林世崗 陳軍生 張仁平

1(國防大學(xué)軍事后勤與軍事科技裝備教研部 北京 100091)2(后勤工程學(xué)院軍事油料應(yīng)用與管理工程系 重慶 401311)

基于實(shí)時數(shù)據(jù)的油料保障任務(wù)分配方法研究

林世崗1,2陳軍生1張仁平2

1(國防大學(xué)軍事后勤與軍事科技裝備教研部 北京 100091)
2(后勤工程學(xué)院軍事油料應(yīng)用與管理工程系 重慶 401311)

針對聯(lián)合作戰(zhàn)油料保障任務(wù)分配中存在的量化分析與定性描述難以結(jié)合的問題，依據(jù)云模型理論具有模糊性和隨機(jī)性的不確定性表達(dá)能力，提出實(shí)時數(shù)據(jù)感知下的油料保障任務(wù)分配方法。通過設(shè)置補(bǔ)給閾值實(shí)現(xiàn)對部隊油料需求的動態(tài)調(diào)控，并采取任務(wù)選擇系數(shù)和需求修正系數(shù)，實(shí)現(xiàn)對重要部隊的重點(diǎn)保障和提前保障。通過建立權(quán)重的正態(tài)云模型來描述各因素對運(yùn)輸代價的影響程度，結(jié)合相關(guān)因素的可容忍度指標(biāo)來修正各路段的影響值，縮小路徑選擇范圍，然后采用改進(jìn)的粒子群算法實(shí)現(xiàn)路徑尋優(yōu)，最后按覓食算法生成任務(wù)分配方案。算例表明，該方法可為實(shí)時數(shù)據(jù)支持下的聯(lián)合作戰(zhàn)油料保障任務(wù)分配提供決策依據(jù)。

實(shí)時數(shù)據(jù) 油料保障 任務(wù)分配 云模型

0 引 言

聯(lián)合作戰(zhàn)中，數(shù)據(jù)已成為精確后勤的重要物資基礎(chǔ)[1-2]。在實(shí)時數(shù)據(jù)的支持下，進(jìn)行油料保障任務(wù)分配，能夠提高油料保障決策的科學(xué)性和保障行動的準(zhǔn)確性，有效解決油料保障在時間上存在的“滯后性”與“超前性”的矛盾[3]。

當(dāng)前，對油料保障任務(wù)分配的研究主要集中在：一是將油料看作通用物資，通過建立油料保障的供需模型實(shí)現(xiàn)任務(wù)分配的最優(yōu)化[4-6]；二是采用優(yōu)化算法，研究油料調(diào)撥中的最小路徑問題[7-9]；三是對具體的油料保障業(yè)務(wù)進(jìn)行模擬，尋找最優(yōu)保障流程[10]。現(xiàn)有研究雖然從不同角度研究了油料保障任務(wù)分配的相關(guān)問題，但在實(shí)際運(yùn)用中，如何確定保障任務(wù)和保障力量，如何量化各類指標(biāo)，如何計算運(yùn)輸代價中的不確定性問題等并沒有得到有效解決。特別是對實(shí)時數(shù)據(jù)支撐下，油料保障任務(wù)分配中的數(shù)據(jù)處理和計算方法研究很少。

本文從聯(lián)合作戰(zhàn)油料保障需求出發(fā)，將量化分析與不確定性分析相結(jié)合，以作戰(zhàn)油料消耗和保障能力的實(shí)時動態(tài)數(shù)據(jù)為基礎(chǔ)，提出油料保障任務(wù)的分配方法。在確定保障任務(wù)上，根據(jù)保障需求和保障能力的特點(diǎn)，按照補(bǔ)給閾值和系數(shù)修正保障任務(wù)；在油料運(yùn)輸路徑優(yōu)化上，針對運(yùn)輸代價計算中影響因素的不確定性，對影響因素的權(quán)重建立了正態(tài)云模型，實(shí)現(xiàn)了對運(yùn)輸代價各因素影響程度的計算，并采用可容忍度指標(biāo)縮小運(yùn)輸路徑選擇范圍。最后，改進(jìn)了粒子群算法和線型規(guī)劃算法，設(shè)計了算例，驗(yàn)證了方法的有效性。

1 油料保障任務(wù)分配的基本模型

將保障對象作為需求方，油料保障力量作為供應(yīng)方，聯(lián)合作戰(zhàn)油料保障任務(wù)分配可以按照供需模型建立。設(shè)共有m個保障力量A1，A2，…，Am；n個保障對象B1，B2，…，Bn。各保障力量油料供應(yīng)能力為：a1，a2，…，am；各保障對象的需求為：b1，b2，…，bn。油料保障任務(wù)分配就是尋找一個最優(yōu)的分配方案，使得總的保障代價Z最小。其基本模型為：

(1)

(2)

其中：

xij為Ai向Bj提供的保障量。

cij為保障力量Ai到保障對象Bj之間的運(yùn)輸代價。cij≥0。

一般情況，戰(zhàn)區(qū)的油料保障量可滿足各部隊的需求量，則有：

當(dāng)獲取相關(guān)信息和數(shù)據(jù)后，就可以采用傳統(tǒng)的線型規(guī)劃方法[11]或者其他智能算法等[12]，求解油料保障任務(wù)分配的最優(yōu)方案。

上述模型是參數(shù)確定的理想模型，聯(lián)合作戰(zhàn)中，由于油料保障信息隨作戰(zhàn)進(jìn)程不斷變化，模型計算條件不確定性程度變大，難以直接使用該模型進(jìn)行油料保障任務(wù)的分配，一般都需要對模型進(jìn)行修正，使任務(wù)分配更符合實(shí)際。

2 保障任務(wù)預(yù)計

2.1 保障需求預(yù)計

部隊油料需求主要根據(jù)部隊油料消耗和作戰(zhàn)任務(wù)等條件進(jìn)行計算。從時間上看，部隊油料需求是一個逐漸增加過程。傳統(tǒng)的油料需求通常由部隊提出，而在實(shí)時數(shù)據(jù)的支持下，可根據(jù)部隊油料的現(xiàn)有量進(jìn)行補(bǔ)給。一般采用設(shè)定補(bǔ)給閾值的方法來進(jìn)行確定，當(dāng)部隊油料現(xiàn)有量小于設(shè)定的補(bǔ)給閾值后，則將該部隊作為保障對象。設(shè)部隊油料基數(shù)量為qj，當(dāng)前量為uj，補(bǔ)給閾值為Uj，則有：

(3)

其中，補(bǔ)給閾值Uj根據(jù)該部隊耗油裝備的規(guī)律、經(jīng)驗(yàn)數(shù)據(jù)等進(jìn)行確定?？紤]到部隊所處的位置，以及指揮員的下一步作戰(zhàn)決心，引入任務(wù)選擇系數(shù)λj，需求修正系數(shù)ηj，對需求量進(jìn)行修正：

(4)

λj根據(jù)部隊需要確定，當(dāng)λj=1時，按正常閾值提出補(bǔ)給需求，當(dāng)λj>1時，提前補(bǔ)給，λj<1時，延遲補(bǔ)給。

ηj根據(jù)作戰(zhàn)任務(wù)強(qiáng)度確定，當(dāng)需要加大的保障量為εj時，ηj按下式計算：

ηj=qj/(qj+εj)

當(dāng)ηj=1時，按當(dāng)時所缺數(shù)量提出申請；當(dāng)ηj<1時，增大對該單位的補(bǔ)給量。

2.2 保障力量選擇

保障力量Ai的保障能力隨著保障情況變化而變化。當(dāng)執(zhí)行一次保障任務(wù)時，其保障能力，如儲油能力、運(yùn)輸能力等相應(yīng)減少。當(dāng)保障能力ai不能滿足最低需求時，即：

ai

Ai不參加保障行動。

3 基于云模型的路徑優(yōu)化

3.1 基于正態(tài)云模型的權(quán)重分配

確定油料保障需求和保障力量后，需要確定保障力量到保障對象的最佳路徑，然后再將保障任務(wù)合理地分配給各保障力量。路徑選擇一般按照運(yùn)輸代價最小的原則進(jìn)行。運(yùn)輸代價主要由運(yùn)輸方式(m)、運(yùn)輸距離(r)、運(yùn)輸安全(s)、運(yùn)輸時間(t)等因素決定。保障人員進(jìn)行選擇時，需要按照各因素的權(quán)重進(jìn)行綜合分析。

求解權(quán)重的方法主要有主觀賦權(quán)法和客觀賦權(quán)法[13-14]。主觀賦權(quán)法主要有層次分析、最小平方法、Delphi法等；客觀賦權(quán)法主要有熵法、主成分分析法等。在實(shí)際應(yīng)用中，通常結(jié)合模糊數(shù)學(xué)等相關(guān)理論和方法進(jìn)行綜合分析[15-16]。近年來，指標(biāo)權(quán)重分配中的不確定性問題，也逐漸引起更多學(xué)者的關(guān)注[17-19]。

在運(yùn)輸代價影響因素的權(quán)重分配上，也存在一定的不確定性。首先，權(quán)重分配具有一定的模糊性。當(dāng)專家對各因素的重要程度進(jìn)行評價時，通常采用“比較重要”、“很重要”等方式進(jìn)行定性評價，而在權(quán)重計算時，采取直接賦權(quán)的方式計算，難以體現(xiàn)權(quán)重分配中的模糊性。其次，在作戰(zhàn)過程，各因素的權(quán)重也并非固定不變。保障人員需要根據(jù)戰(zhàn)場情況，對各因素的權(quán)重做出調(diào)整。例如，當(dāng)對保障速度要求高時，就需要增加運(yùn)輸時間的權(quán)重，具體增加多少，通常由保障人員進(jìn)行估計。如果進(jìn)行多次估計，就會產(chǎn)生不同的估計值，表現(xiàn)出一定的隨機(jī)性。此外，聯(lián)合作戰(zhàn)進(jìn)程快，要求保障人員能快速決策，就會因信息的不完備增大權(quán)重分配中的不確定性。

云模型對既有模糊性，又有隨機(jī)性的不確定性概念具有很好的表達(dá)能力[20-21]，近年來，有學(xué)者引入云模型對權(quán)重分配方法進(jìn)行改進(jìn)[18-19]，使得權(quán)重分配能夠體現(xiàn)出決策中的模糊性和隨機(jī)性，取得了較好的效果。但是，這些方法的實(shí)施較為復(fù)雜，適用于靜態(tài)環(huán)境下的權(quán)重分配。另外，保障人員為提高決策效率，更傾向使用簡便有效的權(quán)重分配方法[8]，這些方法來又難以表達(dá)權(quán)重分配中的不確定性。因此，以傳統(tǒng)的對比分析法為基礎(chǔ)，采用云模型進(jìn)行權(quán)重表示，能夠較好地兼顧權(quán)重分配中的不確定性和實(shí)施中的簡便性。

云模型用3個數(shù)字Ex(期望)、En(熵)、He(超熵)表示，記為C(Ex,En,He)。其中，En的取值決定概念的可度量范圍，He的取值決定概念的模糊性與隨機(jī)性。

設(shè)有l(wèi)個影響因素，第k個因素的權(quán)重為ωk，有：

(5)

正態(tài)云模型中，云滴群對概念的貢獻(xiàn)程度遵循3En規(guī)則，即：對于論域U中的定性概念有貢獻(xiàn)的云滴，主要落在區(qū)間[Ex-3En,Ex+3En]之間。

按照3En規(guī)則，對于第k個因素的權(quán)重ωk，在確定其取值時，決策的可能性劃分為1～ωk和0～ωk，所以有：

En(max)=min(1-ωk,ωk)/3

從而可以通過對En、He的控制，實(shí)現(xiàn)對權(quán)重模糊程度的控制。

圖在En不同取值下的云模型特征

圖在He不同取值下的云模型特征

3.2 基于最大容忍程度的路徑篩選

運(yùn)輸代價計算中，除了考慮各因素的優(yōu)先程度外，還需考慮對影響因素的容忍程度。例如，安全因素s是某一運(yùn)輸路徑受敵威脅程度或自然環(huán)境惡劣程度的評價指標(biāo)(0

如果指標(biāo)值設(shè)置為與安全威脅成正比，當(dāng)指標(biāo)值超過保障人員的最大容忍程度時(如0.9)，即使其他條件再好，也不能選擇。

對于運(yùn)輸代價c有：

c=g(m,r,s,t)

設(shè)ek為保障人員對各因素的最大容忍度：

E=(ek)={e1,e2,e3,e4}

將運(yùn)輸代價指標(biāo)值與其最大容忍度進(jìn)行比較，當(dāng)達(dá)到或超過最大值時，即可認(rèn)為該因素的代價為∞，即不可選擇，有：

(6)

則對運(yùn)輸代價綜合指標(biāo)為：

(7)

3.3 運(yùn)輸代價計算

c′=g(m′,r′,s′,t′)

當(dāng)g為累加的方法進(jìn)行綜合時，則有：

(8)

3.4 路徑優(yōu)化

兩地之間的路徑通常由多個路段構(gòu)成，各個路段的運(yùn)輸代價由各個影響因素表示。通過累加，可獲得每條可選擇路徑的各影響因素的總量，再按權(quán)重進(jìn)行計算，便可得到該路徑的綜合代價。

對于由n個路段構(gòu)成的路徑集C，Ci為某一段路徑屬性集，則：

C=(C1+C2+…+Ci+…+Cn)

設(shè)影響因素權(quán)重集為：W=(ω1,ω2,ω3,ω4)′，則路徑集C的評價指標(biāo)集C′為：

C′ =C×W=(C1+C2+…+Ci+…+Cn)×W=

C1W+C2W+…+CiW+…+CnW

因此，可采取先計算每個路段的運(yùn)輸代價綜合指標(biāo)，再進(jìn)行路徑尋優(yōu)，就可以求得保障力量到保障對象的最優(yōu)路徑。研究表明，在路徑尋優(yōu)算法中，以A*算法等為基礎(chǔ)的啟發(fā)式加速算法具有較高的性能[22]，而群體智能算法以其隨機(jī)、并行與分布式的特點(diǎn)在求解大規(guī)模不確定性的路徑尋優(yōu)問題中表現(xiàn)出明顯的優(yōu)勢。粒子群優(yōu)化(PSO) 算法由于其計算簡單、控制參數(shù)少且算法本身易于實(shí)現(xiàn)等特點(diǎn)成為群體智能算法的典型代表。根據(jù)本研究以實(shí)時數(shù)據(jù)為支撐的特點(diǎn)，采用A*算法和粒子群算法為基礎(chǔ)的路徑尋優(yōu)綜合算法，生成保障力量到保障對象之間的最優(yōu)路徑矩陣R。

得到最優(yōu)路徑矩陣R，便可將油料保障任務(wù)分配問題就轉(zhuǎn)化為式(1)和式(2)所表示的供需模型，然后再生成任務(wù)分配方案。

4 算法設(shè)計

4.1 主要步驟

油料保障任務(wù)分配可分解為三個子問題。首先是信息獲取和數(shù)據(jù)預(yù)處理。然后，以此為基礎(chǔ)，尋找各保障點(diǎn)到需求點(diǎn)的最優(yōu)路徑；最后，根據(jù)最優(yōu)路徑和供需數(shù)量，尋找最優(yōu)分配方案。算法步驟如下：

步驟1 按照式(4)，計算各部隊需求。搜索獲得保障需求的部隊，加入保障對象隊列。

步驟2 查找滿足最低保障需求的保障單位，加入保障力量隊列。

步驟3 歸一化運(yùn)輸代價影響因素。搜索戰(zhàn)區(qū)各路段的最大距離Mmax和最大時間Tmax，按照m′=m/Mmax，t′=t/Tmax計算。

步驟4 按照運(yùn)輸安全的最大容忍度進(jìn)行篩選，獲取戰(zhàn)區(qū)新的運(yùn)輸路徑，并按照式(8)計算各路段的運(yùn)輸代價綜合指標(biāo)，生成帶有運(yùn)輸代價綜合指標(biāo)值的運(yùn)輸網(wǎng)絡(luò)G。

步驟5 在運(yùn)輸網(wǎng)絡(luò)G中，采用路徑尋優(yōu)綜合算法，找到保障力量到保障對象的最優(yōu)路徑矩陣R。

步驟6 根據(jù)式(1)和式(2)，生成油料保障任務(wù)分配方案。

4.2 路徑尋優(yōu)綜合算法

結(jié)合A*算法和粒子群算法的優(yōu)點(diǎn)，以雙向搜索的方式尋找最優(yōu)路徑。粒子在尋找路徑時，根據(jù)以往經(jīng)驗(yàn)和當(dāng)前最優(yōu)位置，以及到目的位置的預(yù)計代價進(jìn)行下一位置的選擇。

設(shè)f1為當(dāng)前位置與最全局最優(yōu)位置g的代價計算函數(shù)；f2為當(dāng)前位置到目的位置Dk的預(yù)計代價計算函數(shù)；f3當(dāng)前位置到下一個位置的代價計算函數(shù)；則粒子k的下一個位置評價值按下式計算：

Pk(i+1)=a1f1(g(i+1))+a2f2(Xk(i),Dk)+a3f3(ck,i+1)

(9)其中，a1、a2、a3為權(quán)重因子，各權(quán)重因子為大于0小于1實(shí)數(shù)，并且a1+a2+a3=1。這里取值0.3、0.3、0.4。

粒子k根據(jù)式(9)，按照下式選擇位置：

Xk(i+1)=ψ{Xk1(i+1),…,XKj(i+1)}

其中，ψ為選擇策略，j表示在位置X(i)時的j個選項(xiàng)。

當(dāng)策略ψ為:評價值P越小，選中的概率越大時，則式(9)中：

f1和f2可按距離計算：

其中，pn(i)為粒子在位置i時,下一個可能位置n到目標(biāo)位置m的評價值。

f3則按照式(7)進(jìn)行計算，即為路徑的綜合評價值。

實(shí)現(xiàn)步驟如下：

步驟1 初始化全局最優(yōu)路徑g=0。

步驟2 初始化兩個粒子群，一個群由起始點(diǎn)向目標(biāo)點(diǎn)飛行，一個群由目標(biāo)點(diǎn)向起始點(diǎn)飛行。

步驟3 找到下一個可能的位置。

步驟4 按照搜索策略ψ，更新各粒子位置。

步驟5 判斷是否到找到路徑。如果找到路徑，或者粒子陷入局部最優(yōu)，則該粒子或粒子對退出搜索。判斷粒子飛行時間是否達(dá)到最大時間，如果達(dá)到，該粒子退出搜索。否則轉(zhuǎn)步驟3。

步驟6 比較當(dāng)前的最優(yōu)路徑和全局最優(yōu)路徑，更新全局最優(yōu)路徑。

步驟7 判斷迭代次數(shù)是否達(dá)到最大值，如果達(dá)到則退出，否則轉(zhuǎn)步驟2。

步驟8 輸出全局最優(yōu)路徑g。

4.3 保障任務(wù)分配算法

在獲取最優(yōu)路徑的情況下，該問題就轉(zhuǎn)換為帶約束條件的線性規(guī)劃問題。對該問題的求解主要分為經(jīng)典算法和智能算法。智能算法中，主要有粒子群算法和遺傳算法。粒子群算法中，一是對邊界值控制難，二是實(shí)現(xiàn)算法相對復(fù)雜，有效性不高。遺傳算法中，編碼和解碼都比較復(fù)雜和繁瑣。根據(jù)本文的研究內(nèi)容，借鑒粒子覓食的思路實(shí)現(xiàn)任務(wù)分配，算法步驟如下：

步驟1 初始化路徑空間，將各個保障力量Ai設(shè)置為各粒子的出發(fā)點(diǎn)，各粒子空余容量為該點(diǎn)供應(yīng)量Ai。將保障對象Bj設(shè)置為食物點(diǎn)。

步驟2 搜索有效路徑空間中最小路徑。將連接粒子Arow和食物點(diǎn)Bcol的最小路徑c(row,col)提取出來，由該粒子按下列原則進(jìn)行覓食：

(1) 如果剛好滿足需要，則該粒子空余容量和食物量均置0；如果食物量大于粒子空余容量，則食物量Bcol=Bcol-Arow，粒子空余容量Arow置0；如果食物量小于粒子空余容量，則粒子空余容量Arow=Arow-Bcol，食物量Bcol置0。令x(row,col)等于減少的量，同時更新粒子空余總?cè)萘俊?/p>

(2) 將粒子空余容量和食物量為0的相關(guān)路徑退出有效路徑空間。

步驟3 如果粒子空余總?cè)萘康扔?，轉(zhuǎn)步驟4，則轉(zhuǎn)步驟2。

步驟4 輸出分配方案。

5 案例分析

5.1 主要數(shù)據(jù)

某階段，獲得后的某戰(zhàn)區(qū)油料需求數(shù)據(jù)如表1所示。

表1 部隊需求數(shù)據(jù)

表1中，Bj表示部隊，λ表示任務(wù)選擇系數(shù)，η表示需求修正系數(shù)，U表示油料補(bǔ)給閾值。

獲得該戰(zhàn)區(qū)具備保障能力的保障力量為A1，A2，A3，A4，A5，保障能力為{490，591，385，213，203}。獲得的保障力量到保障對象之間的路段如圖3所示。

圖3 運(yùn)輸路段示意圖

圖3中，三角形表示路徑節(jié)點(diǎn)，圓點(diǎn)表保障力量所在位置，星形表示保障對象所在位置，虛線表示可通行路段。

路徑屬性數(shù)據(jù)如表2所示。

表2 運(yùn)輸路段屬性數(shù)據(jù)

5.2 參數(shù)選擇

默認(rèn)任務(wù)選擇系數(shù)λ、需求修正系數(shù)η均為1。部隊B2將擔(dān)負(fù)下一階段的主攻任務(wù)，設(shè)置其λ為1.2。同時，對B2保障加大11%的保障量，則η為0.9。

各路段運(yùn)輸代價按運(yùn)輸方式、運(yùn)輸距離、運(yùn)輸安全、運(yùn)輸時間進(jìn)行加權(quán)綜合評價。各路段運(yùn)輸方式和運(yùn)輸安全按照區(qū)間(0,1)進(jìn)行評價，數(shù)值越大，代價越大。運(yùn)輸距離為實(shí)際里程，運(yùn)輸時間為該運(yùn)輸方式下的預(yù)計時間，并進(jìn)行歸一化處理。

保障人員對運(yùn)輸代價影響因素的權(quán)重期望設(shè)置為：W=(0.1,0.2,0.4,0.3)。權(quán)重云模型參數(shù)按照En=min(1-ωk,ωk)/3，He=0.02進(jìn)行設(shè)置。

可容忍度指標(biāo)?？紤]戰(zhàn)時運(yùn)輸安全性要求，對每段路徑在安全上的最大容忍度指標(biāo)設(shè)定為0.9。

5.3 結(jié)果分析

采用本文設(shè)計的基于A*算法和PSO算法的路徑尋優(yōu)綜合算法進(jìn)行路徑尋優(yōu)，最后得到的路徑矩陣R如表3所示。

表3 最優(yōu)路徑綜合評價表

按照覓食算法得到的初步分配方案如下：

得到的運(yùn)輸代價最小值為： 3 543.8。

在最優(yōu)路徑尋優(yōu)中，與PSO算法在相同條件下進(jìn)行路徑尋優(yōu)對比，獲得的實(shí)驗(yàn)結(jié)果如表4所示。

表4 最優(yōu)路徑搜索比較

從結(jié)果看，隨著粒子數(shù)量和飛行次數(shù)的增加，尋找到最優(yōu)路徑的可能性也大大增加。本文算法中，當(dāng)粒子數(shù)量為200、飛行次數(shù)為5時，尋優(yōu)率就已經(jīng)達(dá)到了90%，與PSO算法相比，具有較明顯的優(yōu)勢。

在相同的路徑選擇策略下，用A*算法進(jìn)行尋優(yōu)。多次計算結(jié)果發(fā)現(xiàn)，采用A*算法時，每次均可找到可行解，而且每次找到的可行解均相同。相比PSO算法和本文算法，A*算法簡單，運(yùn)行效率高，但是由于A*算法是一種確定性的算法，與其他算法相比，很容易陷入局部最優(yōu)，尋找全局最優(yōu)解的能力也最弱。

在方案分配中，與Matlab的linprog函數(shù)相比，linprog求得的運(yùn)輸代價最小值為：3 752.5。從實(shí)驗(yàn)情況看，兩種算法的運(yùn)行時間基本一致，但本文算法得到的結(jié)果要優(yōu)于linprog函數(shù)。同時，與其他智能算法相比，本文算法方法簡單、易于實(shí)現(xiàn)。

本文按照保障任務(wù)分配的實(shí)現(xiàn)過程，在分析路徑選擇中存在不確定性因素，實(shí)現(xiàn)了路徑選擇和分配方案的生成。與其他方法相比，其主要優(yōu)勢在于：一是采用云模型對路徑選擇影響因素的權(quán)重進(jìn)行表示，能夠體現(xiàn)路徑選擇中存在的模糊性和隨機(jī)性，貼近路徑綜合評價決策的實(shí)際。二是具備對較大規(guī)模路徑的尋優(yōu)能力，以粒子群和A*算法為基礎(chǔ)的綜合算法，使其既有與A*算法相似的高效率，又有智能算法的并行性能和隨機(jī)性能，使算法的全局尋優(yōu)能力得到較大提高。三是該方法以實(shí)時數(shù)據(jù)庫為支撐，算法的控制參數(shù)少，計算效率較高，便于實(shí)現(xiàn)，具有較高的工程應(yīng)用價值。

6 結(jié) 語

任務(wù)分配是油料保障中經(jīng)常遇到的一類典型問題。在確定供需的條件下，獲得最優(yōu)運(yùn)輸路徑，進(jìn)行任務(wù)分配就成為求解該類問題的重要環(huán)節(jié)。首先設(shè)計了油料保障實(shí)時數(shù)據(jù)的處理方法，然后通過建立運(yùn)輸代價綜合評價的權(quán)重云模型，實(shí)現(xiàn)了對權(quán)重選擇的不確定性轉(zhuǎn)化，以此為基礎(chǔ)，采用改進(jìn)的粒子群算法和覓食算法，實(shí)現(xiàn)了油料保障任務(wù)的分配。案例分析表明，該方法具有較強(qiáng)的可行性，能夠?yàn)榛谛畔⑾到y(tǒng)的聯(lián)合作戰(zhàn)油料保障任務(wù)分配提供了依據(jù)和參考。

[1] 鄭靜, 皮學(xué)賢. 精確化后勤的數(shù)據(jù)管理[J]. 指揮信息系統(tǒng)與技術(shù), 2015, 6(4):53-57.

[2] 劉羽，李東.加快平戰(zhàn)一體后勤數(shù)據(jù)建設(shè)[J].后勤學(xué)術(shù),2014(11):41-42.

[3] 總后勤部司令部.聯(lián)合作戰(zhàn)后勤指揮[M].解放軍出版社,2014:8-14.

[4] 姬小利.供應(yīng)鏈訂單任務(wù)分配模型及其混合遺傳算法[J].西南交通大學(xué)學(xué)報,2005,40(6):811-815.

[5] 宋楊. 4PL模式下物流任務(wù)分配問題研究[J]. 物流技術(shù), 2010, 29(9):89-91.

[6] 王佳新,王瑞江.基于兩級服務(wù)的供應(yīng)鏈物流任務(wù)分配的數(shù)學(xué)模型研究[J].物流技術(shù),2013,32(21):377-379.

[7] 林世崗,周慶忠,石祥輝,等.軍事油料輸送蟻群算法[J].物流技術(shù),2010,29(20):147-149.

[8] 張仁平,劉奇韜,熊偉.物資調(diào)撥運(yùn)輸優(yōu)化模型及應(yīng)用研究[J].物流技術(shù), 2009, 28(3):85-87.

[9] 王永,胥冬川,農(nóng)蘭晶.震后過渡階段應(yīng)急物流系統(tǒng)的定位-輸路線安排問題研究[J].計算機(jī)應(yīng)用,2015,35(1):243-246.

[10] 周麟璋,李橫,雍歧東,等.直升機(jī)野戰(zhàn)油料保障模擬優(yōu)化研究[J].后勤工程學(xué)院學(xué)報,2012,28(2):52-57.

[11] 丁四波,李鳳廷.管理運(yùn)籌學(xué)[M].北京:清華大學(xué)出版社,2011:130-136.

[12] 曾文權(quán),余愛民.基于改進(jìn)PSO算法的任務(wù)分配研究[J].計算機(jī)工程與應(yīng)用,2013,49(13):51-55.

[13] 嚴(yán)鴻和, 陳玉祥. 專家評分機(jī)理與最優(yōu)綜合評價模型[J]. 系統(tǒng)工程理論與實(shí)踐, 1989(2):19-23.

[14] 楊衛(wèi)東，劉若晨，蔡景.屬性權(quán)重確定方式及在衡量機(jī)型相似度中的應(yīng)用[J].飛機(jī)設(shè)計,2014,34(5):58-61.

[15] 王利東,鮑君忠,張敬源.基于三角模糊信息的綜合安全評估中專家權(quán)重調(diào)整模型[J].模糊系統(tǒng)與數(shù)學(xué), 2014,28(4):180-185.

[16] 劉辰龍,袁永博.基于可變模糊集的權(quán)重信息不完全的語言多屬性決策研究[J].模糊系統(tǒng)與數(shù)學(xué), 2014,28(4):84-88.

[17] 劉湘?zhèn)?劉冰雁,郭建蓬,等.指標(biāo)權(quán)重不確定的電子對抗作戰(zhàn)方案評估方法[J].信息工程大學(xué)學(xué)報,2014,15(1):1-5.

[18] 沈進(jìn)昌,杜樹新,羅祎,等.基于云模型的模糊綜合評價方法及應(yīng)用[J].模糊系統(tǒng)與數(shù)學(xué), 2012,26(6):115-122.

[19] 李巖,慕曉冬,金學(xué)敏,等.基于云模型的層次分析方法[J].第二炮兵工程大學(xué)學(xué)報(自然科學(xué)版),2015,29(1):82-85.

[20] 葉瓊,李紹穩(wěn),張友華,等.云模型及應(yīng)用綜述[J].計算機(jī)工程與設(shè)計,2011,32(12):4198- 4201.

[21] 李德毅,杜鹢.不確定性人工智能[M].北京:國防工業(yè)出版社,2005:143-145.

[22] 宋青,汪小帆.最短路徑算法加速技術(shù)研究綜述[J].電子科技大學(xué)學(xué)報,2012,41(2):176-184.

RESEARCH ON TASK ALLOCATION METHOD OF POL SUPPORT BASED ON REAL-TIME DATA

Lin Shigang1,2Chen Junsheng1Zhang Renping2

1(DepartmentofMilitaryLogisticsandArmament,NationalDefenceUniversity,Beijing100091,China)
2(DepartmentofOilApplicationandManagement,LogisticalEngineeringUniversity,Chongqing401311,China)

Aiming at the problem that it is difficult to combine quantitative analysis and qualitative description in the task assignment of joint operation POL support, according to the uncertainty expression of cloud model theory with fuzziness and stochasticity, a new task allocation method of POL support based on real-time data perception is proposed. By setting the supply threshold to achieve the dynamic control of POL demand, and to take the task selection factor and the demand correction factor to achieve the important forces of the key protection and advance protection. The influence of each factor on the transportation cost is described by establishing the normal cloud model of weight, and the impact value of each road section is modified with the tolerance index of related factors to narrow the path selection range. An example shows that the method can provide decision-making basis for the joint assignment of POL support tasks under real-time data support.

Real-time data POL support Task allocation Cloud model

2016-04-22。中國博士后科學(xué)基金項(xiàng)目(2015M572791)。林世崗，副教授，主研領(lǐng)域：作戰(zhàn)油料保障。陳軍生,教授。張仁平,副教授。

TP301.6

A

10.3969/j.issn.1000-386x.2017.05.013