AGV分配问题常用的目标，包括岸桥等待时间最短、AGV行驶时间最短、完成作业的时间最短等，也总结了几种常用的AGV分配方式，包括最短的行驶时间、使用车辆的数量最少、先到先服务方式等.LIU等[11]总结了3种AGV分配规则，即最大行驶距离、最小行驶距离和随机规则，并分别对其进行仿真.

然而，上述研究都很难解决大型自动化码头中难以估计车辆的实际行驶时间的问题.在交通布局呈现复杂网络结构的码头，由于运输车辆数量多，交通堵塞经常发生，对车辆的实际行驶时间估计的不准确会严重影响车辆任务分配方案的选择.

1 问题描述

1.1 目前ALV任务分配方式

ALV可以在没有其他设备辅助的情况下，自己提起和放下集装箱.ALV任务分配问题就是在码头作业时为需要作业的任务分配可用的ALV.

目前，码头ALV任务分配主要采用FCFS分配方式，每一个新产生的集装箱运输任务都会被分配一辆空闲的ALV，这辆ALV是在分配时最适合去执行这个运输任务的车.应用FCFS分配方式，在为任务分配了ALV后，即使有更合适的ALV可以选择，也不能作出改变.因此，这样的分配方式虽然操作简单，但不能实时保证水平运输车辆的任务分配方案处于最优状态.在ALV运输时间不确定的大型自动化码头，FCFS分配方式会导致ALV的作业效率大大降低，影响其他设备的作业，因此需要设计一个更加高效的水平运输车辆分配方式.

1.2 ALV实时分配方式

ALV实时分配是在作业过程中的某些条件下进行一次ALV的任务分配，当作业的条件发生变化时对ALV的作业任务进行重新分配.把这些条件作为一组触发事件，每次分配看作一次实时分配，建立一个实时分配模型.一组触发事件和一个实时分配模型组成一个完整的ALV实时分配方式.

由于大型集装箱码头ALV的作业过程中会经常出现过去的最佳ALV分配方案后来不再是最佳分配方案的情况，所以要考虑在某些情况

（岸桥（Quay Crane，QC）或者场桥（Yard Crane，YC）准备吊起下一个集装箱；ALV完成上一个运输任务；已经分配任务的ALV遇到交通拥堵等）下对ALV的任务重新进行分配，尽量使ALV的任务分配方案保持最优.

对上述各种作业条件进行归纳总结，设置一组触发事件.每次触发事件发生时，都需要进行一次实时分配.实时分配是对当时所有的任务和空闲ALV进行分配，分配的目标是使总的ALV到达作业地点的估计时间最短.

2 模型建立

2.1 ALV实时分配模型

由于集装箱码头其他作业的ALV实时分配方式与装卸船作业基本相同，所以本文构建模型时，只以装船和卸船作业为例.根据船的作业量给船配备适当数量的QC和ALV，分配给同一艘船的所有QC共享分配给这艘船的ALV，分配给这艘船的ALV也只服务于为这艘船作业的QC.

2.1.1 模型假设

一辆ALV最多只能运输一个集装箱；

分配给QC的ALV数量足够，不会出现等待运输的集装箱数量大于闲置ALV数量的情况；只预先分配一辆ALV给正在作业的QC.

2.1.2 参数定义

C为起重机即将进行作业的集装箱集合，如装船时YC即将进行作业的集装箱和卸船时QC即将进行作业的集装箱的集合；

c为集合C的元素总数量；Q为正在对同一艘船进行作业的QC的集合.在分配ALV时会考虑将部分空闲的ALV分配给正在作业的QC，这些空闲ALV任务的优先级低于C中任务的优先级.q为集合Q的元素总数量；d为在实时分配时需要考虑的ALV任务数量，包括集装箱运输任务数量和正在作业的QC的数量，d=c+q.将任务d分成两部分是因为两部分的分配优先级不同.A为没有开始作业的ALV的集合；a为集合A的元素总数量；i为任务的标识，i=1，2，…，c，c+1，…，c+q，其中，i=1，2，…，c表示需要运输的集装箱，i=c+1，c+2，…，c+q表示正在对同一艘船进行作业的QC；j为ALV的标识，j=1，2，…，a；vj 为ALVj某一时刻的瞬时速度，ALVj停在停车场时vj=V，V为ALV正常行驶时的平均速度；dij为ALVj到任务i的作业地点的距离；

[WTHX]T[WTBX]为从ALVj到达任务作业地点的估计时间矩阵，由ALVj到任务i的作业地点的距离和ALVj的瞬时速度得出；tij为矩阵

[WTHX]T[WTBX]的元素；M为一个很大的数，作为预计行驶时间的上限；D为一个较小的距离常数，dij

2.1.3 模型构建

式（1）表示xij是01变量，当ALVj分配给任务i时xij=1，否则xij=0.式（2）表示模型的目标为ALV到达作业地点的估计时间最短.由于αβ，会给到达任务地点时间短的ALV分配集装箱运输任务，达到先考虑将空闲ALV分配给急需ALV的集装箱运输任务，再考虑将空闲ALV分配给正在作业的QC的目的.式（3）表示每个集装箱运输任务和每一台正在作业的QC最多只能有一辆ALV为其服务；式（4）表示每辆ALV最多只能分配给一个集装箱运输任务或一台正在作业的QC；式（5）表示尽可能多地为需要考虑的作业任务分配ALV；式（6）表示根据距离和速度得出ALV到达作业地点的估计时间.优先考虑分配与任务地点的距离很近的ALV.

2.2 ALV实时分配触发事件

在ALV作业时，设置一个时间段Δt，在每个时间段末检测ALV的行驶速度.记录在第m次分配时ALV的速度vm，设置速度变化量为正值Δv.第m次分配后，当空闲ALV的速度在某个检测时间段末超出vm±Δv的范围（说明ALV的行驶速度相对于第m次分配时有了巨大变化，可能是因为ALV遇到交通拥堵，也可能是因为ALV的交通拥堵得到缓解，ALV的行驶速度恢复正常）时，需要考虑对ALV进行第m+1次分配.根据大型集装箱码头的特点，列举出一组触发事件：（1）新的集装箱运输任务的产生，即起重机准备对某个集装箱进行作业，需要进行重新分配；（2）ALV完成上一个任务，空闲ALV数量增加，需要进行重新分配；（3）第m次分配后，当已经分配任务的ALV的速度在某个检测时间段末的速度超出vm±Δv且dij>D时，需要对ALV进行第m+1次分配.

3 算法设计

大型高效的集装箱码头ALV实时分配触发事件发生的频率很高，每次触发事件的发生都会触发一次ALV实时分配，进行ALV实时分配的频率也会很高，因此对处理ALV实时分配的时间要求也很高.每次触发ALV实时分配后，ALV的任务分配必须在短时间内完成并向ALV发送作业指令，这样才能使ALV实时分配方式的优势得到发挥.因此，需要一种对ALV进行任务分配的算法，以快速地对规模较大的ALV实时分配模型进行求解.

3.1 算法简介

3.1.1 A*搜索算法

A*搜索算法是静态路网中求解最短路最有效的方法.A*搜索算法通过最佳优先搜索来寻找一条从起始节点到一个目标节点或者多个可能的目标节点的代价最短的路径.作为启发式搜索的一种，A*搜索算法同样需要选取估价函数，以省略大量的无意义搜索，提高搜索效率.n是搜索图中的一个节点，A*搜索算法通过一个启发式代价函数

f（n）对节点n进行评价，由f（n）决定在搜索图中的搜索顺序.f（n）是从初始点经由节点n到目标点的估价函数.

式中：g（n）是在状态空间中从起始节点到节点n的实际代价；h（n）是从节点n到目标节点最佳路径的估计代价.h（n）是f（n）函数的一部分，是一个可采纳的启发式函数.对h（n）的估计不能超过节点n与目标节点之间的距离.如果应用在路径问题中，h（n）可以表示节点n与目标节点的距离，是两个节点之间可能的最短实际距离.h（n）是f（n）函数中最重要的一部分，h（n）设计的好坏，决定该算法是否能被称为A*搜索算法，也会影响搜索的效率[13].

3.1.2 A*搜索算法搜索过程

在A*算法执行的过程中用到OPEN表（用于存放搜索到的点但非最小代价节点的集合）和CLOSE表（用于存放已经搜索过的最小代价节点的集合），假设起点和终点分别用

S和V表示，Vi表示节点S与V间的任意一点，fi表示该节点的估价值.A*搜索算法搜索基本步骤如下.

在搜索过程中可以根据需要记录取得最短路径的行走轨迹.行走轨迹就是从起始点到达目标节点的路径最短的行走方案，也是大多数问题的解.

3.2 算法设计

应用A*搜索算法对大型集装箱码头ALV实时分配模型进行求解时，可以很容易将码头获取的ALV到达作业地点的距离dij按照第2节的模型规则转换成ALV到达作业地点的估计时间tij，以时间tij作为任务分配的代价值进行分配.用A*算法求解ALV实时分配问题，需要先将ALV分配问题转换成静态路网中的求解最短路问题，举例说明如下.

将ALV的任务分配问题转换成一个路网图（见图1），圆圈表示节点，其中节点S是起始点.根据ALV的数量或者任务的数量进行分层，本文是根据ALV的数量进行分层的.每一层为一辆ALV分配任务，下一层是在上一层的基础上进行的，根据第2节的模型，按照一辆

ALV最多只能被分配一个任务，一个任务最多只能分配一辆ALV的原则进行分配.例如第一层为ALV1分配任务，此时ALV1可以选择任务1，2，3三个任务，所以节点S下面有1，2，3三个节点.节点1，2，3分别表示将任务1，2，3分配给ALV1.第二层分配是在第一层分配的基础上进行的.第一层中节点1表示任务1分配给ALV1后，第二层ALV2只能分配任务2或3.因此，节点1下面有两个节点4，5，节点4表示将任务1分配给ALV1后，任务2分配给ALV2，节点5表示将任务1分配给ALV1后，将任务3分配给ALV2.同样，节点2和3下面也分别有两个节点.到第三层为ALV3分配任务时，ALV3只能选择上面两层没有选择的任务，因此节点4下面只有一个节点10，表示任务1分配给ALV1，任务2分配给ALV2后，任务3分配给ALV3.节点5下面只有一个节点11，表示任务1分配给ALV1，任务3分配给ALV2后，任务2分配给ALV3.其他节点也按照同样的规则进行分配，直到所有的ALV分配任务完成，得到图1所示的树状图.

根据图1所示的树状图进行搜索，对于搜索到的节点，需要求出它的h（n），g（n）和f（n）值.

g（n）是从起始节点S到达节点n所走的总路程，也就是搜索到达节点n时已经进行任务分配的总的

ALV到达作业地点的估计时间.h（n）是未分配的ALV到达每个作业地点的估计时间里最小的m个的总

如图2所示，在搜索到节点11时，f（n）小于OPEN表中所有点的f（n）值，结束搜索.根据推理可得， S1511路径为最优路径，总的ALV到达作业地点的估计时间为110 s，节点11代表的意义就是ALV的作业任务分配方案，也是问题的解，即任务1分给ALV1，任务3分给ALV2，任务2分给ALV3.

在上述案例中，若不考虑从节点n到目标节点最佳路径的估计代价h（n），只考虑目前从起始节点到节点n的实际代价g（n），也可以看作h（n）=0，此时f（n）=g（n），即贪婪算法.其搜索过程见图3.从图中可以看出，到达目标节点的最优路径为S1511，最短路程与用A*搜索算法得到的相同，都为110 s，但贪婪算法的搜索点数多于A*算法.从这个例子可以看出，A*算法中h（n）的作用是巨大的.

4 算例分析

4.1 A*搜索算法与贪婪算法对比实验设计

为验证A*搜索算法适用于大型集装箱码头ALV实时分配问题，设计几组实验.实验中使用几组实验数据（ALV任务分配的到达作业地点的估计时间），用贪婪算法和A*搜索算法对ALV实时分配问题进行求解，对比两种算法的求解结果，分析A*算法解决大型集装箱码头ALV实时分配问题的可行性，同时也验证A*算法的优越性.

对a辆ALV和q个任务进行任务实时分配，ALV到达作业地点的估计时间为a×q的矩阵.本文设计8组实验，分别是a辆ALV和q个任务（a=q=6，7，…，13）.实验数据是几组实验的ALV到达作业地点的估计时间矩阵，分别为a×q的时间矩阵，代表实验问题的规模，相应的实验组为a×q组，每组进行5次实验，分别对每组实验的5次实验结果取平均值.

用相同的软件分别编写利用A*搜索算法和贪婪算法求解ALV实时分配问题的程序，并在同一台笔记本电脑上运行.两种算法使用的实验数据相同，求解出来的最短路径的最优值也相同.在此问题中，这些分配方案是最优的，在第3节中已经证明.表3所示是两种算法每组实验在求解过程中的运行时间和总搜索点数的对比.通过对比可以看出，A*搜索算法的求解时间和总搜索点数明显少于贪婪算法.

如图4和5所示是求解运行时间和总搜索点数

的平均值变化趋势.从图4和5中可以看出，贪婪算法的运行时间和总搜索点数随求解问题规模的变大迅速增加，而A*搜索算法变化得比较慢.这说明，在遇到大规模的求解问题时，A*搜索算法运行时间和总搜索点数不会突然变大，求解速度所受的影响不大.

4.2 A*搜索算法性能测试

为进一步验证A*搜索算法的求解速度，在上述实验的基础上用A*搜索算法对14×14至17×17规模的ALV实时分配问题进行求解，实验运行时间和总的搜索点数的平均值见表4.

大型集装箱码头为一艘船最多配备6台QC，每台QC分配2辆ALV，即为同一艘船服务的ALV的最大数量为12台，因此ALV实时分配问题的最大规模为12×12，去掉部分正在运输集装箱的ALV，大多数情况实时分配的规模在10×10以内.从表3可以看出，10×10规模的问题用A*搜索算法求解的时间在0.3 s左右.从表3和4可以看出，如果问题的规模加大，A*搜索算法的计算时间不会出现急剧的增长.因此，在计算时间上，A*搜索算法完全可以满足解决大型集装箱码头ALV实时任务分配问题的需求.

5 结束语

本文在大型自动化集装箱码头的背景下，根据码头的新特点和FCFS分配的缺陷，设计了基于触发事件的ALV作业任务实时分配方式.设置了一组触发事件触发ALV实时分配，并以总的ALV到达任务作业地点估计时间最短为目标，建立了一个ALV实时分配模型.选用A*搜索算法对分配模型进行求解，通过与贪婪算法的对比验证A*搜索算法的优越性.对A*搜索算法求解大型集装箱码头的ALV实时分配问题的求解速度和稳定性进行实验测试，验证了选用A*搜索算法是可行的.

参考文献：

[1]

赵宁. 集装箱码头发箱任务的集卡指派模型[J]. 上海海事大学学报， 2011， 32（1）： 910.

[2]NGUYEN V D， KIM K H. A dispatching method for automated lifting vehicles in automated port container terminals[J]. Computers & Industrial Engineering， 2009， 56（3）： 10021020.

[3]ANGELOUDIS P， BELL M G H. An uncertaintyaware AGV assignment algorithm for automated container terminals[J]. Transportation Research Part E： Logistics and Transportation Review， 2010， 46（3）： 354366.

[4]LEE L H， CHEW E P， TAN K C， et al. Vehicle dispatching algorithms for container transshipment hubs[J]. OR Spectrum， 2010， 32（3）： 663685.

[5]RASHIDI H， TSANG E P K. A complete and an incomplete algorithm for automated guided vehicle scheduling in container terminals[J]. Computers & Mathematics with Applications， 2011， 61（3）： 630641.

[6]CAI Binghuang， HUANG Shoudong， LIU Dikai， et al. Optimisation model and exact algorithm for autonomous straddle carrier scheduling at automated container terminals[J]. Intelligent Robots and Systems （IROS）， 2011 IEEE/RSJ International Conference on. IEEE， 2011（4）： 36863693.

[7]轩华. 基于FCFS策略的带时间窗车队调度问题研究[J]. 交通运输系统工程与信息， 2013， 13（6）： 140157.

[8]SONG L Q， HUAGN S Y. A hybrid metaheuristic method for dispatching automated guided vehicles in container terminals[J]. Computational Intelligence in Scheduling （SCIS）， 2013（8）： 5259.

[9]ICHOUA S， GENDREAU M， POTVIN J. Vehicle dispatching with timedependent travel times[J]. European Journal of Operational Research， 2003， 144（2）： 379396.

[10]GUJJULA R， GUNTHER HO. The impact of storage block assignment for import containers on AGV dispatching in highly automated seaport container terminals[J]. Industrial Engineering and Engineering Management， 2008（8）： 17391743.

[11]LIU ChinI， LOANNOU P. A comparison of different AGV dispatching rules in an automated container terminal[J]. Intelligent Transportation Systems， 2002（6）：880885.

[12]张海涛， 程荫杭. 基于A*算法的全局路径搜索[J]. 微计算机信息， 2007（23）： 238240.

[13]李淑霞. 基于A*的路径规划算法研究[J]. 福建电脑， 2013（3）： 99100.

规章制度任务分配 篇4

机关考勤制度 请销假制度 财务管理方面：

财务管理制度 公务接待管理制度 公务用车管理制度 行政管理方面：

公章使用管理制度 公文管理制度 档案管理制度 公务出差管理制度 外出报备制度 主任办公会议制度 集体学习制度 党建方面：

党组会议议事规则 三重一大集体决策制度 党支部管理制度 三会一课制度 组织生活会制度 民主生活会制度 意识形态制度

心理协会各部门任务分配1 篇5

秘书处：负责办公室资料书刊的整理工作；对协会会员档案进行管理；做好每次

会议记录；安排办公室的值班；协助各部长工作；打印协会资料、稿件等。（要求心细、做事有耐心；打字速度快，会简单操作WORD文档、EXCEL文档）

外联部：凡本协会举行的各项活动，负责外来经费的捐赠；招纳经商管理兴趣和

能力的成员，培养锻炼成员的营销能力，提高各成员的营销策略，以扩充协会的资金实力，丰富协会的文化；调节处理各兄弟社团的关系；与其他高校同类社团进行交流，扩大协会的校外影响力。（性格外向，口才较好，善于交际）

宣传部：宣传心理协会的服务宗旨，负责各项活动的宣传；办好协会每期宣传栏；

传播心理健康知识，扩大协会的影响力。（有一定的美术基础，有较强的宣传能力，口才演讲比较好）

组织部：负责各项活动的人员组织和调配；负责各项活动的场地布置和会场次序。

（组织能力强，办事效率高，号召能力强，临时应变能力强）

编辑部：负责学院心理信箱信件，电子邮件的收集，做好反馈工作；负责心理协

会刊物的投稿与审稿，配合校内校外个报刊杂志的征稿、邀工稿作；做好协会和心理健康教育中心的征文；做好心理话剧剧本的创作以及编辑工作。（爱好写作，具有文学，心理学较强的审美能力，会简单操作WORD文档）

学习部：负责与会员交流，协助心理健康中心做好心理咨询；安排老师对会员的授课，具备一定得心理常识（具有一定的心理知识者，善于交流）

财务部：做好协会财务出纳工作并及时向会长汇报财务情况（对财务感兴趣和较

强的责任感；会计专业优先，只需1-2名）

团支部：做好协会成员的思想工作，对会员进行协会宗旨和制度的教育，教育协

会会员永远跟党走。（团员，对事实政治较为关心，有人数限定）

组织部演讲拉练人员任务分配 篇6

（幕布闭合）

16:30—16:50（观众入场）注：

入场负责人：黄鹤鹏、外语学院（分院礼仪）礼仪负责人：柴莹莹、（外语学院）活动签到负责人：张雨蒙、秘书处委员 后台操控负责人：王玮、王然

会场前设备调动负责人：何逢伟、办公室委员 活动摄影负责人：潘雨、记者团

活动照相负责人：记者团、办公室委员

现场气氛纪律负责人：张庆余、曲长虹、外语学院 活动场灯光负责人：范旭 1委员 舞台泡泡、烟雾负责人：范旭 活动追光负责人:白晋华

活动拉幕负责人：蒋再宇、文体2委员 后台工作人员负责人：蒋再宇

活动后台工作人员：学生会各部门委员（11人）后台算分人员负责人：董海亮、学习部委员（11人）活动全场调动人员：主席团

王玮、王然：播放入场音乐、入场视频《华德学院院史视频》

合幕

主持人：活动即将开始，请所有到场嘉宾、观众将手机调至震动或静音状态

活动前场铺垫：祝母校生日快乐。（小彩旗转。主持词体现、主持人与小彩旗对话）——22根蜡烛祝愿母校生日快乐。（今天是你的生日我地华德。）演讲拉练活动正式开始。开场节目：（合幕）王宇前台左侧上台《致青春》歌曲 灯光：追光（舞台左侧）王宇歌曲唱到（漫长的告别是青春的盛宴）拉幕（于文琦、郎朗）

灯光（场灯）（）王宇歌词到（明白了世界（下台时））灯光渐暗（）接歌曲：《那些年》歌曲前奏（舞台灯光渐亮）歌手：吕昂儒（后台左侧）、王宏垚（后台右侧）歌手：张格里奥（前台左侧）孙程旭（前台右侧）站在舞台左右两侧 歌手往台下走（走到嘉宾席前台唱歌）灯光：追光 烟雾、泡泡 节目最后歌词 紧紧抱着你（停留三秒）灯光渐暗 合幕 所有演职人员下台 王玮、曹航：播放开场视频 结束 接主页PPT（合幕）主持人上台：（前台左侧）王梓恒、任悦 主持人开场词 奏唱共青团团歌 介绍嘉宾 主持人宣布比赛规则及流程 第一环节比赛评分标准及规则 灯光：面光 下面进入第一环节：炫我风采（拉幕）灯光：灭灯 正式开始 拉幕 主持人下台 第一环节：炫我风采（主题演讲）

一号选手张格里奥上台（灯光：追光（舞台右侧））现场连线二号选手谷珊珊：

电话声音响（同时二号选手已经在台上）(灯光：场灯)两位选手对话结束

一号选手说完走到幕后。灯光只留二号选手谷珊珊（左侧面光（三个））谷珊珊演讲中间

接舞蹈（灯光灭 接右侧追光舞者上台，你是我的眼背景音乐）舞者右侧下台。追光给二号选手谷珊珊。引出三号选手魏明月。魏明月（右侧上台（灯光：追光））

结束 右侧下台

全场灯光 谷珊珊和张格里奥对话

两人下台（暗灯）（进入广告时间）广告音乐 黑黑组合上台（场灯）

结束 灭灯 渐暗下台 主持人上台串词（后台人员上圆桌×1和藤椅×3）

（音乐起）魏中元上台给（场灯）

有请嘉宾崔超楠、孙承旭

魏中元引出崔超楠 孙程旭

孙承旭通过一首歌的歌词

告别（背景音乐起）

结束全部下台 灯光：渐暗 撤道具

（音乐青春万岁起）左侧追光给黄玉，右侧追光给陈鹏宇，两人在台上给场灯，（说到青春是什么的时候音乐停）

下台（灯灭）

中场节目：歌曲：梦想天空份外蓝

面光 耳光

烟雾 泡泡

摇头 天台 主持人串词

宣布第二环节

（主持人）追光右侧

幕布前

主持人下台 第二环节：思维拓展（即兴演讲）

陆丹娜 从人群中出现（台下手机闪光灯）追光

陆丹娜 直到舞台中间

追光灭

场灯亮

道具：10张皮椅子 左侧5个

右侧5个 选手坐好

人员负责：蒋再宇

灯光：第二环节全部场灯

第二环节结束

合幕（于文琦、李强强）面光

主持人后台串词

话剧欣赏

结束下台

主持人上台串词

分配组员任务 篇7

关键词：产品协同开发,任务分配,双层规划,供应商参与,直觉模糊理论

0 引言

随着技术创新、经济环境动态变化以及市场需求的多样性发展,企业逐渐意识到独自进行新产品开发所需要的资源和面临的风险均超出了他们可承受的范围。产品开发作为一项非常复杂的系统工程,需要多领域、多学科的企业和人员协同参与。

信息技术在全球的普及应用,使得产品供应链朝着全球化方向发展,大多数制造企业正在把供应商作为一个重要的战略资源。Carr等[1]的研究说明,供应商参与产品开发对企业的创新和绩效有很大的推动作用,可以使制造企业从中获得更大的利益。在降低开发成本和风险、提高原材料质量、缩短产品开发周期以及提高新技术的应用水平等方面具有很重要的意义[2]。对于供应商参与产品开发的研究,也得到了越来越多的重视。

文献[3]定义了供应商与制造企业的合作关系,在一定程度上偏向于战略联盟而有别于传统的采购关系,并通过共同解决问题的程度和利益共享的程度来衡量供应商参与的程度。文献[4]以供应商参与产品协同开发所承担的任务比例作为参与程度的指标,从供应商的角度出发,在考虑不确定性的基础上寻求最佳参与程度。文献[5]指出,与供应商的合作可以降低新产品开发项目的成本、缩短开发周期,并且由于供应商和制造企业的不断交流和沟通,使得新产品开发项目的柔性提高,有利于制造企业和供应商建立长期的合作关系。文献[6]基于产品结构特征、企业资源和供应商资源的分类及其之间的联系,给出了产品创新程度、零部件以及所需参与供应商的定义,将参与新产品开发的供应商分为战略供应商和一般供应商。

供应商参与新产品开发,可以使企业更加关注自己的专业领域。但是,如果各子任务在供应商之间分配不当,可能会使开发项目变得更加复杂。因为各开发子任务之间必然存在依赖和协同关系,如果承担子任务的供应商之间信息沟通不畅,将会导致整个产品开发任务无法顺利完成。虽然已经有不少学者对任务分配问题进行了研究[7,8,9],但主要是针对在同一组织中不同团队之间进行的优化分配。文献[10]将供应商参与引入到任务分配问题中,考虑了因任务之间存在的依赖关系而引起的协同时间,但仅以缩短开发周期为单目标进行优化,没有考虑任务分配规划中,制造企业对不同供应商的主观偏好以及战略供应商与一般供应商不同的参与情况,缺乏从战略层面对供应商参与产品协同开发的任务分配进行规划。

因此,本文探讨了利用双层规划理论解决供应商参与产品协同开发的任务分配问题。以战略紧密程度最大化为战略目标,以开发周期最短为执行目标,构建任务分配的双层规划模型,并利用直觉模糊理论和量子遗传算法进行了求解。

1 产品协同开发的任务分配模型

1.1模型变量及假设

根据供应商参与产品协同开发的特点,构建了协同子任务的分配数学模型。首先将模型涉及的各个变量作如下定义:i为开发子任务索引,当i=0时,任务i表示应由制造企业完成的集成主体部分,当i≠0时,任务i表示应由供应商完成的外包子任务;j表示与i相同的含义;k为参与产品开发的组织索引,当k=0时,组织k表示制造企业,当k≠0时,组织k表示供应商;l表示与k相同的含义;M为参与产品协同开发的战略供应商数量;m为参与产品协同开发的一般供应商数量;n为产品协同开发分解的子任务数量(不包括集成主体部分);λi为任务的重要程度;γk为制造商对组织k的主观偏好;wi为任务i本身的复杂程度;δki为组织k对任务i的技术开发能力;dij为任务i与j之间的信息依赖程度;skl为组织k与组织l之间的协同程度;cki为组织k承担任务i时的开发时间成本系数;xki=1,表示任务i分配给组织k,xki=0,表示任务i分配给其他组织;Rk为组织k应当满足的战略偏好上限;Vk为组织k应当满足的战略地位;Tk为组织k所能承担的总体开发时间上限;Qk为组织k所能接受的子任务数量上限;Dk为组织k所能承担的开发成本。

模型的相关假设如下:

(1)在参与产品协同开发的所有供应商中,包含有战略供应商和一般供应商,制造商在任务分配时需要兼顾任务开发能力并保证联盟稳定;

(2)所有产品协同开发的子任务是经过任务解耦和重构得到的,并且集成主体部分的任务必须由制造企业完成,其他子任务均交由供应商完成;

(3)每个组织承担任一子任务所需要的总体时间包括用于开发的时间和用于协同的时间两部分;

(4)每个组织承担任一子任务所需要的成本均折算为单位时间成本;

(5)各组织并行进行开发任务,产品开发总体任务需待每一子任务完成之后方可结束,总体开发时间取决于并行开发过程中需要最多时间的组织。

1.2目标和约束函数分析

两层决策问题的数学模型采用双层规划模型,双层规划模型是一种具有两层递阶结构的系统优化模型[11]。上层问题的目标函数和约束条件不仅与上层变量有关,而且还依赖于下层问题的最优解,而下层问题的最优解又受到上层决策的影响。在产品协同开发的任务分配决策中,制造企业的高一级决策机构从战略目标层面对次一级决策机构实行控制和引导;而次一级决策机构可以在一定权限范围内,行使一定的决策权。

根据供应商参与产品协同开发的特点以及任务分配的具体需求,构建双层规划模型目标函数如下:上层目标即高一级决策机构战略目标,是制造企业需要保持与供应商的紧密合作关系,表示为$\max {\displaystyle \sum _{i=0}^n{\displaystyle \sum _{k=0}^{{\rm M}+m}\lambda }}{}_i\gamma {}_{k}x{}_{ki}$;下层目标即次一级决策机构执行目标,应保证产品开发周期最短,表示为$\min [\max ({\displaystyle \sum _{k=0}^{n}w}{}_{i}x{}_{ki}/\delta {}_{ki}+{\displaystyle \sum _{j=0}^n{\displaystyle \sum _{k=0}^{{\rm M}+m}{\displaystyle \sum _{l=0}^{{\rm M}+m}d}}}{}_{ij}x{}_{ki}x{}_{lj}/s{}_{kl})]。$

在模型的上层,为保证整个战略联盟的平衡和稳定,制造企业应当赋予战略供应商一定的战略地位;模型下层的约束条件主要包括单个供应商所能承担的子任务个数、所能利用的开发时间以及能够承受的开发成本等。

1.3基于双层规划的任务优化分配模型

根据前面的分析,供应商参与产品协同开发的任务分配模型可表述如下:

其中,式(1)和式(6)分别表示上下层的目标函数;式(2)～式(5)表示上层约束;式(7)～式(12)表示下层约束。

在上层,式(2)表示制造商应当赋予战略供应商一定的战略地位约束,保障其稳定性。在下层,式(7)为单个组织所能承担的开发时间约束;式(8)为单个组织能够承受的开发成本约束;式(9)为组织所能承担的子任务数量约束。式(3)～式(5)、式(10)～式(12)为基本约束条件。

2 直觉模糊双层规划模型

双层规划模型的求解一般都比较困难,即使是很简单的双层线性规划问题也是NP-hard问题[12]。并且上一节所建立的模型还包含诸多约束条件,直接对问题求解会很困难。因此,本文首先将上述双层规划模型转化为直觉模糊形式,再利用相应的启发式算法进行求解。

为简化讨论,上节中的双层规划模型可抽象表示为一般形式

其中,x∈Rn1,y∈Rn2,p、q均为约束的数量。

直觉模糊集是对Zadeh模糊集进行的拓展,它把仅考虑隶属度的传统模糊集推广到同时考虑隶属度、非隶属度和犹豫度三个方面信息的模糊集[13]。由于直觉模糊规划不仅优化了隶属函数,而且也优化了非隶属函数,所以其性能优于模糊规划[14]。

定义1 设X是一个非空集合,则称

为直觉模糊集,其中μA(x)和vA(x)分别为X中元素x属于A的隶属度和非隶属度,即

且满足条件

此外

其中,πA(x)表示X中元素x属于A的犹豫度。

定义下层目标函数f1(x,y)的直觉模糊集合为f1={〈(x,y),μf1(x,y),vf1(x,y)〉|(x,y)∈U},隶属函数和非隶属函数为

其中,fmax2和fmin2分别为f2(x,y)的最大值和最小值,a为犹豫度πf2(x,y)的调节系数。当a=1时,πf2(x,y)=0;当a→∞时,πf2(x,y)→1-μf2(x,y)。a≥1,且一般情况下a∈[1,1.5]。

定义下层约束函数gj(x,y)的直觉模糊集合为gj={〈(x,y),μgj(x,y),vgj(x,y)〉|(x,y)∈U},隶属函数和非隶属函数分别为

其中,θj为约束函数gj(x,y)允许的最大正向偏移量,ηj为犹豫度πgj(x,y)的调节系数。当ηj=0时,πgj(x,y)=0;当ηj→∞时,πgj(x,y)→1-μgj(x,y)。ηj≥0,且一般情况下ηj∈[0,10]。

通过Angelov[15]提出的推导过程,可得到下层规划模型的直觉模糊形式为

其中,α2为下层规划目标函数和约束函数的最小隶属度,β2为下层规划目标函数和约束函数的最大非隶属度。

对于上层规划,首先需要将$\underset{x}{{\displaystyle \max }}f{}_1(x,y)$转化为min f′1(x,y),再通过上述方法变换为直觉模糊形式即可。最终,双层规划的直觉模糊形式为

其中,α1为上层规划目标函数和约束函数的最小隶属度,β1为下层规划目标函数和约束函数的最大非隶属度。μf′1(x,y)和vf′1(x,y)分别为上层目标函数的隶属函数和非隶属函数;μGi(x,y)和vGi(x,y)分别为上层约束函数的隶属函数和非隶属函数。α和β作为寻优计算过程中的调节因子,在算法的初期和后期起到逐渐逼近和加速收敛的作用。在计算初期由β对优化起主要作用,在后期则由α对优化起主要作用。因此在整个寻优过程中由α和β交替引导,向最优解的方向运动,保证全局最优解的获取。

3 量子遗传算法求解

遗传算法是一种高效、并行、全局性的概率搜索算法,适用于处理大规模的复杂非线性优化问题。量子遗传算法(quantum genetic algorithm,QGA)将量子的态矢量表达引入遗传编码,利用量子旋转门实现染色体基因的调整,由于在QGA中使用了量子叠加态,从而QGA比普通遗传算法具有更好的种群多样性和收敛性。仿真实验表明,量子计算与进化算法混合优化的方法在收敛速度和优化结果两方面都明显优于经典进化算法[16]。

量子遗传算法是基于量子位和量子叠加态的概念提出的。一个量子位可以处于|0〉态、|1〉态、以及|0〉到|1〉之间的任意叠加态。一个量子位的状态可描述为

其中,α、β是复数,是量子位对应态的概率幅,且满足|α|2+|β|2=1。一般地,用ρ个量子位就可以表示2ρ个状态,因此对于相同的优化问题,量子遗传算法的种群大小要比一般遗传算法的种群大小小很多。

针对本文提出的双层规划问题,算法的具体实施步骤如下:

(1)确定编码方法和适应度函数。采用基于参与开发的组织的编码方法,设子组织数量为m,满足2κ-1<m<2κ,则单个基因含κ个量子位,一条染色体含ρ=κ μ个量子位,其中μ为子任务数量。然后通过目标函数值和约束违反度来分别设计上下层适应度函数。

(2)种群初始化。设置算法参数,根据下式将全部φ条染色体的2φ ρ个概率幅都初始化为$1/\sqrt{2}$,以表示每条染色体以相同概率处于可能的叠加态之中,然后组成初始种群。其中

其中,ε=1,2,…,φ;σ=1,2,…,ρ;φ为种群规模;ρ为量子位数,即染色体的长度;t为遗传代数;Ptε为第t代中第ε条染色体;αtε ρ和βtε ρ为第t代中第ε条染色体的第ρ个量子位对应态的概率幅。

(3)根据Ptε中概率幅的取值,构造二进制串{at1,at2,…,atρ}。如果random[0,1]>|αtσ|2,则αtσ取值为1,否则为0。

(4)根据上层模型(或下层模型)的适应度函数,计算每个个体的适应度,采用轮盘赌选择保存,即每个个体进入下一代的概率等于自身的适应度与整个种群适应度之和的比值,适应度越高,被选择的概率越大。

(5)实现种群状态更新。根据下式使用量子旋转门H(θ)更新种群Ptε:

式中,θtε σ为第t代中第ε条染色体的第σ个量子位的旋转角度,可通过量子旋转门查询表获得。

(6)进行量子交叉和变异操作,其基本原理与普通遗传算法相同,只是操作对象为量子位编码染色体,而不是二进制串。

(7)将更新的种群代入下层模型,重复步骤(3)～步骤(6),求解下层模型最优解,然后进入步骤(8)。

(8)将得到的下层最优解代回上层模型,重复步骤(3)～步骤(6),求解上层模型最优解。

(9)如果满足收敛条件或代数达到最大循环次数,则退出;否则,进入步骤(7)。

4 实例分析

上述分析给出了产品协同开发任务分配问题的双层规划模型及求解算法,下面结合产品开发实例,验证其方法的有效性,并对其做简单分析。

设M=2,m=3,即有2个战略供应商和3个一般供应商参与开发;设n=12,即除了集成主体外,还存在12个子任务;记k∈{0,bM,bm}={0, 1,2,3,4,5},i∈{0,bn}={0,1,…,12};各子任务重要程度用1～5的等级刻度表示,λi={5,4,5,4,3,4,3,4,2,3,2,3,1}。

各子任务的复杂程度为wi={10,9,9,8,8,7,7,6,6,5,5,4,4}。技术开发能力、信息依赖程度、协同程度和单位时间成本系数以矩阵形式表示,即A=[δki],D=[dij],SWTBX]=[SKL],CWTBX]=[CKI]。各供应商对子任务的技术开发能力可表示为

使用1～9的等级刻度来表示各子任务间的信息依赖结构矩阵(dependence structure matrix, DSM):

各供应商之间的协同程度为

单位时间成本系数矩阵为

其他参数设置如表1所示。

对该算例,在Maple13.0平台上实现直觉模糊形式的变换,参数设置为fmax1=70,fmax1=130,a=1.2,fmax2=150,fmax2=350,η=2。在MATLAB7.0平台上实现QGA算法程序,参数设置如下:种群规模为100,交叉概率为0.60,变异概率为0.01,进化代数为200。重复程序50次,最终得到任务分配优化方案:战略供应商1承担子任务2、3;战略供应商2承担子任务1、5;一般供应商3承担子任务4、6、11;一般供应商4承担子任务8、9;一般供应商5承担子任务7、10、12。

制造商与供应商紧密关系程度为115;产品开发需要时间为222.3天。制造企业承担6.2万元的开发成本;战略供应商1需承担4.85万元的开发成本;战略供应商2需承担4.88万元开发成本;一般供应商3需承担4.69万元开发成本;一般供应商4需承担4.78万元开发成本;一般供应商5需承担4.23万元开发成本。同时,还可以看出一般供应商3由于能够承担较多的子任务数量和投入较多的开发时间,其战略地位达到了9,与战略供应商1相同。制造企业可以考虑在以后的战略规划中将一般供应商3纳为战略伙伴。

5 结语

本文综合考虑了供应商参与产品协同开发的战略目标与执行目标,构建了协同开发的任务分配双层规划模型,并将其转化为直觉模糊形式。将量子遗传算法运用于这一问题的求解,合理有效地在各个供应商之间进行任务分配,提高了制造企业与供应商的战略紧密程度,缩短了产品开发周期。实例验证表明,模型符合供应商参与产品协同开发的实际,为制造企业分配并行开发任务提供了方法。

由于产品协同开发的执行目标在实际环境中可能涉及到多目标优化。因此,在执行层综合考虑时间、成本和质量等问题,建立双层多目标规划,并寻求解决方法,将是下一步研究方向。

分配组员任务 篇8

近年来，福建三钢(集团)公司在钢产量和生产效益稳步提升的同时，不断加大安全生产投资力度，员工职业安全健康条件得到进一步改善，劳动安全的风险程度明显降低。该公司还在安全管理上著力创新，也取得成效。所推行班组安全名誉组员制度就是安全管理创新之一。

一、创新的提出

班组是企业的基层组织，它既是完成生产目标的主要承担者，又是安全生产的直接实现者，加强班组安全管理，是减少伤亡事故和各类事故重要的途径。三钢(集团)有限责任公司有员工万余人，分布在二十几个单位680个班组中。由于企业大、班组多、分布广，班组安全活动质量如何、实际效果如何，全看班组长工作责任心以及管理能力和水平发挥程度。虽然三钢开展“班组升级竞赛”、“创建安全合格班组”、“实现‘三无班组”活动已多年，但有的方法和经验未必适用于时下安全管理要求。如何在现有基础上管理创新如何加强企业基础安全管理一直是我们安全管理创新思考的问题。2001年起，，我们在班组中推行了安全名誉组员管理活动。

二、目的和作用

安全名誉组员由副科以上干部担任。他们相对管理层次较高、了解情况较多，参加班组安全活动有利于组织和引导活动方向，提高班组安全活动质量。通过安全名誉组员这种形式，能够让各级领导干部更多地了解基层安全生产情况，更多地担负起安全生产责任。在班组设立安全名誉组员，还可以较好地贯彻上级的安全生产方针与政策，措施与要求；收集基层班组安全生产信息，协调和处理跨班组、跨单位涉及安全生产的事宜。比如统筹安全教育、安全隐患整改、事故处理协调等，起到上情下达、下情上达的作用。安全名誉组员还可以随时发现安全生产中的好做法与典型事例，及时总结经验，加以推广。

三、基本形式与活动内容

行政副科以上领导干部要至少在一个班组担任安全名誉组员，参加班组的安全活动，并将活动情况写入班组活动台帐，注明日期，签上自己的姓名，以便自觉接受班组成员监督，接受分厂(分公司)或公司安全检查组的检查，参加班组的活动情况还要作为领导干部任职内履行安全责任的考核依据。

安全名誉组员介入班组安全管理，主要有参加事故分析会、事故预防措施和隐患整改的优化讨论、了解隐患整改的落实情况、各项安全规章制度执行情况和员工对安全工作的要求：及时通报安全生产情况和节假日、特殊气候条件的安全要求；引导员工正确认识安全教育、岗位技术培训、现场安全、劳动纪律检查、职业健康体检等工作的重要性，使安全管理工作具体化，人性化。安全名誉组员的活动，不仅限于会议的形式，工作之余，安全名誉组员要随时下到自己的班组走访，了解情况，交流思想。

四、实施的效果