周 聰，姜繼嬌*，殷 茗

基于混合蛙跳算法的異地分布式協(xié)同開發(fā)的任務(wù)分配優(yōu)化

周 聰1，姜繼嬌1*，殷 茗2

（1.西北工業(yè)大學管理學院，陜西 西安 710072；2.西北工業(yè)大學軟件與微電子學院，陜西 西安 710072）

異地分布式協(xié)同開發(fā)已經(jīng)成為大型復雜產(chǎn)品開發(fā)策略的一部分，復雜產(chǎn)品在動態(tài)環(huán)境下，針對不同團隊的技術(shù)水平、專業(yè)方向、所在的地理位置等外部條件進行實時任務(wù)分配這一問題，本文采用無約束化的編碼方式并結(jié)合變異、交叉的遺傳操作，建立基于混合蛙跳算法的異地分布式多團隊開發(fā)環(huán)境中的任務(wù)分配模型。該模型，參考Scrum產(chǎn)品的開發(fā)框架對任務(wù)進行分解，以協(xié)同生產(chǎn)企業(yè)的敏捷性與其地理位置為優(yōu)化目標，實現(xiàn)在異地分布式環(huán)境中的任務(wù)智能分配。通過模擬我國某飛機發(fā)動機任務(wù)分配的過程，驗證算法的性能。結(jié)果表明，與原始的混合蛙跳算法相比，本文所提的改進混合蛙跳算法具有較好的全局搜索能力與求解的精度。

復雜產(chǎn)品；異地分布式協(xié)同開發(fā)；混合蛙跳算法；敏捷性

0 引言

目前，異地分布式協(xié)同開發(fā)(Geographically Distributed Collaborative Development，GDCD)已經(jīng)成為大型復雜產(chǎn)品開發(fā)策略的主流趨勢[1]。大型復雜產(chǎn)品的客戶需求、產(chǎn)品組成、產(chǎn)品設(shè)計、產(chǎn)品制造及項目管理復雜，涉及機械、控制、電子、液壓、氣動和軟件等多學科領(lǐng)域，每個子系統(tǒng)都由多學科領(lǐng)域的零部件組成，與外界存在復雜的交互關(guān)系。GDCD 可以幫助企業(yè)進行大型復雜產(chǎn)品開發(fā)時達到更好的靈活性及成本控制，現(xiàn)有研究主要集中于異地分布式團隊之間的協(xié)作和溝通問題[2][3][4][5]。

異地分布式開發(fā)需要敏捷性[6]，以快速適應(yīng)不穩(wěn)定的市場環(huán)境與需求變動。大型復雜產(chǎn)品 GDCD 過程中需要充分利用分散企業(yè)的資源，進行產(chǎn)品開發(fā)過程，參與者復雜，信息交換內(nèi)容廣泛。人們建立敏捷開發(fā)團隊往往是受到利益驅(qū)動，例如生產(chǎn)率提高、創(chuàng)新及員工滿意等。隨著產(chǎn)品復雜性和技術(shù)環(huán)境正以不可預(yù)測的速率進行變化，多個企業(yè)進行復雜航空產(chǎn)品異地分布式協(xié)同開發(fā)的敏捷性已經(jīng)成為了提升產(chǎn)品開發(fā)績效的關(guān)鍵。敏捷過程更加強調(diào)感官與反應(yīng)、自組織、跨職能團隊及持續(xù)適應(yīng)力[7]，而且組織所具有的敏捷性可以快速適應(yīng)這種迅速變化的外部環(huán)境[8]。但異地分布式敏捷開發(fā)相對于集中式開發(fā)會存在更多阻力[9]?，F(xiàn)有研究主要集中在應(yīng)用實踐[10]、協(xié)作與溝通[11]、方法工具[12]、知識管理[13]、大規(guī)模項目[14]、團隊[15]及風險[16]等方面。近年的研究表明，任務(wù)分配被認為是異地分布式開發(fā)過程中的關(guān)鍵環(huán)節(jié)。項目中不同的人員從事相同的任務(wù)，其生產(chǎn)效率差距可達 10-40 倍[17]。Lin 等[18]認為任務(wù)分配可減少異地團隊間的溝通成本，使成員把精力投入到開發(fā)中。Paasivaara等[19]指出了 GDCD 團隊進行的開發(fā)必然受制于團隊之間的協(xié)同關(guān)系，異地分布式團隊間高效的協(xié)同控制，直接影響到合作伙伴的核心能力的充分發(fā)揮及有效地實現(xiàn)優(yōu)勢互補，進而影響到項目的整體獲益。任務(wù)分配問題的研究大部分主要集中在人工智能領(lǐng)域，例如多 Agent系統(tǒng)[20]、機器人[21]等。異地分布式開發(fā)環(huán)境下的任務(wù)分配是在不同地理、時區(qū)和文化的團隊之間進行，團隊相互之間并不熟悉，如何在動態(tài)環(huán)境下，根據(jù)不同團隊的技術(shù)水平、專業(yè)方向、所在地理位置等內(nèi)外部條件進行實時任務(wù)分配，這對大型復雜產(chǎn)品進行異地分布式敏捷協(xié)同開發(fā)具有重要意義。因此，異地分布式開發(fā)的任務(wù)分配，是本研究要考慮的重要問題，任務(wù)分配有助于合理優(yōu)化開發(fā)資源。針對異地分布式開發(fā)的任務(wù)分配問題，現(xiàn)有學者已經(jīng)展開了初步的研究。例如，Ruano-Mayoral 等[22]提出了一個全球開發(fā)項目任務(wù)包二階段分配框架，提出了任務(wù)分配的決策影響因子，實施結(jié)果表明了任務(wù)規(guī)劃的準確性、效果和滿意度；Almeida等[23]提出了一個異地分布式開發(fā)認知映射和 MACBETH 的多維決策模型；Lamersdorf 和 Münch[24]提出了全球開發(fā)的一個客戶化多維需求任務(wù)分配模型，運用了改進 Bokhari 算法，該模型在多個典型假設(shè)場景和實際分布決策問題獲得了應(yīng)用效果；張立等[25]提出了一種將心智模型與擴展合同網(wǎng)機制結(jié)合的半自治多 Agent 任務(wù)分配方法，并擴展了合同網(wǎng)機制包括發(fā)標優(yōu)選、競標報價與多 Agent 任務(wù)分配過程。上述研究在分配過程框架、客戶化需求驅(qū)動、心智模型等方面提供了很好的研究借鑒，但是，當異地分布式環(huán)境采用敏捷開發(fā)，如何在異地分布式敏捷開發(fā)環(huán)境中進行任務(wù)分配優(yōu)化，還沒有進行深入研究。本文嘗試構(gòu)建基于混合蛙跳算法與遺傳算法的綜合算法，求解異地分布式協(xié)同開發(fā)過程中的任務(wù)分配問題。蛙跳算法已經(jīng)在圖形分割[26]、車輛路徑[27]、旅行商問題[28]、資源分配[29]等問題中得到應(yīng)用。

本文在異地分布式敏捷團隊任務(wù)分配的特點，采用了基于實數(shù)的編碼方式，用一種粒子代表子任務(wù)-協(xié)同生產(chǎn)企業(yè)的決策方案，滿足問題的約束條件，并基于混合蛙跳算法與遺傳算法的融合算法求解大型復雜產(chǎn)品開發(fā)異地分布式任務(wù)分配問題，構(gòu)建混合蛙跳和遺傳算法融合的團隊內(nèi)部的任務(wù)分配模型。該融合算法將全局尋優(yōu)能力強的混合蛙跳算法與局部尋優(yōu)能力強的遺傳算法融合在一個算法框架中，取長補短，而該融合算法的優(yōu)勢是先利用混合蛙跳算法對離散問題的強大解決能力，建立團隊間任務(wù)分配的初始全局最優(yōu)解群，對混合蛙跳算法中青蛙例子編碼進行定義并改進算法的局部搜索機制，然后利用遺傳算法進行全局最優(yōu)解群中的局部最優(yōu)細化搜索，期望最終能達到異地分布式多團隊敏捷開發(fā)任務(wù)精細化分配的結(jié)果。該綜合算法具有很好的全局收斂能力與運算精度，進一步為實際中的任務(wù)分配提供參考。

1 混合蛙跳算法任務(wù)分配優(yōu)化模型

1.1 模型總體思路

混合蛙跳算法中，每種任務(wù)分配方案對應(yīng)一只青蛙，每只青蛙是由選取的協(xié)同生產(chǎn)企業(yè)的基因序列組成，尋找最佳青蛙就是搜索最優(yōu)的任務(wù)分配方案的過程，每只青蛙的優(yōu)劣都是由本文優(yōu)化模型的適應(yīng)度函數(shù)決定的，青蛙的適應(yīng)度函數(shù)對應(yīng)于任務(wù)分配優(yōu)化問題的目標函數(shù)。

圖1 異地分布式協(xié)同開發(fā)的任務(wù)分配優(yōu)化模型

Figure 1 Task allocation optimization model of geographically distributed collaborative

1.1.1青蛙個體的表達

1.1.2優(yōu)化過程

1.2 關(guān)鍵技術(shù)

1.2.1個體更新策略

本文的青蛙個體更新策略借鑒John Holland所提的遺傳算法，其計算原理是在解域中，以目標函數(shù)為基礎(chǔ)，不斷向最優(yōu)解靠近，是一種以一定概論為基礎(chǔ)的全局尋優(yōu)的過程。遺傳算法過程中主要包括了以下三個算子：選擇；交叉；變異。本文主要借鑒了遺傳算法中的交叉與變異這兩個算子。

（1）學習策略

圖2 交叉操作

Figure 2 Crossover operation

（2）變異策略

圖3 變異方式

Figure 3 Mutation methods

1.2.2適應(yīng)度函數(shù)

（1）協(xié)同企業(yè)敏捷性度量方式

圖4 敏捷指標

Figure 4 Agile metrics

其次，計算14個敏捷指標的優(yōu)劣度權(quán)重，具體的算法步驟如下：

1）初步權(quán)重。采用層次分析法計算出每個專家對虛擬企業(yè)敏捷的14個指標的權(quán)重、灰色優(yōu)度與灰色劣度，即為初步權(quán)重；

計算各個可供選擇的協(xié)同生產(chǎn)企業(yè)敏捷性中的成本(C)、時間(T)、魯棒性(R)、可適應(yīng)范圍(T)的具體步驟如下：

Step0 準備工作。計算各個打分專家的權(quán)重，以及每個指標的優(yōu)劣度權(quán)重（14個）。

Step1 專家打分。組織本次虛擬企業(yè)敏捷性評價的專家，為其提供虛擬企業(yè)的資料，對專家進行訪談和填表，評分表采用百分制。

表1 專家咨詢表

（2）協(xié)同生產(chǎn)企業(yè)與核心企業(yè)間距離的度量方式

L為協(xié)同企業(yè)距離核心企業(yè)的距離。由協(xié)同企業(yè)所處位置與核心企業(yè)之間的直線位置直接測量得出。

2 優(yōu)化步驟

任務(wù)分配空間優(yōu)化模型，把每種可能的任務(wù)分配想象為一只青蛙，通過計算機的高速迭代，尋找青蛙在解空間中的最優(yōu)，得到任務(wù)分配的最優(yōu)方案，優(yōu)化步驟如下：

（1）任務(wù)分解

當項目或產(chǎn)品開發(fā)過程中涉及多個團隊時，Scrum 可以幫助敏捷團隊與其他團隊的協(xié)調(diào)與合作。因此本文結(jié)合敏捷理論將一個產(chǎn)品任務(wù)可分解為若干個子任務(wù)，每個子任務(wù)按照相似的特征及其之間的關(guān)系進行開發(fā)。生產(chǎn)子任務(wù)的團隊都要完成特定的子任務(wù)，而子任務(wù)也是一個完整帶有獨立專家和產(chǎn)品經(jīng)理角色的產(chǎn)品。

首先，核心企業(yè)確定其生產(chǎn)子任務(wù)。對總?cè)蝿?wù)進行分解，由核心企業(yè)根據(jù)該產(chǎn)品完整的設(shè)計以及工藝，先對產(chǎn)品項目進行初步的拆分，確定核心企業(yè)的生產(chǎn)部分。其次，確定協(xié)同企業(yè)生產(chǎn)任務(wù)。子任務(wù)的分解方式，借鑒SCRUM迭代式的增量軟件開發(fā)過程，把任務(wù)分解成多個具有優(yōu)先權(quán)重的子任務(wù)，每個子任務(wù)都是一個“用戶故事”，完成整個任務(wù)就是多個子任務(wù)的迭加，Scrum迭代任務(wù)分解方式使子任務(wù)之間具有靈活性，核心企業(yè)在生產(chǎn)過程中可以隨時根據(jù)客戶需求、技術(shù)變更等外界變化，及時調(diào)整后續(xù)子任務(wù)的分解及分配方式，且在變更過程中對已完成的子任務(wù)不會造成返工等影響，減少變更過程中不影響整體任務(wù)的生產(chǎn)時間或效率。

（2）確定優(yōu)化模型參數(shù)。

（3）種群初始化

在本次研究中，子任務(wù)的生產(chǎn)企業(yè)構(gòu)成青蛙的基因，每只青蛙對應(yīng)一種解。初始種群決定了優(yōu)化搜索的起點與范圍，在很大程度上影響著優(yōu)化結(jié)果的質(zhì)量，為了避免人為的干擾，初始青蛙由子任務(wù)隨機分配選擇生產(chǎn)商，以青蛙基因中每個可供選擇的子任務(wù)的企業(yè)為基礎(chǔ)，隨機選取只青蛙作為初始解。

（4）排序分組及組內(nèi)局部優(yōu)化。

圖5 組內(nèi)優(yōu)化過程

Figure 5 Intra-group optimization process

（5）全局優(yōu)化。

（6）解析成圖并進行結(jié)果分析。

蛙群在滿足終止條件后，對青蛙的空間分布進行解析，并將優(yōu)化后的數(shù)字信息還原為任務(wù)分配策略。該模型在多目標控制下把任務(wù)分配優(yōu)化的數(shù)量結(jié)構(gòu)進行了空間布局，符合任務(wù)分配優(yōu)化的應(yīng)用需要。

3 案例分析

為了驗證本文所提任務(wù)分配方法的有效性，本文以課題小組參與的航空基金項目案例為基礎(chǔ)，通過Matlab語言在 Intel Core i5 CPU 2.20GHz,內(nèi)存32GB的PC機上進行實驗。假設(shè)航空某廠生產(chǎn)4中不同型號的發(fā)動機，記為M1、M2、M3、M4,每個型號發(fā)動機的訂單結(jié)構(gòu)為圖6。這4中型號的發(fā)動機按照SCRUM敏捷開發(fā)框架分解為8個子任務(wù)，其余由協(xié)同企業(yè)提供，

為了說明本文所提算法的有效性，同時與原混合蛙跳算法（SFLA）進行對比分析。

圖6 M1、M2、M3、M4型號發(fā)動機的訂單結(jié)構(gòu)

Figure 6 Order structure for M1,M2,M3,M4 engines

表2 協(xié)同生產(chǎn)企業(yè)敏捷性得分

Table 2 Agility score of collaborative development enterprises

表3 協(xié)同生產(chǎn)企業(yè)與核心企業(yè)間的距離

表4 M1、M2、M3、M4型號任務(wù)參數(shù)

3.1 參數(shù)設(shè)定

表5 子任務(wù)對應(yīng)可選生產(chǎn)企業(yè)

混合蛙跳算法以協(xié)同企業(yè)敏捷性與其所處地理位置為優(yōu)化目標，利用Matlab（2014a）進行仿真實驗，設(shè)定全局迭代次數(shù)為100次，局部迭代次數(shù)為5次，初始種群為50組，每組青蛙25，即初始種群規(guī)模為1250。

3.2 運算結(jié)果分析

此次研究同時考慮了協(xié)同企業(yè)的敏捷性與其所處的地理位置，建立多目標的任務(wù)分配優(yōu)化模型，從模型的優(yōu)化結(jié)果看，分別用改進后的混合蛙跳算法與原始混合蛙跳算法對此問題進行20次的獨立求解。

本文所提到的改進混合蛙跳算法在問題求解的平均第29次，就出現(xiàn)了回歸，平均最優(yōu)值為0.12，具體如表6所示。改進后的混合蛙跳算法優(yōu)化結(jié)果比混合蛙跳算法優(yōu)化結(jié)果相對減少0.06。改進后的混合蛙跳算法平均進化到32代就已經(jīng)達到了最優(yōu)，而原混合蛙跳算法在38代才達到了最優(yōu)，由此可見，改進后的混合蛙跳算法在求解問題時收斂速度更快，比SFLA相對提高了17%。其中一次的優(yōu)化結(jié)果如圖6所示。

圖6所示實驗結(jié)果的收斂曲線中，在算法迭代第32次時所得到的任務(wù)分配方案是型號為M1發(fā)動機的子任務(wù)對應(yīng)的生產(chǎn)企業(yè)為[0,0,21,24],型號為M2發(fā)動機的子任務(wù)對應(yīng)的生產(chǎn)企業(yè)為[0,8,22],型號為M3發(fā)動機的子任務(wù)對應(yīng)的生產(chǎn)企業(yè)為[2,0,13,26],型號為M4發(fā)動機的子任務(wù)對應(yīng)的生產(chǎn)企業(yè)為[0,8,24,0],此時在滿足型號需求的約束下，各協(xié)同企業(yè)與核心企業(yè)的距離最短，企業(yè)敏捷性最小。

圖7 改進后混合蛙跳算法與混合蛙跳算法最優(yōu)值隨迭代次數(shù)變化的對比

Figure 7 Comparison of the optimal value of the improved Shuffled Frog Leading Algorithm and Shuffled Frog Leading Algorithm with the number of iterations

表6 改進后混合蛙跳算法與原混合蛙跳算法迭代100次對比

4 結(jié)論與討論

本文針對異地分布式協(xié)同開發(fā)的任務(wù)分配問題，提出了一種改進的混合蛙跳算法，通過以無約束的編碼方式使其適應(yīng)任務(wù)分配問題的求解，針對算法中局部搜索的能力，結(jié)合交叉、變異的遺傳操作特點，對混合蛙跳算法進行改進。以子任務(wù)個數(shù)為8，可供選擇的協(xié)同生產(chǎn)企業(yè)個數(shù)為29的任務(wù)分配為例，通過Matlab進行仿真實驗，驗證了算法有效性。

經(jīng)過案例研究表明，算法中的青蛙可以通過自主學習實現(xiàn)自主的更新，使其適應(yīng)度值增加，青蛙通過局部與全局的信息交換與尋優(yōu)，能盡快的找到解空間中的最優(yōu)解。協(xié)同生產(chǎn)企業(yè)的敏捷性與其所處的地理位置緊湊度這兩個方面對解的優(yōu)劣進行評價，對空間結(jié)構(gòu)與數(shù)量結(jié)構(gòu)進行有效的耦合，使協(xié)同企業(yè)盡量集中。但本文是以Scrum的敏捷框架為基礎(chǔ)進行任務(wù)的分解，產(chǎn)品的最終交付一次次疊加的成果，在此基礎(chǔ)上為了進一步提高任務(wù)分配的效率，下一步研究方向可以使用并行的分布式計算方式。

[1] Long Q.An agent-based distributed computational experiment framework for virtual supply chain network development[J].Expert Systems with Applications, 2014, 41(9): 4094-4112.

[2] Estler H, Nordio M, Furia C A, Meyer B. Awareness and merge conflicts in distributed software development[C].Proceedings of the 9th International Conference on Global Software Engineering, August 18-21, 2014, Shanghai, China.

[3] Scharff C. Guiding global software development projects using ScrumandAgile with quality assurance[C]. Proceedings of the 24thIEEE-CSConference on Software Engineering Education and Training,May22-24,2011,Hawaii,USA.

[4] Sidhu J S, Volberda H W. Coordination of globally distributed teams: A co-evolution perspective on off shoring[J].International Business Review, 2011, 20(3): 278-290.

[5] Swigger K, Hoyt M, Ser?e F C, Lopez V, Alpaslan F N. The temporal communication behaviors of global software development student teams[J]. Computers in Human Behavior, 2012, 28(2): 384-392.14

[6] ?gerfalk P J, Fitzgerald B, Slaughter S A. Introduction to the Special Issue--Flexible and distributed information systems development: State of the art and research challenges[J]. Information Systems Research, 2009, 20(3): 317-328.

[7] Jia Q, Seo Y. Solving resource-constrained project scheduling problems: Conceptual validation of FLP formulation and efficient permutation – based ABC computation[J]. Computers & Operations Research, 2013,40(8):2037-2050.

[8] 范玉順. 企業(yè)信息化管理的戰(zhàn)略框架與成熟度模型[J]. 計算機集成制造系統(tǒng), 2008, 14(7): 1290-1296.

Fan Y S. Strategy framework and maturity model for enterprise information-oriented management[J]. Computer Integrated Manufacturing Systems, 2008, 14(7): 1290-1296.

[9] Vallon R, Austria V, Drager C, Zapletal A, Grechenig T. Adapting to changes in a project's DNA：A descriptive case study on the effects of transforming agile single-site to distributed software development[C]. Agile Conference, July Aug. 1, 2014, 52-60.

[10] Alzoubi Y I, Gill A Q, Al-Ani A. Empirical studies of geographically distributed agile development communication challenges: Asystematic review[J]. Information & Management, 2016, 53(1): 22-37.

[11] Lee J C, Judge T K, McCrickard D S. Evaluating eXtreme scenario-based design in a distributed agile team[C]. Proceeding of the International Conferenceon Computer Human Interaction, May7- 12, 2011,Vancouver, BC, Canada.

[12] Razzak M A, Smite D. Knowledge management in globally distributed agile projects-lesson learned[C]. Proceeding of the 10th International Conference on Global Software Engineering, July13-16, 2015,CiudadReal,Spain.

[13] Gupta M, Fernandez J. How globally distributed software teams can improve their collaboration effectiveness[C]. Proceedings of the 6th International Conference on Global Software Engineering, Aug 15-18, 2011, Helsinki, Finland.

[14] Bass J M. Agile method tailoring in distributed enterprises: Product owner teams[C]. Proceeding of the 8th International Conference on Digital Object, August 26-29, 2013, Bari, Italy.

[15] Shrivastava S V, Rathod U. Categorization of risk factors for distributed agile projects[J]. Information and Software Technology, 2015, 58: 373-387.

[16] Qurashi S A, Qureshi M R J Q. The proposal of scaling the roles in scrum of scrums for distributed large projects[J].International Journal of Information Technology and Computer Science, 2015, 8: 68-74.

[17] Jia Q, Seo Y. Solving resource-constrained project scheduling problems: Conceptual validation of FLP formulation and efficient permutation-based ABC computation[J]. Computers & Operations Research, 2013,40(8):2037-2050.

[18] Lin J, Yu H, Shen Z, Miao C. Studying task allocation decisions of novice agile teams with data from agile project management tools[C]. Proceedings of the 29th ACM/IEEE international conference on Automated software engineering,May, 2006, Ottawa, Canada.

[19] Paasivaara M, Lassenius C, Heikkila V T. Inter-team coordination in large-scale globally distributed scrum: Do Scrum-of-Scrums really work?[C]. Proceeding of the International Symposium on Empirical Software Engineering &Measurement, September 20-21, 2012, Lund, Sweden.

[20] Butler Z, HaysJ.Task allocation for reconfigurable teams[J]. Robotics andAutonomous Systems, 2015, 68: 59-71.

[21] Nedjah N, Mendon?a R M, Mourelle L M. PSO-based distributed algorithm for dynamic task allocation in a robotic swarm[J]. Procedia Computer Science, 2015, 51: 326-335.

[22] Ruano-Mayoral M, Casado-Lumbreras C, Garbarino-Alberti H, Misra S. Methodological framework for the allocation of work package singlob l software development[J]. Journal of Software Evolution and Process, 2014,26(5):476-487.

[23] Almeida L H, Albuquerque A B, Pinheiro P R. A multi-criteria model for planning and Fine-Tuning distributed scrum projects[C]. Proceedings of the 6th IEEE International Conference on Global Software Engineering, August, 15-18, 2011, Helsinki, Finland.

[24] Lamersdorf A, Münch J. A multi-criteria distribution model for global software development projects[J]. Journal of the Brazilian Computer Society, 2010, 16(2): 97-115.

[25] 張立, 王茜竹, 趙春江, 等. 基于心智與擴展合同網(wǎng)的半自治多智能體任務(wù)分配[J], 計算機集成制造系統(tǒng), 2015, 21(11): 2885-2892.

Zhang L, Wang Q Z, Zhao C J, et al. Semi-autonomous multi-Agent task allocation method based on extended contract net and mental model[J]. Computer Integrated Manufacturing Systems, 2015, 21(11): 2885-2892.

[26] Ladgham A，Hamdaoui F，Sakly A，et al.Fast MR brainimage segmentation based on modified shuffled frogleaping algorithm[J]. Signal Image & Video Processing, 2015,9(5):1113-1120.

[27] Luo J，Li X，Chen M R，et al.A novel hybrid shuffledfrog leaping algorithm for vehicle routing problem withtime windows[J]. Information Sciences, 2015, 316(C):266-292.

[28] Luo J, Li X, Chen M, Liu H. A novel hybrid shuffledfrog leaping algorithm for vehicle routing problem withtime windows[J]. Information Sciences, 2015,316:266-292．

[29] Kaur P, Mehta S.Resource provisioning and work flowscheduling in clouds using augmented shuffled frogleaping algorithm[J].Journal of Parallel & DistributedComputing,2016,101(C): 41-50.

[30] 王碩, 唐小我. 虛擬企業(yè)敏捷性度量的AFHW方法[J]. 中國工程科學, 2002, 4(7):29-32.

Wang S, Tang X W. AFHW Approach to Virtual Enterprise Agility Measurement[J]. Strategic Study of CAE, 2002, 4(7):29-32.

Task assignment optimization for distributed cooperative development based on shuffled frog leaping algorithms

ZHOUCong1,JIANG Jijiao1*, YIN Ming2

2. School of ManagementNorthwestern Polytechnical UniversityXi’an 710072，China; Software and Microelectronics Northwestern Polytechnical UniversityXi’an 710072，China)

Geographically distributed collaborative development has become part of the development strategy for large and complex products. Complex products are composed of multiple subsystems, and each subsystem involves multiple disciplines, which makes the complex interaction between large complex R&D product enterprises and the outside world. In different stages of complex product development, a single enterprise is often limited by technology and resources, and cannot complete the entire process of product development independently. This requires mutual cooperation between enterprises, resource sharing, and risk sharing. Geographically distributed collaborative development can integrate the resources of different geographies, enterprises, and teams to reduce risks, but it also brings about coordination and cooperation issues between geographically distributed teams. In response to this phenomenon, this paper studies the problem of task assignment for large and complex products in a geographically distributed agile development environment.

This paper mainly does the following work: First, it proposes a task allocation optimization model for geographically distributed agile development based on hybrid shuffled frog-leaping algorithm. This model uses the scrum of scrums agile development model as the basic framework for the development and production of large and complex products, and decomposes the R&D and production tasks of complex products then takes the maximum agility and minimum geographic compactness of the enterprise of complex aviation products as the objective function. Second, the unconstrained coding method is used to encode the model solution, which the "cross" and "mutation" operators are introduced in the learning strategy of the hybrid shuffled frog-leaping algorithm to optimize the local and global search mechanism of the hybrid shuffled frog-leaping algorithm and improve the efficiency and convergence accuracy of the algorithm. Third, taking an aircraft engine R&D enterprise as an example, MATLAB software is used to simulate the example, and the convergence between the improved hybrid shuffled frog-leaping algorithm and the original hybrid shuffled frog-leaping algorithm is compared under the same experimental background. The experimental results show that the improved hybrid shuffled frog-leaping algorithm in this study is better and has stronger convergence ability in the task allocation process. Through the research of this paper, the following conclusions can be drawn. Aiming the goal of the two aspects of agility of the collaborative production enterprise and the compactness of its geographical location, we assign the tasks. The spatial structure and the quantitative structure are effectively coupled to make the best of collaborative enterprise. Centralization, as far as possible, can avoid the decrease in product production efficiency caused by the change in the geographic location of the collaborative production enterprise and project tasks. It has certain practical significance; Secondly, the improved hybrid shuffled frog-leaping algorithm obtains a task allocation scheme that is more in line with the actual task allocation of large and complex aviation products than the traditional hybrid shuffled frog-leaping algorithm. The improved hybrid shuffled frog-leaping algorithm can achieve autonomous updates through self-learning to increase the degree of value fitness so that the optimal solution in the solution space can be found as quick as possible. Thus, it has certain theoretical significance.

Complex product; Geographically distributed collaborative development; Shuffled frog-leaping algorithm; Agility

C935

A

1004-6062(2020)06-0148-008

10.13587/j.cnki.jieem.2020.06.015

2018-07-16

2019-01-04

Supported by the Humanities and Social Sciences of Ministry of Education Fund Project (16YJA630068, 18YJA630043), the Aeronautical Science Fund of China (2016ZG53071), theNatural Science Basic Research Plan in Shaanxi Province of China (2018JM7008)and the Seed Foundation of Innovation and Creation for Graduate Students in Northwestern Polytechnical University (ZZ2018036)

2018-07-16

2019-01-04

教育部人文與社會科學基金項目（16YJA630068、18YJA630043）；航空科學基金資助項目（2016ZG53071）；陜西省自然科學基礎(chǔ)研究計劃項目（2018JM7008）；西北工業(yè)大學研究生創(chuàng)意創(chuàng)新種子基金資助（ZZ2018036）

姜繼嬌（1979—），男，山東巨野人；西北工業(yè)大學管理學院管理科學與工程系主任，副教授；研究方向：項目管理與人力資源管理。

中文編輯：杜 ??；英文編輯：Boping Yan