Agent技術特點及其在裝備維修人員保障決策模型中的應用

　　裝備維修是保持和恢復裝備的戰斗力，充分發揮裝備軍事效能的主要手段，根據不同的裝備特點和任務要求，合理的組織裝備維修力量，以保證裝備遂行作戰、訓練或其它任務的順利完成。維修人員是裝備維修保障決策中最具有活力和變化的因素，裝備維修人員的素質起著決定性的作用，充分發揮維修人力資源的效能和利用率有著重要的作用。

　　對于裝備維修人員的配備數量問題，一方面要求有足夠的人力，以保證裝備維修的需要;另一方面，又要求提高人員的利用率，避免人員編制的浪費。在進行了裝備維修人員配備之前，需要考慮的幾個因素有：

　　①待維修裝備的類型及各類型的數量。待維修裝備的類型和數量決定了整個維修任務的工作量，是確定維修人員組成的決定性因素。②維修同型裝備的器材設施數量。維修設施的數量，將制約著維修任務的同時進行，是維修過程中的限定性條件，它制約著同一類型的裝備維修是并行維修還是串行維修。③各型維修備件的數量。維修備件的數量，限定了實際能維修的損壞裝備的數量，因此維修備件的數量也是一個限定因素。下面的維修人員配備模型是在損壞裝備數量和類型、維修人員都己確定的條件下建立，如果備件數量不受限制，其主要的*價指標就是維修任務完成的總時間。如果備件數量有限時，*價指標就有兩個：一是維修任務完成的總時間；二是配套裝備的數量。維修人員的配備組成，即確定哪些人員參加及分配每個人的任務，可以通過求解任務安排問題而確定。任務即是損壞的裝備，而維修人員就是等待分配任務的維修人員。本模型討論的人力資源配備主要是指作戰指揮員通過該系統對人員、設備等可用資源的任務分配，也就是資源調配問題。為了綜合考慮這些因素的影響，必須設計一個合適的目標函數coST，這個目標函數cost 體現出MAS 對子任務分配問題的要求，并體現整個任務組完成后的時間消耗。這個函數可以是如下形式：

　　其中，，即每個人員Agent最大的工作時間為。

　　求解MAS子任務分配的最優解過程就是尋找一組解使得目標函數cost達到最優值。在這里我們利用遺傳算法與模擬退火算法結合來實現任務分配求解。

　　遺傳算法 (Genetic Algorithm)是一類模擬自然過程，特別是模擬生物界自然進化和遺傳過程的隨機搜索算法，具有在復雜空間求解近似最優解的能力。它采用簡單的編碼技術來表示各種復雜的結構，并通過對一組編碼表示進行簡單的遺傳操作和優勝劣汰的自然選擇來指導學習和確定搜索的方向。遺傳算法的操作對象是一群二進制(稱為染色體、個體)，即種群。這里每一個染色體都對應問題的一個解。從初始種群出發，采用基于適應值比例的選擇策略在當前種群中選擇個體，使用雜交和變異來產生下一代種群。如此模仿生命的進化一代代演化下去，直到滿足期望的終止條件為止。其基本步驟：

　　(1)定義一個目標函數，即函數cost；

　　(2)將可行解群體在一定的約束條件下初始化，每一個可行解用一個向量x來編碼，稱為一條染色體，向量的分量代表基因，它對應可行解的某一決策變量；

　　(3)計算群體中每條染色體xi(i =1，2，...，n)所對應的目標函數值，并以此計算適應值，按F的大小來*價該可行解的好壞；

　　(4)以優勝劣汰的機制，將適應值差的染色體淘汰掉，對幸存的染色體根據其適應值的好壞，按概率隨機選擇，進行繁殖，形成新的群體；

　　(5)通過雜交和變異的操作，產生子代。雜交是隨機選擇兩條染色體(雙親)，將某一點或多點的基因互換而產生兩個新個體，變異是基因中的某一點或多點發生突變。

　　對于子代群體重復步驟(3)至(5)的操作，進行新一輪遺傳進化過程，直到迭代收斂(適應值趨穩定)即找到了最優解或準最優解。模擬退火算法(Simulated AnneALIng)的研究對象是由一個參數集所確定的某種配置。對配置的優化過程即是對目標函數cost的極小化過程。極小化過程模擬自然界的退火過程，由一個逐步冷卻溫度temp控制。在每個極小化步驟中，隨機選擇一個新的配置并計算cost函數。如cost比以前的小，則選定新的配置；如大，則計算概率值。