CN112734239B - 基于任务与资源能力属性的任务规划方法、装置和介质 - Google Patents
基于任务与资源能力属性的任务规划方法、装置和介质 Download PDFInfo
- Publication number
- CN112734239B CN112734239B CN202110038238.3A CN202110038238A CN112734239B CN 112734239 B CN112734239 B CN 112734239B CN 202110038238 A CN202110038238 A CN 202110038238A CN 112734239 B CN112734239 B CN 112734239B
- Authority
- CN
- China
- Prior art keywords
- combat
- task
- formation
- resource
- representing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005755 formation reaction Methods 0.000 claims abstract description 139
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 138
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 71
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010129 solution processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及基于任务与资源能力属性的任务规划方法、装置和介质,所述方法包括步骤:获取作战任务和作战资源的建模数据;建模数据包括作战任务的需求能力属性数据和作战资源的编队属性数据;根据建模数据,确定各作战任务的初始资源集;初始资源集由匹配各作战任务的需求能力的作战编队组成;在初始资源集中按照目标函数进行求解计算,得到各作战任务的最终方案集;目标函数为作战资源的总花费和作战任务的风险值最小化确定的目标函数;根据最终方案集进行兵力测算,得到本次规划总任务的兵力类型和数量数据。通过上述方案,实现了高效完成作战任务规划与兵力需求测算的目的,提高了联合作战中资源利用率和作战效率。
Description
技术领域
本申请涉及计算机测算技术领域,特别是涉及一种基于任务与资源能力属 性的任务规划方法、装置和介质。
背景技术
随着信息技术、电子对抗与系统理论及方法的发展,利用计算机辅助进行 联合作战任务计划,己经越来越多地进入到军队作战行动的各个方面。任务计 划系统是采用较优的任务计划算法,利用先进的计算机技术,采集、存储的各 种情报数据,进行大规模分析并辅助制定任务计划的系统。任务计划系统中最 关键最重要的部分是任务计划算法,其直接影响到作战的结果和作战的效率。
目前,尽管在作战计划层次上,许多军事单位都根据具体需要建立了一些 军事模型,并且以此为基础开发了多个作战模拟系统。然而,在实现本发明过 程中,发明人发现对应用于作战模拟系统中的作战任务计划算法及方法研究较 少,仍存在着无法高效完成作战任务规划与兵力需求测算的技术问题,这也不 同程度地降低了作战模拟系统的效能。
发明内容
基于此,有必要针对上述技术问题,提供一种能够高效完成作战任务规划 与兵力需求测算的基于任务与资源能力属性的任务规划方法、一种基于任务与 资源能力属性的任务规划装置,一种计算机设备以及一种计算机可读存储介质。
为了实现上述目的,本发明实施例采用以下技术方案:
一方面,本发明实施例提供一种基于任务与资源能力属性的任务规划方法, 包括步骤:
获取作战任务和作战资源的建模数据;建模数据包括作战任务的需求能力 属性数据和作战资源的编队属性数据;
根据建模数据,确定各作战任务的初始资源集;初始资源集由匹配各作战 任务的需求能力的作战编队组成;
在初始资源集中按照目标函数进行求解计算,得到各作战任务的最终方案 集;目标函数为作战资源的总花费和作战任务的风险值最小化确定的目标函数;
根据最终方案集进行兵力测算,得到本次规划总任务的兵力类型和数量数 据。
另一方面,还提供一种基于任务与资源能力属性的任务规划装置,包括:
任务资源获取模块,用于获取作战任务和作战资源的建模数据;建模数据 包括作战任务的需求能力属性数据和作战资源的编队属性数据;
资源集确定模块,用于根据建模数据,确定各作战任务的初始资源集;初 始资源集由匹配各作战任务的需求能力的作战编队组成;
方案集获取模块,用于在初始资源集中按照目标函数进行求解计算,得到 各作战任务的最终方案集;目标函数为作战资源的总花费和作战任务的风险值 最小化确定的目标函数;
测算模块,用于根据最终方案集进行兵力测算,得到本次规划总任务的兵 力类型和数量数据。
又一方面,还提供一种计算机设备,包括存储器和处理器,存储器存储有 计算机程序,处理器执行计算机程序时实现上述基于任务与资源能力属性的任 务规划方法的步骤。
再一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,计 算机程序被处理器执行时实现上述基于任务与资源能力属性的任务规划方法的 步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果:
上述基于任务与资源能力属性的任务规划方法、装置和介质,通过针对基 于任务资源匹配的兵力测算,首先获取作战任务和作战资源的建模数据,根据 作战任务需要的能力类型在可用编队中进行筛选,选出所有具有与作战任务相 匹配的能力种类的编队,组成该作战任务的初始资源集;然后在初始资源集中 按照目标函数进行求解计算,得到分配决策矩阵而形成最终方案集;对所有作 战任务同理操作。最后根据每个作战任务形成的最终方案进行兵力测算,计算 出此次规划总任务的兵力类型和数量数据,高效完成作战任务规划与兵力需求 测算,从而大大提高联合作战中的资源利用率,提高联合作战的作战效率,减 少联合作战中资源的损耗并正确估计完成作战任务所需的兵力。
附图说明
图1为一个实施例中基于任务与资源能力属性的任务规划方法的流程示意 图;
图2为一个实施例中问题求解模型示意图;
图3为一个实施例中建模数据获取的流程示意图;
图4为一个实施例中子任务关联示意图;
图5为一个实施例中任务分解示意图;
图6为一个实施例中根据目标函数进行求解处理的流程示意图;
图7为一个实施例中构建的邻域结构示意图;
图8为一个实施例中仿真场景示意图;
图9为实验一在不同编队规模下算法求解的结果示意图;
图10为实验一在不同编队规模下算法的耗时柱状示意图;
图11为实验二在不同任务规模下算法求解的结果示意图;
图12为实验二在不同任务规模下算法的耗时柱状示意图;
图13为实验二在不同任务规模下算法的最优解平均单能力消耗折线示意图;
图14为一个实施例中基于任务与资源能力属性的任务规划装置的模块结构 示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实 施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅 用以解释本申请,并不用于限定本申请。需要说明的是,当一个元件被认为是 “连接”另一个元件,可以是直接连接到另一个元件并与之结合为一体,或者 可能同时存在居中元件,即也可以是间接连接到另一个元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术 领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术 语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的 术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
为解决传统任务计划系统中存在着的无法高效完成作战任务规划与兵力需 求测算的技术问题,本发明实施例提供了以下技术方案:
请参阅图1,在一个实施例中,本发明提供一种基于任务与资源能力属性的 任务规划方法,包括如下步骤S12至S18:
S12,获取作战任务和作战资源的建模数据;建模数据包括作战任务的需求 能力属性数据和作战资源的编队属性数据。
可以理解,作战任务和作战资源的建模数据为分别针对作战任务和作战资 源建模而形成的数据,作战任务的建模数据可以包括作战总使命分解后形成的 各作战任务的任务关系以及每个作战任务确定的任务属性,例如但不限于任务 的时间属性、空间属性和能力需求属性。
作战资源是指作战编队和相应的武器平台,编队记为V,V={v1,v2,…vm},其 中,vi表示V中第i个作战编队(i=1,2,…,m)。作战资源的建模数据可以包括每 种作战编队确定的编队属性,例如但不限于编队的轮换时间属性、空间属性、 可供能力属性、编队数量属性和编队成本属性。
作战任务和作战资源的建模数据可以在战前或者战时,通过联网或者接口 输入等方式获得。
S14,根据建模数据,确定各作战任务的初始资源集;初始资源集由匹配各 作战任务的需求能力的作战编队组成;
S16,在初始资源集中按照目标函数进行求解计算,得到各作战任务的最终 方案集;目标函数为作战资源的总花费和作战任务的风险值最小化确定的目标 函数;
S18,根据最终方案集进行兵力测算,得到本次规划总任务的兵力类型和数 量数据。
可以理解,面对作战任务规划与兵力需求测算,所研究的问题为基于任务 资源匹配的兵力测算问题,一般的,首先需要考虑分配方案的形成,其次再依 据分配方案进行兵力测算。在任务需求资源计算过程中,有m种编队去执行n个 作战任务,执行过程中需满足资源与任务的时间、空间以及能力约束。考虑不 同编队对分配的目标任务的完成概率,用rij表示编队V中编队vi执行作战任务uj时的完成概率。对于一个预先可以确定的目标,采用哪种编队进行打击也是可 以预先确定的,如此,无论采用哪种弹型进行打击所得到的完成概率也是可以 预先确定的。因此引入相对完成概率矩阵:
因此,基于任务与资源匹配的兵力测算问题的求解构思为:首先,考虑每 个作战任务的能力种类需求。对于某一作战任务,根据其需要的能力类型在可 用作战编队中进行筛选,选出所有具有与其所需能力相匹配的能力种类的作战 编队,组成该作战任务的初始资源集。对于分解出来的其他作战任务也是同理 处理;这样,即可分别得到每一作战任务的初始资源集。
然后,考虑能力值约束、编队数量约束等作战约束条件,在满足作战约束 条件的情况下,在作战任务的初始资源集中按照目标函数通过相应的计算机算 法进行优化求解,得到分配决策矩阵,形成最终方案集。最后,根据每个作战 任务形成的最终方案集即可进行兵力测算,直接计算出此次规划总任务的兵力 类型、数量等数据。
在筹划联合火力作战的过程中,通常需要考虑的两个基本指标是火力资源 的总花费和任务的风险值,因此本申请中以前述两个基本指标最小化为模型确 定求解过程中所需的目标函数。
综上分析,可以预先针对上述测算问题构建相应的求解模型,如图2所示, 也即可以借助计算机技术,通过上述处理步骤实现该求解模型的求解计算,输 出所需的作战任务规划及其兵力需求数据。关于上述作战任务的分解与关联, 具体的解释说明,可以参考论文“鲁音隆,‘多兵种联合作战战役任务计划方法 研究’,国防科学技术大学,2004”同理理解。
上述基于任务与资源能力属性的任务规划方法,通过针对基于任务资源匹 配的兵力测算,首先获取作战任务和作战资源的建模数据,根据作战任务需要 的能力类型在可用编队中进行筛选,选出所有具有与作战任务相匹配的能力种 类的编队,组成该作战任务的初始资源集;然后在初始资源集中按照目标函数 进行求解计算,得到分配决策矩阵而形成最终方案集;对所有作战任务同理操 作。最后根据每个作战任务形成的最终方案进行兵力测算,计算出此次规划总 任务的兵力类型和数量数据,高效完成作战任务规划与兵力需求测算,从而大 大提高联合作战中的资源利用率,提高联合作战的作战效率,减少联合作战中 资源的损耗并正确估计完成作战任务所需的兵力。
请参阅图3,在一个实施例中,关于上述的步骤S12,具体可以包括如下处 理步骤:
S122,将作战使命分解为各作战任务,根据任务执行的时序关系确定各作 战任务的任务关系;
S124,获取对各作战任务建模的任务属性数据;任务属性数据包括时间属 性数据、空间属性数据和能力需求属性数据;
S126,获取对各编队建模的资源属性数据;资源属性数据包括轮换时间属 性数据、空间属性数据、可供能力属性数据、编队数量属性数据和编队成本属 性数据。
可以理解,将某一作战使命分解为若干个作战任务(或称子任务),并按任 务执行的时序获得如图4所示的任务关联图,根据任务的包含关系,可以得到 任务的分解图如图5所示。由作战使命分解得到的任务集U={u1,u2,…un},uj表 示中第j个子任务(j=1,2,…,n)。每个子任务均具有如下三种属性:
1)时间属性:
每个子任务都需在规定的时间段内完成,将此时间段记为其中表示第j个子任务开始的时间,/>表示第j个子任务前的上一个任务的 结束时间。
2)空间属性:
每个子任务的空间位置由经度、纬度和高度确定。每个任务的空间范围用 数学表达式表示为其中/>表示经度,/>表示纬度,/>表示高 度。
3)能力需求属性:
每个子任务都有不同类型能力的需求,将能力需求表示为 其中/>表示执行第j个子任务对第k种能力的需求值。可选 的,上述任务属性数据可以但不限于通过联网下载获取,或者用外部可读存储 介质输入,又或者可以手动输入设置的方式获取。
相应的,每个作战编队均可以具有如下五个属性:
1)轮换时间属性:
每个作战编队在完成一次作战任务后,需要间隔一段时间(也即轮换时间) 才能继续执行下一个任务。某个编队执行上一个作战任务结束的时刻,加上该 编队的轮换时间为该编队执行下一个任务的最早开始时间。轮换时间 (i=1,2,…m)。
2)空间属性:
每个编队的空间位置由经度、纬度和高度确定。每个编队的空间范围用数 学表达式其中/>表示编队的经度,/>表示编队的纬度,/>表示 编队的高度。
3)可供能力属性:
每个编队有不同类型以及不同大小的作战能力。将编队的可供能力表示为其中,/>表示执行第i个编队的第k种能力的能力值大小。
每个编队的每种能力均有作战半径,记为表示第i个编队的第k种能力 的作战半径,以编队所在位置为圆心,以/>为半径空间区域表示编队vi的第k种 能力的作战范围,可以记为/>
4)编队数量属性:
拥有的每种编队都有确定的数量,用Q表示编队的数量上限,Q={q1,q2,…qm}, 其中,qi表示第i种作战编队可供使用的总数之和。
5)编队成本属性:
每个编队由不同的武器平台组成,将编队的平台使用单位成本记为ci,ci表 示使用第i种武器平台所耗费的成本,令ni为武器平台的数量。
可选的,上述各资源属性数据也可以但不限于通过联网下载获取,或者用 外部可读存储介质输入,又或者可以手动输入设置的方式获取。通过上述步骤, 可以在战前或者战时高效获得或者更新作战任务和作战资源的建模数据。
由于作战环境的复杂性,作战编队与目标的交战方式也是较为复杂的,因 而需要对实际问题进行合理抽象,以建立准确的求解模型用于解决问题,因此 作出如下模型假设:
1、每次执行作战任务过程中,作战任务所处位置不随时间发生改变;
2、在同一波次打击内,同一类型的作战编队打击同一目标的完成概率是相 同的;
3、不同作战编队对每一目标的打击都是相互独立的;此外,同一类型作战 编队对不同目标的打击也是相互独立的;
4、作战任务按阶段划分,作战任务的开始时间和结束时间是已经给定的;
5、假定从执行的作战任务结束时刻加作战编队轮换时刻作为该作战编队下 一次的可用时刻;
6、单一轮次同一作战编队使用次数不超过一次。
在一个实施例中,关于上述的步骤S16中目标函数的构建,具体可以如下 处理:目标函数可以包括耗费价值最少函数、使用编队最少函数和总完成率最 高函数。其中,在步骤S16中形成最终方案集的分配决策矩阵为:
其中,xij∈Q(i=1,2,…m,j=1,2,…n),xij表示第i种作战编队分配给第j个作战任务的编队数量,Q表示编队的数量上限。
在进行作战任务规划过程中,作战成本是需要考虑的因素之一。上述耗费 价值最少函数为:
其中,cij表示使用第i种武器平台执行第j个作战任务的成本。
由于各编队数量是有限的,作战任务规划过程中,期望以最少的编队来最 大程度地完成作战任务。因此,上述使用编队最少函数为:
其中,eij表示执行第j个作战任务使用第i种作战编队的数量。
可选的,期望所有作战任务的整体完成概率达到最高,因此可以计算执行 的所有作战任务的总完成概率,以总完成概率最高作为另一个目标函数。因此, 上述总完成率最高函数为:
其中,rij表示第i种作战编队执行第j个作战任务的完成概率。如此,即可 实现上述各目标函数的构建。
在一个实施例中,关于上述的步骤S16中目标函数的构建,具体还可以如 下处理:在进行作战任务规划时,不一定是每个作战子任务都能分配到相应的 作战编队去执行,因此不是所有作战任务都可以完成。期望完成的作战任务占 全部任务的比例最高,用e表示已完成的作战任务的数量,由于总任务数为n, 因此目标函数还可以包括的任务完成率最高函数,具体为:
Z4=Max(e/n)
其中,e表示已完成的作战任务的数量,n表示总任务数。如此,即可实现 进一步的目标函数的构建补充。
在一个实施例中,关于上述的步骤S16,可以理解,目标函数用于求解的过 程中,需要满足相应的约束条件,以获得更准确的求解测算结果。其中,目标 函数相应的约束条件可以包括能力约束、最大可用编队数量约束、空间约束和 轮换时间约束。其中,对每个作战任务形成的打击方案中,所有作战编队拥有 的每项能力需满足该作战任务对相应每项能力的需求。因此,能力约束为:
其中,xij表示第i种作战编队分配给第j个作战任务的编队数量,Pvi,k表示第 i个编队的第k个能力的能力值,Puj,k表示执行第j个任务对第k种能力的需求值。
各类作战编队{v1,v2,…vm}的数量是有限的,其数量上限分别为{q1,q2,…qm}, 因此,最大可用编队数量约束为:
其中,qi表示第i种作战编队可供使用的总数之和。
作战任务的地理位置要处在其匹配到的编队的作战半径内。用D(uj,ui)表示 第i种编队与第j个任务的空间距离,则空间约束为:
D(uj,vi)xij≤rvi,k,k=1,2,…
其中,D(uj,vi)表示第i种作战编队与第j个任务的空间距离,rvi,k表示作战 编队vi的第k种能力的作战范围。
对于作战编队vi,其可以用于执行作战任务的最早开始时间必须在该编队执 行上一作战任务结束的时间点加上该编队的轮换时间Tvi,用uj表示第i个作战编 队在此阶段中被分配到的作战任务,ua表示该编队在此任务前执行的上一任务, 因此,轮换时间约束为:
其中,表示作战编队vi执行第j个任务前的上一个任务的结束时间,/>表 示作战编队vi的轮换时间,/>表示第j个任务的开始时间。如此,即可实现了 目标函数相应的约束条件的构建。
请参阅图6,在一个实施例中,关于上述的步骤S16,可以包括如下处理步 骤:
S162,对初始资源集对应的各作战任务按优先级从高到低的顺序进行排序 处理;
S164,根据目标函数和排序后的初始资源集,采用贪心策略求解生成初始 解;
S166,将各作战任务的排序重置为随机排序后,根据目标函数和排序重置 后的初始资源集,采用贪心策略求解生成邻域解;
S168,根据初始解和所述邻域解,确定所述最终方案集。
可以理解,分解出来的各作战任务其分别可以根据作战需要设置相应的优 先级大小。在本实施例中,基于已广泛应用的贪心策略(或称贪心算法)进行 求解处理。
具体的,本实施例中,采用邻域搜索算法进行求解处理,包括初始解的生 成和邻域解的生成两大部分。其中,初始解的生成具体处理过程可以如下:
为了产生初始可行的任务-资源(编队即资源)规划方案,提出一种贪婪规 则。在该算法中,首先将任务按照其优先级排序,然后给每个任务的单能力依 次分配方案,形成初始解:
1、任务-资源能力种类约束,如下述表1的算法1所示。2、任务-资源空间 约束,如下述表1的算法2所示。
3、任务-资源时间约束,如下述表1的算法3所示。4、满足以上三个约束 后行形成任务单能力的可用资源集,然后在可用资源集的基础上根据能力值的 大小对资源进行组合形成任务单能力的可选方案集,如下述表1的算法4所示。
5、采用贪心策略将可选方案集中耗费最低的方案作为当前任务单能力需求 的方案,如下述表1的算法5所示,最终行成初始解。
表1
将作战任务和任务能力的排序打乱后,按照类似于初始解生成的算法流程 进行操作,即可得到邻域解。本实施例中构建的邻域结构如图7所示:选择一 个方案,选择原任务排序中的两个点,将两点之间的任务顺序全部随机排列, 而其他的任务方案保持不变。通过上述处理步骤,即可输出战役级兵力需求测 算所需的最终方案集,通过选择的方案即可直接读取相应兵力需求。
在一个实施例中,关于上述的步骤S16,可以包括如下处理步骤:
在生成邻域解的过程中,根据任务完成率函数从生成的邻域解中确定优化 解。优化解用于确定所述最终方案集。
任务完成率函数为:
其中,Pcomplete表示任务完成率,Ncomplete表示完成任务数量,Nall表示总任务数 量。
具体的,在本实施例中,考虑到在生成邻域解的过程中,可能会出现某作 战任务需求的单项能力无可行方案的情况,为防止这一可能情况的出现而导致 上述求解算法出现问题而提前终止,也为了防止在寻优的过程中算法将缺少能 力的方案误认为更优的方案(分配的任务数量少自然消耗低),因此,在上述求 解算法中引入上述任务完成率函数。进而,算法中总目标函数可以由如下公式 表示:
其中,F(p)表示总方案的目标数;ci表示第i个任务的消耗;k表示任务总 数;Pcomplete表示任务完成率;w1和w2分别表示前后项的权重,∑w=1。总目标F(p) 越大,则解方案越优。如此,通过上述步骤,可以进一步提升最终作战规划与 兵力测算的效率和准确度。
为了更直观地说明本申请上述提出的基于任务与资源能力属性的任务规划 方法,而不是用于对该方法的唯一限定,下面给出了相应的实验验证结果:
在本节中,为了验证上述提出的算法的有效性,通过使用不同规模的算例 对算法进行分析。实验主要在一台个人计算机上进行,上述算法采用 MatlabR2019a软件编程实现。
由于最优解(也即上述优化解)的消耗与任务的数量有关,因此以最优解 的消耗的绝对数值衡量算法在不同任务规模下的寻优能力,显然是不合理的。 为了能够衡量不同任务规模下最优解的优劣并以之衡量算法的寻优能力,本示 例中引入了平均单能力消耗Ca作为衡量标准。平均单能力消耗Ca的计算公式如 下所示:
其中,Call表示该解方案的总消耗,W表示任务单能力总数。通过引入Ca, 可以有效的避免任务数目变化对算法性能分析的干扰。仿真场景如图8所示, 图中上方一侧实心点代表编队所处的地理空间位置,下方一侧的十字代表任务 所在的物理位置。
兵力匹配问题中存在两个维度:作战任务和作战编队,因此对于算法效率 的比较也从这两个角度出发。
实验一:改变算例的编队数量
改变编队数量,进行多次算法求解,并记录下每次实验的运行时间和最优 解,如表2所示。
表2改变编队数时算法的求解结果
算例 | 任务数 | 编队数 | 时间 | 最优解 |
Exp.1 | 15 | 200 | 8.67 | 19700 |
Exp.2 | 15 | 300 | 10.19 | 19070 |
Exp.3 | 15 | 400 | 13.05 | 19690 |
Exp.4 | 15 | 500 | 18.20 | 19060 |
如图9和图10所示,在编队数目增大的同时,算法得到的解没有发生明显 的改变,且算法耗时的增加也在可接受的范围内,一定程度上可以表明,本算 法在编队数目变化时,表现出了较强的鲁棒性。
实验二:改变算例的任务数量
然后改变任务数量,进行多次算法求解,并记录下每次实验的运行的相关 参数和结果,如表3所示。
表3改变任务数时算法的求解结果
如图11,图12和图13所示,在任务规模增加的同时,算法的耗时仅有少 量增加,而与此同时,算法最优解方案的平均单能力消耗没有显著的变化,因 此可以证明,在任务规模变化的情况下,本算法仍然表现出了较强的鲁棒性。
此外,分析不同任务规模下算法的解优化曲线,可以发现在10代左右,算 法就能找到满意解,这表明该算法具有较强的勘探能力;最终,算法通常能够 在30代左右搜索到最优解。
应该理解的是,虽然图1图3和图6的流程图中的各个步骤按照箭头的指 示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本 文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以 其它的顺序执行。而且图1图3和图6中的至少一部分步骤可以包括多个子步 骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是 可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行, 而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交 替地执行。
请参阅图14,另一方面,还提供一种基于任务与资源能力属性的任务规划 装置100,包括任务资源获取模块13、资源集确定模块15、方案集获取模块17 和测算模块19。任务资源获取模块13用于获取作战任务和作战资源的建模数据; 建模数据包括作战任务的需求能力属性数据和作战资源的编队属性数据。资源 集确定模块15用于根据建模数据,确定各作战任务的初始资源集;初始资源集 由匹配各作战任务的需求能力的作战编队组成。方案集获取模块17用于在初始 资源集中按照目标函数进行求解计算,得到各作战任务的最终方案集;目标函 数为作战资源的总花费和作战任务的风险值最小化确定的目标函数。测算模块 19用于根据最终方案集进行兵力测算,得到本次规划总任务的兵力类型和数量数据。
上述基于任务与资源能力属性的任务规划装置100,通过各模块的协作,通 过针对基于任务资源匹配的兵力测算,首先获取作战任务和作战资源的建模数 据,根据作战任务需要的能力类型在可用编队中进行筛选,选出所有具有与作 战任务相匹配的能力种类的编队,组成该作战任务的初始资源集;然后在初始 资源集中按照目标函数进行求解计算,得到分配决策矩阵而形成最终方案集; 对所有作战任务同理操作。最后根据每个作战任务形成的最终方案进行兵力测 算,计算出此次规划总任务的兵力类型和数量数据,高效完成作战任务规划与 兵力需求测算,从而大大提高联合作战中的资源利用率,提高联合作战的作战 效率,减少联合作战中资源的损耗并正确估计完成作战任务所需的兵力。
在一个实施例中,上述基于任务与资源能力属性的任务规划装置100的各 模块还可以用于实现上述基于任务与资源能力属性的任务规划方法各实施例中 增加的相应步骤或者子步骤。
关于基于任务与资源能力属性的任务规划装置100的具体限定,可以参见 上文中基于任务与资源能力属性的任务规划方法的相应限定,在此不再赘述。 上述基于任务与资源能力属性的任务规划装置100中的各个模块可全部或部分 通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具 体数据处理功能的设备中,也可以软件形式存储于前述设备的存储器中,以便 于处理器调用执行以上各个模块对应的操作,前述设备可以是但不限于作战指 挥中心的平台系统、坐席终端或者移动工作站的计算机。
又一方面,还提供一种计算机设备,包括存储器和处理器,存储器存储有 计算机程序,处理器执行计算机程序时可以实现以下步骤:获取作战任务和作 战资源的建模数据;建模数据包括作战任务的需求能力属性数据和作战资源的 编队属性数据;根据建模数据,确定各作战任务的初始资源集;初始资源集由 匹配各作战任务的需求能力的作战编队组成;在初始资源集中按照目标函数进 行求解计算,得到各作战任务的最终方案集;目标函数为作战资源的总花费和 作战任务的风险值最小化确定的目标函数;根据最终方案集进行兵力测算,得 到本次规划总任务的兵力类型和数量数据。
在一个实施例中,处理器执行计算机程序时还可以实现上述基于任务与资 源能力属性的任务规划方法各实施例中增加的步骤或者子步骤。
再一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,计 算机程序被处理器执行时实现以下步骤:获取作战任务和作战资源的建模数据; 建模数据包括作战任务的需求能力属性数据和作战资源的编队属性数据;根据 建模数据,确定各作战任务的初始资源集;初始资源集由匹配各作战任务的需 求能力的作战编队组成;在初始资源集中按照目标函数进行求解计算,得到各 作战任务的最终方案集;目标函数为作战资源的总花费和作战任务的风险值最 小化确定的目标函数;根据最终方案集进行兵力测算,得到本次规划总任务的 兵力类型和数量数据。
在一个实施例中,计算机程序被处理器执行时,还可以实现上述基于任务 与资源能力属性的任务规划方法各实施例中增加的步骤或者子步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成的,计算机程序可存储于一非 易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方 法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存 储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非 易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限, RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态 随机存储器(Rambus DRAM,简称RDRAM)以及接口动态随机存储器 (DRDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述 实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特 征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但 并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普 通技术人员来说,在不脱离本申请构思的前提下,还可做出若干变形和改进, 都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于任务与资源能力属性的任务规划方法,其特征在于,包括步骤:
获取作战任务和作战资源的建模数据;所述建模数据包括所述作战任务的需求能力属性数据和所述作战资源的编队属性数据;
根据所述建模数据,确定各作战任务的初始资源集;所述初始资源集由匹配各作战任务的需求能力的作战编队组成;
在所述初始资源集中按照目标函数进行求解计算,得到各作战任务的最终方案集;所述目标函数为作战资源的总花费和作战任务的风险值最小化确定的目标函数;
根据所述最终方案集进行兵力测算,得到本次规划总任务的兵力类型和数量数据;其中,所述目标函数包括耗费价值最少函数、使用编队最少函数和总完成率最高函数;形成所述最终方案集的分配决策矩阵为:
其中,xij∈Q(i=1,2,…m,j=1,2,…n),xij表示第i种作战编队分配给第j个作战任务的编队数量,Q表示编队的数量上限;
所述耗费价值最少函数为:
其中,cij表示使用第i种武器平台执行第j个作战任务的成本;
所述使用编队最少函数为:
其中,eij表示执行第j个作战任务使用第i种作战编队的数量;
所述总完成率最高函数为:
其中,rij表示第i种作战编队执行第j个作战任务的完成概率;
所述目标函数相应的约束条件包括能力约束、最大可用编队数量约束、空间约束和轮换时间约束;
所述能力约束为:
其中,Pvi,k表示第i个编队的第k个能力的能力值,Puj,k表示执行第j个任务对第k种能力的需求值;
所述最大可用编队数量约束为:
其中,qi表示第i种作战编队可供使用的总数之和;
所述空间约束为:
D(uj,vi)xij≤rvi,k,k=1,2,
其中,D(uj,vi)表示第i种作战编队与第j个任务的空间距离,rvi,k表示作战编队vi的第k种能力的作战范围;
所述轮换时间约束为:
其中,表示作战编队vi执行第j个任务前的上一个任务的结束时间,/>表示作战编队vi的轮换时间,/>表示第j个任务的开始时间。
2.根据权利要求1所述的基于任务与资源能力属性的任务规划方法,其特征在于,在所述初始资源集中按照目标函数进行求解计算,得到各作战任务的最终方案集的步骤,包括:
对所述初始资源集对应的各作战任务按优先级从高到低的顺序进行排序处理;
根据所述目标函数和排序后的所述初始资源集,采用贪心策略求解生成初始解;
将各作战任务的排序重置为随机排序后,根据所述目标函数和排序重置后的所述初始资源集,采用贪心策略求解生成邻域解;
根据所述初始解和所述邻域解,确定所述最终方案集。
3.根据权利要求2所述的基于任务与资源能力属性的任务规划方法,其特征在于,在所述初始资源集中按照目标函数进行求解计算,得到各作战任务的最终方案集的步骤,还包括:
在生成所述邻域解的过程中,根据任务完成率函数从生成的邻域解中确定优化解;所述优化解用于确定所述最终方案集;
所述任务完成率函数为:
其中,Pcomplete表示任务完成率,Ncomplete表示完成任务数量,Nall表示总任务数量。
4.根据权利要求1所述的基于任务与资源能力属性的任务规划方法,其特征在于,所述目标函数还包括任务完成率最高函数:
Z4=Max(e/n)
其中,e表示已完成的作战任务的数量,n表示总任务数。
5.根据权利要求1所述的基于任务与资源能力属性的任务规划方法,其特征在于,获取作战任务和作战资源的建模数据的步骤,包括:
将作战使命分解为各作战任务,根据任务执行的时序关系确定各作战任务的任务关系;
获取对各作战任务建模的任务属性数据;所述任务属性数据包括时间属性数据、空间属性数据和能力需求属性数据;
获取对各编队建模的资源属性数据;所述资源属性数据包括轮换时间属性数据、空间属性数据、可供能力属性数据、编队数量属性数据和编队成本属性数据。
6.一种基于任务与资源能力属性的任务规划装置,其特征在于,包括:
任务资源获取模块,用于获取作战任务和作战资源的建模数据;所述建模数据包括所述作战任务的需求能力属性数据和所述作战资源的编队属性数据;
资源集确定模块,用于根据所述建模数据,确定各作战任务的初始资源集;所述初始资源集由匹配各作战任务的需求能力的作战编队组成;
方案集获取模块,用于在所述初始资源集中按照目标函数进行求解计算,得到各作战任务的最终方案集;所述目标函数为作战资源的总花费和作战任务的风险值最小化确定的目标函数;
测算模块,用于根据所述最终方案集进行兵力测算,得到本次规划总任务的兵力类型和数量数据;其中,所述目标函数包括耗费价值最少函数、使用编队最少函数和总完成率最高函数;形成所述最终方案集的分配决策矩阵为:
其中,xij∈Q(i=1,2,…m,j=1,2,…n),xij表示第i种作战编队分配给第j个作战任务的编队数量,Q表示编队的数量上限;
所述耗费价值最少函数为:
其中,cij表示使用第i种武器平台执行第j个作战任务的成本;
所述使用编队最少函数为:
其中,eij表示执行第j个作战任务使用第i种作战编队的数量;
所述总完成率最高函数为:
其中,rij表示第i种作战编队执行第j个作战任务的完成概率;
所述目标函数相应的约束条件包括能力约束、最大可用编队数量约束、空间约束和轮换时间约束;
所述能力约束为:
其中,Pvi,k表示第i个编队的第k个能力的能力值,Puj,k表示执行第j个任务对第k种能力的需求值;
所述最大可用编队数量约束为:
其中,qi表示第i种作战编队可供使用的总数之和;
所述空间约束为:
D(uj,vi)xij≤rvi,k,k=1,2,…
其中,D(uj,vi)表示第i种作战编队与第j个任务的空间距离,rvi,k表示作战编队vi的第k种能力的作战范围;
所述轮换时间约束为:
其中,表示作战编队vi执行第j个任务前的上一个任务的结束时间,/>表示作战编队vi的轮换时间,/>表示第j个任务的开始时间。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述基于任务与资源能力属性的任务规划方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述基于任务与资源能力属性的任务规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038238.3A CN112734239B (zh) | 2021-01-12 | 2021-01-12 | 基于任务与资源能力属性的任务规划方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038238.3A CN112734239B (zh) | 2021-01-12 | 2021-01-12 | 基于任务与资源能力属性的任务规划方法、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734239A CN112734239A (zh) | 2021-04-30 |
CN112734239B true CN112734239B (zh) | 2023-11-24 |
Family
ID=75590582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110038238.3A Active CN112734239B (zh) | 2021-01-12 | 2021-01-12 | 基于任务与资源能力属性的任务规划方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734239B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392521B (zh) * | 2021-06-11 | 2022-02-18 | 中国人民解放军军事科学院评估论证研究中心 | 面向海空联合作战任务的资源编组模型构建方法及系统 |
CN115374392B (zh) * | 2022-10-26 | 2023-11-24 | 北京方州科技有限公司 | 获取目标事件的对象参数的方法、电子设备和存储介质 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108548538A (zh) * | 2018-03-08 | 2018-09-18 | 中国人民解放军国防科技大学 | 多场站多无人机任务分配与飞行路径的规划方法及系统 |
CN108594645A (zh) * | 2018-03-08 | 2018-09-28 | 中国人民解放军国防科技大学 | 单场站多无人机分配与飞行路线的规划方法及系统 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
-
2021
- 2021-01-12 CN CN202110038238.3A patent/CN112734239B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108548538A (zh) * | 2018-03-08 | 2018-09-18 | 中国人民解放军国防科技大学 | 多场站多无人机任务分配与飞行路径的规划方法及系统 |
CN108594645A (zh) * | 2018-03-08 | 2018-09-28 | 中国人民解放军国防科技大学 | 单场站多无人机分配与飞行路线的规划方法及系统 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112734239A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734239B (zh) | 基于任务与资源能力属性的任务规划方法、装置和介质 | |
Xin et al. | An efficient rule-based constructive heuristic to solve dynamic weapon-target assignment problem | |
Rettke et al. | Approximate dynamic programming for the dispatch of military medical evacuation assets | |
CN110929867A (zh) | 神经网络结构的评估、确定方法、装置和存储介质 | |
Fu et al. | A two-layer task assignment algorithm for UAV swarm based on feature weight clustering | |
Bachmatiuk et al. | Analysis of the performance of different implementations of a heuristic method to optimize forest harvest scheduling | |
CN113255235B (zh) | 飞行器复杂结构近似建模方法、装置、设备和介质 | |
CN115796523B (zh) | 一种资源分配方法及装置 | |
Fu et al. | Fairness of task allocation in crowdsourcing workflows | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN115564374A (zh) | 协同多任务重分配方法、装置、设备及可读存储介质 | |
CN114881158A (zh) | 基于随机森林的缺失值填充方法、装置和计算机设备 | |
CN113110595B (zh) | 面向目标核查印证的异构无人机群协同方法 | |
CN115630514A (zh) | 一种无人机集群协同任务分配方法与装置 | |
CN112632615B (zh) | 基于混合云环境的科学工作流数据布局方法 | |
Özarslan et al. | Interactive Approaches to Multiple Criteria Sorting Problems: Entropy-Based Question Selection Methods | |
Wade | Convergent set-based design in integrated analysis of alternatives: designing engineered resilient systems | |
CN113095963A (zh) | 房地产成本数据处理方法、装置、计算机设备和存储介质 | |
Wang et al. | A memetic algorithm for constrainted weapon target assignment problems | |
Zhang et al. | Solving “limited” task allocation problem for UAVs based on optimization algorithms | |
CN117573382B (zh) | 一种数据采集任务编排方法、装置 | |
Peteiro-Barral et al. | A study on the scalability of artificial neural networks training algorithms using multiple-criteria decision-making methods | |
US11989590B2 (en) | Method and system for resource allocation | |
CN117171628B (zh) | 异构联邦环境中的图结构数据节点分类方法和装置 | |
De Moraes et al. | An evolutive hybrid approach to cloud computing provider selection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |