CN113344356A - 一种多目标资源分配决策方法和装置 - Google Patents

一种多目标资源分配决策方法和装置 Download PDF

Info

Publication number
CN113344356A
CN113344356A CN202110597161.3A CN202110597161A CN113344356A CN 113344356 A CN113344356 A CN 113344356A CN 202110597161 A CN202110597161 A CN 202110597161A CN 113344356 A CN113344356 A CN 113344356A
Authority
CN
China
Prior art keywords
demand
point
supply
resource
resource allocation
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
Application number
CN202110597161.3A
Other languages
English (en)
Inventor
李帆
李永刘
刘小川
刘彬彬
曹文涛
彭亚运
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fiberhome Telecommunication Technologies Co Ltd
Original Assignee
Fiberhome Telecommunication Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fiberhome Telecommunication Technologies Co Ltd filed Critical Fiberhome Telecommunication Technologies Co Ltd
Priority to CN202110597161.3A priority Critical patent/CN113344356A/zh
Publication of CN113344356A publication Critical patent/CN113344356A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (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

本发明涉及资源调度技术领域，提供了一种多目标资源分配决策方法和装置。方法包括根据一个或者多个待决策单元所包含的事件特征，生成簇数；通过聚类分析得到各待决策单元和对应的样本单元之间的分组；根据各分组内待决策单元拥有的事件特征和各样本单元拥有的事件特征之间的相似度，对各分组内的样本单元生成相应的权重值；以所述权重值加权样本单元的资源配比计算后，得到相应待决策单元的应急资源配比。本发明优化多目标问题模型，并考虑供给点和需求点亲密关系，增加动态最大化亲密度优化目标，给出一种新颖的资源分配调度方法。

Description

一种多目标资源分配决策方法和装置
【技术领域】
本发明涉及资源调度技术领域，特别是涉及一种多目标资源分配决策方法和装置。
【背景技术】
近年来，分配问题和调度问题属于NP-hard难度问题，而合理的规划分配和调度，能够节约资源、缩短工期以及最大化经济效益。资源决策已经在无线通信、工业自动化、自然灾害等领域得到重要应用。基于治综安全管理数据采集，综合应用了设备监控、热力地图、物品识别、人像识别等技术，存储大量高质量数据，比如重点人员、事件信息、公安反馈事件处理结果，面向地区重大事件、海关暴力抗拒事件，通过结合历史经验实现民警警力、武警警力、消防、医疗等应急资源的合理分配十分必要。目前资源配比和资源调度联合优化的研究较少，并且对于多供给点向多需求点分配多种资源的场景研究仍需要进一步深入研究。
鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题
【发明内容】
本发明要解决的技术问题是基于多供给点向多需求点分配多种资源的场景问题，缺乏资源分配和调度联合优化方案，以及缺少融合动态多阶段供给点和需求点亲密关系的问题。
本发明采用如下技术方案：
第一方面，本发明提供了一种多目标资源分配决策方法，包括：
根据一个或者多个待决策单元所包含的事件特征，生成簇数；
通过聚类分析得到各待决策单元和对应的样本单元之间的分组；其中，聚类分析得到的分组数量与所述簇数一致；
根据各分组内待决策单元拥有的事件特征和各样本单元拥有的事件特征之间的相似度，对各分组内的样本单元生成相应的权重值；
以所述权重值加权样本单元的资源配比计算后，得到相应待决策单元的应急资源配比。
优选的，所述对各分组内的样本单元生成相应的权重值之前，所述方法还包括从至少两个阶段，进行样本单元的筛选，具体的：
在第一阶段，从制造事件的涉事方分析其袭击效率，精确样本单元；
在第二阶段，根据精确后的样本单元，从应急方分析其应急效能，进一步筛选样本单元。
优选的，得到相应待决策单元的应急资源配比后，将所述应急资源配比作为资源分配调度的输入，根据适应单计划期/多计划期应用的优化目标，完成针对存在随时间变化的需求点时，进行的资源分配调度,其中，所述优化目标包括：
以达到最小化未满足度min f1、最小化调度效率min f2、最小化损失程度min f3和最大化亲密度max f4中的一项或者多项。
优选的，最小化未满足度min f1是指最小化各需求点的各类资源的供给总偏差；
Figure BDA0003091533700000021
其中，ηtik表示在子计划期t需求点i关于资源k的实际供给量与实际需求量的偏差；T表示计划期数；n表示需求点个数，w表示物资资源种类。
优选的，最小化调度效率min f2指最小化所有需求点的总供给调度时间，具体为：
Figure BDA0003091533700000022
其中，ztij表示在子计划期t从供给点j向需求点i的资源决策变量{0，1}，即存在供给则ztij＝1，否则ztij＝0；约定同一个计划期，从供给点j向需求点i调度多种资源时看作供给点j向需求点i发生一次调度；htij表示在子计划期t从供给点j向需求点i的资源调度时间；若调度时间满足小于等于约定期望时间，则Ptij＝0；若调度时间大于约定期望时间，则Ptij等于超出时间大小与惩罚系数ρ的乘积；St表示子计划期t的调度次数；T表示计划期数，n表示需求点个数，m表示物资供给点个数。
优选的，最小化损失程度min f3是指调度期间需求点承担的损失，具体为:
Figure BDA0003091533700000031
其中，max htij表示在子计划期t需求点i接收到所有供给调度的最长时间，maxht表示在子计划期t所有供给点向需求点结束调度的最长时间；θ(x)表示危害程度评估函数，在公式中x分别取值为max htij，以及max ht；T表示计划期数，n表示需求点个数；α和β为可调节系数，且α+β＝1。
优选的，所述最大化亲密度max f4，具体包括：
Figure BDA0003091533700000032
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；
其中，gtij表示在计划期t中供给点j和需求点i之间调度的亲密度关系等级；btij表示在计划期t中供给点j和需求点i之间的亲密度关联因子。
优选的，所述最大化亲密度max f4，具体包括：
Figure BDA0003091533700000033
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；w表示物资资源种类；
其中，gtijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关系等级；btijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关联因子；ztijk表示子计划期t从供给点j向需求点i供给物资k的决策值，取值为1表示供给，取值为0表示不供给；
其中，亲密度关联因子btijk根据用户需要考虑的资源优先，得到最大化亲密度，亲密度关联因子
Figure BDA0003091533700000041
其中rijk表示计划期t供给点j给需求点i分配物资k的数量，Rijk表示计划期t中需求点i对物资k的实际需求数。
优选的，同时考虑供给点j和多个需求点之间调度的亲密度关系等级相同时，关于w种资源的亲密度关系等级不同时的场景，产生不同的决策结果；通过加权求和
Figure BDA0003091533700000042
和
Figure BDA0003091533700000043
的目标函数作为max f4，优化构建的目标模型；
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；w表示物资资源种类；
其中，gtij表示在计划期t中供给点j和需求点i之间调度的亲密度关系等级；btij表示在计划期t中供给点j和需求点i之间的亲密度关联因子；
其中，gtijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关系等级；btijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关联因子；其中，亲密度关联因子根据用户需要考虑的资源，优先得到最大化亲密度，则取亲密度关联因子btijk等于计划期t供给点j给需求点i分配物资k的数量rijk与计划期t中需求点i对物资k的需求数Rijk的比值。
第二方面，本发明还提供了一种多目标资源分配决策装置，用于实现第一方面所述的多目标资源分配决策方法，所述装置包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行第一方面所述的多目标资源分配决策方法。
本发明优化多目标问题模型，并考虑供给点和需求点亲密关系，增加动态最大化亲密度优化目标，给出一种新颖的资源分配调度方法。
本发明的多目标模型适应多种资源分配和调度场景，同时，集成实时数据分析和指挥中心调控，给各地区治安管理事业提供一种资源解决方案，有利于公共治安事业的推进，协助提高指挥决策能力和行动能力。
在本发明优选方案中，通过k-median聚类和两阶段DEA分析方法实现资源配比规划，然后构建多目标协同治安维护调度策略，重点考虑多供应点提供多种资源分配多需求点的合理性规划问题，且同时适应单/多计划期分配应用场景。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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是本发明实施例所提供的一种资源分配装置整体框架；
图2是本发明实施例所提供的一种多目标资源分配决策方法的流程示意图；
图3是本发明实施例所提供的一种多目标资源分配决策方法的流程示意图；
图4是本发明实施例所提供的一种多目标资源分配决策方法的流程示意图；
图5是本发明实施例所提供的一种事件特征表示意图；
图6是本发明实施例所提供的一种聚类簇数参考表示意图；
图7是本发明实施例所提供的一种聚类结果示意图；
图8是本发明实施例所提供的一种特征权重示例示意图；
图9是本发明实施例所提供的一种第一阶段投入产出因子示意图；
图10是本发明实施例所提供的一种第一阶段示例示意图；
图11是本发明实施例所提供的一种第二阶段投入产出因子示意图；
图12是本发明实施例所提供的一种第二阶段示例示意图；
图13是本发明实施例所提供的一种亲密度等级分类表示意图；
图14是本发明实施例所提供的一种子计划期t供给点和需求点之间调度的亲密度等级示例1示意图；
图15是本发明实施例所提供的一种子计划期t供给点和需求点之间资源的亲密度等级示例2示意图；
图16是本发明实施例所提供的一种目标函数空间分布示意图；
图17是本发明实施例所提供的一种可行解示例示意图；
图18是本发明实施例所提供的一种可行解非支配排序结果示意图；
图19是本发明实施例所提供的一种目标优先级示例表示意图；
图20是本发明实施例提供的一种多目标资源分配决策装置的结构示意图。
【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，以下结合附图及实施例，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。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
本发明实施例1提供了一种多目标资源分配决策方法，参考图1所示的系统架构，其中，应急资源指挥中心模块用于获取供给点模块和需求点模块反馈的资源状况，并由此来对供给点模块和需求点模块相关数据配置做出调整(如图1中所示的滚动调整)；所述实时采集监控模块相比较应急资源指挥中心模块而言，偏向于计算机自动执行一块，而上述的应急资源指挥中心模块则更偏向于由操作人员主动介入的，图1中的所述实时采集监控模块会将从供给点模块反馈的供给点信息和需求点模块反馈的实时状况做内容评估，并将评估结果(可以理解为评估资源最佳投入配比模块能够识别的精简化的机器语言)传递给评估资源最佳投入配比模块；评估资源最佳投入配比模块利用本发明实施例所提出的方法完成资源配比计算后，将计算结果传递(即图1中的决策所指示的箭头包含的内容)给供给点模块；供给点模块则会根据从评估资源最佳投入配比模块中获取的配比信息完成对需求点模块中各个对象的资源配比分配工作(即图1中实施所指示的箭头包含的内容)。图1中的需求点模块中的D1、D2和D3就是本发明实施例中所涉及的待决策单元(即具体事件对象)，而相应的供给点模块中的S1和S2代表各自的供给点station，而相应的物资A、物资B、…、物资w是各个供给点内所拥有的物资种类的表现，在实际实现过程中S1和S2代表各自的供给点station各自所拥有的物资类型不一定都一致，可以各自存在差异。此处本发明实施例的方法过程可以认定为通过图1中评估资源最佳投入配比中执行完成，如图2所示，包括：
在步骤201中，根据一个或者多个待决策单元所包含的事件特征，生成簇数。
簇数是聚类分析中的专业术语，此处，簇数的含义就是要根据所拥有的样本单元，以及待决策单元所包含的事件特征的属性，准备划分的组数数量。
在实际实现过程中，根据一个或者多个待决策单元所包含的事件特征生成簇数时，通常还会引入历史的样本单元，分析其与待决策单元共同拥有的事件特征，如图5所示，呈现了一系列事件特征的示例，包括“凶手人数”、“武器类型”、“事件持续时长”等等。
在进一步考虑真实情况下，尤其是在资源类型覆盖不全面，或者部分资源类型储备紧张的情况下，所述簇数的生成还会因为相应资源类型的特殊情况进行调整，也就是说所拥有的资源类型也会与特定的事件特征有关联性，而相应资源类型覆盖不全面，或者部分资源类型储备紧张的情况会反过来影响待决策单元所包含的事件特征的使用(例如：作事件特征保留，或者，作事件特征删除)。
在步骤202中，通过聚类分析得到各待决策单元和对应的样本单元之间的分组；其中，聚类分析得到的分组数量与所述簇数一致。
在本发明各实施例中，样本单元，即样本数据，就是为发生事件同样提供过应急资源配比的历史数据，已经历史被付诸执行的应急方案；待决策单元，即当前发生的应急事件，可以分析知道当前的事件特征(例如图8所示的凶手人数、武器类型、伤亡总数等等)，但还没有制定出应急措施(即应急资源配比)，涵待本发明实施例方法帮助完成应急措施的制定。
在步骤203中，根据各分组内待决策单元拥有的事件特征和各样本单元拥有的事件特征之间的相似度，对各分组内的样本单元生成相应的权重值。
因为用于评估当前待评估事件的样本与待评估事件越相近，通过熵权分析得到熵权值，即权重值的结果越准确。同时，聚类分析后选择对应待决策单元的历史样本单元，也属于筛选样本的过程，把不相关或不关心的样本通过聚类筛选掉。
在步骤204中，以所述权重值加权样本单元的资源配比计算后，得到相应待决策单元的应急资源配比。
在具体实现过程中，上述的权重值加权样本单元的资源配比计算，在不同的实现场景中可以表现出不同的计算特性。
其中，若分析出的同一分组中的样本单元数量只有一个，则所述权重值加权样本单元的资源配比具体表现为参考待决策单元和样本单元之间的事件特征参数值的比值关系作为所述权重值(即表现为系数)，并与相应样本单元的资源配比做乘积得到相应待决策单元的应急资源配比。
其中，若分析出的同一分组中的样本单元数量有多个，则所述权重值加权样本单元的资源配比具体表现为根据待决策单元和样本单元之间的事件特征参数值相似程度给予权重值分配(此时，分配给各个样本单元的权重值之和为1)，并给予权重值加权后的各个样本单元的资源配比求和得到待决策单元的应急资源配比。然而，此处的实现在实际情况中通常还会引入一条预先判断，即待决策单元相比较同一分组中的样本单元而言，其事件特征参数值所表现出的事件严重程度是并未超出同一分组中的所有样本单元的事件严重程度。需要补充说明的是，一旦上述预先判断结果是，当前待决策单元的事件严重程度超过了同一分组中的所有样本单元，此时，优选的是从中挑选与待决策单元相似度最高的样本单元，并根据具有比例线性特性的事件特征(例如：伤亡总数、地理范围等)之间的参数值比例关系，参考生成相应样本单元的权重值(即表现为系数)。
本发明主要研究的是资源配比求解、资源调度，求解的资源配比结果作为资源调度过程的输入参数。本发明基于样本单元得到的资源配比，辅助用户制定各资源的需求量。将各资源需求量作为输入，提供一个协同应急的多目标资源调度模型方案。
结合本发明实施例存在一种优选的实现方案，对于步骤203中涉及的所述分别评估各分组内包含的各样本单元的权重值之前，所述方法还包括从至少两个阶段，进行样本单元的筛选，如图3所示，具体的：
在步骤2041中，从制造事件的涉事方分析其袭击效率，精确样本单元。
例如：基于数据包络分析方法(Data Envelopment Analysis,简写为：DEA)计算每个样本单元袭击方面的CCR(全称为：A.Charnes&W.W.Cooper&E.Rhodes)效率；其中，所述CCR效率反应了投入和产出效率；从中选出CCR效率排名前s位的样本单元，构成所述精确样本单元；其中，s为自然数。此处s的取值根据实际情况进行按需调整，其参数值越大，则最终计算的精确度越高，然而相应的计算资源的所需量也会越大。
在步骤2042中，根据精确后的样本单元，从应急方分析其应急效能，进一步筛选样本单元。
在实际实现过程中，还会利用一次上述的DEA算法计算一次应急方面的CCR。从中选出CCR效率排名前t位的样本单元，构成所述筛选样本单元；其中，t为自然数。此处t的取值根据实际情况进行按需调整，其参数值越大，则最终计算的精确度越高，然而相应的计算资源的所需量也会越大。
结合本发明实施例，在步骤204之后，还包括根据随时间变化的需求再进行分配调度的过程,为此还提供适应单/多计划期应用的四个优化目标可供选择(即通过达到相应优化目标的计算过程，来得到分配调度调整的参数依据)，所述优化目标分别为：
最小化未满足度min f1、最小化调度效率min f2、最小化损失程度min f3和最大化亲密度max f4中的一项或者多项。
最小化未满足度min f1是指最小化各需求点的各类资源的供给总偏差，具体为：
Figure BDA0003091533700000091
其中，ηtik表示在子计划期t需求点i关于资源k的实际供给量与实际需求量的偏差；T是计划期数量；n是物资需求点总数；w表示物资资源种类；
最小化调度效率min f2是指最小化所有需求点的总供给调度时间，具体为：
Figure BDA0003091533700000101
其中，ztij表示在子计划期t从供给点j向需求点i的资源决策变量{0，1}，即存在供给则ztij＝1，否则ztij＝0；ztij＝1可以理解为在子计划期t，存在任意资源k从供给点j向需求点i供给，则表示在子计划期t供给点j和需求点i之间存在供给关系；约定同一个计划期，从供给点j向需求点i调度多种资源时看作供给点j向需求点i发生一次调度；htij表示在子计划期t从供给点j向需求点i的资源调度时间(例如：调度时间量纲单位可默认设置为小时)；若调度时间满足小于等于约定期望时间，则Ptij＝0；若调度时间大于约定期望时间，则Ptij等于超出时间大小与惩罚系数ρ的乘积，例如：设可调节的惩罚系数ρ＝100；St表示子计划期t的调度次数；T表示计划期数，n表示需求点个数，m表示物资供给点个数。
最小化损失程度min f3是指调度期间需求点承担的损失，具体为:
Figure BDA0003091533700000102
其中，max htij表示在子计划期t需求点i接收到所有供给调度的最长时间，max ht表示在子计划期t所有供给点向需求点结束调度的最长时间；θ(x)表示危害程度评估函数，在公式中x分别取值为max htij，以及max ht；α和β为可调节系数，且α+β＝1。
在本发明实施例中，对于所述最大化亲密度max f4的获取方式，至少提供了三种可选实现方案，分别阐述如下。
可选实现方案一：
Figure BDA0003091533700000103
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；
其中，gtij表示在计划期t中供给点j和需求点i之间调度的亲密度关系等级；btij表示在计划期t中供给点j和需求点i之间的亲密度关联因子。
可选实现方案二：
Figure BDA0003091533700000111
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；w表示物资资源种类；
其中，gtijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关系等级；btijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关联因子；ztijk表示子计划期t从供给点j向需求点i供给物资k的决策值，取值为1表示供给，取值为0表示不供给；
其中，亲密度关联因子btijk根据用户需要考虑的资源优先，得到最大化亲密度，亲密度关联因子
Figure BDA0003091533700000112
其中rijk表示计划期t供给点j给需求点i分配物资k的数量，Rijk表示计划期t中需求点i对物资k的实际需求数。
可选实现方案三：
同时考虑供给点j和多个需求点之间调度的亲密度关系等级相同时，关于w种资源的亲密度关系等级不同时的场景，产生不同的决策结果；通过加权求和
Figure BDA0003091533700000113
和
Figure BDA0003091533700000114
的目标函数作为max f4可进一步优化构建的目标模型。相关字符和参数的解释在前面已经介绍，此处不再对上述两个等式作一一赘述。
本发明实施例优化多目标问题模型，并考虑供给点和需求点亲密关系，增加动态最大化亲密度优化目标，给出一种新颖的资源分配调度方法。在本发明实现方式中，以同时向上述最小化未满足度min f1、最小化调度效率min f2、最小化损失程度min f3、最大化亲密度max f4靠拢作为得到本发明最优分配的结果依据。
本发明的多目标模型适应多种资源分配和调度场景，同时，集成实时数据分析和指挥中心调控，给各地区治安管理事业提供一种资源解决方案，有利于公共治安事业的推进，协助提高指挥决策能力和行动能力。
在本发明优选方案中，通过k-median聚类和两阶段DEA分析方法(即步骤2041中涉及的从制造事件的涉事方分析其袭击效率，实现筛选样本单元，以及步骤2042中涉及的从应急方分析其应急效能，进一步筛选样本单元)实现资源配比规划，然后构建多目标协同治安维护调度策略，重点考虑多供应点提供多种资源分配多需求点的合理性规划问题，且同时适应单/多计划期分配应用场景。
实施例2:
本发明实施例是在实施例1的技术内容基础上，结合具体的场景阐述本发明的实现过程。由于本发明实施例相较实施例1而言从更为完整的逻辑过程进行阐述，因此，本发明实施例中会涉及部分实施例1中所未描述出来的过程，在本发明实施例中若涉及实施例1中关联过程而表述上有所调整的，会在出现位置做重点标注，如图4所示，包括以下步骤：
在步骤301中，确定事件特征。此处事件特征的确定，是用来作为后续分析不同待决策单元，完成相应簇数设定的宏观参考依据。即只有对所要分析的一个或者多个待决策单元下的共有事件特征都了解后，才能够对各个事件(也可以理解为后文的待决策单元)做相应的分簇，并根据分簇结果来确定簇数，以及最后的资源配比。
本发明提供事件特征示例如图5所示，包括：凶手人数、武器类型、事件持续时长、伤亡总数、受害人群、地理范围和政治宗教；其中，凶手人数代表了制造事件的涉事人员规模；武器类型代表武器危害程度包括分级量化(例如核武器、化学武器、生物武器、放射武器、轻武器、爆炸物、燃烧武器、致乱武器、破坏设备、交通工具、假武器、其他、未知等)、武器个数等等；事件持续时长，即时间长短也可反应事件大小；伤亡总数，即伤亡数量也可反应事件大小；受害人群，用于根据人群类别量化损失级别(例如学生、民众、政府人员、警察等)；地理范围，表明事件蔓延的地理范围，使用涉及区域面积量化；政治宗教，即政治宗教也与事件密切关联。
在步骤302中，根据不同场景的具体情况，按照每种待k-median聚类分析的待决策单元中所包含的事件特征作为簇数设定依据。
再以袭击目标和相应危害等级为例，所述袭击目标分类为：1.商业；2.政府；3.警察；4.军事；……；22.公用事业。此时的危害等级包含1-5级。
如图6所示其按照事件特征中的袭击目标和危害等级，各自规划方式分别分成了22个簇和5个簇，由此完成设置簇数，即待决策单元按照危害等级进行划分时，设置簇数为5。待决策单元按照袭击目标进行划分时，设置簇数为22。
簇数设置相当于预分类，分成几大类；本发明实施例提供两种预分类，按照袭击目标分类(22类)或危害等级分类(5类)，如图6所示，本发明实施例是以危害等级举例。
然后，通过k-median聚类分析得到对应分组后的每组事件。例如，假设设置簇数为5，选择伤亡总数和制造事件的凶手人数两个特征的聚类效果图，如图7所示，其中横坐标表示伤亡总数，纵坐标表示制造事件的凶手人数。每种灰度值的点代表一个簇，图中5中，纵坐标为5000的点为一个簇，位于纵坐标2000和3000两个位置的两个点为一个簇，相应0-1000之前的诸多点，按照三个灰度分层表现分为三个簇，从而总共包含了5个簇。
在步骤303中，对k-median聚类分析分组后的每组事件分别使用熵权分析法(此为现有技术，在此不过多赘述)进行评估各特征熵权值，即各样本单元的权重值，如图8所示(为图7中最底层的标注的一个簇)。
本发明考虑数据量大、影响因素多样，为获取当前待决策单元的资源配比，还需要对历史的样本单元进一步筛选，因此提出一种两阶段DEA分析方案进行资源配比评估。
在步骤304中，第一阶段：利用事件特征值从制造事件的涉事方分析其袭击效率，基于DEA分析法计算每个决策单元的CCR效率，如图9-图10所示，在相应附图的实例数据表现中，例如图10的CCR效率计算，仅考虑了人数投入、武器投入和伤亡总数，其中，人数投入和武器投入是作为袭击方面CCR效率计算的投入参数，伤亡总数作为CCR效率计算的产出参数。
其中，本阶段评估的决策单元为聚类后待决策单元所在簇的所有事件。如图10所示，由于CCR效率能够有效反应投入产出效率，因此按照CCR效率降序排序，选择排序最高的样本单元进行第二阶段分析。其中，若效率相同时，则通过向量空间模型计算决策单元投入产出相似度决定排序，相似度越高越优先。
在本发明实施例中，CCR效率计算过程为公知知识，因此不在此做公式和相应CCR效率计算过程具体展开阐述。本发明实施例创新在于通过二阶段CCR精化分析样本(即通过二阶段DEA分析的CCR效率)，基于应用场景从不同角度分析数据。因此，定义CCR的投入产出关系在第一阶段和第二阶段不同(分别如图9和图11所示)。
在步骤305中，第二阶段：基于第一阶段选择的样本单元(其中，如图10所示的序号为#1、#2、#3、#4的为样本单元)和待决策单元(如图12所示，呈现了样本单元#1和待决策单元之间的对比分析)，综合事件特征从应急方分析其应急效能，如图11-图12所示，基于DEA分析法计算每个待决策单元的CCR效率，在对应相应附图12的实例数据表现中，应急方面的CCR效率计算，考虑了人数投入、武器投入、伤亡总数、警力资源配比和医疗资源配比，人数投入、武器投入和伤亡总数是作为应急方面CCR效率计算的投入参数，警力资源配比和医疗资源配作为应急方面CCR效率计算的产出参数。其中，由于EDA分析所依据的图9和图10的事件特征的划分特性上的不同，所以带来了相应图10和图12中同一样本单元#1所计算得到的CCR值不同。
本阶段主要评价医疗和警力两个应对手段的资源配比。因此，选取人数投入、武器投入、伤亡总数三种事件特征作为投入指标，这些特征在医疗和警力配比决策上都有较大的影响。如图12所示，样本单元#1历史上的医疗资源配比为1，警力资源配比为1，计算得到样本单元#1相对于待决策单元而言，在警力资源配比上的权重值为1(此处的警力资源配比1实际上相应实例中采用的最小粒度单位，而图12中待决策单元中警力资源配比为1所代表的含义是，样本单元1中从警力资源配比所关联的“人数投入”和“武器投入”参数都比待决策单元的大，那么相应警力资源配比1能够解决样本单元1前提下，警力资源配比1自然而然也能够解决待决策单元，此实例中均以整数作为取值，不考虑小数作为相关配比值或者权重值)，在医疗资源配比上的权重为2，此处的权重值是类似实施例1中描述的，因为待决策单元的伤亡总数的事件特征参数值超过分组内的所有样本单元，因此，上述的权重值直接根据各资源配比类型，参考样本单元#1和待决策单元之间的人数投入和武器投入，进行待决策单元中警力资源配比权重值1的生成，并进一步参考样本单元#1和待决策单元之间的伤亡总数之间的比进行医疗资源配比的权重值2的生成；因此，计算得到待决策单元的医疗资源配比为2，警力资源配比为1。由此可见，待决策单元相对需要投入较多的医疗资源，警力投入相对少一点。同时，经过二阶段CCR筛选，样本单元#1与待决策单元具有较高相似性，在资源配置上具有参照性，需要说明的事，图12中待决策单元的CCR效率计算是在完成上述待决策单元的警力资源配比和医疗资源配比后完成的，而其计算的意义在于给当前待决策单元相比较样本单元#1的CCR效率关系做参考，是比样本单元#1的效率更优、接近或者更差；此时的待决策单元CCR效率计算结果可以作为未来样本单元总量过大的时候，压缩样本单元使用。例如，若样本单元#1与待决策单元分配同样的警力资源，样本单元#1分配一支医疗队，那么待决策单元分配二支医疗队较为合理。
通过本实施例，可以看到实施例1中步骤203中涉及的根据各分组内待决策单元拥有的事件特征和各样本单元拥有的事件特征之间的相似度，对各分组内的样本单元生成相应的权重值；在具体实现过程中，得到的权重值还可以表现为权重值向量，而相应向量的维度是与具体资源类型数量相一致，例如本实施例中分别对应医疗资源配比和警力资源配比，分别有各自的权重值2和权重值1。
在步骤306中，用户根据待决策事件的警力和医疗资源责任配比确定需求点的各种物资配比和需求量。
实施例3:
本发明实施例侧重从资源调度角度，就实施例1中涉及的提供适应单/多计划期应用的优化目标进行专项阐述，即相应的最小化未满足度min f1(本发明实施例中被标注为目标1)、最小化调度效率min f2(本发明实施例中被标注为目标2)、最小化损失程度min f3(本发明实施例中被标注为目标3)和最大化亲密度max f4(本发明实施例中被标注为目标4)中的一项或者多项适应单/多计划期应用的优化目标，在具体应用场景下的具体过程，参考图1所示的架构，
其实现原理在于针对多供给点向多需求点分配多种资源分配问题进行建模。
例如：对n个物资需求点，m个物资供给点，w种物资进行资源分配问题建模。上述参数的设定也是延续自实施例1和实施例2中相应参数的表述内容，本发明实施例以此参数实例作为案例进行相关技术细节的展示。
结合实际，资源分配需要考虑多个计划期，考虑T个计划期下，m个供给点向n个需求点分配w种资源的最优分配调度问题。
基于治安综合管理对实时数据采集，每个子计划期t的供给需求关系会随实时数据动态变化。
方法包括以下步骤：
在步骤401中，针对待决策单元的资源分配，本发明实施例制定四个优化目标，依次为目标1：最小化未满足度，目标2：最小化调度效率，目标3：最小化损失程度，目标4：最大化亲密度。相关的各个目标的求解公式可以参考实施例1中对应内容的描述，在本发明实施例中不再赘述。
在步骤402中，上述步骤401中目标1，最小化未满足度是指最小化各需求点的各类资源的供给总偏差。
在步骤403中，上述步骤401中目标2，最小化调度效率是指最小化所有需求点的总供给调度时间。
结合实际应用，因为每次实际调度过程均会产生固定损耗，因此完成同样的资源分配调度需求，实现的调度次数越少越好。若假设St表示子计划期t的调度次数，可增加该影响因子。
在步骤404中，结合人性化分配原则优化目标2模型。
因为待决策单元的需求资源的供给时间是十分重要的因子，需求点对于资源存在时间约束。因此需要遵守在特定时间约束内完成资源分配调度。但是，由于需求点较多，资源种类较多，但资源是有限的，可能导致部分需求点没有供给符合分配需求。实际上，每个需求点都急需资源分配，都有获取资源救援的权利，本发明通过增加时间惩罚系数给予每个需求点资源分配机会。若假设Ptij表示子计划期t中从供给点j向需求点i的调度时间超时惩罚因子，可进一步优化目标2。
在步骤405中，根据步骤403-步骤404,目标2表示如实施例1中公式(2)所示。
在步骤406中，上述在步骤401中目标3，最小化损失程度是指调度期间需求点承担的损失。
例如，本发明伤亡总数和财产损失作为损失评估因子，用于反应事件危害程度。因此实施例1中公式(3)中的θ(max htij)通过回归分析每小时或每天治综管理采集数据，评估该计划方案中每个需求点完成供给调度期内的事件危害程度。同理分析全部供给结束调度时，该计划方案的事件危害程度。
在步骤407中，上述在步骤401中目标4，以公式(4)为例，最大化亲密度是指最大化用户期望的需求点和供给点供给关系。因为往往实际应用中，由于环境、政治、经济等原因，需求点和供给点两两之间存在亲密关系。亲密度关系分类如图13所示。根据设定需求点和供给点的亲密度关系等级，确定亲密度关联因子来实现亲密度计算。不同的关联因子产生不同的亲密度关系目标，可以获取不同的调度结果。
在步骤408中，若假设gtij表示在计划期t中供给点j和需求点i之间调度的亲密度关系等级，如图14示例所示；btij表示在计划期t中供给点j和需求点i之间的亲密度关联因子。
在步骤409中，若假设gtijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关系等级，如图15示例所示；btijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关联因子；ztijk表示在计划期t中供给点j向需求点i关于资源k的供给决策值，取0或1。其中，亲密度关联因子根据用户需要考虑的资源，优先得到最大化亲密度，则取关联因子btijk等于计划期t供给点j给需求点i分配物资k的数量rijk与需求点i的需求数的比值。综上，目标4可表示为实施例1中的公式(5)。
例如，若同时考虑供给点j和需求点1，需求点2之间调度的亲密度关系等级相同，但关于w种资源的亲密度关系等级不同场景，也会产生不同的决策结果。因此本发明实施例通过加权求和在步骤408和在步骤409目标函数作为目标4可进一步优化构建的目标模型。
在本发明实施例实现过程中，相应目标1-目标4的可行解求解过程中，需要满足的必要约束，例如：约束1：每个需求点获得的每种资源量不超过其实际需求量；约束2：每个供应点提供的每种资源总量不超过其自身存储量；约束3：每个需求点至少有一个供应点为其提供救援。
本发明实施例多目标解构建和初始化方式采用随机初始化，并将t个计划期的一个可行解表示为一个三维矩阵，矩阵的每个元素表示j供给点向i需求点提供资源k的数量；
例如，假设随机初始化可行解6个，通过算法循环迭代一定次数，得到优化后的6个最优解。基于优化算法，将每个可行解看作一个个体，上述假设可描述为：初始化6个个体作为一个种群，通过遗传进化一定的迭代次数，得到进化后的6个最优个体。种群是遗传进化中的一种输入数据的称呼方式。
在步骤410中，本发明实施例优先采用NSGA-I,NSGA-II,CSE等多目标优化算法，通过循环迭代求解最优解。其中，算法进化计算优先采用部分映射交叉(PMX)的交叉策略，同时也适应于计划期完全交叉或顺序交叉(OX)或基于顺序的交叉(OBX)或基于位置的交叉(PBX)或循环交叉(CX)或子路径交换交叉(SEX)等多种交叉策略。算法进化计算采用基于自适应变异概率的随机混合变异策略，即包括单点互换、插入、逆序以及多点互换四种变异方式，以增大变异方式的多样化。采用NSGA-I,NSGA-II,CSE等多目标优化算法，算法自身为现有常规技术实现，在此不展开过多赘述。
由于多目标之间相互制约，可能使得一个目标性能的改善，而其他目标性能可能有损失，所以对于多目标优化问题，其最终解是一个非劣解的集合–Pareto集合。
如图16所示，假设有4个目标函数f1，f2，f3，f4，那么可行解后分布在四维空间，如图16中f1，f2，f3，f4所对应的四个箭头做代表的维度空间。本发明实施例优先采用最近最远候选法、非支配排序法等多目标排序方法；针对最优解的选择，本发明实施例假设种群为H，定义种群中每个个体p有两个参数Np与Dp，其中Np表示种群中支配p的个体数，Dp表示个体p支配的个体集合。具体步骤如下：
Step 1：挑选出种群H中Np＝0的个体，将其保存到非支配层I中。
Step 2：遍历当前集合非支配层I中每个个体q所支配的个体集合Dq中的每个个体s，令Ns＝Ns-1，若Ns＝0，则将个体k加入非支配层II中。
Step 3：以非支配层II为当前集合，重复执行Step 2，直到整个种群被分层。
其中，支配层I和支配层I II是多目标排序方法中的专业描述术语，在此不做过多解释。
本系统是多目标优化f1、f2、f3、f4，那么最优解最好是一组f1、f2、f3、f4解分别都是最优的情况。
详细说明如下：
f1、f2、f3越小越好，f4最大越好；在本发明实施例中，所述可行解1是可以满足系统约束条件的解，例如所述系统约束条件包括所分配的物资资源少于系统所能提供的最大资源。
根据Step1，如图17所示：
可行解1:因为只有可行解5的四个目标函数值均优于可行解1(按照之前的理论f1、f2、f3越小越好，f4最大越好得到)，所以称可行解5支配可行解1，即可行解5比可行解1更优。因此，可行解1对应的种群中支配可行解1的个体数N1＝1，可行解5对应的支配的个体集合D5＝{可行解1}；
可行解2：因为只有可行解6的四个目标函数值均优于可行解2。因此，可行解2对应的种群中支配可行解2的个体数N2＝1，可行解6对应的支配的个体集合D6＝{可行解2}；
可行解3：因为有可行解1、可行解5、可行解6的四个目标函数值均优于可行解3。因此，可行解3对应的种群中支配可行解3的个体数N3＝3，可行解1对应的支配的个体集合D1＝{可行解3}，可行解5对应的支配的个体集合D5＝{可行解1，可行解3}，可行解6对应的支配的个体集合D6＝{可行解2，可行解3}；
可行解4：因为只有可行解6的四个目标函数值均优于可行解4。因此，可行解4对应的种群中支配可行解4的个体数N4＝1，可行解6对应的支配的个体集合D6＝{可行解2，可行解3，可行解4}；
可行解5：因为没有可行解四个目标均优于可行解5。因此，可行解5对应的种群中支配可行解5的个体数N5＝0；
可行解6：因为没有可行解四个目标均优于可行解6。因此，可行解6对应的种群中支配可行解6的个体数N6＝0；
至此，找到可行解5与可行解6的Ni＝0，两个可行解分别没有其它解可支配，且这两个可行解之间互不支配，因此将可行解5与可行解6加入非支配层I中。
根据Step2：
非支配层I中可行解5支配可行解1和可行解3；
可见可行解1和可行解3对应的Ni减一后为N1＝0、N3＝1.因此N1＝0，将可行解1加入非支配层II中.
非支配层I中可行解6支配可行解2、可行解3、可行解4，将可行解2、可行解3、可行解4的Ni减一后为N2＝0、N3＝1、N4＝0。因此N2＝0、N4＝0，将可行解2、4加入非支配层II中.
根据Step3：
重复上述Step2。
非支配层II中可行解1、可行解4没有支配的解；非支配层II中可行解2支配可行解3，将可行解3对应的N3减一后为N3＝0；将可行解3加入非支配层III中。
本发明实施例选择非支配层I中的最佳方案，可行解5、可行解6，但决策过程往往需要给出唯一解方案，因此本发明实施例提出目标的优先级选择策略Of1>Of2>Of3>Of4。
按照上述选择策略例子，可行解5和可行解6首先比较f1，择优选择，若f1相同，再比较f2。优先级可由用户依据实际情况制定。
如图17-图18所示,种群大小为6，首先根据Step1挑选出非支配层I中的可行解。可行解5的f2最优，没有其它解可支配。可行解6的f1、f2、f4最优，没有其它解可支配。而可行解1被可行解5支配，可行解2被可行解6支配，可行解3被可行解1、可行解5、可行解6支配，可行解4被可行解6支配。因此将可行解5和可行解6加入非支配层I中。然后，根据Step2挑选出非支配层II中的可行解，遍历后支配可行解1的解个数N1＝0，支配可行解2的解个数N2＝0，支配可行解3的解个数N3＝1，支配可行解4的解个数N4＝0，因此将可行解1、可行解2、可行解4加入非支配层II中。最后，根据Step 3，非支配层II中的可行解1支配可行解3，遍历后支配可行解3的解个数N3＝0，因此将可行解3加入非支配层III中。
在步骤418中，决策过程往往需要给出唯一解，因此若非支配层I出现多个互补支配的可行解，即可行解5和可行解6，本发明将根据设定的目标优先级挑选出唯一解。例如，如图19所示，假设4个目标的优先级依次为Of1>Of2>Of3>Of4，即优先考虑最小化未满足程度，使得每个需求点的需求尽量满足。因此，最终可行解6为获取的最终结果。
实施例4:
如图20所示，是本发明实施例的多目标资源分配决策装置的架构示意图。本实施例的多目标资源分配决策装置包括一个或多个处理器21以及存储器22。其中，图20中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接，图20中以通过总线连接为例。
存储器22作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序和非易失性计算机可执行程序，如实施例1和实施例2中的多目标资源分配决策方法。处理器21通过运行存储在存储器22中的非易失性软件程序和指令，从而执行多目标资源分配决策方法。
存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器22可选包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中，当被所述一个或者多个处理器21执行时，执行上述实施例1和实施例2中的多目标资源分配决策方法。
值得说明的是，上述装置和系统内的模块、单元之间的信息交互、执行过程等内容，由于与本发明的处理方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多目标资源分配决策方法，其特征在于，包括：
根据一个或者多个待决策单元所包含的事件特征，生成簇数；
通过聚类分析得到各待决策单元和对应的样本单元之间的分组；其中，聚类分析得到的分组数量与所述簇数一致；
根据各分组内待决策单元拥有的事件特征和各样本单元拥有的事件特征之间的相似度，对各分组内的样本单元生成相应的权重值；
以所述权重值加权样本单元的资源配比计算后，得到相应待决策单元的应急资源配比。
2.根据权利要求1所述的多目标资源分配决策方法，其特征在于，所述对各分组内的样本单元生成相应的权重值之前，所述方法还包括从至少两个阶段，进行样本单元的筛选，具体的：
在第一阶段，从制造事件的涉事方分析其袭击效率，精确样本单元；
在第二阶段，根据精确后的样本单元，从应急方分析其应急效能，进一步筛选样本单元。
3.根据权利要求2所述的多目标资源分配决策方法，其特征在于，得到相应待决策单元的应急资源配比后，将所述应急资源配比作为资源分配调度的输入，根据适应单计划期/多计划期应用的优化目标，完成针对存在随时间变化的需求点时，进行的资源分配调度,其中，所述优化目标包括：
以达到最小化未满足度min f1、最小化调度效率min f2、最小化损失程度min f3和最大化亲密度max f4中的一项或者多项。
4.根据权利要求3所述的多目标资源分配决策方法，其特征在于，最小化未满足度minf1是指最小化各需求点的各类资源的供给总偏差；
Figure FDA0003091533690000021
其中，ηtik表示在子计划期t需求点i关于资源k的实际供给量与实际需求量的偏差；T表示计划期数；n表示需求点个数，w表示物资资源种类。
5.根据权利要求3所述的多目标资源分配决策方法，其特征在于，最小化调度效率minf2指最小化所有需求点的总供给调度时间，具体为：
Figure FDA0003091533690000022
其中，ztij表示在子计划期t从供给点j向需求点i的资源决策变量{0，1}，即存在供给则ztij＝1，否则ztij＝0；约定同一个计划期，从供给点j向需求点i调度多种资源时看作供给点j向需求点i发生一次调度；htij表示在子计划期t从供给点j向需求点i的资源调度时间；若调度时间满足小于等于约定期望时间，则Ptij＝0；若调度时间大于约定期望时间，则Ptij等于超出时间大小与惩罚系数ρ的乘积；St表示子计划期t的调度次数；T表示计划期数，n表示需求点个数，m表示物资供给点个数。
6.根据权利要求3所述的多目标资源分配决策方法，其特征在于，最小化损失程度minf3是指调度期间需求点承担的损失，具体为:
Figure FDA0003091533690000023
其中，max htij表示在子计划期t需求点i接收到所有供给调度的最长时间，maxht表示在子计划期t所有供给点向需求点结束调度的最长时间；θ(x)表示危害程度评估函数，在公式中x分别取值为max htij，以及max ht；T表示计划期数，n表示需求点个数；α和β为可调节系数，且α+β＝1。
7.根据权利要求3所述的多目标资源分配决策方法，其特征在于，所述最大化亲密度max f4，具体包括：
Figure FDA0003091533690000031
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；
其中，gtij表示在计划期t中供给点j和需求点i之间调度的亲密度关系等级；btij表示在计划期t中供给点j和需求点i之间的亲密度关联因子。
8.根据权利要求3所述的多目标资源分配决策方法，其特征在于，所述最大化亲密度max f4，具体包括：
Figure FDA0003091533690000032
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；w表示物资资源种类；
其中，gtijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关系等级；btijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关联因子；ztijk表示子计划期t从供给点j向需求点i供给物资k的决策值，取值为1表示供给，取值为0表示不供给；
其中，亲密度关联因子btijk根据用户需要考虑的资源优先，得到最大化亲密度，亲密度关联因子
Figure FDA0003091533690000033
其中rijk表示计划期t供给点j给需求点i分配物资k的数量，Rijk表示计划期t中需求点i对物资k的实际需求数。
9.根据权利要求3所述的多目标资源分配决策方法，其特征在于，具体包括：
同时考虑供给点j和多个需求点之间调度的亲密度关系等级相同时，关于w种资源的亲密度关系等级不同时的场景，产生不同的决策结果；通过加权求和
Figure FDA0003091533690000034
和
Figure FDA0003091533690000035
的目标函数作为max f4，优化构建的目标模型；
其中，T表示计划期数；n表示物资需求点个数；m表示物资供给点个数；w表示物资资源种类；
其中，gtij表示在计划期t中供给点j和需求点i之间调度的亲密度关系等级；btij表示在计划期t中供给点j和需求点i之间的亲密度关联因子；
其中，gtijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关系等级；btijk表示在计划期t中供给点j和需求点i关于资源k的亲密度关联因子；其中，亲密度关联因子根据用户需要考虑的资源，优先得到最大化亲密度，则取亲密度关联因子btijk等于计划期t供给点j给需求点i分配物资k的数量rijk与计划期t中需求点i对物资k的需求数Rijk的比值。
10.一种多目标资源分配决策装置，其特征在于，所述装置包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行权利要求1-9任一所述的多目标资源分配决策方法。
CN202110597161.3A 2021-05-31 2021-05-31 一种多目标资源分配决策方法和装置 Pending CN113344356A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110597161.3A CN113344356A (zh) 2021-05-31 2021-05-31 一种多目标资源分配决策方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110597161.3A CN113344356A (zh) 2021-05-31 2021-05-31 一种多目标资源分配决策方法和装置

Publications (1)

Publication Number Publication Date
CN113344356A true CN113344356A (zh) 2021-09-03

Family

ID=77472075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110597161.3A Pending CN113344356A (zh) 2021-05-31 2021-05-31 一种多目标资源分配决策方法和装置

Country Status (1)

Country Link
CN (1) CN113344356A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114595269A (zh) * 2022-02-17 2022-06-07 北京航空航天大学 考虑服务类型间关联关系的能效评估服务组合系统及方法
CN115345388A (zh) * 2022-10-19 2022-11-15 山东省地质科学研究院 一种砂石资源供需精准分析方法及系统
CN115484159A (zh) * 2022-09-16 2022-12-16 建信金融科技有限责任公司 网络需求与资源供给确定系统及方法
CN116137630A (zh) * 2023-04-19 2023-05-19 井芯微电子技术(天津)有限公司 网络业务需求的量化处理方法和装置
CN114595269B (zh) * 2022-02-17 2024-05-28 北京航空航天大学 考虑服务类型间关联关系的能效评估服务组合系统及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101840439A (zh) * 2010-05-25 2010-09-22 天津大学 基于应急事件和应急预案的应急情景推荐方法
CN104408569A (zh) * 2014-11-28 2015-03-11 东莞中国科学院云计算产业技术创新与育成中心 一种基于预案的多目标辅助决策平台实施方法
CN104462103A (zh) * 2013-09-13 2015-03-25 天津智树电子科技有限公司 基于应急事件和应急预案的应急情景推荐方法
CN106997509A (zh) * 2017-03-28 2017-08-01 南京航空航天大学 一种不确定信息融合的应急物资分布需求预测方法
CN107808213A (zh) * 2017-10-19 2018-03-16 中国人民解放军国防科技大学 一种动态调整的应急运输调度计划生成方法
CN108287472A (zh) * 2017-12-20 2018-07-17 中国人民解放军海军大连舰艇学院 采用滚动时域框架的舰队防空决策与自动化调度系统与方法
CN109523061A (zh) * 2018-10-22 2019-03-26 哈尔滨工业大学 一种基于情景分析的突发事件应急决策方法
CN110782087A (zh) * 2019-10-24 2020-02-11 大连海事大学 一种海上应急物资优化调度方法及系统
CN111160649A (zh) * 2019-12-30 2020-05-15 北京邮电大学 一种资源调度方案获取方法及装置
CN111369416A (zh) * 2020-03-03 2020-07-03 南京信息工程大学 一种融合多种数据挖掘技术的恐怖袭击事件评估决策方法
CN111598148A (zh) * 2020-04-29 2020-08-28 中国电子科技集团公司第二十八研究所 一种基于历史容量相似特征的容量评估方法及设备
CN111753215A (zh) * 2020-06-28 2020-10-09 海南大学 一种多目标推荐优化方法及可读介质
CN111967656A (zh) * 2020-07-29 2020-11-20 中国人民解放军国防科技大学 多灾点应急救援指挥控制组织资源调度方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101840439A (zh) * 2010-05-25 2010-09-22 天津大学 基于应急事件和应急预案的应急情景推荐方法
CN104462103A (zh) * 2013-09-13 2015-03-25 天津智树电子科技有限公司 基于应急事件和应急预案的应急情景推荐方法
CN104408569A (zh) * 2014-11-28 2015-03-11 东莞中国科学院云计算产业技术创新与育成中心 一种基于预案的多目标辅助决策平台实施方法
CN106997509A (zh) * 2017-03-28 2017-08-01 南京航空航天大学 一种不确定信息融合的应急物资分布需求预测方法
CN107808213A (zh) * 2017-10-19 2018-03-16 中国人民解放军国防科技大学 一种动态调整的应急运输调度计划生成方法
CN108287472A (zh) * 2017-12-20 2018-07-17 中国人民解放军海军大连舰艇学院 采用滚动时域框架的舰队防空决策与自动化调度系统与方法
CN109523061A (zh) * 2018-10-22 2019-03-26 哈尔滨工业大学 一种基于情景分析的突发事件应急决策方法
CN110782087A (zh) * 2019-10-24 2020-02-11 大连海事大学 一种海上应急物资优化调度方法及系统
CN111160649A (zh) * 2019-12-30 2020-05-15 北京邮电大学 一种资源调度方案获取方法及装置
CN111369416A (zh) * 2020-03-03 2020-07-03 南京信息工程大学 一种融合多种数据挖掘技术的恐怖袭击事件评估决策方法
CN111598148A (zh) * 2020-04-29 2020-08-28 中国电子科技集团公司第二十八研究所 一种基于历史容量相似特征的容量评估方法及设备
CN111753215A (zh) * 2020-06-28 2020-10-09 海南大学 一种多目标推荐优化方法及可读介质
CN111967656A (zh) * 2020-07-29 2020-11-20 中国人民解放军国防科技大学 多灾点应急救援指挥控制组织资源调度方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李克强等: "《智能环境友好型车辆 概念技术架构与工程实现》", 机械工业出版社, pages: 68 - 69 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114595269A (zh) * 2022-02-17 2022-06-07 北京航空航天大学 考虑服务类型间关联关系的能效评估服务组合系统及方法
CN114595269B (zh) * 2022-02-17 2024-05-28 北京航空航天大学 考虑服务类型间关联关系的能效评估服务组合系统及方法
CN115484159A (zh) * 2022-09-16 2022-12-16 建信金融科技有限责任公司 网络需求与资源供给确定系统及方法
CN115484159B (zh) * 2022-09-16 2023-06-20 建信金融科技有限责任公司 网络需求与资源供给确定系统及方法
CN115345388A (zh) * 2022-10-19 2022-11-15 山东省地质科学研究院 一种砂石资源供需精准分析方法及系统
CN116137630A (zh) * 2023-04-19 2023-05-19 井芯微电子技术(天津)有限公司 网络业务需求的量化处理方法和装置
CN116137630B (zh) * 2023-04-19 2023-08-18 井芯微电子技术(天津)有限公司 网络业务需求的量化处理方法和装置

Similar Documents

Publication Publication Date Title
CN113344356A (zh) 一种多目标资源分配决策方法和装置
Zhang et al. Project portfolio selection and scheduling under a fuzzy environment
CN111313957B (zh) 基于分类多目标优化的混合卫星通信系统资源分配方法
Briceno et al. Heuristics for robust resource allocation of satellite weather data processing on a heterogeneous parallel system
CN109559033B (zh) 一种面向云设计制造模式的社交化团队成员优选方法
Turan et al. Simulation-based analysis of military workforce planning strategies
Zhao et al. A hierarchical parallel evolutionary algorithm of distributed and multi-threaded two-level structure for multi-satellite task planning
Li et al. A QoS-based scheduling algorithm for instance-intensive workflows in cloud environment
CN109871488A (zh) 一种融合可用度和用户偏好的Web服务构建方法及Web服务
Jalalvand et al. A multi-objective risk-averse workforce planning under uncertainty
CN112632615B (zh) 基于混合云环境的科学工作流数据布局方法
Rodríguez Maya et al. Performance comparison of evolutionary algorithms for university course timetabling problem
CN115577910A (zh) 一种面向群智感知的多人协作任务分配方法
Xun et al. Distributed tasks-platforms scheduling method to holonic-C2 organization
Friese et al. Bi-objective study for the assignment of unmanned aerial vehicles to targets
CN114399249A (zh) 一种电力物资配送路径选择优化方法及系统
Pan et al. Multi-criteria student project allocation: A case study of goal programming formulation with dss implementation
Bradshaw United states air force officer manpower planning problem via approximate dynamic programming
Mokao Multi criteria decision making model for producing multiple products at the same time
Checco et al. Optimizing us army force size under uncertainty through stochastic programming
CN115222209B (zh) 一种多维排班合理性评价方法及系统
CN117172738A (zh) 一种工时管理与调度方法和装置以及设备
Linard et al. Optimising workforce structure the system dynamics of employment planning
Miao et al. Optimization of the Recruitment Quota Allocation in Intra-Organizational Networks
Shan et al. Worker Scheduling Based on Elite Non-Dominant Sorting Whale Optimization Algorithm (Ens-Woa) in C2m Model

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210903