毕业设计（论文）信控中心出差调度模型设计与优化.ppt

信控中心出差调度模型设计与优化 论文的主要内容 第一部分 研究的背景及意义 第二部分 人员调度问题模型 第三部分 遗传算法的原理与优化 第四部分 基于遗传算法求解调度模型 第一部分研究的背景及意义 随着全球经济一体化进程的加速，市场竞争越来越激烈，确保人员较高的生产能力和执行任务的效率，是当务之急，在此背景下，本文对人员调度问题展开研究。 第二部分人员调度问题模型 1 模型分析 人员调度模型的建立主要从人员属性和任务属性两个方面的因素进行分析研究，并且在对这两方面进行分析的基础上结合人员调度实际情况建立以最高效率为目标的人员调度优化模型，其关键在于对模型中各元素的分析及把握。 第二部分人员调度问题模型 影响任务进行效率的人员属性主要包括： 人员状态：表示此时人员的工作状态，与该人员完成任务的效率成正比。 人员能力：表示执行人员执行任务的快慢，直接影 响到人员执行任务的效率。 人员对任务的适应度：表示执行人员对不同类型任务的适应程度。 第二部分人员调度问题模型 第二部分人员调度问题模型 任务属性包括： 任务难度：表示该任务的执行难度，与执行任务的效率成反比。 任务工作量：表示完成该任务所需要进行的工作量。 第二部分人员调度问题模型 2 模型建立 本设计中，若人员数小于任务数量时，则直接进行人员调度；若任务数大于人员数量时，则必须考虑人员在执行完一个任务之后的状态变化，基于状态变化再对人员进行调度，因此要对任务进行分组调度，每次取与人员数量相等的任务进行调度。 第二部分人员调度问题模型 （1）任务数量小于人员数量时 这种情况只需考虑上一节中分析的建模因素对目标函数即总任务执行时间的影响，建立模型： 第二部分人员调度问题模型 第二部分人员调度问题模型 （2）任务数量大于或等于人员数量时 由于当任务数量等于人员数量时，可视为刚好把任务分为一组，所以此类情况与当任务数量大于人员数量一同考虑。考虑到分组和人员状态变化问题，建立模型： 第二部分人员调度问题模型 公式（2.2）中Y是完成调度消耗的总时间，h是任务的批次数目，n是每个批次中的任务数，在此情况下即人员数目，m1i是第i个任务难度，m2i是第i个任务工作量，p1j是第j个人员状态，p2j是第j个人员能力，pjki是该人员对第k批次中第i个任务的适应程度。 公式（2.3）中p1j’表示变化后的第j个人员状态，Ykj表示该人员执行第k批次中第i个任务后状态的变化量。通过公式（2.3）即可反应出人员执行任务之后的状态变化情况。 同第一种情况一样，模型中添加约束为每位人员每批次只可执行一次任务。 第二部分人员调度问题模型 第三部分遗传算法的原理与优化 1 遗传算法的原理 遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，其操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。该算法可以从任一初始种群出发，通过随机选择、交叉和变异操作，产生一群更适应环境的新个体，使群体进化到搜索空间中越来越好的区域，这样一代一代地不断繁衍进化，最后收敛到一群适应环境的个体，求得问题的最优解。 第三部分遗传算法的原理与优化 第三部分遗传算法的原理与优化 2 遗传算法的优化 在实际应用中，遗传算法显示出了顽强的生命力，以其突出的优点越来越受到重视。但是遗传算法也存在着缺点，其中很重要的是遗传算法的未成熟收敛，即早熟问题。 遗传算法的早熟现象主要表现在两个方面： （1）群体中所有个体都陷于同一极值而停止进化。 （2）接近最优解的个体总是被淘汰，进化过程不收敛。 第三部分遗传算法的原理与优化 在本设计中通过引入灾变算法解决早熟问题。即在遗传算法的基础上，模拟自然界灾变现象，提高遗传算法的性能。当判断连续代数最佳染色体没有任何进化，或者各个染色体已过于近似时，即可实施灾变。灾变的方法很多，可以突然增大变异概率或对不同个体实施不同规模的突变，以产生不同数目的大量后代等。用灾变算法可以打破原有基因的垄断优势，增加基因的多样性，创造有生命力的新个体。 第三部分遗传算法的原理与优化 3 遗传算法的仿真 为了研究遗传算法的性能以及优化方法的可行性，我选取Shubert函数为优化对象，对遗传算法进行深入研究。 Shubert函数是一种多元多峰函数，其表达式为： 第三部分遗传算法的原理与优化 第三部分遗传算法的原理与优化 由函数图象可以看出，Shubert函数是一种二元多峰函数，其存在多个局部极值，选取目标函数为Shubert函数最小值。则用遗传算法对该函数进行优化时，有可能会遇到未成熟收敛问题，导致最终求得局部最优解，而非全局最优解。下面运用基本遗传算法对该函数最小值进行