龔 雪，彭鵬菲，姜 俊

(1.海軍工程大學(xué) 電子工程學(xué)院，武漢 430033；2.海軍工程大學(xué) 作戰(zhàn)運籌與規(guī)劃系，武漢 430033)

0 引言

作戰(zhàn)任務(wù)分析[1]是作戰(zhàn)任務(wù)規(guī)劃[2-3]的基礎(chǔ)和前提，多軍種聯(lián)合復(fù)雜任務(wù)規(guī)劃已成為軍事指揮決策領(lǐng)域的重點研究方向。因此，眾多學(xué)者對復(fù)雜任務(wù)分析方法進行了更加深入的研究，以進一步推動作戰(zhàn)任務(wù)規(guī)劃應(yīng)用技術(shù)的發(fā)展。例如，傳統(tǒng)任務(wù)分析方法-空間搜索法，周凌超[4]通過改進模擬退火算法對導(dǎo)彈目標(biāo)進行分析規(guī)劃，得到一個較好的導(dǎo)彈目標(biāo)的分配方案。仿生物學(xué)方法-遺傳算法，閆玉鐸[5]著力分析武器目標(biāo)的內(nèi)在聯(lián)系，應(yīng)用改進遺傳算法，得到武器目標(biāo)較優(yōu)的任務(wù)分配方案。智能規(guī)劃方法-基于分層任務(wù)網(wǎng)絡(luò)規(guī)劃，胡曉峰[6]等人針對決策問題智能化的分析，得出游戲博弈和作戰(zhàn)指揮的密切的內(nèi)在聯(lián)系。

雖然，以上方法能夠解決任務(wù)分析領(lǐng)域中的特定問題，但是目前復(fù)雜任務(wù)分析仍然面臨的許多難點問題，這些問題主要體現(xiàn)在：一是任務(wù)分析過程中影響因素過多構(gòu)造模型困難[7]。二是建立的任務(wù)分析模型過于繁瑣，時效性較差。三是任務(wù)分析模型完備性較差無法實時對情況進行分析。

本文針對作戰(zhàn)任務(wù)分析中的高度耦合[8-9]任務(wù)不易分解且需重構(gòu)排序的問題[10]，提出了一種基于聚類分析與改進時間-耦合執(zhí)行序列的自適應(yīng)任務(wù)分解方法[11]。該方法的主要思想是：對任務(wù)矩陣中的每一個任務(wù)進行定量分析，再利用聚類后的改進時間—耦合度的執(zhí)行序列優(yōu)選方(TATC)耦合度分解算法對最小粒度的任務(wù)集解耦運算進行最小粒度的耦合任務(wù)集解耦運算。最終，得到一個耦合度較低之后的任務(wù)序列執(zhí)行層次結(jié)構(gòu)圖。最后，通過仿真實驗，驗證了該方法對解決復(fù)雜任務(wù)的解耦及序列重構(gòu)難點問題具有較好的運用效果，在復(fù)雜任務(wù)分析及規(guī)劃領(lǐng)域應(yīng)用前景廣闊。

1 任務(wù)分析的問題描述

1.1 作戰(zhàn)任務(wù)分析

任務(wù)的多樣性、任務(wù)間的復(fù)雜性與不確定性等不確定因素限制了作戰(zhàn)任務(wù)的詳細規(guī)劃，因此在任務(wù)規(guī)劃前需進行任務(wù)分析，將強耦合任務(wù)分解，優(yōu)先級高的任務(wù)優(yōu)先執(zhí)行。

本文針對作戰(zhàn)任務(wù)分析中高耦合性任務(wù)分解問題[12]，實現(xiàn)高耦合性任務(wù)粒度自動分解至最佳粒度的解耦合任務(wù)集的解耦[13-15]操作思路，提出了基于自動粒度控制的循環(huán)解耦的方法。創(chuàng)新改進了基于任務(wù)集解耦算法，本文運用的解耦算法是改進的時間—耦合度的執(zhí)行序列優(yōu)選方法。得到了清晰的基于粒度分解的解耦任務(wù)集，任務(wù)集內(nèi)子任務(wù)執(zhí)行序列[16]以及解耦任務(wù)集中子任務(wù)可執(zhí)行系數(shù)。

1.2 任務(wù)協(xié)同關(guān)系類型

因為任務(wù)與任務(wù)之間存在著繁瑣而復(fù)雜[17]的關(guān)聯(lián)關(guān)系，每個作戰(zhàn)任務(wù)之間相互影響并彼此相互作用，即對外表現(xiàn)出協(xié)同關(guān)系。則這種對外的協(xié)同模式表現(xiàn)出三種模式[18](假設(shè)有兩個作戰(zhàn)任務(wù)Ts和Th)：

1)依賴型任務(wù)：任務(wù)Ts對任務(wù)Th具有單一方向的傳遞關(guān)系并且Ts依賴Th的輸出才能執(zhí)行如圖1所示。

2)獨立型任務(wù)：Ts和Th沒有彼此相互作用的信息交互，Ts和Th各自獨立的在不同軌道單獨運行如圖2所示。

圖2 獨立型任務(wù)

3)耦合型任務(wù)：Ts和Th具有雙向信息依賴關(guān)系也即Ts需要Th提供的信息流來作為輸入且Th需要Ts提供的信息流作為輸入，任務(wù)Ts和任務(wù)Th需要通過多次的彼此相互作用才能完成的耦合任務(wù)如圖3所示。

圖3 耦合型任務(wù)

其中圖1～3中的“*”應(yīng)在[0，1]取值，表示為任務(wù)間耦合系數(shù)。

任務(wù)間越是信息交互頻繁，則耦合性越高，復(fù)雜程度越高，則進行任務(wù)分析就越發(fā)困難；在緊急的情況下，人腦計算能力有限，且經(jīng)驗性決斷過多，因而在很多情況下無法做出決定性的選擇，有可能會決斷失誤。因而任務(wù)分析顯得尤為重要，所以本文從多種復(fù)雜信息交互的角度，設(shè)計自適應(yīng)性任務(wù)粒度調(diào)整機制，最終達到解耦合的目的。

1.3 任務(wù)協(xié)同關(guān)系表達

本文是基于任務(wù)矩陣來進行分類耦合關(guān)聯(lián)任務(wù)塊，則任務(wù)間復(fù)雜關(guān)系表示如圖1，圖2，圖3所示。

1.4 耦合任務(wù)問題描述

信息耦合指的是不同優(yōu)化問題的求解模塊或算法的內(nèi)在機理上存在信息的的傳遞、調(diào)用、影響的作用。有多個算法組成的系統(tǒng)，在算法之間的關(guān)系上，可以對系統(tǒng)的信息耦合程度進行量化。針對任意兩個問題進行求解時，若是這兩者的運行過程相互獨立，則兩個算法之間不存在信息耦合；若是兩者之間存在共享輸入，兩者之間為松弛耦合狀態(tài)；如果兩者之間存在影響算法運行過程的信息，則兩者為緊密耦合狀態(tài)。

則針對以上敘述，假設(shè)在一個作戰(zhàn)任務(wù)集中，有多個強耦合任務(wù)存在。定義任務(wù)集合為T={T1，T2，…，Ts}，其中Ts表示的是任務(wù)集合中的第s個任務(wù)。

若任務(wù)分解粒度過小，任務(wù)執(zhí)行難度變大，所需代價太高。若任務(wù)分解粒度大，任務(wù)整體的執(zhí)行效果差。因此，對于解耦問題，最關(guān)鍵的一步是設(shè)置合適的任務(wù)分解粒度。

若一個任務(wù)集合中強耦合任務(wù)過多，執(zhí)行強耦合任務(wù)時難度系數(shù)較高，因此需要進行任務(wù)分析時，需要對耦合任務(wù)集進行解耦。則耦合任務(wù)模型可描述如圖4所示。

圖4 耦合任務(wù)信息交互圖

2 任務(wù)分析模型構(gòu)建

在設(shè)計任務(wù)協(xié)同的過程中，設(shè)計時不會考慮任務(wù)之間的耦合關(guān)系，但是在實際情況中多個任務(wù)之間存在大量的信息交互且緊密耦合，解耦合就是將任務(wù)間的關(guān)系斬斷，并且研究任務(wù)之間存在的耦合關(guān)系。本文基于這種特性，構(gòu)建了任務(wù)分析模型。主要分為兩個方面：任務(wù)分析基本框架的設(shè)計和任務(wù)分析建模。任務(wù)分析基本框架主要是在任務(wù)分析模型的基礎(chǔ)進行粒度分解和循環(huán)解耦的過程，最重要的一環(huán)是循環(huán)解耦的算法設(shè)計。

2.1 任務(wù)分析基本框架

本文基于任務(wù)間的關(guān)聯(lián)性構(gòu)建任務(wù)關(guān)聯(lián)矩陣，在已知任務(wù)間關(guān)聯(lián)關(guān)系的基礎(chǔ)上設(shè)計任務(wù)連通效應(yīng)矩陣。通過連通效應(yīng)矩陣進行聚類[19-20]分析，設(shè)置初始粒度為3(也即將其作為聚類分析的初始分類)。依據(jù)初始粒度進行耦合數(shù)據(jù)集解耦。在解耦之后，計算任務(wù)集間的jaccard系數(shù)J，若J>0.3，初始粒度增加一個單位，并進行以上循環(huán)。若J<0.3，跳出循環(huán)，得到解耦后的任務(wù)集并計算任務(wù)集的子任務(wù)可執(zhí)行性。

循環(huán)解耦大致步驟為：

1)初始化參數(shù)，令J=1，初始分解粒度G=3。

2)若J>0.3，則進入循環(huán)：聚類分析得到任務(wù)集合TCE，將標(biāo)記任務(wù)分類的標(biāo)簽存入TCO矩陣。

(1)循環(huán)取TCO矩陣中標(biāo)記系數(shù)：

①依據(jù)標(biāo)記類別將分類集分類轉(zhuǎn)存。

②引入了基于中間任務(wù)序列的任務(wù)矩陣分割算法，通過任務(wù)執(zhí)行周期對連通效應(yīng)矩陣唯任務(wù)分割(也即若該任務(wù)屬于該耦合任務(wù)集則效應(yīng)連通矩陣對其保留反之刪除)。

③TATC解耦合操作，得解耦之后任務(wù)集。

④計算每個任務(wù)集的平均jaccard系數(shù)。

(2)對基于粒度分解的每個任務(wù)集進行維度查詢，若維度小于3，則將解耦后刪除的任務(wù)集與之合并，生成一個新的任務(wù)集。并對新合并的任務(wù)集進行子任務(wù)可行性系數(shù)的計算，若可行，則保留；否則對該任務(wù)集進行再次解耦。

(3)計算基于粒度分解的任務(wù)集平均jaccard系數(shù)，若大于0.3循環(huán)繼續(xù)，粒度增加1，若小于0.3，退出循環(huán)。

3)計算解耦之后任務(wù)集可執(zhí)行性矩陣，若不符合要求，粒度加一；對不符合要求的任務(wù)集單獨解耦。循環(huán)解耦的簡易流程圖如圖5所示。

2.2 任務(wù)分析建模

2.2.1 任務(wù)關(guān)聯(lián)矩陣

本文首先設(shè)計任務(wù)結(jié)構(gòu)矩陣，計算任務(wù)Ts與其他任務(wù)Th的關(guān)聯(lián)系數(shù)，并將生成的關(guān)聯(lián)系數(shù)存入矩陣得到相關(guān)系數(shù)矩陣；將上一步得到的系數(shù)矩陣通過公式(1)進行任務(wù)間相關(guān)性進行比對，最后得到任務(wù)Ts和Th的相關(guān)的顯著程度的對比，從而得到強耦合任務(wù)關(guān)聯(lián)矩陣。

(1)

其中：ts為任務(wù)Ts服從自由分布t的概率，Rs則為任務(wù)Ts的相關(guān)系數(shù)。最后計算出每一個任務(wù)與其他任務(wù)的相關(guān)聯(lián)的相關(guān)系數(shù)矩陣。

2.2.2 任務(wù)連通效應(yīng)矩陣

在任務(wù)關(guān)聯(lián)矩陣的基礎(chǔ)之上建立基于設(shè)計結(jié)構(gòu)矩陣(DSM，design structure matrix)模型[21]得到任務(wù)連通效應(yīng)矩陣。為精確反映任務(wù)之間相互作用的強弱程度，本文采用上文任務(wù)間相關(guān)系數(shù)矩陣(RF)來定量描述任務(wù)之間相互作用的強弱程度。在現(xiàn)實意義中，該矩陣反應(yīng)了在不同程度下迭代導(dǎo)致的任務(wù)之間相互影響概率。確定M個指標(biāo)RF1(i，j)，RF2(i，j)，···，RFm(i，j)，采用公式(2)進行相乘效用函數(shù)法計算，并對任務(wù)相關(guān)系數(shù)矩陣取λ(0<λ)截集，得到布爾型BRFij。

(2)

由于影響因素不同，則λ取值也應(yīng)該不同，因而可得到不同λ強度下的BFij矩陣。主對角線上的元素代表了任務(wù)本身產(chǎn)生的影響，其相關(guān)程度是最強的，得BFii=1。若令λ=0.5，得到λ=0.5相關(guān)效應(yīng)矩陣，如當(dāng)RFij<0.5時，BFii=0表示Ti和Tj之間無相互作用效果的影響；當(dāng)RFij=0.5時且RFij>0.5，BFii=1表示Ti和Tj之間有相互作用。其中下標(biāo)i和j表示[1，N]，N表示RF矩陣的維度。

2.2.3 計算可達矩陣

利用關(guān)聯(lián)任務(wù)分離算法對連通效應(yīng)矩陣進行運算，將任務(wù)連接通效應(yīng)矩陣中包含的多個獨立的耦合任務(wù)塊進行分解，并用粗粒度關(guān)聯(lián)任務(wù)對連接的大任務(wù)模塊進行分解。粗粒度的分解實質(zhì)是一個模塊化的聚類過程，它把多個強耦合的耦合任務(wù)作為一個整體，通過識別任務(wù)模式和重組耦合任務(wù)，把各個耦合任務(wù)與外界聯(lián)系轉(zhuǎn)化為耦合的任務(wù)集合。

在圖論的觀點上，為了確定耦合任務(wù)塊中包含各種任務(wù)間數(shù)據(jù)流相互作用而形成的圖的數(shù)據(jù)流環(huán)路，本文采用圖論中關(guān)鍵路徑的相關(guān)算法設(shè)計算法模塊.由于任務(wù)連通效應(yīng)矩陣的特殊性可被看作圖的鄰接矩陣，利用任務(wù)連通效應(yīng)矩陣的冪運算來搜索所有的數(shù)據(jù)流環(huán)，從而初步確定耦合任務(wù)塊，為后續(xù)初始粒度的設(shè)置做鋪墊。

定義1：和算子?

矩陣P和Q的邏輯和為：

P?Q=M，mij=max(pij，qij)

(3)

定義2：乘算子*

矩陣P和Q的邏輯乘為：

P*Q=M，mji=min(pij，qij)

(4)

定義3：算子?

(5)

則根據(jù)路徑搜索算法得強連通圖，并通過矩陣信息的遍歷，建立可達矩陣。

則可達矩陣V：

(6)

通過公式(6)計算可達矩陣P，根據(jù)上文所述根據(jù)任務(wù)連通效應(yīng)矩陣來定量反映任務(wù)間的聯(lián)系強弱程度，用[0，1]數(shù)值來詮釋它們之間的依賴關(guān)系的強弱。通過聚類分析得到初始耦合任務(wù)集并將其作為迭代的初始耦合任務(wù)集。首先設(shè)置的初始粒度為3也即將其作為聚類分析的初始分類，然后，對其進行耦合數(shù)據(jù)集的解耦操作。解耦之后，計算任務(wù)集間的jaccard系數(shù)J，若J>0.3，初始粒度增加一個單位，并進行以上循環(huán)。若J<0.3，跳出循環(huán)，得到解耦后的任務(wù)集并計算任務(wù)集的子任務(wù)可執(zhí)行性。

3 耦合任務(wù)集分解

當(dāng)Ts任務(wù)在Th之前執(zhí)行時，假設(shè)Th之后沒有任務(wù)來執(zhí)行，那么Th將促使Ts返工，和公式(6)的返工概率一樣，通常促使Ts不止一次返工，因此會不斷地產(chǎn)生返工概率。假設(shè)每個任務(wù)的執(zhí)行周期為Si={S1，S2，…，Sm}，促使Ts返工的概率Di={D1，D2，…，Dm}，則Ts返工的期望總和為：

(7)

因為Ts對其他任務(wù)的返工則即其他任務(wù)對Ts返工的返工概率假設(shè)為DDi={DD1，DD2，…，DDm}，DDi的計算方式是：假設(shè)的Ts對其他任務(wù)的返工概率和其他任務(wù)對Ts的返工概率是相斥的，則其他任務(wù)對Ts返工的返工期望為：

(8)

綜合考慮時間周期對耦合任務(wù)塊的影響，為此引入基于時間-耦合度的解耦算法，在時間-耦合度的解耦算法中設(shè)置計數(shù)器，進行任務(wù)間優(yōu)先級計算并對耦合任務(wù)塊內(nèi)的子任務(wù)進行排序。

則改進的時間-耦合度的解耦算法如下。

Step 1：令k=0，T為任務(wù)集合，L1為空矩陣其作用是儲存每次得到的最大任務(wù)的優(yōu)先級的任務(wù)序號。

Step 2：對于每個耦合任務(wù)集合中的某一任務(wù)Ts，計算其優(yōu)先級的系數(shù)。

(9)

Step 3：將矩陣最值遴選模型和任務(wù)序列轉(zhuǎn)移策略相結(jié)合，即令Sortmax=max[Sorti]，Sortmax對應(yīng)的任務(wù)Ti存到矩陣L1之中。

Step 4：將解除耦合的任務(wù)序列存入L2矩陣，并將剩下的任務(wù)的序列存入L3矩陣。

Step 5：k=k+1，若k

最后得到按優(yōu)先級排序的該耦合模塊或者該任務(wù)集合中子任務(wù)的執(zhí)行順序。

4 子任務(wù)可行性分析

對解耦合后得到的子任務(wù)集進行可執(zhí)行性分析的判定，只有任務(wù)在解耦合之后，重新得到的任務(wù)集能夠執(zhí)行，則判斷解耦合成功，下面是子任務(wù)可執(zhí)行性判定算法。

首先，專家對各個解耦之后任務(wù)集中單個任務(wù)進行描述。用RG(k)i來描述第K個任務(wù)集，第i個任務(wù)。RG(k)i的矩陣元素是由任務(wù)的功能和任務(wù)屬性序列這兩個重要的影響因素構(gòu)成，通過兩個因素初步確定子任務(wù)的可行性。引入用戶對該任務(wù)的側(cè)重水平，定義模糊性語言變量集合Ix={不重要，無要求，基本重要，相較重要，及其重要}來進行表示，并以數(shù)值集合{0，0.3，0.5，0.7，1.0}的數(shù)值分別量化。設(shè)置子任務(wù)可行度可用公式(9)表示為：

(10)

式中，RSQ(k)i表示任務(wù)執(zhí)行者對第K個任務(wù)集中的第i個任務(wù)的屬性能否符合要求，若數(shù)值為0則表示不符合，否則數(shù)值為1就表示符合。

設(shè)定一個閾值λ，如果存在執(zhí)行者使D>λ，則說明分解合適；反之，則說明分解粒度不適合，需進一步對任務(wù)集進行分解。閾值的設(shè)置需綜合分析子任務(wù)重要性、創(chuàng)新程度及任務(wù)執(zhí)行者狀況等內(nèi)容，取值范圍為(0，1.0]，本文取值為0.5。

5 案例仿真

在作戰(zhàn)過程中，任務(wù)分析往往是及其最基礎(chǔ)的一環(huán)。并針對基于矩陣的作戰(zhàn)任務(wù)建模及重組問題，進行應(yīng)用拓展。先根據(jù)任務(wù)在時間、空間和資源上的相互制約和依賴關(guān)系確定15個任務(wù)指標(biāo)設(shè)計原始任務(wù)結(jié)構(gòu)矩陣F，如式(11)所示，可以明顯看到任務(wù)在量化過程中，任務(wù)重要程度的指標(biāo)以及任務(wù)間的信息交互程度的表現(xiàn)：

(11)

再次根據(jù)(1)式和(2)式確定任務(wù)關(guān)聯(lián)矩陣Fq如式(12)所示，式中各個任務(wù)的通路已然可以通過數(shù)據(jù)可以表現(xiàn)出，例如任務(wù)一合任務(wù)二連通且任務(wù)一與任務(wù)五不連通：

(12)

將λ定義為0.5得到λ-任務(wù)連通效應(yīng)矩陣B如式(13)所示。

(13)

根據(jù)關(guān)鍵路徑冪乘算法調(diào)用公式(6)進行可達矩陣的計算，得到矩陣P如式(14)所示：

(14)

設(shè)置最小的分解粒度為3，也即進行聚類分析分成生成3類將要被解耦合的耦合集，其次將這三類分別用數(shù)組轉(zhuǎn)存并分別通過引入任務(wù)時間周期D=[0.1 0.2 0.8 0.3 0.1 0.4 0.2 0.1 0.6 0.1 0.1 0.4 0.1 0.1 0.2],將引入改進的時間-耦合度的解耦算法進行計算操作，將解耦合后的任務(wù)集進行轉(zhuǎn)存，同時進行計算子任務(wù)間的jaccard系數(shù)。將jaccard系數(shù)進行平均算法操作得到各個解耦合后的任務(wù)集的jaccard系數(shù)，并計算子任務(wù)可行性系數(shù)，最終實驗結(jié)果的可行性系數(shù)如表1～3。

表1 初始解耦合任務(wù)集

其中圖中的ledi其中i∈{1，2，3，4}，表示初始解耦合任務(wù)集合，由表一可以看出初始進行解耦時，任務(wù)的粒度劃分已然完成并且如表2可以看出任務(wù)粒度的劃分在不斷進行優(yōu)化。

表2 最終解耦任務(wù)集

其中圖中的RGi其中i∈{1，2，3，4}，表示最終解耦之后的任務(wù)集合。

其中圖中的fesibleDi其中i∈{1，2，3，4}，表示最終解耦之后的每個任務(wù)集合的子任務(wù)可行性系數(shù)。

對于解耦任務(wù)集子任務(wù)可行性系數(shù)，本文設(shè)置的子任務(wù)可執(zhí)行的閾值為0.5，大于0.5則該子任務(wù)可執(zhí)行否則不可執(zhí)行。從表3中可以看出第一個解耦合之后的任務(wù)集中‘NaN’是其任務(wù)本身，對其任務(wù)本身則不可做評價因為任務(wù)本身的可執(zhí)行距離為0。則得到最終的任務(wù)層次結(jié)構(gòu)圖如圖6示，任務(wù)執(zhí)行次序是從第一層到第四層。其中，第一層中任務(wù)執(zhí)行順序為：任務(wù)1→任務(wù)4→任務(wù)10→任務(wù)13→任務(wù)14；第二層次的任務(wù)執(zhí)行順序為：任務(wù)9→任務(wù)8→任務(wù)5；第三層的任務(wù)執(zhí)行順序為：任務(wù)6→任務(wù)7→任務(wù)12→任務(wù)15；第四層的任務(wù)執(zhí)行順序為：任務(wù)11→任務(wù)3→任務(wù)2。每個層次間互不干擾，層次間的數(shù)據(jù)傳遞不具時效性但是層級順序不可變。因此，任務(wù)鏈(任務(wù)1→任務(wù)4→任務(wù)10→任務(wù)13→任務(wù)14→任務(wù)9→任務(wù)8→任務(wù)5→任務(wù)6→任務(wù)7→任務(wù)12→任務(wù)15→任務(wù)11→任務(wù)3→任務(wù)2。)依據(jù)實際情況，在同一層次的任務(wù)可進行次序調(diào)整，本文中基于聚類分析與改進時間-耦合執(zhí)行序列的自適應(yīng)任務(wù)分解方法運用耦合任務(wù)分析的思想對任務(wù)矩陣中的每一個任務(wù)進行定量分析，然后采用聚類方法尋找耦合最緊密的任務(wù)，再利用粒度自主循環(huán)調(diào)整機制運行改進TATC算法對最小粒度的任務(wù)集進行解耦。最終，得到一個耦合度較低之后的任務(wù)序列執(zhí)行層次結(jié)構(gòu)圖，從而解決了復(fù)雜任務(wù)分析中的高度耦合任務(wù)不易分解且需重構(gòu)排序的問題。

表3 解耦任務(wù)集子任務(wù)可行性系數(shù)

圖6 任務(wù)層次結(jié)構(gòu)

6 結(jié)束語

本文針對作戰(zhàn)任務(wù)分析中的高度耦合任務(wù)分解及任務(wù)序列重新組合問題，提出了基于聚類分析的自適應(yīng)粒度解耦的任務(wù)分解算法?；诰垲惙治龅淖赃m應(yīng)粒度解耦算法初始進行初始粒度設(shè)置，之后通過初始粒度對初始任務(wù)進行聚類分析。通過聚類分析算法分析之后得到初始耦合任務(wù)集，之后對耦合任務(wù)集進行基于改進時間-耦合執(zhí)行序列解耦算法解耦合操作得到最終解耦任務(wù)集。對解耦任務(wù)集進行jaccard系數(shù)的計算并判定，若jaccard系數(shù)小于設(shè)定閾值，則粒度增加與重新解耦。

改進時間-耦合執(zhí)行序列解耦算法是通過傳入耦合任務(wù)集序列，基于耦合任務(wù)集分割連通效應(yīng)矩陣以及唯任務(wù)分割時間序列矩陣。然后通過對耦合任務(wù)集進行計算基于時間序列的優(yōu)先級，并將高優(yōu)先級任務(wù)進行存儲。從而達到解耦合的效果，最終，得到解耦任務(wù)集的層次結(jié)構(gòu)圖。

最后進行仿真實驗，實驗結(jié)果表明，該解耦合算法可以得到一個更加可行和更加優(yōu)化的一個解耦合任務(wù)集。該算法針對任務(wù)集高度耦合的問題，達到了基于粒度的任務(wù)集解耦并進行任務(wù)序列重構(gòu)的效果。最終，指揮員可以通過實際操作情況得到一個執(zhí)行力度較好的任務(wù)鏈。

但是本文對實際情況的不確定性，任務(wù)進度的不確定性，任務(wù)影響因素的不確定性和任務(wù)的突發(fā)性等研究多有不足，有待于進一步研究。