作戰(zhàn)指揮控制下利用改進遺傳算法進行資源調(diào)度的方法

李嘉倫 王 鵬 呂志剛 李曉艷 付博雯

(西安工業(yè)大學(xué)電子信息工程學(xué)院 陜西 西安 710021)

0 引 言

戰(zhàn)場環(huán)境不確定性下的作戰(zhàn)任務(wù)部署旨在面對一系列約束條件時如何能將軍事單位所擁有的各類平臺設(shè)備資源合理地部署給參戰(zhàn)任務(wù)[1]，使其能達到作戰(zhàn)目標最優(yōu)的發(fā)揮。其中協(xié)同指揮控制是組織調(diào)度的關(guān)鍵問題，如何合理有序地組合平臺設(shè)備、調(diào)度作戰(zhàn)資源是現(xiàn)代戰(zhàn)爭取得勝利的關(guān)鍵要素，也是實現(xiàn)作戰(zhàn)任務(wù)協(xié)同規(guī)劃[2]的關(guān)鍵內(nèi)容。

當面臨任務(wù)開展時，戰(zhàn)場會受到復(fù)雜不確定事件的影響，需要考慮當前作戰(zhàn)天氣、突發(fā)任務(wù)、硬件性能配置等不確定事件。任務(wù)使命也會在執(zhí)行過程中因諸多不確定因素而使資源屬性、作戰(zhàn)任務(wù)屬性發(fā)生變化，導(dǎo)致初始調(diào)度方案不能按原計劃執(zhí)行，或者存在一定偏差。因此需要對作戰(zhàn)方案進行組合角度優(yōu)化調(diào)整，使其滿足當前的作戰(zhàn)需求，以達到軍事組織結(jié)構(gòu)調(diào)整代價最小化輸出。

本文從作戰(zhàn)任務(wù)資源約束調(diào)度的問題出發(fā)，建立作戰(zhàn)任務(wù)調(diào)度統(tǒng)一化約束模型，給出作戰(zhàn)求解問題的體系框架[3]，搭建如圖1所示的模塊化的作戰(zhàn)任務(wù)調(diào)度問題解集架構(gòu)，從理論方法層面模擬了作戰(zhàn)要求，并在實驗中測試了改進的自適應(yīng)遺傳算法，驗證了所提方法的實用性和求解效果。

圖1 作戰(zhàn)任務(wù)統(tǒng)一調(diào)度化建模與求解總體目標體系流程

1 作戰(zhàn)問題描述

在現(xiàn)代戰(zhàn)爭中，作戰(zhàn)設(shè)備面臨著多種惡劣天氣的威脅干擾以及遂行多樣化的軍事任務(wù)的壓力，在面對戰(zhàn)場上敵軍時，對常規(guī)目標、敵軍無人機、無人車、導(dǎo)彈等的監(jiān)測防御中可能會消耗大量的資源配備。與此同時，加之不同的惡劣天氣影響或者作戰(zhàn)任務(wù)的緊急部署都會在一定程度上加重資源的重復(fù)或者沖突、低效的利用，降低了感知資源的利用率。

為了有效解決各平臺的不同需求，從符合戰(zhàn)場的約束條件如任務(wù)完成時間、部署搭配、感知負載能力、系統(tǒng)快速穩(wěn)定性出發(fā)，制定相應(yīng)的任務(wù)調(diào)度部署策略，同時達到資源在最合理的調(diào)度應(yīng)用下使作戰(zhàn)效能得到提升。本文研究了不確定環(huán)境下的戰(zhàn)場資源調(diào)度問題，在指揮控制結(jié)構(gòu)設(shè)計中，明確了各級協(xié)作匹配關(guān)系，將所涉及到的平臺設(shè)備分組聚類成相應(yīng)的不同參戰(zhàn)組合類型，指導(dǎo)接下來的作戰(zhàn)性調(diào)度部署。

1.1 作戰(zhàn)事件相關(guān)定義

作戰(zhàn)設(shè)備是指參與此次作戰(zhàn)事件所用到的感知設(shè)備的集合，它可以隸屬不同的類型，也可以是同類型不同型號設(shè)備。設(shè)q為作戰(zhàn)設(shè)備集合，q∈φ1，集合φ1={1，2，…，Q}。

作戰(zhàn)任務(wù)是指由決策實體指揮發(fā)布下的作戰(zhàn)要求及作戰(zhàn)使命項目下的各屬性類(階)作戰(zhàn)環(huán)節(jié)。m為作戰(zhàn)任務(wù)集合，m∈φ2，集合φ2={1，2，…，M}。

作戰(zhàn)時刻是為了描述處于某時刻下正在進行的作戰(zhàn)的時間分布情況。i為要考慮的時刻，i∈φ3，集合φ3={1，2，…，I}。

作戰(zhàn)環(huán)境是指正在進行作戰(zhàn)任務(wù)時決策實體控制的設(shè)備所承受的惡劣天氣等環(huán)境因素。l為作戰(zhàn)環(huán)境集合，l∈φ4，集合φ4={1，2，…，L}。

作戰(zhàn)搭載平臺是指參與作戰(zhàn)執(zhí)行任務(wù)的基本單元。一個作戰(zhàn)平臺至少調(diào)度部署一臺作戰(zhàn)設(shè)備。u為平臺的種類集合，u∈φ5，集合φ5={1，2，…，U}。

指揮實體是組織兵力中負載指揮調(diào)度的要素，具有作戰(zhàn)指揮、決策處理的能力。在作戰(zhàn)過程中決策實體至少控制一個平臺資源。CM為指揮實體，CM={CMc}(c=1,2，…，C)，其中C為表示指揮實體的數(shù)量。

作戰(zhàn)資源調(diào)度方案體現(xiàn)了軍事組織所擁有的單位作戰(zhàn)元素與作戰(zhàn)任務(wù)之間及作戰(zhàn)不確定性環(huán)境的匹配關(guān)系，反映了作戰(zhàn)任務(wù)被執(zhí)行的情況。資源調(diào)度方案[1]可用式(1)和式(2)兩關(guān)系式來進行表示。

(1)

式中：xql為設(shè)備-環(huán)境分配變量,?q∈φ1,?l∈φ4。

(2)

式中：wqm為設(shè)備-任務(wù)分配變量,?q∈φ1,?m∈φ2。

1.2 作戰(zhàn)協(xié)同相關(guān)定義

圖2簡單模擬描述了作戰(zhàn)情況下環(huán)境、設(shè)備、任務(wù)三者之間的關(guān)系[4]。當作戰(zhàn)任務(wù)下發(fā)時，要及時確定當前及作戰(zhàn)時的環(huán)境情況，如當正處于：l1層時，因其特殊的環(huán)境屬性，為了保證更高效的作戰(zhàn)效能只能選擇適應(yīng)能力更強的作戰(zhàn)設(shè)備q1、q2;l2環(huán)境層時只能更適用作戰(zhàn)設(shè)備q2、q3;l3層時選擇其對應(yīng)適應(yīng)性更強的作戰(zhàn)設(shè)備q3、q4。接下來根據(jù)任務(wù)屬性的要求，進一步考慮作戰(zhàn)規(guī)模、范圍、力度的變化，認定其中存在的執(zhí)行關(guān)系，如執(zhí)行任務(wù)m2時同時需要q2、q3設(shè)備進行作戰(zhàn)，然而q2、q3可能隸屬于不同屬性的類型，且受制于的不同的作戰(zhàn)模式及資源配置。因此q2、q3在執(zhí)行當前作戰(zhàn)事件時存在可調(diào)度資源下的協(xié)作控制且在當前作戰(zhàn)情況下存在著一定組合搭配可能。

圖2 模擬作戰(zhàn)情況示意圖

2 資源調(diào)度模型設(shè)計

2.1 調(diào)度資源約束關(guān)系

(1)時間資源約束。在作戰(zhàn)調(diào)度任務(wù)中，時間上的作戰(zhàn)部署規(guī)劃尤為重要[5]。假設(shè)共有m個作戰(zhàn)任務(wù)類型，其中每一個任務(wù)段至少有1臺或1臺以上的協(xié)同并行執(zhí)行作戰(zhàn)任務(wù)。每個感知設(shè)備i可能經(jīng)歷不同環(huán)境層l或者處于不同的M任務(wù)狀況中。每次作戰(zhàn)任務(wù)一旦開始就不能中斷。第q個感知設(shè)備在每次接收到新的作戰(zhàn)任務(wù)時，都應(yīng)重新適應(yīng)新的環(huán)境層l，并預(yù)留任務(wù)前的緩沖準備時間R。在任意兩個任務(wù)階段即第m階段和第m+1階段或者環(huán)境層l之間的轉(zhuǎn)變都會有一個切換蓄能時間T。規(guī)定在任意時刻一臺設(shè)備q一次至多參與一個M任務(wù)。

Pq,m,l為第q個設(shè)備在第l層第m階段的所需作戰(zhàn)時間；Tq,m,m+1為設(shè)備在任務(wù)層之間的任務(wù)組合切換蓄能時間；Cq,l為第q個設(shè)備在第l層完成既定任務(wù)所需總時間。式(3)為新任務(wù)階段的開始到結(jié)束的時間要小于此既定總?cè)蝿?wù)的完成時間。

Pq,m,l+Rq,m,l+Tq,m,m+1≤Cq,l

(3)

式(4)保證作戰(zhàn)效率，切換準備時間要遠小于作戰(zhàn)時間。

Rq,m,l+Tq,m,m+1?Pq,m,l

(4)

在調(diào)度組合事件中，將作戰(zhàn)任務(wù)的各類參戰(zhàn)時間關(guān)系下的約束條件及調(diào)度時刻記為h1i。

(2) 性能資源約束。性能資源約束可分為能耗與功率約束，通常感知設(shè)備允許在短期具有較大發(fā)射功率，但在該功率下將產(chǎn)生大量熱量與電磁干擾，當熱量過高或者電磁干擾密集時都將損壞設(shè)備乃至燒毀設(shè)備，即影響設(shè)備的正常使用，可見大功率發(fā)射設(shè)備不能長期工作在大功率狀態(tài)下。在功率的損耗變化期間，能耗的流失也影響著系統(tǒng)的進程。

設(shè)備發(fā)射接收功率在某時刻必須滿足輸出功率約束如下：

pout,ref(i)=Pb1(i)+Pc1(i)

(5)

(6)

(7)

式中：Pb1(i)和Pc1(i)為此次事件中感知設(shè)備的儲存系統(tǒng)和采集傳輸系統(tǒng)的吸收功率；αd,b和αc,b為支撐其性能能量元件的充電和放電效率；αd,c和αc,c為支撐其采集傳輸能量元件的充電和放電效率。

此系統(tǒng)工作狀態(tài)在任意t時刻滿足的輸出能量約束為：

Erate,b,c(i)≤Eb,cβb,c

(8)

式中：Erate,b,c為當前工作實測下輸出能量，其等于釋放能量減去損耗的能量；Eb,c為設(shè)備最大負荷能量；βb,c為元件的極限輸出能力系數(shù)。

根據(jù)以上條件，將性能資源約束描述為各設(shè)備在不同作戰(zhàn)天氣下完成作戰(zhàn)任務(wù)時所處理資源的利用率，該系統(tǒng)性能資源記為h2i。

(3) 硬件配置條件約束。在不同的惡劣天氣下作戰(zhàn)或者作戰(zhàn)任務(wù)開始之前或結(jié)束之后，作戰(zhàn)設(shè)備都有著不同作戰(zhàn)硬件配置，受到其干擾與調(diào)度所呈現(xiàn)的適應(yīng)性也就有所不同。尤其在一個組合里的設(shè)備，其還需要考慮各設(shè)備之間的干擾性。不同處理任務(wù)的感知信號都需要在計算機處理器中進行信號處理[6]。處理器配置屬性對于一些不同類別的感知設(shè)備，在其鏡頭焦距、分辨率等自身硬件條件變化限制中，都會對調(diào)度事件的進程有一定的影響，因此設(shè)定各個設(shè)備的硬件配置約束條件。

(9)

式中：n為此次參戰(zhàn)中所涉及到的硬件設(shè)備數(shù)量；γk為第k件硬件設(shè)備在處理事件i時刻所占的硬件資源；δmax為此次作戰(zhàn)任務(wù)硬件處理系統(tǒng)可負荷最大處理量；α為受不同作戰(zhàn)天氣影響下各設(shè)備面對作戰(zhàn)任務(wù)時歸一化參考后的適應(yīng)程度比，其歸一化參考標準是能見度，是根據(jù)該設(shè)備性能在當前環(huán)境下與正常環(huán)境下的探測水平精度之比所決定。

R為當前作戰(zhàn)環(huán)境探測距離：

(10)

式中：L為當前作戰(zhàn)環(huán)境下的能見度，其受到當前消光系數(shù)、顆粒濃度、直徑及降雨(雪)量影響；τ為大氣透過率，其可能受到戰(zhàn)場環(huán)境中各類化學(xué)煙霧氣體的影響，所以在計算時，需要考慮光在大氣中的總透過率；G為斜程大氣修正系數(shù)，取G=0.19。

因此在作戰(zhàn)任務(wù)中，將完成參戰(zhàn)事件所發(fā)揮的硬件配置處理資源記為h3i。

2.2 約束條件分析及建模

在這三類的相互約束下，戰(zhàn)場上的作戰(zhàn)指揮中，需要作戰(zhàn)在任務(wù)、環(huán)境下協(xié)同控制。作戰(zhàn)環(huán)境、任務(wù)決定著設(shè)備不同的異構(gòu)度，進而影響種群個體的適應(yīng)度。匹配約束下異構(gòu)度公式如下：

(11)

假設(shè)各類時間約束條件符合改進的指數(shù)函數(shù)的變化趨勢(規(guī)劃下的作戰(zhàn)能力隨時間的推移先呈增長趨勢[7]，但在約束條件下會在一定時刻達到飽和狀態(tài)，如若再運行下去會使作戰(zhàn)能力呈小范圍下降趨勢)，其符合作戰(zhàn)負載運轉(zhuǎn)下的變化趨勢。

通過對各類不同設(shè)備屬性的分析，以其設(shè)備探測距離v和感知精度p作為主要的增益函數(shù)約束變量，對不同q感知設(shè)備設(shè)置相應(yīng)的權(quán)重參數(shù)，并進行fq歸一化函數(shù)處理，最終建立多項式函數(shù)來反映性能上的優(yōu)劣，效能函數(shù)G定義為：

(12)

本文資源調(diào)度方案體現(xiàn)了約束條件的匹配關(guān)系，反映了作戰(zhàn)環(huán)境、任務(wù)的部署狀況。采用作戰(zhàn)能力負載PCR(Combat-Range to Precision)作為評價作戰(zhàn)調(diào)度方案優(yōu)劣性的增益函數(shù)。PCR的計算如式(13)所示。

(13)

綜上所述，以最小工作負載為整個調(diào)度事件優(yōu)化模型：

minPCRmax

(14)

3 基于調(diào)度事件改進多層級關(guān)聯(lián)自適應(yīng)遺傳算法

傳統(tǒng)遺傳算法求解感知設(shè)備組合調(diào)度事件問題時存在早熟收斂、局部最優(yōu)陷阱等問題，無法準確高效地尋得全局最優(yōu)解，進而使得調(diào)度算法耗時較長，調(diào)度效果較差。

3.1 基于聚類選擇方法的種群初始化方法

傳統(tǒng)的隨機選擇方法，容易使算法過早收斂和陷入最優(yōu)解，聚類的思想將個體按照其適應(yīng)度值的大小進行組合，在接下來的染色體編碼交叉選擇中，保證初始種群的多樣性。具體步驟如下：

(1) 依據(jù)各設(shè)備的適應(yīng)度大小對初始化種群進行分組，組合的個數(shù)即為聚類數(shù)V，并根據(jù)聚類算法設(shè)定聚類初始中心(f1,f2,…,fV)。

(2) 對群體中每個設(shè)備按個體與中心相鄰之間的相似距離最近原則進行聚類，即fi-fv=min|fi-fv|。

(3) 選取最小適應(yīng)度的數(shù)據(jù)點作為根節(jié)點，構(gòu)建聚類樹結(jié)構(gòu)，通過步驟(2)尋找葉節(jié)點，并計算二者距離，將其劃入各自聚類中心。

(4) 將剩余數(shù)據(jù)歸入適應(yīng)度比其小且距離最近的樣本所在簇，即與葉節(jié)點劃為一類的組合中，直到所有設(shè)備組合類別確定為止。

3.2 染色體編碼方式

編碼方式是編碼空間向問題轉(zhuǎn)化的橋梁和紐帶，需要對染色體編碼才能獲得染色體的目標值；本文采用一種自組架構(gòu)的矩陣形式的編碼方案及二維編碼方式[9]。

每一條染色體上包含所參與作戰(zhàn)任務(wù)的q個設(shè)備，第一維是此次參戰(zhàn)設(shè)備的序列編號，第二維是多層次關(guān)聯(lián)選定下的不同聚類組合編號，不同作戰(zhàn)任務(wù)階段、惡劣天氣環(huán)境，都將決定不同的組合編號。該組合編號是由調(diào)度約束條件h1i、h2i、h3i作為分析基礎(chǔ)聚類而成的，其本質(zhì)是將相同屬性(約束條件相似)按照距離的原則迭代而成的。每個組合里的設(shè)備都具有不同屬性優(yōu)勢，不至于出現(xiàn)作戰(zhàn)緩存時間上的錯亂、資源上的沖突、性能上的干擾。因此采用此方法事先給予要參與的作戰(zhàn)設(shè)備進行調(diào)度約束條件下的聚類組合，為此時的層級關(guān)聯(lián)編碼提供了第二維編碼的數(shù)據(jù)。

賦予每一段染色體在某時刻下所處事件的實時狀態(tài)[10]，即每條染色體由q個二維矩陣構(gòu)成(根據(jù)此次作戰(zhàn)態(tài)勢來進行設(shè)備的組合調(diào)度設(shè)定)，而每個矩陣Aq(第q作戰(zhàn)設(shè)備)對應(yīng)一個基因位，則矩陣Aq如下：

（3）C表示第r次摸到黑球是在第k次摸球時發(fā)生，我們僅需考慮前k次摸球即可，此時樣本空間有（M+N）k個樣本點。第k次摸到黑球，有M中可能，而前k-1次摸到r-1個黑球，由二項概率計算有中可能，故C中有M個樣本點，由古典概率定義有

(15)

每個作戰(zhàn)設(shè)備被分配到調(diào)度組合編號是根據(jù)聚類算法結(jié)果分配的，相比傳統(tǒng)的隨機初始化方法，其提供了更優(yōu)的初始化種群個體，在保證初始種群多樣性的同時確保相對最優(yōu)的個體數(shù)量。

當作戰(zhàn)環(huán)境變量確定后，匹配到每一條染色體上可存在的q個基因位的序列，即第二維編碼基因序列。根據(jù)所處的問題的規(guī)模不同，編碼處理的染色體上基因數(shù)也會有所不同，其每個染色體都對應(yīng)著不同種類的組合調(diào)度方案。

第一維中出現(xiàn)的同層關(guān)聯(lián)應(yīng)該在第二維編碼組合中進行有效的層次關(guān)聯(lián)組合[11]，通過相連屬性的組合搭配，進而可以達到迅速調(diào)度的協(xié)同指揮。

多層級資源動態(tài)調(diào)度組合在染色體交叉變異過程結(jié)構(gòu)如圖3所示。分配完成后參戰(zhàn)設(shè)備都會對應(yīng)展開其基因序列，在第二維編碼中進行選擇調(diào)度，將有相同組合的設(shè)備關(guān)聯(lián)起來。此時作戰(zhàn)狀態(tài)的多層級資源組合中的某個資源在匹配關(guān)系的范圍內(nèi)進行優(yōu)秀遺傳個體的交叉更換，以獲取更為合理的下階段作戰(zhàn)資源組合情況。

圖3 染色體二維編碼結(jié)構(gòu)

最終，當種群繁殖到規(guī)定代數(shù)后，對各染色體的適應(yīng)度大小進行計算并且篩選，滿足調(diào)度約束的增益、目標函數(shù)的結(jié)果將會生成。

3.3 適應(yīng)度函數(shù)

指揮控制設(shè)備資源調(diào)度的目的主要是減少作戰(zhàn)任務(wù)總負載的同時兼顧各個決策實體控制的組合設(shè)備的工作負載盡可能差異小，更符合實際戰(zhàn)場需要。

根據(jù)當前作戰(zhàn)任務(wù)與環(huán)境狀況及相關(guān)約束條件，對每一條染色體所對應(yīng)的增益函數(shù)進行適應(yīng)度評估，對于可行的染色體，采用決策實體控制下的異構(gòu)度系數(shù)klm和效能函數(shù)G所構(gòu)成的增益函數(shù)均方根形式作為本文算法的適應(yīng)度函數(shù)即表示當前作戰(zhàn)任務(wù)的工作負載情況，本文適應(yīng)度函數(shù)表示為：

(16)

3.4 遺傳算子

標準的自適應(yīng)遺傳算法(Adaptive Genetic Algorithm，AGA)在進行交叉和變異操作時并沒有充分考慮進行運算的個體的優(yōu)劣性[12]，只采用固定的交叉率和變異率，很大程度限制了算法的收斂速度及收斂穩(wěn)定性。

本文算法在對于自適應(yīng)交叉和變異算子的設(shè)定時，考慮到其區(qū)域處于靠近或者分離最優(yōu)解集時，會出現(xiàn)收斂性的波動和陷入局部最優(yōu)的可能，此時線性的適應(yīng)度算子就不能很好地約束函數(shù)的變化。因此本文采用提升魯棒性的分層三角穩(wěn)定性的非線性自適應(yīng)計算方式，融入約束正弦穩(wěn)定性函數(shù)改善算子均率范圍擴張性，穩(wěn)定體現(xiàn)了均值平均度，能更好地跳出局部最優(yōu)解,改進后的遺傳算子如下：

(18)

式中：fmax-favg表示種群的收斂程度；f′表示當前個體適應(yīng)度值。當fmax-favg減小時，表示favg向fmax靠攏，即向最優(yōu)解靠攏。

由式(17)和式(18)可知，當個體適應(yīng)度值接近于最大值時，由分層正弦函數(shù)約束其交叉率和變異率均趨近平均適應(yīng)度。該方法在種群進化初期，解集空間較分散，使交叉概率增大，加速了搜索解空間；為了防止有效基因被破壞，使變異概率減小。若是處于種群進化后期，該方法有助于保護優(yōu)秀個體，防止交叉和變異操作變化對優(yōu)秀基因的破壞。

通過對研究內(nèi)容采用本文改進的遺傳算法，可以解決多層次關(guān)聯(lián)下的資源調(diào)度問題[13]。圖4為此算法調(diào)度處理過程，在作戰(zhàn)天氣確定的同時，任務(wù)集發(fā)布，匹配該任務(wù)屬性下的多資源協(xié)同約束，進行多級資源工序的選定組合調(diào)度計劃操作，最后經(jīng)本文算法編碼流程生成調(diào)度組合優(yōu)化方案。

圖4 改進遺傳算法處理過程

4 仿真分析

4.1 實驗配置

本文使用 Visual Studio Code 及Python 3.7.2 64-bit環(huán)境進行仿真實驗。將本文算法與其他優(yōu)化算法在控制優(yōu)化等方面進行多方位對比，根據(jù)仿真結(jié)果，驗證算法在組合調(diào)度方面的時效性以及在避免早熟收斂上的優(yōu)越性。

4.2 實驗案例與結(jié)果分析

4.2.1仿真實驗1

通過對作戰(zhàn)模擬指揮控制數(shù)據(jù)的分析，采用本文改進遺傳算法的層次聚類算法對平臺、設(shè)備進行組合編排[14]并對調(diào)度組合結(jié)果驗證分析。表1為戰(zhàn)場環(huán)境擬定配置方案，其中環(huán)境變量l1、l2、l3分別表示為雨、雪、霧三類天氣。本文參與設(shè)備資源調(diào)度的環(huán)境選擇l1雨天下的環(huán)境，設(shè)定該天氣環(huán)境下各類設(shè)備的適應(yīng)分配關(guān)系情況。

表1 模擬戰(zhàn)場環(huán)境參數(shù)設(shè)置表

根據(jù)表1提供的數(shù)據(jù)，融入調(diào)度資源約束及分配策略的算法能合理地對所參與的設(shè)備平臺進行聚類組合搭建，所聚類的結(jié)果在屬性配置上都能匹配各自任務(wù)環(huán)境所提出的作戰(zhàn)狀要求，并對其實行多層級協(xié)調(diào)控制編排組合計劃部署。表2為調(diào)度分配關(guān)系設(shè)置，其初始設(shè)備資源調(diào)度方案如圖5所示。

表2 任務(wù)-平臺-設(shè)備分配關(guān)系表

圖5 初始設(shè)備資源調(diào)度方案

令任務(wù)完成的最低增益G=1.0，以初始調(diào)度方案執(zhí)行至i=13時刻時，接到新任務(wù)M4，M4出現(xiàn)的時刻在任務(wù)時序列表中的任務(wù)1執(zhí)行完成后，持續(xù)時間15 s。利用基于高度事件的改進遺傳算法(IAGA)對新任務(wù)下達情況的資源調(diào)度方案進行策略調(diào)整。

當新任務(wù)M4發(fā)布時，任務(wù)M4將被合理調(diào)度分配到設(shè)備資源，通過IAGA得到最優(yōu)的染色體編碼為{0，0，1，1，1，1}，表示分配Q3、Q4、Q5、Q6共同執(zhí)行任務(wù)M4，該染色體增益為1.175，目標函數(shù)值為5.61，則此時調(diào)整后的作戰(zhàn)設(shè)備資源調(diào)度方案甘特圖如圖6所示。

圖6 新任務(wù)發(fā)布后設(shè)備資源調(diào)度方案

表3為實際作戰(zhàn)調(diào)度已定資源組合，已定資源組合滿足多層級調(diào)度資源約束條件，保證了任務(wù)完成增益，同時保證整體執(zhí)行任務(wù)時間最短。對于調(diào)度設(shè)備資源處理任務(wù)時，設(shè)備須盡可能滿足當前任務(wù)資源、環(huán)境需求，并正好處于休眠狀態(tài)，能減少緩存時間，保證處理時間最短。生成的優(yōu)化調(diào)度方案保證了接下來的目標函數(shù)及增益仿真實驗有效實現(xiàn)。

表3 多層級已定資源組合

4.2.2仿真實驗2

對小規(guī)模作戰(zhàn)環(huán)境下的調(diào)度遺傳驗證，具體實驗參數(shù)設(shè)置為種群大小250,迭代次數(shù)500,染色體長度25,精英個體5,交叉概率0.8,變異概率0.01。

本實驗以適應(yīng)度函數(shù)作為實驗的目標函數(shù)，首先根據(jù)約束條件聚類初始化種群，再根據(jù)染色體二維關(guān)聯(lián)編碼方式及改進遺傳算子進行算法迭代，使得IAGA在求解的速度和有效性方面更好。

為了驗證IAGA在資源調(diào)度問題上的優(yōu)越性，將其與常用的調(diào)度算法中的模擬退火算法[15](SA)、粒子群算法[16](PSO)、自適應(yīng)遺傳算法(AGA)進行仿真對比分析，得到仿真結(jié)果如圖7所示。

圖7 遺傳算法性能比較

可以看出，IAGA在前期隨著迭代次數(shù)得增加，其算法性能有著明顯的優(yōu)勢，其能最早達到穩(wěn)定模式，且在迭代到450次左右時，當各類資源所具有的處理任務(wù)的能力都已基本能滿足所參與任務(wù)的需求時，IAGA仍能取得最高的增益。因此本文算法對組合調(diào)度的能效性和時效性上都有了一定的提升改進。5種算法仿真結(jié)果對比如表4所示。

表4 遺傳算法性能對比表

4.2.3仿真實驗3

當戰(zhàn)場環(huán)境局勢相對分散且緊急的時候，作戰(zhàn)的部署往往需要應(yīng)對一定規(guī)模下軍事任務(wù)的變換轉(zhuǎn)型。由于作戰(zhàn)任務(wù)的屬性以及作戰(zhàn)對任務(wù)部署強度的不同，在面對新增任務(wù)類、階段的集中處理時[17]解決具有一定規(guī)模下的調(diào)度資源問題也成為了本文模型魯棒性需要考慮的范疇。通過對增加不同任務(wù)規(guī)模下的數(shù)量或者階段變化來反映本文模型的目標函數(shù)值與遺傳迭代次數(shù)的變化趨勢，進而分析本文改進算法性能優(yōu)勢。

假設(shè)在本次作戰(zhàn)事件中，模擬戰(zhàn)場任務(wù)數(shù)目M會增加至5、10、15類(階段),新增任務(wù)的發(fā)生時刻用蒙特卡羅方法隨機生成。本次實驗對每組實例迭代100次，并測試50次取平均值,算法仿真結(jié)果如圖8-圖10所示。

圖8 M=5類(階段)任務(wù)作戰(zhàn)規(guī)模下算法對比

圖9 M=10類(階段)任務(wù)作戰(zhàn)規(guī)模下算法對比

圖10 M=15類(階段)任務(wù)作戰(zhàn)規(guī)模下算法對比

表5為不同作戰(zhàn)規(guī)模下的算法性能對比。

表5 不同作戰(zhàn)規(guī)模下的算法性能對比表

通過表5可以看出，改進的自適應(yīng)遺傳遺傳算法在與傳統(tǒng)自適應(yīng)算法在算法性能上存在相對的優(yōu)勢，即本文算法優(yōu)于AGA,具體體現(xiàn)在能為作戰(zhàn)資源的調(diào)度安排節(jié)省約25%的作戰(zhàn)調(diào)度時間。另外在三類不同的作戰(zhàn)規(guī)模下，相比AGA，本文算法在模型穩(wěn)定時的收益率(minPCRmax)平均降低了6.7%左右,說明本算法中的工作負載(目標函數(shù))得到了穩(wěn)定的收斂且逐漸在完成相同作戰(zhàn)規(guī)模時的工作負載更加均衡，作戰(zhàn)資源調(diào)度更優(yōu)。

綜上，本文算法在收斂模型的整體性上適應(yīng)程度更好，獲得更穩(wěn)定的搜素性能及更優(yōu)的搜索值(更小的PCRmax值)，可以適應(yīng)更多的作戰(zhàn)規(guī)模變化;面對不同任務(wù)規(guī)模數(shù)量的變化時，能夠更快地完成任務(wù)調(diào)度的變化，提高最優(yōu)解的質(zhì)量及收斂性(能夠更快跳出局部收斂，避免進化停滯)。

5 結(jié) 語

本文所建模型具有應(yīng)對不同戰(zhàn)場規(guī)模的能力，在一定程度上能夠解決戰(zhàn)場環(huán)境變化下組織設(shè)備調(diào)度的不合理問題，縮短了各類資源收斂融合時間，提高了作戰(zhàn)的調(diào)度時效性，并且增加了聯(lián)合各類作戰(zhàn)設(shè)備的戰(zhàn)場態(tài)勢效益。然而本文沒有考慮算法任務(wù)執(zhí)行精度、成功執(zhí)行概率等方面，也缺乏考慮任務(wù)資源的動態(tài)調(diào)整規(guī)劃，這將是今后改進的方向。