CN111199354A - 一种基于Hopfield神经网络的电力通信网运维工单调度方法 - Google Patents

Abstract

本发明涉及运维工单调度技术领域，更具体地，涉及一种基于Hopfield神经网络的电力通信网运维工单调度方法，包括：S1.分析电力通信网中运维任务的要求和运维人员的能力，确定影响工单调度的若干因素；S2.利用模糊层次分析法对影响工单调度的若干因素进行分析，得到每层的权重，进而得到系数矩阵；S3.根据在电力通信网中将若干任务分配给若干运维人员的应用场景，建立任务与运维人员间的约束条件，然后得到能量函数；S4.利用Hopfield神经网络构建电力通信网检修任务调度模型，根据所述系数矩阵和能量函数得到若干任务分配给若干运维人员时的优化匹配。本发明能够提高工单分配的质量以及资源的利用率，实现了多资源约束下的运维工单合理调度。

Description

一种基于Hopfield神经网络的电力通信网运维工单调度方法

技术领域

本发明涉及运维工单调度技术领域，更具体地，涉及一种基于Hopfield神经网络的电力通信网运维工单调度方法。

背景技术

随着我国电力通信网的建设逐步完善，接入设备不断增多，承载的业务数量和种类也在增加。我国幅员辽阔，电网节点分布广泛，有些基站所在位置偏僻，环境恶劣，在每个电网节点配置常驻运维人员并不现实，因此如何合理地将管理区域中的运维任务分配给相应的运维人员，制定出高效率且合理的工单分配方案，对于切实满足故障维修要求，保证电力通信业务的正常运行有着重要意义。

目前在电力通信系统中，工单调度方案的制定主要还是采取人工决策的方式。一般来说，运维人员需要考虑故障任务要求、设备检修特性、电力通信网检修安全规定、于屋内人员的技能等因素，然后综合决策运维工单的分配。然而热工调度工单的方法存在着许多不足，比如调度方案的好坏与决策人员的专业能力和工作经验紧密耦合，并且随着接入设备的数量与种类的增加，运维人员的工作效率要求也随之提高，人工决策的成本也将随之大幅上升。因此，研究一种安全高效的电力通信网运维工单调度方案，针对多个运维任务与多人员的场景，结合多种影响因素，生成最适合的工单调度方法，是十分有必要的。

目前已有基于任务匹配度的电力通信现场运维工单调度管理方法，但该方法无法得到将多个任务分配给多位运维人员情况下的最优解；目前还有基于病毒传播算法的电力通信网现场运维工单调度方法，但该方法计算复杂、耗费资源多，不适用于复杂、规模庞大的多任务电力通信系统；目前还有基于任务动态优先级的实时任务调度算法，但该方法没有考虑到人力因素约束条件，因此也不能够很好地适用于电力通信系统。

发明内容

本发明的目的在于克服目前没有能够适用于电力通信系统的运维工单调度方法的不足，提供一种基于Hopfield神经网络的电力通信网运维工单调度方法，能够提高工单分配的质量以及资源的利用率，实现了多资源约束下的运维工单合理调度。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于Hopfield神经网络的电力通信网运维工单调度方法，包括以下步骤：

S1.分析电力通信网中运维任务的要求和运维人员的能力，确定影响工单调度的若干因素；

S2.利用模糊层次分析法对影响工单调度的若干因素进行分析，得到每层的权重，进而得到系数矩阵；

S3.根据在电力通信网中将若干任务分配给若干运维人员的应用场景，建立任务与运维人员间的约束条件，然后得到能量函数；

S4.利用Hopfield神经网络构建电力通信网检修任务调度模型，根据所述系数矩阵和能量函数得到若干任务分配给若干运维人员时的优化匹配。

本发明为一种基于Hopfield神经网络的电力通信网运维工单调度方法，通过分析电力通信网中运维任务的要求和运维人员的能力，确定影响工单调度的若干因素；然后使用模糊层次分析法综合考虑影响工单调度的若干因素，并根据得到的每层权重求得系数矩阵；接着，再结合实际电力通信网中对于每个任务需要分配的若干运维人员进行约束条件的建立，由约束条件得到能量函数；最后，利用Hopfield神经网络、数矩阵和能量函数得到若干任务分配给若干运维人员时的优化匹配。

优选地，所述步骤S1具体包括如下步骤：

S11.确定所述运维任务的要求；

所述运维任务的要求包括任务种类、任务优先级、任务难度；

S12.评估所述运维人员的能力；

所述运维人员的能力包括运维人员业务能力、运维人员到达任务点的时间、运维人员是否已承担任务；

S13.分析影响工单调度的因素。

优选地，在步骤S13中：

所述任务种类包括故障发生前的定时检修任务、故障发生时的抢修维护任务、故障结束后的善后工作、特殊任务；其中，所述故障发生前的定时检修任务的集合使用A表示，A＝{a₁,a₂,…,a_n}；所述故障发生时的抢修维护任务的集合使用B表示，B＝{b₁,b₂,…,b_m}；所述故障结束后的善后工作的集合使用C表示，C＝{c₁,c₂,…,c_p}；所述特殊任务的集合使用D表示，D＝{d₁,d₂,…,d_q}；

所述任务优先级包括R₁等级、R₂等级、R₃等级；其中，所述R₁等级表示任务十分紧急，所述R₂等级表示任务一般紧急，所述R₃等级表示任务不太紧急；

所述任务难度包括P₁等级、P₂等级、P₃等级；其中，所述P₁等级表示任务难度很高，所述P₂等级表示任务难度一般，所述P₃等级表示任务难度简单；

所述运维人员业务能力包括L₁类、L₂类、L₃类、L₄类、L₅类；其中，所述L₁类表示入职时间长且学历背景好的运维人员；所述L₂类表示入职时间长但学历背景一般的运维人员；所述L₃类表示入职时间一般但学历背景好的运维人员；所述L₄类表示入职时间和学历背景均一般的运维人员；所述L₅类表示具有特殊资质的运维人员；

所述运维人员到达任务点的时间使用以下公式进行计算：

式中，d表示运维人员与任务点之间的距离，v_f表示运维人员使用的运输工具的行驶速度，v_c表示运维人员步行的速度，t表示运维人员是否有使用运输工具；

所述运维人员是否已承担任务包括有承担任务和没有承担任务；其中，所述有承担任务使用m＝1表示，所述没有承担任务使用m＝0表示。

优选地，所述步骤S2的具体步骤如下：

S21.根据所述运维任务的要求和运维人员的能力建立电力通信网工单调度影响因素层次分析结构；

S22.分析所述电力通信网工单调度影响因素层次分析结构中各层的权重。

优选地，所述步骤S22的具体步骤如下：

S221.建立模糊互补矩阵；

S222.根据所述模糊互补矩阵求解得到模糊一致矩阵；

S223.计算所述电力通信网工单调度影响因素层次分析结构中各层的权重，根据各层的权重得到综合权重，再通过所述综合权重得到系数矩阵。

优选地，在步骤S221中，所述模糊互补矩阵为：

其中，r_ij表示下层第i个元素相对于第j个元素的模糊关系；

模糊关系r_ij与第i层、第j层权重w_i,w_j之间的关系为：

r_ij＝0.5+β_ij(ω_i-ω_j),0<β≤0.5；

r_ij+r_ji＝1；

式中，r_ji表示下层第j个元素相对于第i个元素的模糊关系，β_ij表示第i个元素与第j个元素的相对重要程度；

在步骤S222中，使用以下公式进行模糊一致矩阵的计算：

式中，β_ik表示同一列的所有元素，r_i表示每行的元素的和，r_j表示每列的元素的和；

在步骤S223中，所述各层的权重的计算公式为：

式中，w_i表示第i层的权重，a_ij表示决策者重视因素间重要程度的影响；

所述综合权重的计算公式为：

式中，w_i表示第i层的权重，z_ij表示综合权重，s_j表示每层的权重；

所述系数矩阵为：

优选地，所述步骤S3的具体步骤如下：

S31.根据任务与运维人员间的约束条件和神经网络的原始公式建立能量函数；

S32.根据所述能量函数求解总能量函数。

优选地，在步骤S31中，所述任务与运维人员间的约束条件包括：

约束条件A：每个任务只能由一位运维人员来完成；

约束条件B：每位运维人员一次只能完成一个任务；

约束条件C：每个任务必须分配给至少一位运维人员；

约束条件D：至少两个任务分配给至少两位运维人员，此时运维人员与任务匹配后整体消耗代价为最小值；

其中，根据所述约束条件A建立人员分配矩阵S₁，然后得到能量函数E₁为：

式中，x_ki表示所述人员分配矩阵S₁中第i列的第k个元素，x_kj表示第j列的第k个元素；

其中，根据所述约束条件B建立人员分配矩阵S₂，然后得到能量函数E₂为：

式中，x_ik表示所述人员分配矩阵S₂中第i行的第k个元素，x_jk表示第j行的第k个元素；

其中，根据所述约束条件C建立人员分配矩阵S₃，然后得到能量函数E₃为：

式中，x_ij表示所述人员分配矩阵S₃中第i行的第j列元素；

其中，根据所述约束条件D建立人员分配矩阵S₄，然后得到能量函数E₄为：

式中，w_ij表示代价系数，x_j,k+1表示所述人员分配矩阵S₄中第j行的第k+1个元素，x_j,k-1表示第j行的第k-1个元素；

在步骤S32中，所述总能量函数的计算公式为：

式中，K₁,K₂,K₃,K₄表示各能量函数的系数。

优选地，所述步骤S4的具体步骤如下：

S41.利用连续型Hopfield神经网络求解若干任务分配给若干运维人员时的优化匹配；

S42.建立约束条件的表示式，并根据系数矩阵和能量函数求解Hopfield神经网络的最优解。

优选地，在步骤S41中，使用连续型Hopfield神经网络进行求解；

在步骤S42中，所述约束条件为：

式中，x_ij表示系数矩阵中第i行的第j列元素；

第i个任务x_i和第j个任务y_j之间的连接权值和偏置为：

其中，

式中，K₁,K₂,K₃,K₄表示各能量函数的系数，ω_xi,yj表示连接权值，I_xi表示偏置，δ_xy、δ_ij表示神经网络的激励函数。

与现有技术相比，本发明的有益效果是：

本发明通过模糊层次分析法综合考虑运维人员的技能、工作难度、运维人员的位置、已承担的任务、绩效考核、运维人员利用率、业务互斥性、设备差异性、执行时间等因素得到系数矩阵，根据电力通信网运维工作的实际要求制定相关的约束条件，得到能量函数，最后使用Hopfield神经网络构建电力通信网检修任务调度模型，进行若干任务分配给若干运维人员的优化匹配求解，以确保选择合适的运维人员执行运维任务。本发明能够提高工单分配的资料以及资源的利用率，实现多资源约束下的运维工单合理调度。

附图说明

图1为本发明一种基于Hopfield神经网络的电力通信网运维工单调度方法的流程图。

图2为本发明模糊关系的九标度定义表。

图3为本发明电力通信网工单调度影响因素层次分析结构的示意图。

图4为本发明Hopfield神经网络的结构示意图。

图5为本发明最优值收敛曲线的示意图。

图6为本发明人员影响因素表。

图7为本发明任务影响因素表。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

实施例1

如图1至图7所示为本发明一种基于Hopfield神经网络的电力通信网运维工单调度方法的第一实施例，包括以下步骤：

S1.分析电力通信网中运维任务的要求和运维人员的能力，确定影响工单调度的若干因素；

S2.利用模糊层次分析法对影响工单调度的若干因素进行分析，得到每层的权重，进而得到系数矩阵；

S3.根据在电力通信网中将若干任务分配给若干运维人员的应用场景，建立任务与运维人员间的约束条件，然后得到能量函数；

S4.利用Hopfield神经网络构建电力通信网检修任务调度模型，根据系数矩阵和能量函数得到若干任务分配给若干运维人员时的优化匹配。

本发明通过分析电力通信网中运维任务的要求和运维人员的能力，确定影响工单调度的若干因素；然后使用模糊层次分析法综合考虑影响工单调度的若干因素，并根据得到的每层权重求得系数矩阵；接着，再结合实际电力通信网中对于每个任务需要分配的若干运维人员进行约束条件的建立，由约束条件得到能量函数；最后，利用Hopfield神经网络、数矩阵和能量函数得到若干任务分配给若干运维人员时的优化匹配。

进一步地，步骤S1具体包括如下步骤：

S11.确定运维任务的要求；

运维任务的要求包括任务种类、任务优先级、任务难度；

关于任务种类：电力通信网赵工的运维任务范围广泛，大致可分为三类，一是故障发生前的日常的定时检修，运维人员需要对设备进行必要的监视、维修和保养，使设备保持良好的状态，确保电力通信网络安全稳定的运行；二是故障发生时的抢修任务，运维人员需要高效快速的找到发生故障的设备位置并修复或替换，解决出现的通信中断等问题；三是故障处理后的善后工作，故障结束后，需要对这次故障进行总结并将相关材料存储于故障数据库中，以便日后出现类似故障时参考。有时还存在有保密性要求的特殊任务，或者发生故障的设备具有一定的操作权限，在这时，就需要额外标注特殊任务，将这些任务分配给相对应的，有相应保密资质的运维人员，或有设备操作权限的运维人员。

关于任务优先级：电力通信网中不同任务的优先级有所不同，在分配工单时，需要把优先级高的任务优先分配给完成任务效率高的运维人员，一般来说，涉及通信中断的相关问题优先级都比较高，有时，也存在一些特定任务对于任务处理的紧急性要求高。该方法中，认为故障发生时的抢修任务优先级大于故障发生前的定时检修，大于故障结束后的善后工作。

关于任务难度：电力通信网中，不同运维任务的难度有所差别。比如调试FTU、DTU等配网自动化产品的技能难度要求，就比更换由于老化等原因可能出现故障的网线的技能难度要求高。因此，在分配任务的时候，需要注意匹配任务难度和运维人员的业务能力。一般来说，将任务难度高的任务分给工作时间久，或者学历背景高的运维人员，将任务难度低的任务分给新来的，或学历背景较低的运维人员。

S12.评估运维人员的能力；

运维人员的能力包括运维人员业务能力、运维人员到达任务点的时间、运维人员是否已承担任务；

关于运维人员业务能力：运维人员的来源多种多样，有的是职业院校培养出的具有针对性的专业运维人员，有的是曾经从事相关行业，现在转来负责运维工作的人员，因此不同的运维人员熟悉的设备和业务范围有所差别，其业务能力也有所差别。此外，运维人员的业务能力与工作的年份也关系密切，一般来说，任职时间久的员工比任职时间短的员工技能更加熟练，经验更加丰富，适合分配较为复杂的运维任务。

关于运维人员到达任务点的时间：我国幅员辽阔，电力通信网络覆盖范围广，为了满足人们的通信需求并且减少对人们日常生活的影响，基站有时会设置于偏僻的地方，因为在评估运维任务的要求时，需要考虑运维人员与任务发生地的距离，以节约时间。但有时有的运维人员配备有车辆，而有的没有，这时可能存在距离更近但是没有车的人员达到任务点需要耗费的时间，大于距离较远但是配备车辆的人员到达任务点花费的时间，因此，以达到任务点的时间为评估指标比较合理。

关于运维人员是否已承担任务：运维人员是否已有承担的任务也是评估的重要因素，已经承担任务的运维人员在接受新任务的时候就需要考虑两个任务的优先级问题，任务完成所需的时间可能会比预先计算的增加。此外，运维人员的绩效考核与负责解决的任务数量与难度息息相关，因此在分配任务时，也需要考虑人员的绩效问题，尽量不给已经承担有任务的运维人员再分配任务。

S13.分析影响工单调度的因素。

具体地，在步骤S13中：

任务种类包括故障发生前的定时检修任务、故障发生时的抢修维护任务、故障结束后的善后工作、特殊任务；其中，故障发生前的定时检修任务的集合使用A表示，A＝{a₁,a₂,…,a_n}；故障发生时的抢修维护任务的集合使用B表示，B＝{b₁,b₂,…,b_m}；故障结束后的善后工作的集合使用C表示，C＝{c₁,c₂,…,c_p}；特殊任务的集合使用D表示，D＝{d₁,d₂,…,d_q}；

任务优先级包括R₁等级、R₂等级、R₃等级；其中，R₁等级表示任务十分紧急，R₂等级表示任务一般紧急，R₃等级表示任务不太紧急；

任务难度包括P₁等级、P₂等级、P₃等级；其中，P₁等级表示任务难度很高，P₂等级表示任务难度一般，P₃等级表示任务难度简单；

运维人员业务能力包括L₁类、L₂类、L₃类、L₄类、L₅类；其中，L₁类表示入职时间长且学历背景好的运维人员；L₂类表示入职时间长但学历背景一般的运维人员；L₃类表示入职时间一般但学历背景好的运维人员；L₄类表示入职时间和学历背景均一般的运维人员；L₅类表示具有特殊资质的运维人员；

具体地，可以将入职时间长设为入职时间在五年以上，将入职时间一般设为五年以下；可以将学历背景好设为具有电力运维相关学科知识的大专、本科及以上学历，将学历背景一般设为具有大专以下学历；具有特殊资质的指的是具有保密资质或具有特殊设备的使用权限的运维人员。需要说明的是，入职时间的时长以及学历背景的程度可以根据实际场景需要进行调整。

运维人员到达任务点的时间使用以下公式进行计算：

式中，d表示运维人员与任务点之间的距离，v_f表示运维人员使用的运输工具的行驶速度，v_c表示运维人员步行的速度，t表示运维人员是否有使用运输工具；当有汽车、电动车等行驶工具时，t＝1，当没有行驶工具只能够步行时，t＝0。

运维人员是否已承担任务包括有承担任务和没有承担任务；其中，有承担任务使用m＝1表示，没有承担任务使用m＝0表示。

进一步地，步骤S2的具体步骤如下：

S21.根据运维任务的要求和运维人员的能力建立电力通信网工单调度影响因素层次分析结构；

模糊层次分析法能够根据优先判断模糊互补矩阵改造的模糊一致矩阵满足加性一致性条件

因此无需再做一致性检验，能够减少计算量。如图3所示，电力通信网工单调度影响因素层次分析结构包括目标层、准则层、因素层，目标层表示问题解决的主要目标所在，也就是需要解决的运维任务；准则层表示目标在实现过程中需要满足的条件；因素层表示目标在实现过程中所指定的具体方案；目标层为电力通信网运维任务调度；准则层包括任务种类、任务优先级、任务难度、运维人员业务能力、运维人员到达任务点的时间、运维人员是否已承担任务；因素层包括任务种类的定时检修任务、故障发生时的抢修维护任务、故障结束后的善后工作，还包括任务难度的P₁等级、P₂等级、P₃等级，还包括运维人员业务能力的入职时间、学历背景、特殊资质，还包括运维人员是否有交通工具，还包括有承担任务和没有承担任务。

S22.分析电力通信网工单调度影响因素层次分析结构中各层的权重。

具体地，步骤S22的具体步骤如下：

S221.建立模糊互补矩阵；

模糊互补矩阵是每一层中的因素针对上层因素的相对重要性两两比较建立的矩阵R＝(r_ij)_n×n，是进行相对重要度计算的依据；通过在两两比较中获得量化评价，然后能够相对于某一属性对其进行排序；模糊互补矩阵为：

其中，r_ij表示下层第i个元素相对于第j个元素的模糊关系；

模糊关系r_ij与第i层、第j层权重w_i,w_j之间的关系为：

r_ij＝0.5+β_ij(ω_i-ω_j),0<β≤0.5；

r_ij+r_ji＝1；

式中，r_ji表示下层第j个元素相对于第i个元素的模糊关系，β_ij表示第i个元素与第j个元素的相对重要程度；其中，若β_ij＝0.5，则表示两个元素同等重要，若β_ij<0.5，则表示第二个元素比第一个元素重要，且β_ij的数值越小，第二个元素的重要性则更加突出；若β_ij>0.5，则表示第一个元素比第二个元素重要，且β_ij的数值越大，第一个元素的重要性则更加突出。在本实施例中，其定量描述主要集中在0.1到0.9之间，称为九标度定义，如图2所示。在图2中，0.1表示后者比前者极端重要，0.2表示后者比前者强烈重要，0.3表示后者比前者明显重要，0.4表示后者比前者稍微重要，0.5表示两者同样重要，0.6表示前者比后者稍微重要，0.7表示前者比后者明显重要，0.8表示前者比后者强烈重要，0.9表示前者比后者极端重要。

S222.根据模糊互补矩阵求解得到模糊一致矩阵；

使用以下公式进行模糊一致矩阵的计算：

以上公式为对模糊互补矩阵进行求和；

以上公式为对模糊互补矩阵进行相应的数学变换；在此过程中能够建立起模糊一致矩阵R，并与模糊互补矩阵具有很强的一致性。

式中，β_ik表示同一列的所有元素，r_i表示每行的元素的和，r_j表示每列的元素的和；

S223.计算电力通信网工单调度影响因素层次分析结构中各层的权重，根据各层的权重得到综合权重，再通过综合权重得到系数矩阵。

各层的权重的计算公式为：

式中，w_i表示第i层的权重，a_ij表示决策者重视因素间重要程度的影响，n表示任务和运维人员个数；

综合权重的计算公式为：

式中，w_i表示第i层的权重，z_ij表示综合权重，s_j表示每层的权重；

系数矩阵为：

实施例2

本实施例与实施例1类似，所不同之处在于，本实施例中，步骤S3的具体步骤如下：

S31.根据任务与运维人员间的约束条件和神经网络的原始公式建立能量函数；

S32.根据能量函数求解总能量函数。

在步骤S31中，任务与运维人员间的约束条件包括：

约束条件A：每个任务只能由一位运维人员来完成；

约束条件B：每位运维人员一次只能完成一个任务；

约束条件C：每个任务必须分配给一位运维人员，因此所有任务与相对应的运维人员将形成配对关系；

约束条件D：至少两个任务分配给至少两位运维人员，此时运维人员与任务匹配后整体消耗代价为最小值，即w_ijx_ij的和最小，根据模糊层次分析法能够将任务的次序固定，使得运维人员与任务间的匹配问题就变成求解任务的最优次序问题，因此可将任务的序号看作为旅行商问题中城市的序号，则代价系数w_ij可看作为城市i与城市j之间的距离，使得至少两个任务分配给至少两位运维人员的调度匹配问题能够转化为一个旅行商问题；

其中，根据约束条件A建立人员分配矩阵S₁，然后得到能量函数E₁为：

式中，x_ki表示人员分配矩阵S₁中第i列的第k个元素，x_kj表示第j列的第k个元素；在人员分配矩阵S₁中每行均只能有一个1，即每行元素两两相乘为0；其中，1表示承担任务，0表示不承担；

其中，根据约束条件B建立人员分配矩阵S₂，然后得到能量函数E₂为：

式中，x_ik表示人员分配矩阵S₂中第i行的第k个元素，x_jk表示第j行的第k个元素；在人员分配矩阵S₂中每列均只能有一个1，即每行元素两两相乘为0；

其中，根据约束条件C建立人员分配矩阵S₃，然后得到能量函数E₃为：

式中，x_ij表示人员分配矩阵S₃中第i行的第j列元素；在人员分配矩阵S₃中1的数目等于n；

其中，根据约束条件D建立人员分配矩阵S₄，然后得到能量函数E₄为：

式中，w_ij表示代价系数，x_j,k+1表示人员分配矩阵S₄中第j行的第k+1个元素，x_j,k-1表示第j行的第k-1个元素；

在步骤S32中，总能量函数的计算公式为：

式中，K₁,K₂,K₃,K₄表示各能量函数的系数。

进一步地，步骤S4的具体步骤如下：

S41.利用连续型Hopfield神经网络求解若干任务分配给若干运维人员时的优化匹配；

其中，Hopfield神经网络(Hopfield Neural Network，HNN)是一种单层对称全反馈神经网络，如图4所示。在Hopfield神经网络中，每个神经元都将自己的输出通过连接权重输入到其他神经元中，图4中x₁,x₂,…,x_n为当前状态每个神经元的输出，也是下一个状态的输入，θ₁,θ₂,…,θ_n为每个神经元的偏置。整个神经网络形成一个反馈结构，每个神经元的输出均受到其他神经元的控制，从而使各神经元的输出相互制约。

在步骤S41中，使用连续型Hopfield神经网络进行求解；

S42.建立约束条件的表示式，并根据系数矩阵和能量函数求解Hopfield神经网络的最优解。

在步骤S42中，约束条件为：

式中，x_ij表示系数矩阵中第i行的第j列元素；

第i个任务x_i和第j个任务y_j之间的连接权值和偏置为：

其中，

式中，K₁,K₂,K₃,K₄表示各能量函数的系数，ω_xi,yj表示连接权值，I_xi表示偏置，δ_xy、δ_ij表示神经网络的激励函数，n表示任务和运维人员个数。

在对本发明进行仿真时，设所处环境为电力通信网环境，所获取的数据来源于该电力通信网现场工单中。具体处理过程如下：

(I)电力通信网现场运维作业工单调度问题描述为：电力通信网将所覆盖的区域分为若干片，每片区域有5个运维人员，每个运维人员均具有一定业务能力，且在该片区域中存在5个不同的运维任务。

(II)确定系数矩阵：首先列出影响任务分配的因素，如图6、图7的表所示。然后根据电力通信网工单调度影响因素层次分析结构建立模糊互补矩阵R＝(r_ij)_5×5：

式中，r_ij表示下层第i个元素相对于第j个元素的模糊关系，r_ij与权重w_i,w_j之间的关系为：r_ij＝0.5+β_ij(ω_i-ω_j),0<β≤0.5；

根据上述模糊互补矩阵，能够确定结构各层权重，并得到系数矩阵，在权重向量求解时，需要满足以下关系和条件：

得综合权重为：

则系数矩阵表示为：

(III)根据约束条件得到能量函数，并求得总能量函数如下：

约束表示式如下：

然后将系数矩阵和能量函数带入约束表示式后，生成含5*5个神经元的连续型Hopfield神经网络，各能量函数的系数K₁,K₂,K₃,K₄均为1，之后神经网络不断计算修正系数，多次迭代后能量函数趋于稳定，能够得到如下所示的匹配结果：

匹配结果为：任务1分配给运维人员3，任务2分配给运维人员4，任务3分配给运维人员1，任务4分配给运维人员5，任务5分配给运维人员2。

其中，利用Hopfield神经网络求解的迭代过程如图5所示，用贪婪算法定位最初状态，不断迭代知道能量函数温度，由图5可得，迭代次数接近20次时神经网络趋于稳定，得到最优解。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，包括以下步骤：

S1.分析电力通信网中运维任务的要求和运维人员的能力，确定影响工单调度的若干因素；

S2.利用模糊层次分析法对影响工单调度的若干因素进行分析，得到每层的权重，进而得到系数矩阵；

S3.根据在电力通信网中将若干任务分配给若干运维人员的应用场景，建立任务与运维人员间的约束条件，然后得到能量函数；

S4.利用Hopfield神经网络构建电力通信网检修任务调度模型，根据系数矩阵和能量函数得到若干任务分配给若干运维人员时的优化匹配。

2.根据权利要求1所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，所述步骤S1具体包括如下步骤：

S11.确定所述运维任务的要求；

所述运维任务的要求包括任务种类、任务优先级、任务难度；

S12.评估所述运维人员的能力；

所述运维人员的能力包括运维人员业务能力、运维人员到达任务点的时间、运维人员是否已承担任务；

S13.分析影响工单调度的因素。

3.根据权利要求2所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，在步骤S13中：

所述任务种类包括故障发生前的定时检修任务、故障发生时的抢修维护任务、故障结束后的善后工作、特殊任务；其中，所述故障发生前的定时检修任务的集合使用A表示，A＝{a₁,a₂,…,a_n}；所述故障发生时的抢修维护任务的集合使用B表示，B＝{b₁,b₂,…,b_m}；所述故障结束后的善后工作的集合使用C表示，C＝{c₁,c₂,…,c_p}；所述特殊任务的集合使用D表示，D＝{d₁,d₂,…,d_q}；

所述任务优先级包括R₁等级、R₂等级、R₃等级；其中，所述R₁等级表示任务十分紧急，所述R₂等级表示任务一般紧急，所述R₃等级表示任务不太紧急；

所述任务难度包括P₁等级、P₂等级、P₃等级；其中，所述P₁等级表示任务难度很高，所述P₂等级表示任务难度一般，所述P₃等级表示任务难度简单；

所述运维人员业务能力包括L₁类、L₂类、L₃类、L₄类、L₅类；其中，所述L₁类表示入职时间长且学历背景好的运维人员；所述L₂类表示入职时间长但学历背景一般的运维人员；所述L₃类表示入职时间一般但学历背景好的运维人员；所述L₄类表示入职时间和学历背景均一般的运维人员；所述L₅类表示具有特殊资质的运维人员；

所述运维人员到达任务点的时间使用以下公式进行计算：

式中，d表示运维人员与任务点之间的距离，v_f表示运维人员使用的运输工具的行驶速度，v_c表示运维人员步行的速度，t表示运维人员是否有使用运输工具；

所述运维人员是否已承担任务包括有承担任务和没有承担任务；其中，所述有承担任务使用m＝1表示，所述没有承担任务使用m＝0表示。

4.根据权利要求3所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，所述步骤S2的具体步骤如下：

S21.根据所述运维任务的要求和运维人员的能力建立电力通信网工单调度影响因素层次分析结构；

S22.分析所述电力通信网工单调度影响因素层次分析结构中各层的权重。

5.根据权利要求3所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，所述步骤S22的具体步骤如下：

S221.建立模糊互补矩阵；

S222.根据所述模糊互补矩阵求解得到模糊一致矩阵；

S223.计算所述电力通信网工单调度影响因素层次分析结构中各层的权重，根据各层的权重得到综合权重，再通过所述综合权重得到系数矩阵。

6.根据权利要求5所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，在步骤S221中，所述模糊互补矩阵为：

其中，r_ij表示下层第i个元素相对于第j个元素的模糊关系；

模糊关系r_ij与第i层、第j层权重w_i,w_j之间的关系为：

r_ij＝0.5+β_ij(ω_i-ω_j),0<β≤0.5；

r_ij+r_ji＝1；

式中，r_ji表示下层第j个元素相对于第i个元素的模糊关系，β_ij表示第i个元素与第j个元素的相对重要程度；

在步骤S222中，使用以下公式进行模糊一致矩阵的计算：

式中，β_ik表示同一列的所有元素，r_i表示每行的元素的和，r_j表示每列的元素的和；

在步骤S223中，所述各层的权重的计算公式为：

式中，w_i表示第i层的权重，a_ij表示决策者重视因素间重要程度的影响；

所述综合权重的计算公式为：

式中，w_i表示第i层的权重，z_ij表示综合权重，s_j表示每层的权重；

所述系数矩阵为：

7.根据权利要求6所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，所述步骤S3的具体步骤如下：

S31.根据任务与运维人员间的约束条件和神经网络的原始公式建立能量函数；

S32.根据所述能量函数求解总能量函数。

8.根据权利要求7所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，在步骤S31中，所述任务与运维人员间的约束条件包括：

约束条件A：每个任务只能由一位运维人员来完成；

约束条件B：每位运维人员一次只能完成一个任务；

约束条件C：每个任务必须分配给至少一位运维人员；

约束条件D：至少两个任务分配给至少两位运维人员，此时运维人员与任务匹配后整体消耗代价为最小值；

其中，根据所述约束条件A建立人员分配矩阵S₁，然后得到能量函数E₁为：

式中，x_ki表示所述人员分配矩阵S₁中第i列的第k个元素，x_kj表示第j列的第k个元素；

其中，根据所述约束条件B建立人员分配矩阵S₂，然后得到能量函数E₂为：

式中，x_ik表示所述人员分配矩阵S₂中第i行的第k个元素，x_jk表示第j行的第k个元素；

其中，根据所述约束条件C建立人员分配矩阵S₃，然后得到能量函数E₃为：

式中，x_ij表示所述人员分配矩阵S₃中第i行的第j列元素；

其中，根据所述约束条件D建立人员分配矩阵S₄，然后得到能量函数E₄为：

式中，w_ij表示代价系数，x_j,k+1表示所述人员分配矩阵S₄中第j行的第k+1个元素，x_j,k-1表示第j行的第k-1个元素；

在步骤S32中，所述总能量函数的计算公式为：

式中，K₁,K₂,K₃,K₄表示各能量函数的系数。

9.根据权利要求1所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，所述步骤S4的具体步骤如下：

S41.利用连续型Hopfield神经网络求解若干任务分配给若干运维人员时的优化匹配；

S42.建立所述约束条件的表示式，并根据系数矩阵和能量函数求解Hopfield神经网络的最优解。

10.根据权利要求1所述的一种基于Hopfield神经网络的电力通信网运维工单调度方法，其特征在于，在步骤S41中，使用连续型Hopfield神经网络进行求解；

在步骤S42中，所述约束条件为：

式中，x_ij表示系数矩阵中第i行的第j列元素；

第i个任务x_i和第j个任务y_j之间的连接权值和偏置为：

其中，

式中，K₁,K₂,K₃,K₄表示各能量函数的系数，ω_xi,yj表示连接权值，I_xi表示偏置，δ_xy、δ_ij表示神经网络的激励函数。

Images