CN108241933A

CN108241933A - 基于归一化加权的双向选择任务分配方法

Info

Publication number: CN108241933A
Application number: CN201810131437.7A
Authority: CN
Inventors: 王鹏; 许蕾; 曲健; 杨能俊
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2018-02-09
Filing date: 2018-02-09
Publication date: 2018-07-03

Abstract

本发明公开了一种基于归一化加权的双向选择任务分配方法，包括步骤：建立工作流模型，通过目标函数和约束条件得到任务分配模型；执行分配任务，通过归一化加权，从候选用户集筛选满足任务角色要求的用户，然后在允许时间内优化分配结果，实现双向选择。本发明保证任务高效完成的同时满足员工自我发展的需要，在进行任务分配的过程中，将任务重要性、截止时间、学习新知识技能所需时间等多种因素通过归一化加权作为分配任务的条件，同时引入知识技能集合的概念，在保证任务完成效率的基础上，满足用户与任务之间的双向选择。

Description

基于归一化加权的双向选择任务分配方法

技术领域

本发明涉及一种任务分配方法，尤其涉及一种基于归一化加权的双向选择任务分配方法。

背景技术

工作流技术作为办公自动化系统中的重要技术，被越来越多的应用到生产生活的各个领域。工作流技术与软件集成研制平台的融合，将软件研制过程中的各项重复任务按照设定的流程交由工作流自动或部分自动执行，减少了编写大量过程文档的事务性工作，有效降低了沟通和管理成本。

工作流技术通过工作流管理系统实现，该系统主要包括2个功能：(1)建模，定义工作流，建立所需的工作流模型；(2)执行，包括Web客户端形式的个人工作台和工作流引擎。

工作流管理系统会在定义工作流时确定业务执行角色与执行顺序，而不会指定具体的某个人作为执行者。因此，通过不断改进任务分配方法，将业务合理地分配给最优的用户，有助于提升企业的开发能力，使软件研制工作更加高效有序。

随着社会文明的进步，知识密集型企业更加注重对员工的人性化关怀，软件研制行业人员作为典型的知识工作者更加需要完成工作时实现对自身能力的提升。现有研究均未考虑任务截止时间、员工完成任务需要学习新知识的时间对任务完成效率的动态影响，忽略了员工作为知识工作者在工作中自我发展的需要。软件行业工作强度较高、员工流动性较大，在软件研制的实际过程中面临每人承担多项任务，以及新老员工协同工作的情况，员工趋向于完成重要程度较高、截止时间较近的任务，从而导致如下情况：

(1)为了节约工作时间，员工始终承担自己擅长的某类任务，新员工技能无法提升，新老员工知识技能参差不齐，不利于企业长期发展；

(2)任务分配时忽略了员工学习新技能的时间，导致任务延期；

(3)任务分配时忽略了任务截止时间，导致员工所承担任务的截止时间相近，在某个时段过于繁忙。

从长远的角度看待，以上三种情况均会影响企业工作效率，降低企业在行业内的竞争力。为了达到员工发展与企业工作效率的平衡，同时考虑任务分配后的截止时限对任务完成情况的影响，需要采取一种适应现代化企业软件研制的新策略，满足员工与任务的双向选择，同时避免任务分配后同一截止时段内员工超负荷工作对软件研制效率的影响。

发明内容

发明目的：针对以上问题，本发明提出一种基于归一化加权的双向选择任务分配方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于归一化加权的双向选择任务分配方法，包括步骤：

(1)建立工作流模型，通过目标函数和约束条件得到任务分配模型；

(2)执行分配任务，通过归一化加权，从候选用户集筛选满足任务角色要求的用户，然后在允许时间内优化分配结果，实现双向选择。

所述步骤(1)中，具体包括：

(1.1)确定模型的目标函数：

其中，λ代表权重；代表归一化处理得到的用户当前相对总负载；

代表归一化处理得到的用户相对预估总负载。

(1.2)确定双向约束条件：

其中，g(ΔI_ij)代表量化员工所学新的知识技能的方法；S_max(U)代表不考虑员工与任务双向选择时目标函数的最佳值；δ为双向选择所占的权重。

(1.3)获得任务分配模型：

其中，

所述步骤(2)中，具体包括：

(2.1)根据待分配任务J_new确定完成任务需要的用户角色R_new，筛选出所有用户集合中满足条件的用户，组成候选用户集合U_new；

(2.2)归一化加权计算用户匹配度；

计算候选用户集合U_new中所有候选用户的当前相对总负载相对预估负载通过确定二者的权重，得到每个用户的匹配度为：

其中，λ>0，S(U_i)最大者为在不考虑双向选择时得出的最佳用户，用户匹配度记为S_max(U)。

(2.3)实现双向选择优化；

计算每个候选用户学到的新的知识技能：

K(U_i)＝g(ΔI_ij)

其中，满足约束条件S(U_i)≥(1-δ)*S_max(U)的maxK(U_i)对应的用户，为经过双向选择优化后得到的最佳用户，更新用户知识集合后，继续进行后续的任务分配。

有益效果：本发明在任务分配时均衡考虑用户总负载、预估负载作为影响因素，进一步实现用户与任务之间的双向选择，引入了知识技能集合的概念。

本发明能将任务均衡分配给系统内的用户，任务分配结果比传统方法有较大提升；同时，随着任务分配次数的增多，双向选择步骤不会一直用任务执行时间换取用户知识技能的提升，会缩短用户完成任务的时间，提高任务执行效率。

附图说明

图1是本发明的实施流程示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明的基于归一化加权的双向选择任务分配方法，解决的问题是将n个软件研制任务分配给m个员工(n≤m)，每项任务的预估完成时间确定，具体包括步骤：

(1)建立工作流模型；

满足如下假设条件：

a、每项任务只能分配给一个员工；

b、员工所拥有的知识技能达到完成任务后任务完成的质量与时间相同的要求；

c、员工执行任务时互不影响；

d、同一时段的多项任务按照重要程度从大到小逐一分配，不同时段的任务分配互不影响；

e、员工可量化的知识技能集合在完成任务后更新，不可量化的知识技能保持不变。

影响模型分配任务的因素包括知识技能因素、任务因素、用户因素。

a、知识技能集合(K)

知识技能分为可量化、不可量化两类，通过查阅资料、自主学习掌握的技术、模型等可量化知识能够在短时间内提升；而阅读能力、沟通能力等不可量化的知识在软件研制中的短时间内难以提升，因此本发明中主要讨论可量化知识技能对任务分配过程的影响。

可量化知识的掌握过程，利用英国学者B.C.Brookes提出的“情报认知范式”：

K[S]+ΔI→K[S+ΔS]

Δt＝t(ΔI,K[S])

其中，K[S]代表用户现有知识技能集合；ΔI代表新的可量化知识；K[S+ΔS]代表接受新的可量化知识后的知识技能集合；Δt代表学习可量化知识所需的时间，与现有知识技能、所需学习的知识有关。

知识技能集合影响完成任务所需的时间，员工i所拥有的知识集合为K[S]_i，完成任务j所需的知识技能集合为N_j。则员工i完成任务j所需学习的新的知识技能ΔI_ij为：

那么，员工i完成任务j所需的时间T_ij为：

其中，t_do代表在不需要掌握新的知识技能的条件下，完成任务j所需的预估时间。

b、任务(J)，根据任务应该具备的属性，将任务J定义为一个六元组：

J＝{ID,R_j,N_j,t_do,t_end,e}

其中，ID代表任务的唯一标识；R_j代表完成任务需要的用户角色集合；N_j、t_do代表的意义与定义1相同；t_end代表任务截止时间；e代表任务重要程度，其数值大小与重要程度成正比。

为了便于描述任务分配与用户之间的关系，我们用P_ij表示用户i负责完成任务j。

c、用户(U)，根据员工应该具备的属性，将用户U定义为一个四元组：

U＝{ID,R_u,K[S]_u,J_u}

其中，ID代表用户唯一标识；R_u代表用户具备的角色集合；K[S]_u代表的意义与定义1相同；J_u代表用户已承担任务的集合。

(1.1)确定模型的目标函数

在实际任务的分配中，通过计算每个用户与任务的匹配度，将任务分配给匹配度值最大者。匹配度的影响因素为任务分配时的负载量、任务分配后的预估负载量，通过归一化处理两类负载量后，加权计算出每个用户与任务的匹配度S(U)。

则目标函数描述为：

其中，权重λ>0；代表归一化处理得到的用户当前相对总负载；

代表归一化处理得到的用户相对预估总负载。

归一化得到的用户当前总负载的计算如下：

待分配任务J_new的重要程度为e_new，用户U_i当前已承担任务集合J_u中的任务总数为l，根据前文中的定义，用户U_i完成任务集合中某项任务j_j所需的时间为T_ij。

则用户U_i当前总负载可以量化为：

其中，λ(e_j)用于衡量任务j的重要程度e_j对工作负载的影响力，若e_j≤e_new，λ(e_j)＝1，否则λ(e_j)随e_j的增大逐渐增大。

Load(U_i)虽然量化了每个用户的当前总负载，但仍存在缺陷。不同用户之间的差异可能使量化后的指标不具有可比性，为了使量化结果在综合对比中更加适用，本发明对Load(U_i)进行归一化处理，计算出每个用户的相对总负载为：

其中，max(Load(U))代表候选用户中当前总负载最大值，min(Load(U))代表候选用户中当前总负载最小值。值越大，用户当前总负载越小，越容易接收新的任务。

归一化得到的用户预估负载的计算如下：

用户U_i从接收待分配任务J_new开始，到任务J_new截止时间为止的时段内，用户负载称为预估负载。用户当前已承担任务集合J_u中截止时间在这段时间内的任务集合为J_u′，其中的任务总数为l′。

与用户当前总负载的计算类似，用户U_i的预估负载可以量化为：

同理可得，用户的相对预估负载为：

其中，max(Load_expect(U))代表候选用户中预估负载最大值，min(Load_expect(U))代表候选用户中预估负载最小值。值越大，用户预估负载越小，越容易接收新的任务。

(1.2)约束条件

在保证任务顺利完成的基础上，借鉴模拟退火算法的核心思想，通过接受误差范围内的非最优解，使员工知识技能K(U_i)得到最大提升。保证员工与任务双向选择的约束条件可以描述为：

其中，g(ΔI_ij)代表量化员工所学新的知识技能的方法；S_max(U)代表不考虑员工与任务双向选择时目标函数的最佳值；δ为双向选择所占的权重，δ越大，任务越容易分配给为了完成任务而需要学习更多新知识的员工。

根据不同的任务类型，g(ΔI_ij)的量化方法随之不同，可以使用知识技能的数量、难度、学习时间等一个或多个维度进行量化。

每项任务j仅允许分配一位员工，为了保证任务不被重复分配，需要保证：

其中，

(1.3)任务分配模型

综上，为了在任务分配的允许时间范围内，使员工获得更多的知识技能，得到如下任务分配模型：

其中，

(2)执行分配任务；

通过归一化加权，从用户集中筛选出满足任务角色要求的用户；在时间允许的范围内优化分配结果，实现员工与任务之间的双向选择。

具体可以划分为以下步骤：

(2.1)用户角色匹配

由于角色相对固定而用户变化频率较高，基于角色的工作流任务分配减少了用户变化时对工作流程的定义。

根据待分配任务J_new确定完成任务需要的用户角色R_new，筛选出所有用户集合中具有R_new中角色的用户，组成候选用户集合U_new。

(2.2)归一化加权计算用户匹配度

其中，λ>0，S(U_i)最大者即为本发明在不考虑双向选择时得出的最佳用户，此时的用户匹配度记为S_max(U)。

(2.3)双向选择优化

计算每个候选用户学到的新的知识技能：

K(U_i)＝g(ΔI_ij)

其中，满足约束条件S(U_i)≥(1-δ)*S_max(U)的maxK(U_i)对应的用户，即为本发明经过双向选择优化后得到的最佳用户，更新用户知识集合后，继续进行后续的任务分配。

本发明保证任务高效完成的同时满足员工自我发展的需要，在进行任务分配的过程中，将任务重要性、截止时间、学习新知识技能所需时间等多种因素通过归一化加权作为分配任务的条件，同时引入知识技能集合的概念，在保证任务完成效率的基础上，满足用户与任务之间的双向选择。

Claims

1.一种基于归一化加权的双向选择任务分配方法，其特征在于：包括步骤：

2.根据权利要求1所述的基于归一化加权的双向选择任务分配方法，其特征在于：所述步骤(1)中，具体包括：

(1.1)确定模型的目标函数：

代表归一化处理得到的用户相对预估总负载；

(1.2)确定双向约束条件：

其中，g(ΔI_ij)代表量化员工所学新的知识技能的方法；S_max(U)代表不考虑员工与任务双向选择时目标函数的最佳值；δ为双向选择所占的权重；

(1.3)获得任务分配模型：

其中，

3.根据权利要求2所述的基于归一化加权的双向选择任务分配方法，其特征在于：所述步骤(2)中，具体包括：

(2.2)归一化加权计算用户匹配度；

其中，λ>0，S(U_i)最大者为在不考虑双向选择时得出的最佳用户，用户匹配度记为S_max(U)；

(2.3)实现双向选择优化；

计算每个候选用户学到的新的知识技能：

K(U_i)＝g(ΔI_ij)

4.根据权利要求1所述的基于归一化加权的双向选择任务分配方法，其特征在于：所述步骤(1)中，建立的工作流模型满足假设条件：

a、每项任务只能分配给一个员工；

c、员工执行任务时互不影响；

5.根据权利要求1所述的基于归一化加权的双向选择任务分配方法，其特征在于：所述步骤(1)中，影响模型分配任务的因素包括知识技能因素、任务因素、用户因素。