CN115564242A

CN115564242A - 面向船舶动力设备的可抢占任务维修人员调度方法及系统

Info

Publication number: CN115564242A
Application number: CN202211232913.7A
Authority: CN
Inventors: 刘心报; 汪鹏; 钱晓飞; 胡朝明; 郑锐; 陆少军; 程浩
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2022-10-10
Filing date: 2022-10-10
Publication date: 2023-01-03

Abstract

本发明提供一种面向船舶动力设备的可抢占任务维修人员调度方法及系统，涉及船舶动力设备维修任务调度技术领域。本发明在考虑任务抢占和多技能人员资源受限两个约束条件时，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型，然后基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果，并基于调度结果执行船舶动力设备维修任务的调度。本发明考虑船舶动力设备维修时的多种约束条件，并对现有的飞蛾扑火算法进行改进以适配于求解船舶动力设备维修任务调度模型，相比于现有技术更加精准和高效，降低了企业成本，提高资源利用率。

Description

面向船舶动力设备的可抢占任务维修人员调度方法及系统

技术领域

本发明涉及船舶动力设备维修任务调度技术领域，具体涉及一种面向船舶动力设备的可抢占任务维修人员调度方法及系统。

背景技术

船舶动力设备维修是一个复杂的综合管理工程项目，具有大量任务和多技能维修人员的特点，为了减少维修周期，提高企业竞争力，必须充分利用现有维修资源，从而设计合理的船舶主动力设备的维修任务调度计划。而在此过程中任务排序和人员分配是需要考虑的两个重要子问题。

目前，针对船舶动力设备维修任务调度时大多只考虑单个约束条件，例如，只考虑多技能人员资源受限时的任务调度，或者只考虑任务抢占时的项目调度；然后再利用启发式算法或者智能优化算法进行处理，在可接受的一段时间内获得最优解。

然而，现实中的船舶动力设备维修任务执行过程往往很复杂，船舶动力设备维修在被抢占后会被分割成多个子任务，然后需要安排任务执行顺序，以及考虑在多技能人员资源受限时对抢占后子任务的多技能人员进行协同分配。所以现实中的船舶动力设备维修任务调度需要同时考虑任务抢占和多技能人员的资源受限等多种约束，现有技术中仅考虑一种约束条件所获得的任务调度结果必然不精准。此外，随着约束条件的增加，搜索空间会伴随着“组合爆炸”现象，仅仅依靠现有的启发式算法和智能优化算法无法在较短时间内获得最优解，即求解过程存在精度低、效率低等问题。所以亟需一种在考虑多种约束条件时的船舶动力设备维修任务调度技术以解决上述问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种面向船舶动力设备的可抢占任务维修人员调度方法及系统，解决了现有船舶动力设备维修任务调度技术在考虑多种约束条件时无法精准、高效获得任务调度结果的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明首先提出了一种面向船舶动力设备的可抢占任务维修人员调度方法，所述方法包括：

考虑包括任务抢占和多技能维修人员协调分配的约束条件，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型；

基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果，并基于所述调度结果执行船舶动力设备维修任务的调度；所述改进的飞蛾扑火算法包括：将基于对立的学习策略和混合变异算子嵌入飞蛾扑火算法。

优选的，所述船舶动力设备维修任务调度模型的目标函数为：

MinC_max＝max{f_g，g∈G}

其中，C_max表示项目最大完工时间；g表示任务，G表示任务集合，g∈G；f_g表示任务从开始到完成的时间。

优选的，所述基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果包括：

步骤1：初始化MFO算法的相关参数，所述相关参数包括：对数螺旋形状常数b，随机数t，最大迭代次数Max_iter，火焰数量Flame_no，飞蛾的数量n和维度d；

步骤2：采用基于对立的学习策略对初始飞蛾种群进行扩充操作，对扩充后的飞蛾种群中每个飞蛾个体对应的适应度值按照降序进行排序，选择适应度值靠前的n个解所对应的种群作为排序后初始飞蛾种群；

步骤3：基于排序后初始飞蛾种群更新火焰，计算火焰种群的适应度值并排序，选择最好的个体作为最优解；

步骤4：判断所有个体是否已全部更新，若i＜n成立则进入步骤5，否则进入步骤8；其中，i表示当前迭代的飞蛾的序号，n表示种群飞蛾的数量；

步骤5：判断当前迭代的飞蛾个体所有维度是否已全部更新，若j＜d成立则进入步骤7；若不成立则进入步骤6；其中，j表示当前迭代飞蛾的维数，d表示飞蛾总的维数；

步骤6：对当前可行解操作莱维飞行算子，得到新解x_new2，比较x_new2与x_i，j的适应度值，选择两者中较大者保留作为新的x_i，j，进入步骤8；

步骤7：更新参数b，t，利用公式D_i＝|F_j-M_i|计算飞蛾与火焰之间的距离，使用更新的火焰F、公式S(M_j，F_j)＝D_i·e^bt·cos(2πt)+F_j来更新飞蛾种群M，则得到一个可行解x_i，j，使用正弦余弦变异算子得到新解x_new1，比较两个解的适应度值，选择较大者保留作为x_i，j并进入步骤8；

步骤8：记录飞蛾的位置，判断是否满足迭代结束条件，若成立，则返回适应度值，终止整个算法流程；否则返回到步骤2；

步骤9：循环步骤2-步骤8直至满足预设的循环终止条件时结束循环过程，并输出维修任务调度方案；所述预设的循环终止条件包括：目标值不再下降或者迭代次数达到最大迭代次数Max_iter。

优选的，所述初始飞蛾种群的获取方式为：

采用随机策略和预设的启发式规则生成所述初始飞蛾种群；所述预设的启发式规则包括启发式规则1、启发式规则2，以及启发式规则3；

采用随机策略和预设的启发式规则生成所述初始飞蛾种群具体过程包括：

S211：初始化种群M的飞蛾数量为n，计算每个任务的任务灵活性并降序排列；

S212：使用启发式规则1生成一个任务链表，其余n-1个解由随机策略生成；

其中，所述启发式规则1为：对于抢占型多技能人员的资源受限项目调度，当两个任务发生资源冲突时，优先调度具有较小任务灵活性的任务；

S213：计算每个多技能维修人员的人员稀缺性并降序排列；

S214：使用启发式规则2生成任务链表对应的一个多技能维修人员分配链表，其余n-1个解由随机策略生成；

其中，所述启发式规则2为：对于抢占型多技能人员的资源受限项目调度人员分配，当两个员工发生任务冲突时，具有较大的人员稀缺性的员工优先调度；

S215：结合启发式规则3和串行调度生成机制，得到项目的最大完工时间，并输出一个飞蛾的解；

其中，所述启发式规则3为：对于抢占型多技能人员的资源受限项目调度人员分配，合理假设资源的空闲时间间隔早于调度任务的开始时间。

优选的，所述采用基于对立的学习策略对初始飞蛾种群进行扩充操作包括：

采用基于对立的学习策略对初始飞蛾种群M进行操作得到其对立种群OM，然后将将初始飞蛾种群M与其对立种群OM合并得到扩充后的初始飞蛾种群M。

第二方面，本发明还提出了一种面向船舶动力设备的可抢占任务维修人员调度系统，所述系统包括：

调度模型获取模块，用于考虑包括任务抢占和多技能维修人员协调分配的约束条件，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型；

调度结果获取模块，用于基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果，并基于所述调度结果执行船舶动力设备维修任务的调度；所述改进的飞蛾扑火算法包括：将基于对立的学习策略和混合变异算子嵌入飞蛾扑火算法。

优选的，所述调度模型获取模块中船舶动力设备维修任务调度模型的目标函数为：

MinC_max＝max{f_g，g∈G}

优选的，所述调度结果获取模块基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果包括：

优选的，所述初始飞蛾种群的获取方式为：

S213：计算每个多技能维修人员的人员稀缺性并降序排列；

(三)有益效果

本发明提供了一种面向船舶动力设备的可抢占任务维修人员调度方法及系统。与现有技术相比，具备以下有益效果：

1、本发明在考虑任务抢占和多技能人员资源受限两个约束条件时，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型，然后基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果，并基于所述调度结果执行船舶动力设备维修任务的调度。本发明首先同时考虑了任务抢占和多技能人员的资源受限等多种约束，更符合真实的船舶动力设备维修场景，使得船舶动力设备维修任务调度结果更加精准；其次提出了改进的飞蛾扑火算法用于求解船舶动力设备维修任务调度模型，以获取调度结果，求解结果更加精准，求解高效。总的来说，本发明相比于现有技术在实现船舶动力设备维修任务调度时，更加精准和高效，降低了企业成本，提高资源利用率。

2、本发明在飞蛾扑火算法中嵌入基于对立的学习策略和混合变异算子从而对标准飞蛾扑火算法进行改进，基于这种改进后的飞蛾扑火算法求解船舶动力设备维修任务调度模型，一方面能够在较短的时间内快速收敛得到近似最优解，使得船舶动力设备维修任务调度更加精准；其次求解大规模数据所需的时间也较为理想，相比于现有的启发式算法或者智能优化算法，求解更加高效。

3、本发明采用随机策略和预设的启发式规则生成初始飞蛾种群，可以提高初始解的质量，增加搜索速度，具有很强的适用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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为本发明中船舶动力设备维修任务调度示意图；

图2为本发明中不考虑任务抢占时的调度方案示意图；

图3为本发明中考虑任务抢占时的调度方案示意图；

图4为本发明实施例中启发式规则3的原理图；

图5为本发明实施例中基于改进的飞蛾扑火算法求解船舶动力设备维修任务调度模型的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种面向船舶动力设备的可抢占任务维修人员调度方法及系统，解决了现有船舶动力设备维修任务调度技术在考虑多种约束条件时无法精准、高效获得任务调度结果的问题，实现了获取科学合理的船舶主动力设备的维修任务调度计划，从而减少维修周期，提高造船厂企业竞争力的目的。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

为了更加科学合理、精准高效的实现船舶动力设备维修任务调度，以降低企业成本，提高资源利用率，本发明在考虑任务抢占和多技能人员资源受限两个约束条件时，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型，然后基于改进的飞蛾扑火算法求解船舶动力设备维修任务调度模型，以获取最终的调度结果，并基于最终的调度结果执行船舶动力设备维修任务的调度工作。本发明相比于现有技术其船舶动力设备维修任务调度结果更加精准，求解更为高效。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

在研究的船舶维修任务调度问题中，每个多技能维修人员掌握着一些具有特定熟练度水平的多种技能，并负责不同的维修任务。每个任务也需要一个给定最低水平的技能来执行，只有掌握任务所需技能并且满足最低技能水平要求的多技能维修人员才能执行该任务。此外，每个任务可以在离散的整数时间点被抢占并在稍后重新启动。在维修调度过程中，当有紧急的任务来临时，多技能维修人员可能会中断当前的任务，进而转向更关键设备的维修任务中。

由此可见，现实中的船舶动力设备维修过程往往比较复杂：由于资源有限，造船厂在获得船舶动力设备维修任务后，先对各任务根据紧前紧后关系进行排序，然后进行多技能维修人员分配，在分配多技能维修人员的过程中，发现某个任务可以被抢占，将抢占后的子任务重新分配多技能维修人员，以缩减工期；同时，针对数量有限的多技能维修人员，会尽可能科学合理的把多技能维修人员安排在合适的维修任务上，具体的，船舶动力设备维修任务调度流程如图1所示。面对任务被抢占后分割成多个子任务，如何安排任务执行顺序是一个难点。再加上对抢占后子任务的人员协同分配问题使得情况更加复杂，任务抢占和人员分配会同时影响项目的最大完工时间。

如图2-3所示，T₁-T₆表示维修任务，任务之间有紧前紧后关系约束，R₁-R₃表示多技能维修人员，只有掌握任务所需的技能种类以及满足任务所需技能的最低水平要求才能被分配去做该任务。图2表示不考虑抢占情况下的调度方案，图3表示考虑抢占的调度方案。比如，T₆只能在紧前任务T₃完成后才能开始执行，所以人员R₂在[0,1]时间段是空闲的，在时间点1时刻，任务T₁被抢占，分割两个任务T_1.1和T_1.2，而R₂满足T₁的资源需求，所以被抢占后的T_1.2分配给R₂做，这样既提高了人员的利用率，又减少了项目工期。

另外，飞蛾扑火算法(Moth-Flame Optimization，MFO)是一种启发式搜索算法，其原理是将飞蛾绕着光源飞行的过程抽象成为一个寻优的过程，将待优化变量作为飞蛾在空间中的位置，通过改变飞蛾的位置向量，在多维空间中不断迭代寻优进而得到符合要求的全局最优解。

实施例1：

第一方面，本发明首先提出了一种面向船舶动力设备的可抢占任务维修人员调度方法，该方法包括：

S1、考虑包括任务抢占和多技能维修人员协调分配的约束条件，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型；

S2、基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果，并基于所述调度结果执行船舶动力设备维修任务的调度；所述改进的飞蛾扑火算法包括：将基于对立的学习策略和混合变异算子嵌入飞蛾扑火算法。

可见，本实施例在考虑任务抢占和多技能人员资源受限两个约束条件时，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型，然后基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果，并基于所述调度结果执行船舶动力设备维修任务的调度。本实施例首先同时考虑了任务抢占和多技能人员的资源受限等多种约束，更符合真实的船舶动力设备维修场景，使得船舶动力设备维修任务调度结果更加精准；其次提出了改进的飞蛾扑火算法用于求解船舶动力设备维修任务调度模型，以获取调度结果，求解结果更加精准，求解高效。总的来说，本发明相比于现有技术在实现船舶动力设备维修任务调度时，更加精准和高效，降低了企业成本，提高资源利用率。

下面结合附图1-5，以及对S1-S2具体步骤的解释，来详细说明本发明一个实施例的实现过程。

S1、考虑包括任务抢占和多技能维修人员协调分配的约束条件，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型。

假设项目中有G个任务等待被处理，每个任务的持续时间为d_g，S_g和f_g表示任务的开始和完成时间。此外，项目中还有个R个人员和K种技能，人员R_r掌握技能V_k的熟练度为Q_rk，任务T_g所需技能V_k的最低水平为l_gk。调度过程允许任务在离散时间点被抢占。

基于此，以最小化船舶动力设备维修任务调度项目的最大完工时间为目标构建船舶动力设备维修任务调度模型。其中，船舶动力设备维修任务调度模型的目标函数为：

MinC_max＝max{f_g，g∈G}

其中，C_max表示项目最大完工时间，即为所有任务中完工时间最大的任务；g表示任务，G表示任务集合，g∈G；f_g表示任务的开始到完成的时间，即为每个任务的持续时间d_g和开始时间S_g之和。

标准的MFO算法收敛速度快，整体结构简单，易于理解，因此其经常被用于许多实际问题的解决中。然而，当将标准的MFO算法应用于高维和多维模态函数的优化时，容易陷入局部最优，最终导致算法的速度减速甚至停滞。

而本实施例船舶动力设备维修任务调度问题，在考虑任务可抢占的情况下，进一步关注大规模问题的多技能人员的约束，随着约束条件的增加，伴随着搜索空间“组合爆炸”现象，仅仅依靠智能优化算法只能得到大规模问题下的满意解，且耗时巨大。基于此，本实施例提出一种改进的飞蛾扑火算法来求解船舶动力设备维修任务调度模型的解。参见图4，利用改进的飞蛾扑火算法来求解船舶动力设备维修任务调度模型的解时，其具体过程如下：

步骤1：初始化MFO算法的相关参数，其包括：对数螺旋形状常数b，[-1，1]之间的随机数t，最大迭代次数Max_iter，火焰数量Flame_no，飞蛾的数量n和维度d。

步骤2：采用基于对立的学习策略对初始飞蛾种群M进行扩充操作得到其对立种群OM，将M与OM种群合并，此时初始飞蛾种群M的数量为2n，对扩充后的飞蛾种群中每个飞蛾个体对应的适应度值按照降序进行排序，选择适应度值靠前的n个解所对应的种群作为排序后初始飞蛾种群作为初始种群进行下面的迭代。

其中，飞蛾种群数量为n，维度为d，即n行d列的，每一行对应一个飞蛾，也就是一个飞蛾个体，计算每个飞蛾的适应度值就是该飞蛾个体的可行解，所有飞蛾的解构成整个飞蛾种群的解空间。

具体的：

1)采用随机策略和预设的启发式规则生成MFO算法的初始飞蛾种群M。

在产生初始飞蛾种群M时，采用任务-人员双链表结构对所研究问题进行编码，其中，向量π¹表示任务执行顺序链表，π²表示对应的人员分配链表。链表中的每个元素为0、1之间的随机数，每个链表的元素总数等于相关任务的持续时间之和。生成初始飞蛾种群M过程的具体步骤如下：

S212：使用启发式规则1生成一个任务链表，其余n-1个解由随机策略生成。

其中，启发式规则1为：对于抢占型多技能人员的资源受限项目调度问题，当两个任务发生资源冲突时，优先调度具有较小任务灵活性的任务可以缩短项目最大完工时间。任务灵活性是指可以执行该任务的人员数总和。

S213：计算每个多技能维修人员的人员稀缺性并降序排列；

S214：使用启发式规则2生成任务链表对应的一个多技能维修人员分配链表，其余n-1个解由随机策略生成。

其中，启发式规则2为：对于抢占型多技能人员的资源受限项目调度人员分配问题，当两个员工发生任务冲突时，为了缩短项目的完工时间，具有较大的人员稀缺性的员工应该优先调度。人员稀缺性是指该人员所掌握技能的技能稀缺值的总和。

S215：结合启发式规则3和串行调度生成机制，得到项目的最大完工时间，并输出一个飞蛾的解。

其中，启发式规则3为：对于抢占型多技能人员的资源受限项目调度人员分配问题，假设资源的空闲时间间隔早于调度任务的开始时间。在这种情况下，可以通过将所分配的任务向左移动到所分配的资源空闲时间的开始时间来减少项目的持续时间，具体如图5所示，假设一个项目中有两个可用的资源R_a和R_b，以及三个任务A_i′、A_j′和A_k′。任务A_i′是A_j′的前身，任务A_i′的持续时间不小于任务A_k′的持续时间。当调度A_k′时，如若按照串行调度机制则会直接安排在d_i′+d_j′开始，但由于A_i′、A_j′是并行的任务，无紧前紧后约束，并且R_b的空闲时间大于A_k′的工期，故可将A_k′左移至R_b的空闲时间的开始时刻，以减少项目最大完工时间。

2)采用基于对立的学习策略对初始飞蛾种群M进行扩充操作。

基于对立的学习策略(Opposition-based learning，OBL)旨在帮助群体智能算法达到全局优化，通过同时考虑当前飞蛾种群和其对立种群，来增加达到全局最优解的可能性。相比于标准的MFO算法，利用OBL策略可以提高初始种群的质量，这使得改进后的算法将从一个高质量初始种群进入迭代过程，大大提高了算法初始阶段的收敛速度，继而更快地收敛到最优解。

具体的，采用基于对立的学习策略OBL对初始飞蛾种群M进行操作得到其对立种群OM，然后将将初始飞蛾种群M与其对立种群OM合并得到扩充后的初始飞蛾种群M。

3)计算扩充后的初始飞蛾种群M的适应度值并排序，选择适应度值前n个解作为初始种群进行下面的迭代。

步骤3：使用排完序后的飞蛾种群来更新火焰F，计算火焰种群的适应度值并排序存在于OF矩阵中，选择最好的个体作为最优解Fbest。

步骤4：判断所有个体是否已全部更新，若i＜n成立则进入步骤5，否则进入步骤8；其中，i表示当前迭代的飞蛾的序号，n表示种群飞蛾的数量。

步骤5：判断当前迭代的飞蛾个体所有维度是否已全部更新，若j＜d成立则进入步骤7；若不成立则进入步骤6；其中，j表示当前迭代飞蛾的维数，d表示飞蛾总的维数。

步骤6：对当前可行解操作莱维飞行算子，得到新解x_new2，比较x_new2与x_i，j的适应度值，选择较大者保留作为x_i，j，进入步骤8。其中，当前可行解指的是当前飞蛾个体的适应度值。

由于标准的MFO算法遵循每个个体移动到搜索空间内的另一个位置的过程，当接近全局最优时，收敛速度大大减慢，最终会陷入局部最优停滞不前。通过使用突变策略在向下一代过渡的过程中留下一定的模糊性。所以在本实施例中提出基于正弦余弦和莱维飞行混合变异算子，基于混合变异算子，当改进后的MFO算法迭代次数超过一定次数时(如本实施例中为100次)时，收敛曲线仍呈下降趋势，这也说明改进后的MFO算法在避免陷入局部最优方面表现更好。

步骤7：更新参数b，t，利用公式D_i＝|F_j-M_i|计算飞蛾与火焰之间的距离，使用更新的火焰F、公式S(M_j，F_j)＝D_i·e^bt·cos(2πt)+F_j来更新飞蛾种群M，则得到一个可行解x_i，j，使用正弦余弦变异算子得到新解x_new1，比较两个解的适应度值，选择较大者保留作为x_i，j并进入步骤8。

步骤8：记录飞蛾的位置，判断是否满足迭代结束条件，若成立，则返回适应度值，终止整个算法流程；否则返回到步骤2。

步骤9：循环步骤2-步骤8直至满足预设的循环终止条件时结束循环过程，并输出维修任务调度方案。

重复循环上述步骤2-步骤8多次，若目标值不再下降，或者迭代次数达到指定值则终止整个流程，输出维修任务调度方案，其包括最终维修任务和人员的调度方案。

至此，则完成了本实施例一种面向船舶动力设备的可抢占任务维修人员调度方法的全部流程。

实施例2：

第二方面，本发明还提供了一种面向船舶动力设备的可抢占任务维修人员调度系统，该系统包括：

可选的，所述调度模型获取模块中船舶动力设备维修任务调度模型的目标函数为：

MinC_max＝max{f_g，g∈G}

可选的，块基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果包括：

可选的，所述初始飞蛾种群的获取方式为：

S213：计算每个多技能维修人员的人员稀缺性并降序排列；

可选的，所述采用基于对立的学习策略对初始飞蛾种群进行扩充操作包括：

可理解的是，本发明实施例提供的面向船舶动力设备的可抢占任务维修人员调度系统与上述面向船舶动力设备的可抢占任务维修人员调度方法相对应，其有关内容的解释、举例、有益效果等部分可以参照面向船舶动力设备的可抢占任务维修人员调度方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种面向船舶动力设备的可抢占任务维修人员调度方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述船舶动力设备维修任务调度模型的目标函数为：

MinC_max＝max{f_g,g∈G}

3.如权利要求1所述的方法，其特征在于，所述基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果包括：

4.如权利要求3所述的方法，其特征在于，所述初始飞蛾种群的获取方式为：

S213：计算每个多技能维修人员的人员稀缺性并降序排列；

5.如权利要求1所述的方法，其特征在于，所述采用基于对立的学习策略对初始飞蛾种群进行扩充操作包括：

6.一种面向船舶动力设备的可抢占任务维修人员调度系统，其特征在于，所述系统包括：

7.如权利要求6所述的系统，其特征在于，所述调度模型获取模块中船舶动力设备维修任务调度模型的目标函数为：

MinC_max＝max{f_g,g∈G}

8.如权利要求6所述的系统，其特征在于，所述调度结果获取模块基于改进的飞蛾扑火算法求解所述船舶动力设备维修任务调度模型，以获取调度结果包括：

步骤4：判断所有个体是否已全部更新，若i<n成立则进入步骤5，否则进入步骤8；其中，i表示当前迭代的飞蛾的序号，n表示种群飞蛾的数量；

步骤5：判断当前迭代的飞蛾个体所有维度是否已全部更新，若j<d成立则进入步骤7；若不成立则进入步骤6；其中，j表示当前迭代飞蛾的维数，d表示飞蛾总的维数；

步骤6：对当前可行解操作莱维飞行算子，得到新解x_new2，比较x_new2与x_i,j的适应度值，选择两者中较大者保留作为新的x_i,j，进入步骤8；

步骤7：更新参数b，t，利用公式D_i＝|F_j-M_i|计算飞蛾与火焰之间的距离，使用更新的火焰F、公式S(M_j,F_j)＝D_i·e^bt·cos(2πt)+F_j来更新飞蛾种群M，则得到一个可行解x_i,j，使用正弦余弦变异算子得到新解x_new1，比较两个解的适应度值，选择较大者保留作为x_i,j并进入步骤8；

9.如权利要求8所述的系统，其特征在于，所述初始飞蛾种群的获取方式为：

S213：计算每个多技能维修人员的人员稀缺性并降序排列；

10.如权利要求6所述的系统，其特征在于，所述采用基于对立的学习策略对初始飞蛾种群进行扩充操作包括：