CN111967656A - 多灾点应急救援指挥控制组织资源调度方法及系统 - Google Patents
多灾点应急救援指挥控制组织资源调度方法及系统 Download PDFInfo
- Publication number
- CN111967656A CN111967656A CN202010741860.6A CN202010741860A CN111967656A CN 111967656 A CN111967656 A CN 111967656A CN 202010741860 A CN202010741860 A CN 202010741860A CN 111967656 A CN111967656 A CN 111967656A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- platform
- solution
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 129
- 230000008520 organization Effects 0.000 title claims abstract description 84
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 39
- 230000009977 dual effect Effects 0.000 claims description 18
- 238000005096 rolling process Methods 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000002040 relaxant effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims 1
- 238000013468 resource allocation Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241001522633 Betula utilis subsp. albosinensis Species 0.000 description 1
- 239000008830 Carthamus tinctorius Honghua extract Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于应急信息管理技术领域,公开了一种多灾点应急救援指挥控制组织资源调度方法及系统,根据应急救援指挥控制组织需处理的使命,建立资源调度的评估测度,利用评估测度构建单救援任务的资源调度模型,设计能够求解串行多救援任务的资源调度问题的求解方法,提出应急救援指挥控制组织集中式的任务筹划技术,解决应急救援决策实体的可用救援平台如何规划使用的问题。本发明应急救援指挥控制组织处理的对象是救援区域的各个子任务。本发明的核心是实现救援平台到救援任务的合理匹配,达到最大化满足任务需求的目的,保证救援任务的完成。本发明通过启发式优化方法输出稳定可靠的资源调度方案。
Description
技术领域
本发明属于应急信息管理技术领域,尤其涉及一种多灾点应急救援指挥控制组织资源调度方法及系统。
背景技术
近年来,随着各类公共突发应急事件受到广泛关注,越来越多的国家和地区开始重视建设各类应急突发事件的应对处理机制,并将其摆在重要的战略地位,确保应急事件发生时最大限度发挥资源的应急救援和保障能力。面对大规模的不确定性突发事件,如何快速、有效地对各类应急资源进行调度分配,并进而形成科学的应急救援资源调度方案,一直是应急管理领域研究的热点问题。为了能够有效应对这些规模大、涉及地域广突发性公共安全事件,应急救援指挥控制系统组织需具备及时作出响应的能力,将损失降低到最低限度。应急救援指挥控制系统面向多灾点资源调度就是将救援组织所拥有的救援资源快速配给,将其合理地分配到各个救援任务,实现各个任务的需求得到最大程度的满足,保证各个救援任务顺利完成。因此,如何寻求在资源有限的情况下实现救援任务需求的最大满足,是本发明解决的核心问题。
目前,针对突发应急事件资源调度问题的研究主要集中在对某一类突发性事件的资源配置问题,例如,吴在栋等对突发河流污染事件进行了研究,以最短应急处置时间为规划目标,并考虑了各类时间约束和资源量约束,构建了一个多源点多目标应急资源调度模型,有效解决了河流污染类的突发事件;李洪成等对海上应急保障资源调度进行了研究,建立了基于多目标模糊规划的海上应急资源调度模型,解决了海上应急资源保障过程中资源需求量、和船只航行时间确定等问题;于福莹等对高速公路交通事件应急救援进行了研究,建立了分阶段协作应急资源调度模型,有效降低了各配置点的资源配置量和路网的总资源配置量。上述方法重点对某些场景下的应急资源调度问题进行了研究,并给出了相应的模型和算法,但是这些方法对大规模、多灾点资源调度问题的适应性不足,主要体现在对小规模单类型事件的处理不能有效适用于多资源、多任务的资源配置优化。
通过上述分析,现有技术存在的问题及缺陷为:现有技术对某些场景下的应急资源调度问题进行研究,并给出相应的模型和算法,但是对大规模、多灾点资源调度问题的适应性不足。
解决以上问题及缺陷的难度为:
顺序处理多灾点任务优化问题资源配置不均衡,容易出现先处理的任务占用过多冗余资源的情况,进而造成后续任务资源不足,导致整体资源调度方案不能有效应对多灾点的任务。
解决以上问题及缺陷的意义为:
能够降低救援资源向优先级较高的救援任务过分集中的问题,实现资源的均衡合理利用,进而提高整体应急救援任务的完成质量。
发明内容
针对现有技术存在的问题,本发明提供了一种多灾点应急救援指挥控制组织资源调度方法及系统。
本发明是这样实现的,一种多灾点应急救援指挥控制组织资源调度方法,所述多灾点应急救援指挥控制组织资源调度方法包括:
分析应急救援的资源调度过程,构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化;
根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型。
设计单任务调度模型的求解方法,设计启发式算法;
分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法。
进一步,所述分析应急救援的资源调度过程,构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化包括:令R表示救援资源,一个平台具有一项或者多项资源能力,一个任务的执行需要满足其对资源的需求,将资源进行量化建模,描述急救援指挥控制组织的基本资源能力矢量表示为r=(r1,r2,…,rl,…,rL),L为资源能力类型的数量;
令T表示多灾点的救援任务,任务是应急救援指挥控制组织为达成其作战目的而采取的行动,所有任务的集合表示为T={T1,…Ti,…,Tn},n为任务数量,各个任务均需要特定的资源才能被有效处理,任务的基本属性包括:任务开始时间ts,i;任务执行时间tp,i;任务优先级ρ;任务Ti的资源需求Ri=[Ri1,…Ril,…RiL],Ril为第i个任务对第l种资源的需求量,定义Rti为第i个任务拥有资源类型的向量Rti=[Rti1,…Rtil,…,RtiL],若第i个任务需要第l种资源,Rtil为1;否则Rtil=0;
令P表示应急救援平台,平台是急救援指挥控制组织中承载作战资源的实体单元,是作战任务的直接参与者,所有平台的集合表示为P={P1,…Pj,…,Pm},m为平台的数量,平台Pj的资源能力向量表示为rj=[rj1,…,rjl,…,rjL],rjl为第j个平台能够提供的第l种资源的数量,定义rtj为平台Pj所拥有的资源类型的向量[rtj1,…rtjl,…,rtjL],若第j个平台拥有第l种资源,rtjl为1;否则rtjl=0;
平台-任务分配向量表示救援指挥控制组织平台与任务之间的数量分配关系,任务Ti的分配向量表示为:
其中,yi为任务Ti的分配向量;yij表示执行任务Ti的平台Pj的数量;Z表示整数集合;
资源满足度是指分配给任务Ti的所有平台能够提供的资源与任务所需的该类资源的比值,且资源满足度最大为1,任务Ti对第l种资源的满足度表示为:
其中,zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;
任务执行质量QT是衡量任务所分配平台的资源与任务资源需求之间匹配程度的测度值;采用任务所需资源满足度的几何平均值作为任务执行质量测度,任务Ti的执行质量表示为:
进一步,所述根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型包括:
(1)确定目标函数,给出了任务执行质量的数学模型,以任务执行质量最大化QT为单任务资源调度模型的目标函数,与之对应的多任务资源调度优化的目标函数为QM各个单任务执行质量的加权和,表示为:
(2)构建约束条件;
处理任务Ti时需满足以下三个约束条件:
约束条件1:执行任务Ti的平台总数不大于任务的最大平台承载数Y;
其中,Y为单个任务的最大平台承载数;Φ为指挥控制组织所要执行任务的标号集合;yij为执行任务Ti的平台Pj的数量;i为任务的标号;j为平台的标号;J为平台的类型数量;
约束条件2:执行任务Ti的平台Pj的数量不大于该平台的可用数量;
其中,yij为执行任务Ti的平台Pj的数量;Numij为组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;Φ为指挥控制组织所要执行任务的标号集合;yij为执行任务Ti的平台Pj的数量;i为任务的标号;j为平台的标号;J为平台的类型数量;
约束条件3:任务Ti处理完后应留有足够的平台处理后续的任务,拥有第l类资源的平台数量大于后续需要第l类资源的未处理任务数量:
其中,rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;Numij为组织处理任务Ti时拥有的平台Pj的数量;yij为执行任务Ti的平台Pj的数量;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号;RTi为任务Ti所需的资源类型的标号集合;i为任务的标号;j为平台的标号;J为平台的类型数量;l为资源类型的标号;
(3)建立应急救援指挥控制组织的单任务资源调度模型:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;Y为单个任务的最大平台承载数;Φ为应急救援指挥控制组织所要执行任务的标号集合;Numij为应急救援指挥控制组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号;
(4)对原始的单任务模型进行处理,将其转换为等价的两个子问题模型;利用拉格朗日算子对第一个约束条件进行松弛,构建对偶目标函数L(λ),将问题分解为两个子问题,子问题1是带有连续变量zl的非线性规划问题,另一个是关于整数矢量y的线性整数规划问题,两个子问题独立求解,利用求解结果计算对偶目标函数值,根据弱对偶原理,通过多次迭代逼近最优解,单任务模型的等价模型表示为:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;Y为单个任务的最大平台承载数;Φ为应急救援指挥控制组织所要执行任务的标号集合;Numij为应急救援指挥控制组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号;
利用拉格朗日算子松弛约束条件后的目标函数写作如下形式:
其中,min为取最小值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;λl是拉格朗日算子,λl≥0;i为任务的标号;j为平台的标号;l为资源类型的标号;J为平台的类型数量;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;f1为子问题1函数符号,f2为子问题2函数符号;
对偶目标函数表示为如下形式:
其中,inf为下确界;min为取最小值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;λl是拉格朗日算子,λl≥0;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;J为平台的类型数量;
利用拉格朗日松弛法,该复杂的规划问题可以分解为两个子问题f1和f2;
子问题f1为:
子问题f2为:
进一步,所述设计单任务调度模型的求解方法,设计启发式算法,利用拉格朗日松弛算法对单任务的资源调度数学模型进行迭代逼近最优解,利用裁剪算法对接进行优化;具体包括:
步骤一,迭代求解单任务的资源调度数学模型;
步骤二,利用裁剪策略对获得的单任务模型的解进行优化;首先设计裁剪策略,对单任务处理模型的求解结果进行裁剪处理,去除冗余的平台,利用拉格朗日松弛法求解的结果能够保证任务执行质量的最大化。
进一步,所述迭代求解单任务的资源调度数学模型包括:
(1)初始化迭代变量k=0和拉格朗日乘数λk;
(2)k=k+1,求解两个子问题f1和f2;
子问题f1的解很容易求得,该目标函数是一个凸函数;
子问题f1的一阶导数如式;
其中,λl是拉格朗日算子,λl≥0;l为资源类型的标号;zl为任务对第l种资源的满足度;RTi表示任务Ti所需的资源种类的集合;f1′为对函数f1的一阶求导;
忽略约束条件,f1′(zl)=0时函数取最值,即zl=1/λl时,f1取得最小值,考虑到约束条件的存在,函数f1取最小值时的解如式所示,获得解zi *=[zi1 *,…,zil *,…,ziJ *]T;
子问题2属于有约束的混合整数线性规划问题,该问题的求解可通过分支定界法进行求解,获得解yi *=[yi1 *,…,yij *,…,yiJ *]T;
(6)判断是否已经收敛,如果满足任何一个结束条件sk<ε,其中ε接近0的数,转至(7),否则转至(2);
进一步,所述利用裁剪策略对获得的单任务模型的解进行优化的裁剪策略包括:
(1)输入针对任务Ti的平台分配结果任务Ti的任务执行质量QTi。执行任务Ti的所有的平台记为集合{P1,…,Ps,…,PS},初始化参数,计数器s=0,经过裁剪后的集合为Y_pruing,初始集合为空,即Y_pruing=φ;
(5)输出针对任务Ti的平台调度结果youtput。
进一步,所述分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法根据任务的优先级顺序处理各个单任务的资源调度模型,利用采用m-best算法、多任务的滚动策略和成对交换算法PWE对多个任务间的解进行协调优化,具体包括:
步骤一,采用m-best算法进行单任务模型的多个解;通过拉格朗日松弛法和裁剪策略,获得单任务优化模型的最优解,将该最优解记为1-best解,m-best解的生成方法旨在以1-best解为基础,生成m个较优的解,为后续滚动过程提供在单任务下的多个可供选择的方案;
步骤二,利用多任务的滚动策略,在考虑全局的基础上完成对单个任务资源调度方案的选择;对于当前任务Ti而言,滚动策略分别以任务Ti的m个优化解出发,顺序求解后续单任务的最优解,并计算全局目标函数值;其次,从m个全局目标函数值中选择最大的值,对应的任务Ti的解作为当前解;首先,任务按优先级由高到低排序的任务集为{ζ(1),…,ζ(i),…ζ(n)},优先级最高的任务为ζ(1),针对该任务生成了3个较优解,分别以3个较优解为起点,不断更新可用平台信息,顺序求解后续任务模型的最优解,计算全局任务执行质量(QM1,QM2和QM3),其中QM2最大,选择2-best解为任务ζ(1)模型的解;按顺序不断迭代,直至获得所有任务模型的解;
步骤三,利用PWE算法对解进行优化;采用PWE算法对解进行进一步优化,均衡分配给各个任务的平台资源,建立两个任务间的平台交换机制获取更好的任务执行质量。
进一步,所述采用m-best算法进行单任务模型的多个解包括:
(2)记录p-1best解中非零元素的位置标号。非零元素的数量记为K,其位置标号的集合为{l1,...,lk,...lK},其中lk为在中第k个非零元素的位置标号,生成K个约束条件,第k个约束条件为将该约束条件分别添加到初始的单任务模型中,将原任务模型划分成K个子问题模型;
(3)利用拉格朗日松弛法和裁剪策略求解K个子问题模型,将求解得到的所有结果放入集合Ycandidate;
(4)从集合Ycandidate中选出最优解判断在集合Ym-best中是否有相同的解,如果是,将从集合Ycandidate移除并重复(5);否则,p-best解为将放入集合Ym-best,并将其从集合Ycandidate中移除,转至(5);
(5)判断p=m是否成立,如果是,转至(6),否则p=p+1并转至(2);
所述利用PWE算法对解进行优化包括:
1)根据平台-任务分配结果y,计算分配给每一个任务的平台资源量与任务资源需求量的比值Qi,按降序对任务进行排序,获得的任务列表为η,计数器i=1;
其中,Qi为执行任务Ti的所有平台资源量与任务资源需求量的比值;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;j为平台的标号;l为资源类型的标号;yij为执行任务Ti的平台Pj的数量;J为平台的类型数量;
2)选择任务Tη(i),计数器u=n;
3)执行给任务Tη(i)和Tη(u)的平台集合为τ和κ,令计数器t=1,计数器k=1;
4)交换平台κ(k)和τ(t)的任务;
5)判断全局目标函数值是否提升,如果是,将κ和τ放入待选解集,并交换平台κ(k)和τ(t)的任务;
6)k=k+1.判断k>|κ|是否成立,如果是,k=1,转至7),否则转至4);
7)t=t+1.判断t>|τ|是否成立,如果是,t=1,选择最优的解κ,τ给任务Tη(i)和Tη(u),转至8);否则,转至4);
8)u=u-1,若u=i,转至9);否则,转至2);
9)i=i+1,若i=n,转至10);否则,转至2);
10)输出交换平台后的解y。
本发明的另一目的在于提供一种实施所述多灾点应急救援指挥控制组织资源调度方法的多灾点应急救援指挥控制组织资源调度系统,所述多灾点应急救援指挥控制组织资源调度系统包括:
应急救援资源调度分析模块,用于构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化;
单任务调度模型构建模块,用于根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型;
启发式算法设计模块,用于设计单任务调度模型的求解方法,设计启发式算法;
多任务处理分析模块,用于分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法。
本发明的另一目的在于提供一种应急信息管理终端,所述应急信息管理终端搭载所述的应急救援指挥控制组织资源调度系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过借鉴军事领域的指挥控制组织资源调度的理论成果,立足于突发性灾害事件的应用背景,研究大规模复杂救援任务的资源调度问题,建立起应急救援指挥控制系统灵活高效资源调度的方法。
本发明针对现有发明的缺陷,在借鉴军事领域的指挥控制组织资源调度的理论成果的基础上进行改进,达到面向多灾点的救援资源实现集中合理配置的目的。针对集中式资源调度技术中智能优化方法无法输出稳定一致的资源调度方案的问题,本发明通过启发式优化方法输出稳定可靠的资源调度方案。因此,本发明着重对应急指挥控制系统面向多灾点的资源配置问题进行研究,给出相应的模型和算法。
本发明在应急救援指挥控制组织资源调度过程中,在多灾点救援任务的有序规划的同时,实现任务需求与平台资源的更优匹配。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的多灾点应急救援指挥控制组织资源调度方法流程图。
图2是本发明实施例提供的应急救援指挥控制组织资源调度系统的结构示意图;
图2中:1、应急救援资源调度分析模块;2、单任务调度模型构建模块;3、启发式算法设计模块;4、多任务处理分析模块。
图3是本发明实施例提供的多应急救援指挥控制组织关系图。
图4是本发明实施例提供的子问题f1的函数曲线示意图。
图5是本发明实施例提供的多任务滚动策略示例图;
图5中:(a)找到任务ζ(1)的最优解;(b)找到任务ζ(2)的最优解;(c)寻找后续任务的最优解。
图6是本发明实施例提供的的多灾点应急救援指挥控制组织资源调度方法实现流程图。
图7是本发明实施例提供的的基于原始模型的任务执行质量的对比图。
图8是本发明实施例提供的的基于改进模型的任务执行质量的对比图。
图9是本发明实施例提供的的平均任务执行质量对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种多灾点应急救援指挥控制组织资源调度方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的多灾点应急救援指挥控制组织资源调度方法包括以下步骤:
S101:输入任务的资源需求信息、平台资源能力信息,任务数量为n,计数器i=0,将任务按优先级顺序排序;
S102:i=i+1,选择第i个未处理的任务Ti,利用拉格朗日松弛算法和裁剪算法求解针对任务Ti的资源调度方案;
S103:利用m-best算法和多任务滚动策略选择对任务Ti的优化的资源调度方案;
S104:判断i<n是否成立,若是,转至S102;
S105:利用PWE算法对解进行优化,生成对所有任务的最优解;
S106:输出资源调度问题的最优解。
本发明提供的多灾点应急救援指挥控制组织资源调度方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的多灾点应急救援指挥控制组织资源调度方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的应急救援指挥控制组织资源调度系统包括:
应急救援资源调度分析模块1,用于构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化。
单任务调度模型构建模块2,用于根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型。
启发式算法设计模块3,用于设计单任务调度模型的求解方法,设计启发式算法。
多任务处理分析模块4,用于分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法。
下面结合附图对本发明的技术方案作进一步的描述。
本发明的应急救援指挥控制组织如图3所示,整个组织由指挥控制中心、各个前沿指控中心、各个救援平台组成,组织处理的对象是救援区域的各个子任务。本发明的核心是实现救援平台到救援任务的合理匹配,达到最大化满足任务需求的目的,进而保证救援任务的完成。
本发明根据应急救援指挥控制组织需处理的使命,建立资源调度的评估测度,利用评估测度构建单救援任务的资源调度模型,设计能够求解串行多救援任务(以下简称任务)的资源调度问题的求解方法,提出应急救援指挥控制组织集中式的任务筹划技术,解决应急救援决策实体的可用救援平台(以下简称平台)如何规划使用的问题。
本发明提供的多灾点应急救援指挥控制组织资源调度方法包括以下步骤:
步骤一,分析应急救援的资源调度过程,构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化;
步骤二,根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型。
步骤三,设计单任务调度模型的求解方法,设计启发式算法;
步骤四,分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法。
本发明的步骤一中,令R表示救援资源,一个平台具有一项或者多项资源能力,一个任务的执行需要满足其对资源的需求。为了能够有效表示资源的多少,本发明将资源进行量化建模,描述急救援指挥控制组织的基本资源能力矢量表示为r=(r1,r2,…,rl,…,rL),L为资源能力类型的数量。
令T表示多灾点的救援任务,任务是应急救援指挥控制组织为达成其作战目的而采取的行动。所有任务的集合表示为T={T1,…Ti,…,Tn},n为任务数量。各个任务均需要特定的资源才能被有效处理。任务的基本属性包括:任务开始时间ts,i;任务执行时间tp,i;任务优先级ρ;任务Ti的资源需求Ri=[Ri1,…Ril,…RiL],Ril为第i个任务对第l种资源的需求量。定义Rti为第i个任务拥有资源类型的向量Rti=[Rti1,…Rtil,…,RtiL],若第i个任务需要第l种资源,Rtil为1;否则Rtil=0。
令P表示应急救援平台,简称平台,平台是急救援指挥控制组织中承载作战资源的实体单元,是作战任务的直接参与者,例如,作战飞机、雷达、舰船等作战单元。所有平台的集合表示为P={P1,…Pj,…,Pm},m为平台的数量。平台Pj的资源能力向量可以表示为rj=[rj1,…,rjl,…,rjL],rjl为第j个平台能够提供的第l种资源的数量。定义rtj为平台Pj所拥有的资源类型的向量[rtj1,…rtjl,…,rtjL],若第j个平台拥有第l种资源,rtjl为1;否则rtjl=0。
本发明的平台-任务分配向量表示救援指挥控制组织平台与任务之间的数量分配关系,任务Ti的分配向量表示为:
其中,yi为任务Ti的分配向量;yij表示执行任务Ti的平台Pj的数量;Z表示整数集合。
资源满足度是指分配给任务Ti的所有平台能够提供的资源与任务所需的该类资源的比值,且资源满足度最大为1。任务Ti对第l种资源的满足度表示为:
其中,zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量。
任务执行质量(QT)是衡量任务所分配平台的资源与任务资源需求之间匹配程度的测度值。为了保证任务的顺利执行,任务所需的资源均不能缺失,因此本发明采用任务所需资源满足度的几何平均值作为任务执行质量测度,任务Ti的执行质量表示为:
步骤二中构建数学模型的步骤如下:
1)确定目标函数,式(3)给出了任务执行质量的数学模型,本发明以任务执行质量最大化QT为单任务资源调度模型的目标函数。与之对应的多任务资源调度优化的目标函数为QM各个单任务执行质量的加权和,表示为:
2)构建约束条件;
处理任务Ti时需满足以下三个约束条件:
约束条件1:执行任务Ti的平台总数不大于任务的最大平台承载数Y;
其中,Y为单个任务的最大平台承载数;Φ为指挥控制组织所要执行任务的标号集合;yij为执行任务Ti的平台Pj的数量;i为任务的标号;j为平台的标号;J为平台的类型数量。
约束条件2:执行任务Ti的平台Pj的数量不大于该平台的可用数量;
其中,yij为执行任务Ti的平台Pj的数量;Numij为组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;Φ为指挥控制组织所要执行任务的标号集合;yij为执行任务Ti的平台Pj的数量;i为任务的标号;j为平台的标号;J为平台的类型数量。
约束条件3:任务Ti处理完后应留有足够的平台处理后续的任务,拥有第l类资源的平台数量大于后续需要第l类资源的未处理任务数量:
其中,rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;Numij为组织处理任务Ti时拥有的平台Pj的数量;yij为执行任务Ti的平台Pj的数量;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号;RTi为任务Ti所需的资源类型的标号集合;i为任务的标号;j为平台的标号;J为平台的类型数量;l为资源类型的标号。
3)建立应急救援指挥控制组织的单任务资源调度模型:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;Y为单个任务的最大平台承载数;Φ为应急救援指挥控制组织所要执行任务的标号集合;Numij为应急救援指挥控制组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号。
4)对原始的单任务模型进行处理,将其转换为等价的两个子问题模型;本发明利用拉格朗日算子对第一个约束条件进行松弛,构建对偶目标函数L(λ)。将问题分解为两个子问题,子问题1是带有连续变量zl的非线性规划问题,另一个是关于整数矢量y的线性整数规划问题。两个子问题独立求解,利用求解结果计算对偶目标函数值。根据弱对偶原理,通过多次迭代逼近最优解。单任务模型的等价模型可以表示为:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;Y为单个任务的最大平台承载数;Φ为应急救援指挥控制组织所要执行任务的标号集合;Numij为应急救援指挥控制组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号。
本发明利用拉格朗日算子松弛约束条件后的目标函数可以写作如下形式:
其中,min为取最小值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;λl是拉格朗日算子,λl≥0;i为任务的标号;j为平台的标号;l为资源类型的标号;J为平台的类型数量;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;f1为子问题1函数符号,f2为子问题2函数符号。
对偶目标函数可以表示为如下形式:
其中,inf为下确界;min为取最小值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;λl是拉格朗日算子,λl≥0;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;J为平台的类型数量。
利用拉格朗日松弛法,该复杂的规划问题可以分解为两个子问题f1和f2,子问题f1为:
子问题f2为:
3)利用拉格朗日松弛算法对单任务的资源调度数学模型进行迭代逼近最优解,利用裁剪算法对接进行优化,具体步骤如下:
步骤3-1,迭代求解单任务的资源调度数学模型;
步骤3-1-1:初始化迭代变量k=0和拉格朗日乘数λk;
步骤3-1-2:k=k+1,求解两个子问题f1和f2;
子问题f1的解很容易求得,该目标函数是一个凸函数如图4所示。
子问题f1的一阶导数如式所示。
其中,λl是拉格朗日算子,λl≥0;l为资源类型的标号;zl为任务对第l种资源的满足度;RTi表示任务Ti所需的资源种类的集合;f1′为对函数f1的一阶求导。
忽略约束条件,f1′(zl)=0时函数取最值,即zl=1/λl时,f1取得最小值,如图4所示。考虑到约束条件的存在,函数f1取最小值时的解如式所示,获得解zi *=[zi1 *,…,zil *,…,ziJ *]T;
子问题2属于有约束的混合整数线性规划问题。该问题的求解可通过分支定界法进行求解,获得解yi *=[yi1 *,…,yij *,…,yiJ *]T;
步骤3-1-6:判断是否已经收敛,如果满足任何一个结束条件sk<ε,其中ε接近0的数,转至3-1-7,否则转至步骤3-1-2;
步骤3-2,利用裁剪策略对获得的单任务模型的解进行优化;
将多任务的资源调度问题分解为顺序处理多个单任务资源调度的问题,能够极大地简化平台规划问题的复杂度。但这种顺序处理任务的方法极易导致平台资源分配的不均衡,对于优先级较高的任务而言,有足够的平台资源能够满足其任务需求,保证其任务完成质量,而对于优先级较低的任务,由于优先级较高的任务已经占用过多资源,剩余的资源将无法保证其任务执行质量。为了解决上述平台资源分配不均衡的问题,本发明首先设计裁剪策略,对单任务处理模型的求解结果进行裁剪处理,去除冗余的平台,保证为后续任务留有尽可能多的平台。
在步骤3-1部分,利用拉格朗日松弛法求解的结果能够保证任务执行质量的最大化,然而,期望获得的结果是利用尽可能少的平台来处理某一个任务。因此,该方法获得的解并不是最精简的结果。造成这种现象的原因在于任务执行质量的定义,由于任务完成质量具有上限值,当平台提供的资源量远大于任务的资源需求量时,任务的执行质量始终为1,对于平台资源十分充分的情况下,极易出现有过多的平台分配执行同一个任务。本发明设计的裁剪策略旨在保证任务执行质量不下降的情况下去除分配到该任务的冗余平台。
裁剪策略基本的步骤如下:
步骤3-2-1:输入针对任务Ti的平台分配结果任务Ti的任务执行质量QTi。执行任务Ti的所有的平台记为集合{P1,…,Ps,…,PS}。初始化参数,计数器s=0,经过裁剪后的集合为Y_pruing,初始集合为空,即Y_pruing=φ;
步骤3-2-4:判断Y_pruing=φ是否成立,如果是,转至步骤3-2-5;否则,计算集合Y_pruing中所有结果的平台资源量与任务Ti的资源需求量的比值,选择比值最小的方案作为youtput,转至步骤3-2-5;
步骤3-2-5:输出针对任务Ti的平台调度结果youtput。
4)根据任务的优先级顺序处理各个单任务的资源调度模型,利用采用m-best算法、多任务的滚动策略和成对交换算法(Pair-Wise Exchange,PWE)对多个任务间的解进行协调优化,具体内容包括:
步骤4-1,采用m-best算法进行单任务模型的多个解;
通过上述拉格朗日松弛法和裁剪策略,能够获得单任务优化模型的最优解。将该最优解记为1-best解,m-best解的生成方法旨在以1-best解为基础,生成m个较优的解,为后续滚动过程提供在单任务下的多个可供选择的方案。
m-best解的生成方法描述如下:
步骤4-1-2:记录p-1best解中非零元素的位置标号。非零元素的数量记为K,其位置标号的集合为{l1,...,lk,...lK},其中lk为在中第k个非零元素的位置标号。生成K个约束条件,第k个约束条件为将该约束条件分别添加到初始的单任务模型中,将原任务模型划分成K个子问题模型;
步骤4-1-3:利用拉格朗日松弛法和裁剪策略求解K个子问题模型,将求解得到的所有结果放入集合Ycandidate;
步骤4-1-4:从集合Ycandidate中选出最优解判断在集合Ym-best中是否有相同的解,如果是,将从集合Ycandidate移除并重复步骤4-1-4;否则,p-best解为将放入集合Ym-best,并将其从集合Ycandidate中移除,转至步骤4-1-5;
步骤4-1-5:判断p=m是否成立,如果是,转至步骤4-1-6,否则p=p+1并转至4-1-2;
步骤4-2,利用多任务的滚动策略,在考虑全局的基础上完成对单个任务资源调度方案的选择;
尽管在建模过程中考虑到了平台资源的均衡性问题,但基于优先级顺序处理任务的方法无法避免高优先级任务比低优先级任务更容易获得更多的平台资源,可用平台的不足必将导致低优先级任务的执行质量不高。滚动策略就是以提升全局多任务执行质量为目的,为当前任务从m个较好的解中找到一个服从全局优化的最好解。
滚动策略在顺序决策问题中已经有了成功的应用。对于当前任务Ti而言,滚动策略分别以任务Ti的m个优化解出发,顺序求解后续单任务的最优解,并计算全局目标函数值;其次,从m个全局目标函数值中选择最大的值,将其对应的任务Ti的解作为当前解。
如图5给出了滚动策略的基本过程。首先,任务按优先级由高到低排序的任务集为{ζ(1),…,ζ(i),…ζ(n)},优先级最高的任务为ζ(1),针对该任务生成了3个较优解。分别以3个较优解为起点,不断更新可用平台信息,顺序求解后续任务模型的最优解(即1-best解),计算全局任务执行质量(QM1,QM2和QM3),其中QM2最大,选择2-best解为任务ζ(1)模型的解;按顺序不断迭代,直至获得所有任务模型的解。
步骤4-3,利用PWE算法对解进行优化;
m-best算法是基于贪婪机制的优化方法,这种方法虽然能够获得较优解,但其全局寻优能力较差。为了有效提高解的质量,本发明采用PWE算法对解进行进一步优化,均衡分配给各个任务的平台资源,建立两个任务间的平台交换机制获取更好的任务执行质量。PWE算法的流程如下:
步骤4-3-1:根据平台-任务分配结果y,计算分配给每一个任务的平台资源量与任务资源需求量的比值Qi,按降序对任务进行排序,获得的任务列表为η,计数器i=1;
其中,Qi为执行任务Ti的所有平台资源量与任务资源需求量的比值;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;j为平台的标号;l为资源类型的标号;yij为执行任务Ti的平台Pj的数量;J为平台的类型数量。
步骤4-3-2:选择任务Tη(i),计数器u=n
步骤4-3-3:执行给任务Tη(i)和Tη(u)的平台集合为τ和κ,令计数器t=1,计数器k=1;
步骤4-3-4:交换平台κ(k)和τ(t)的任务;
步骤4-3-5:判断全局目标函数值是否提升,如果是,将κ和τ放入待选解集,并交换平台κ(k)和τ(t)的任务;
步骤4-3-6:k=k+1.判断k>|κ|是否成立,如果是,k=1,转至步骤4-3-7;否则转至步骤4-3-4;
步骤4-3-7:t=t+1.判断t>|τ|是否成立,如果是,t=1,选择最优的解κ,τ给任务Tη(i)和Tη(u),转至步骤4-3-8;否则,转至步骤4-3-4;
步骤4-3-8:u=u-1,若u=i,转至步骤4-3-9;否则,转至步骤4-3-2;
步骤4-3-9:i=i+1,若i=n,转至步骤4-3-10;否则,转至步骤4-3-2;
步骤4-3-10:输出交换平台后的解y。
下面结合仿真对本发明的技术效果作详细的描述。
实验想定:假设在某区域进行应急救援任务,所有任务需要在30个小时内完成,决策者需要建立有效的平台-任务匹配关系,确保作战区域内的所有任务制定合理的调度计划。整个任务使命分为11个任务(n=11),共有11种可用平台(mp=11)。21个作战平台,资源能力种类为12(L=12),任务属性信息包括任务开始时间、任务处理时间、资源需求向量,如表1所示。平台拥有的资源能力如表2所示。平台的资源能力如表2所示。从任务的时间信息可以看出,大多数任务的时间窗有重叠,需并行执行,每个平台在同一时刻只能执行一个任务。并且假定在任务区域内,所有平台执行多个任务时,在时间上均是可达的。
表1任务的资源需求
任务 | r<sub>1</sub> | r<sub>2</sub> | r<sub>3</sub> | r<sub>4</sub> | r<sub>5</sub> | r<sub>6</sub> | r<sub>7</sub> | r<sub>8</sub> | r<sub>9</sub> | r<sub>10</sub> | r<sub>11</sub> | r<sub>12</sub> | t<sub>s,i</sub> | t<sub>p,i</sub> | ρ |
T<sub>1</sub> | 5 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 30 | 1 |
T<sub>2</sub> | 5 | 0 | 12 | 14 | 10 | 0 | 0 | 0 | 12 | 0 | 4 | 0 | 0 | 30 | 4 |
T<sub>3</sub> | 3 | 0 | 8 | 8 | 7 | 0 | 0 | 0 | 6 | 0 | 4 | 0 | 0 | 30 | 6 |
T<sub>4</sub> | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 30 | 3 |
T<sub>5</sub> | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 4 | 0 | 0 | 6 | 10 | 10 |
T<sub>6</sub> | 5 | 0 | 10 | 0 | 8 | 10 | 6 | 0 | 5 | 5 | 0 | 0 | 26 | 4 | 11 |
T<sub>7</sub> | 2 | 0 | 0 | 0 | 8 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 24 | 7 |
T<sub>8</sub> | 2 | 5 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 3 | 0 | 24 | 8 |
T<sub>9</sub> | 2 | 6 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 30 | 2 |
T<sub>10</sub> | 2 | 8 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 18 | 9 |
T<sub>11</sub> | 2 | 7 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 7 | 0 | 30 | 5 |
表2平台的资源能力
仿真实验中,每个任务最多由4个平台执行,即任务的最大平台承载数为Y=4,m-best算法中m=4,为了验证所提模型合理性,本发明分别采用了改进前后两种不同的单任务模型进行了仿真实验,其中,一种模型是带有全局约束的改进型模型,另一种模型是不具有全局约束的原始模型。以上两种模型均采用拉格朗日松弛和裁剪策略进行求解。为了验证m-best分配算法和PWE算法的准确性,本发明将其与贪婪策略(greedy strategy,GS)进行仿真对比。贪婪策略是一种解决多任务分配的经典策略,这种方法在顺序处理任务时,始终为任务提供当前所有的可用平台,本质上,该方法是m-best算法的一种特例,即m为1的m-best分配算法。仿真获得的平台-任务分配结果和任务的执行质量如表3至表8所示。
表3利用GS算法对初始模型的求解结果
表4利用m-best滚动策略对初始模型的求解结果
表5利用m-best滚动策略和PWE算法对初始模型的求解结果
表6利用GS算法对改进模型的求解结果
表7利用m-best滚动策略对改进模型的求解结果
表8利用m-best滚动策略和PWE算法对改进模型的求解结果
表3至表5为原始模型的平台-任务分配结果,表6至表8为改进模型的平台-任务规划分配结果,任务执行质量的对比结果如图7至图9所示。图7和图8是分别建立了原始模型和改进模型,并利用不同的方法进行求解获得的对比实验结果。图9是利用不同的模型和不同的方法下的平均任务执行质量的对比。
根据仿真结果,本发明首先对模型的优越性进行比较分析。对比图7和图8可知,原始模型只能保证优先级较高的任务的执行质量,由于没有保留足够的平台来处理后续任务,任务7、任务9和任务11的执行质量为0。而改进后的模型能够保证各个任务均能由合理的平台来执行。如图9所示,在三种不同的求解方法下,利用原始模型的平均任务执行质量分别为72.08%、85.26%和88.01%;利用改进模型的平均任务执行质量分别为91.05%,95.08%和98.11%。无论采用哪一种求解算法,利用改进模型获得的平均任务执行质量均高于原始模型,这证明了本发明所提模型的优越性。
此外,从图9中可以看出,m-best分配算法能够有效提高平均任务执行质量,原始模型下提高了13.18%,改进模型下提高了4.75%,这证明m-best分配算法优于贪婪策略。从图9中还可看出,PWE算法在两种模型下均对任务执行质量进行了一定程度幅度的提升,这证明了PWE算法的有效性。如表4和表5所示,原始模型下的任务执行质量从63.00%~100%提升到了82.03%~100%;如表7和表8所示,改进模型下的任务执行质量从69.9%~100%提升到了90.86%~100%。m-best分配算法和PWE算法能够有效提高任务执行质量,将两种算法相结合能够有效解决集中式的任务规划问题。
以上实例可以看出以本发明所提的启发式算法为基础的资源调度方法给出一个较优的资源调度方案,不存在随机性因素,能够有效给出资源调度问题的求解方案。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述多灾点应急救援指挥控制组织资源调度方法包括:
分析应急救援的资源调度过程,构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化;
根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型;
设计单任务调度模型的求解方法,设计启发式算法;
分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法。
2.如权利要求1所述的多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述分析应急救援的资源调度过程,构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化包括:令R表示救援资源,一个平台具有一项或者多项资源能力,一个任务的执行需要满足其对资源的需求,将资源进行量化建模,描述急救援指挥控制组织的基本资源能力矢量表示为r=(r1,r2,…,rl,…,rL),L为资源能力类型的数量;
令T表示多灾点的救援任务,任务是应急救援指挥控制组织为达成其作战目的而采取的行动,所有任务的集合表示为T={T1,…Ti,…,Tn},n为任务数量,各个任务均需要特定的资源才能被有效处理,任务的基本属性包括:任务开始时间ts,i;任务执行时间tp,i;任务优先级ρ;任务Ti的资源需求Ri=[Ri1,…Ril,…RiL],Ril为第i个任务对第l种资源的需求量,定义Rti为第i个任务拥有资源类型的向量Rti=[Rti1,…Rtil,…,RtiL],若第i个任务需要第l种资源,Rtil为1;否则Rtil=0;
令P表示应急救援平台,平台是急救援指挥控制组织中承载作战资源的实体单元,是作战任务的直接参与者,所有平台的集合表示为P={P1,…Pj,…,Pm},m为平台的数量,平台Pj的资源能力向量表示为rj=[rj1,…,rjl,…,rjL],rjl为第j个平台能够提供的第l种资源的数量,定义rt j为平台Pj所拥有的资源类型的向量[rtj1,…rtjl,…,rtjL],若第j个平台拥有第l种资源,rtjl为1;否则rtjl=0;
平台-任务分配向量表示救援指挥控制组织平台与任务之间的数量分配关系,任务Ti的分配向量表示为:
其中,yi为任务Ti的分配向量;yij表示执行任务Ti的平台Pj的数量;Z表示整数集合;
资源满足度是指分配给任务Ti的所有平台能够提供的资源与任务所需的该类资源的比值,且资源满足度最大为1,任务Ti对第l种资源的满足度表示为:
其中,zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;
任务执行质量QT是衡量任务所分配平台的资源与任务资源需求之间匹配程度的测度值;采用任务所需资源满足度的几何平均值作为任务执行质量测度,任务Ti的执行质量表示为:
3.如权利要求1所述的多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型包括:
(1)确定目标函数,给出了任务执行质量的数学模型,以任务执行质量最大化QT为单任务资源调度模型的目标函数,与之对应的多任务资源调度优化的目标函数为QM各个单任务执行质量的加权和,表示为:
(2)构建约束条件;
处理任务Ti时需满足以下三个约束条件:
约束条件1:执行任务Ti的平台总数不大于任务的最大平台承载数Y;
其中,Y为单个任务的最大平台承载数;Φ为指挥控制组织所要执行任务的标号集合;yij为执行任务Ti的平台Pj的数量;i为任务的标号;j为平台的标号;J为平台的类型数量;
约束条件2:执行任务Ti的平台Pj的数量不大于该平台的可用数量;
其中,yij为执行任务Ti的平台Pj的数量;Numij为组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;Φ为指挥控制组织所要执行任务的标号集合;yij为执行任务Ti的平台Pj的数量;i为任务的标号;j为平台的标号;J为平台的类型数量;
约束条件3:任务Ti处理完后应留有足够的平台处理后续的任务,拥有第l类资源的平台数量大于后续需要第l类资源的未处理任务数量:
其中,rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;Numij为组织处理任务Ti时拥有的平台Pj的数量;yij为执行任务Ti的平台Pj的数量;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号;RTi为任务Ti所需的资源类型的标号集合;i为任务的标号;j为平台的标号;J为平台的类型数量;l为资源类型的标号;
(3)建立应急救援指挥控制组织的单任务资源调度模型:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;Y为单个任务的最大平台承载数;Φ为应急救援指挥控制组织所要执行任务的标号集合;Numij为应急救援指挥控制组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号;
(4)对原始的单任务模型进行处理,将其转换为等价的两个子问题模型;利用拉格朗日算子对第一个约束条件进行松弛,构建对偶目标函数L(λ),将问题分解为两个子问题,子问题1是带有连续变量zl的非线性规划问题,另一个是关于整数矢量y的线性整数规划问题,两个子问题独立求解,利用求解结果计算对偶目标函数值,根据弱对偶原理,通过多次迭代逼近最优解,单任务模型的等价模型表示为:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;Y为单个任务的最大平台承载数;Φ为应急救援指挥控制组织所要执行任务的标号集合;Numij为应急救援指挥控制组织处理任务Ti时拥有的平台Pj的数量;Z为整数集;rtjl为平台Pj所拥有的资源类型的标志;Rti’l为任务Ti’所需要的资源类型的标志;upT(i)是处理任务Ti后还未处理的任务集合;i’为upT(i)集合中任务的标号;
利用拉格朗日算子松弛约束条件后的目标函数写作如下形式:
其中,min为取最小值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;λl是拉格朗日算子,λl≥0;i为任务的标号;j为平台的标号;l为资源类型的标号;J为平台的类型数量;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;f1为子问题1函数符号,f2为子问题2函数符号;
对偶目标函数表示为如下形式:
其中,inf为下确界;min为取最小值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;λl是拉格朗日算子,λl≥0;i为任务的标号;j为平台的标号;l为资源类型的标号;RTi表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台Pj的数量;J为平台的类型数量;
利用拉格朗日松弛法,该复杂的规划问题可以分解为两个子问题f1和f2;
子问题f1为:
子问题f2为:
4.如权利要求1所述的多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述设计单任务调度模型的求解方法,设计启发式算法,利用拉格朗日松弛算法对单任务的资源调度数学模型进行迭代逼近最优解,利用裁剪算法对接进行优化;具体包括:
步骤一,迭代求解单任务的资源调度数学模型;
步骤二,利用裁剪策略对获得的单任务模型的解进行优化;首先设计裁剪策略,对单任务处理模型的求解结果进行裁剪处理,去除冗余的平台,利用拉格朗日松弛法求解的结果能够保证任务执行质量的最大化。
5.如权利要求4所述的多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述迭代求解单任务的资源调度数学模型包括:
(1)初始化迭代变量k=0和拉格朗日乘数λk;
(2)k=k+1,求解两个子问题f1和f2;
子问题f1的解很容易求得,该目标函数是一个凸函数;
子问题f1的一阶导数如式;
其中,λl是拉格朗日算子,λl≥0;l为资源类型的标号;zl为任务对第l种资源的满足度;RTi表示任务Ti所需的资源种类的集合;f1′为对函数f1的一阶求导;
忽略约束条件,f1′(zl)=0时函数取最值,即zl=1/λl时,f1取得最小值,考虑到约束条件的存在,函数f1取最小值时的解如式所示,获得解zi *=[zi1 *,…,zil *,…,ziJ *]T;
子问题2属于有约束的混合整数线性规划问题,该问题的求解可通过分支定界法进行求解,获得解yi *=[yi1 *,…,yij *,…,yiJ *]T;
(6)判断是否已经收敛,如果满足任何一个结束条件sk<ε,其中ε接近0的数,转至(7),否则转至(2);
6.如权利要求4所述的多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述利用裁剪策略对获得的单任务模型的解进行优化的裁剪策略包括:
(1)输入针对任务Ti的平台分配结果任务Ti的任务执行质量QTi,执行任务Ti的所有的平台记为集合{P1,…,Ps,…,PS},初始化参数,计数器s=0,经过裁剪后的集合为Y_pruing,初始集合为空,即Y_pruing=φ;
(5)输出针对任务Ti的平台调度结果youtput。
7.如权利要求1所述的多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法根据任务的优先级顺序处理各个单任务的资源调度模型,利用采用m-best算法、多任务的滚动策略和成对交换算法PWE对多个任务间的解进行协调优化,具体包括:
步骤一,采用m-best算法进行单任务模型的多个解;通过拉格朗日松弛法和裁剪策略,获得单任务优化模型的最优解,将该最优解记为1-best解,m-best解的生成方法旨在以1-best解为基础,生成m个较优的解,为后续滚动过程提供在单任务下的多个可供选择的方案;
步骤二,利用多任务的滚动策略,在考虑全局的基础上完成对单个任务资源调度方案的选择;对于当前任务Ti而言,滚动策略分别以任务Ti的m个优化解出发,顺序求解后续单任务的最优解,并计算全局目标函数值;其次,从m个全局目标函数值中选择最大的值,对应的任务Ti的解作为当前解;首先,任务按优先级由高到低排序的任务集为{ζ(1),…,ζ(i),…ζ(n)},优先级最高的任务为ζ(1),针对该任务生成了3个较优解,分别以3个较优解为起点,不断更新可用平台信息,顺序求解后续任务模型的最优解,计算全局任务执行质量(QM1,QM2和QM3),其中QM2最大,选择2-best解为任务ζ(1)模型的解;按顺序不断迭代,直至获得所有任务模型的解;
步骤三,利用PWE算法对解进行优化;采用PWE算法对解进行进一步优化,均衡分配给各个任务的平台资源,建立两个任务间的平台交换机制获取更好的任务执行质量。
8.如权利要求7所述的多灾点应急救援指挥控制组织资源调度方法,其特征在于,所述采用m-best算法进行单任务模型的多个解包括:
(2)记录p-1best解中非零元素的位置标号,非零元素的数量记为K,其位置标号的集合为{l1,...,lk,...lK},其中lk为在中第k个非零元素的位置标号,生成K个约束条件,第k个约束条件为将该约束条件分别添加到初始的单任务模型中,将原任务模型划分成K个子问题模型;
(3)利用拉格朗日松弛法和裁剪策略求解K个子问题模型,将求解得到的所有结果放入集合Ycandidate;
(4)从集合Ycandidate中选出最优解判断在集合Ym-best中是否有相同的解,如果是,将从集合Ycandidate移除并重复(5);否则,p-best解为将放入集合Ym-best,并将其从集合Ycandidate中移除,转至(5);
(5)判断p=m是否成立,如果是,转至(6),否则p=p+1并转至(2);
所述利用PWE算法对解进行优化包括:
1)根据平台-任务分配结果y,计算分配给每一个任务的平台资源量与任务资源需求量的比值Qi,按降序对任务进行排序,获得的任务列表为η,计数器i=1;
其中,Qi为执行任务Ti的所有平台资源量与任务资源需求量的比值;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;j为平台的标号;l为资源类型的标号;yij为执行任务Ti的平台Pj的数量;J为平台的类型数量;
2)选择任务Tη(i),计数器u=n;
3)执行给任务Tη(i)和Tη(u)的平台集合为τ和κ,令计数器t=1,计数器k=1;
4)交换平台κ(k)和τ(t)的任务;
5)判断全局目标函数值是否提升,如果是,将κ和τ放入待选解集,并交换平台κ(k)和τ(t)的任务;
6)k=k+1.判断k>|κ|是否成立,如果是,k=1,转至7),否则转至4);
7)t=t+1.判断t>|τ|是否成立,如果是,t=1,选择最优的解κ,τ给任务Tη(i)和Tη(u),转至8);否则,转至4);
8)u=u-1,若u=i,转至9);否则,转至2);
9)i=i+1,若i=n,转至10);否则,转至2);
10)输出交换平台后的解y。
9.一种实施权利要求1~8任意一项所述多灾点应急救援指挥控制组织资源调度方法的多灾点应急救援指挥控制组织资源调度,其特征在于,所述多灾点应急救援指挥控制组织资源调度系统包括:
应急救援资源调度分析模块,用于构建资源调度的测度模型,给出平台-任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化;
单任务调度模型构建模块,用于根据资源调度的测度模型,确定资源调度过程的优化目标,分析资源调度过程,提出资源调度问题的约束条件,构建应急救援指控组织处理单任务的调度模型;
启发式算法设计模块,用于设计单任务调度模型的求解方法,设计启发式算法;
多任务处理分析模块,用于分析多任务处理过程,给出基于任务优先级的多任务顺序资源调度方法。
10.一种应急信息管理终端,其特征在于,所述应急信息管理终端搭载权利要求9所述的多灾点应急救援指挥控制组织资源调度系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010741860.6A CN111967656A (zh) | 2020-07-29 | 2020-07-29 | 多灾点应急救援指挥控制组织资源调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010741860.6A CN111967656A (zh) | 2020-07-29 | 2020-07-29 | 多灾点应急救援指挥控制组织资源调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111967656A true CN111967656A (zh) | 2020-11-20 |
Family
ID=73362951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010741860.6A Pending CN111967656A (zh) | 2020-07-29 | 2020-07-29 | 多灾点应急救援指挥控制组织资源调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967656A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344356A (zh) * | 2021-05-31 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种多目标资源分配决策方法和装置 |
CN113657879A (zh) * | 2021-08-04 | 2021-11-16 | 支付宝(杭州)信息技术有限公司 | 一种资源调度的方法及装置 |
CN114707770A (zh) * | 2022-06-06 | 2022-07-05 | 中国民航大学 | 基于救援时效性的航空应急救援决策的优化方法 |
CN115796523A (zh) * | 2022-11-30 | 2023-03-14 | 北京华如科技股份有限公司 | 一种资源分配方法及装置 |
CN116362420A (zh) * | 2023-05-31 | 2023-06-30 | 佛山市尔托机械科技有限公司 | 一种应急救援指挥中心管理方法 |
CN116739323A (zh) * | 2023-08-16 | 2023-09-12 | 北京航天晨信科技有限责任公司 | 一种面向应急资源调度的智能评估方法和系统 |
CN116957311A (zh) * | 2023-09-21 | 2023-10-27 | 交通运输部水运科学研究所 | 一种应急策略的智能分配方法及系统 |
US20230401662A1 (en) * | 2022-06-13 | 2023-12-14 | Beihang University | Method for planning collaborative search-and-rescue missions using a plurality of search-and-rescue equipment in medium to far sea areas |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189094A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军空军工程大学 | 一种多有人机与多无人机混合编队资源调度方法 |
-
2020
- 2020-07-29 CN CN202010741860.6A patent/CN111967656A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189094A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军空军工程大学 | 一种多有人机与多无人机混合编队资源调度方法 |
Non-Patent Citations (3)
Title |
---|
WANG XUN ETAL: "Distributed tasks-platforms scheduling method to holonic-C2 organization", JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS, vol. 30, no. 1, pages 110 - 120 * |
WANG XUN ETAL: "Nonlinear optimal model and solving algorithms for platform planning problem in battlefield", JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS, vol. 29, no. 5, pages 983 - 994 * |
WANG XUN ETAL: "Nonlinear optimal model and solving algorithms for platform planning problem in battlefield", OURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS, vol. 29, no. 5, pages 983 - 994 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344356A (zh) * | 2021-05-31 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种多目标资源分配决策方法和装置 |
CN113657879A (zh) * | 2021-08-04 | 2021-11-16 | 支付宝(杭州)信息技术有限公司 | 一种资源调度的方法及装置 |
CN114707770A (zh) * | 2022-06-06 | 2022-07-05 | 中国民航大学 | 基于救援时效性的航空应急救援决策的优化方法 |
CN114707770B (zh) * | 2022-06-06 | 2022-10-18 | 中国民航大学 | 基于救援时效性的航空应急救援决策的优化方法 |
US11908032B2 (en) * | 2022-06-13 | 2024-02-20 | Beihang University | Method for planning collaborative search-and-rescue missions using a plurality of search-and-rescue equipment in medium to far sea areas |
US20230401662A1 (en) * | 2022-06-13 | 2023-12-14 | Beihang University | Method for planning collaborative search-and-rescue missions using a plurality of search-and-rescue equipment in medium to far sea areas |
CN115796523B (zh) * | 2022-11-30 | 2023-07-18 | 北京华如科技股份有限公司 | 一种资源分配方法及装置 |
CN115796523A (zh) * | 2022-11-30 | 2023-03-14 | 北京华如科技股份有限公司 | 一种资源分配方法及装置 |
CN116362420B (zh) * | 2023-05-31 | 2023-08-11 | 佛山市尔托机械科技有限公司 | 一种应急救援指挥中心管理方法 |
CN116362420A (zh) * | 2023-05-31 | 2023-06-30 | 佛山市尔托机械科技有限公司 | 一种应急救援指挥中心管理方法 |
CN116739323A (zh) * | 2023-08-16 | 2023-09-12 | 北京航天晨信科技有限责任公司 | 一种面向应急资源调度的智能评估方法和系统 |
CN116739323B (zh) * | 2023-08-16 | 2023-11-10 | 北京航天晨信科技有限责任公司 | 一种面向应急资源调度的智能评估方法和系统 |
CN116957311A (zh) * | 2023-09-21 | 2023-10-27 | 交通运输部水运科学研究所 | 一种应急策略的智能分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967656A (zh) | 多灾点应急救援指挥控制组织资源调度方法及系统 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN110210700A (zh) | 面向应急响应的基于任务优先级的多星动态任务规划方法 | |
CN109189094B (zh) | 一种多有人机与多无人机混合编队资源调度方法 | |
Gupta et al. | Efficient workflow scheduling algorithm for cloud computing system: a dynamic priority-based approach | |
Chakravarthi et al. | TOPSIS inspired budget and deadline aware multi-workflow scheduling for cloud computing | |
US20220004941A1 (en) | Short-term load forecasting | |
CN105373432A (zh) | 一种基于虚拟资源状态预测的云计算资源调度方法 | |
Khajemohammadi et al. | Efficient workflow scheduling for grid computing using a leveled multi-objective genetic algorithm | |
CN108281989A (zh) | 一种风电电力系统经济调度方法及装置 | |
Cai et al. | Multitasking bi-level evolutionary algorithm for data-intensive scientific workflows on clouds | |
Park et al. | Practical Human Resource Allocation in Software Projects Using Genetic Algorithm. | |
Zhou et al. | Makespan–cost–reliability-optimized workflow scheduling using evolutionary techniques in clouds | |
Delavar et al. | A goal-oriented workflow scheduling in heterogeneous distributed systems | |
Ebadifard et al. | A modified black hole-based multi-objective workflow scheduling improved using the priority queues for cloud computing environment | |
Eswari et al. | Modified multi-objective firefly algorithm for task scheduling problem on heterogeneous systems | |
Varghese et al. | Dynamic spatial block arrangement scheduling in shipbuilding industry using genetic algorithm | |
CN113238873B (zh) | 一种用于航天器资源优化配置的方法 | |
Diviš et al. | Reflective nested simulations supporting optimizations within sequential railway traffic simulators | |
Mehrabi et al. | An adaptive genetic algorithm for multiprocessor task assignment problem with limited memory | |
Barghi et al. | Meta-heuristic solution with considering setup time for multi-skilled project scheduling problem | |
CN111008788B (zh) | 一种基于改进离散头脑风暴优化算法的引航员指派方法 | |
CN113220437A (zh) | 一种工作流多目标调度方法及装置 | |
US8554704B2 (en) | Cruncher—an MIP solver accelerator | |
CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |