Agent技术特点及其在装备维修人员保障决策模型中的应用

　　装备维修是保持和恢复装备的战斗力，充分发挥装备军事效能的主要手段，根据不同的装备特点和任务要求，合理的组织装备维修力量，以保证装备遂行作战、训练或其它任务的顺利完成。维修人员是装备维修保障决策中最具有活力和变化的因素，装备维修人员的素质起着决定性的作用，充分发挥维修人力资源的效能和利用率有着重要的作用。

　　对于装备维修人员的配备数量问题，一方面要求有足够的人力，以保证装备维修的需要;另一方面，又要求提高人员的利用率，避免人员编制的浪费。在进行了装备维修人员配备之前，需要考虑的几个因素有：

　　①待维修装备的类型及各类型的数量。待维修装备的类型和数量决定了整个维修任务的工作量，是确定维修人员组成的决定性因素。②维修同型装备的器材设施数量。维修设施的数量，将制约着维修任务的同时进行，是维修过程中的限定性条件，它制约着同一类型的装备维修是并行维修还是串行维修。③各型维修备件的数量。维修备件的数量，限定了实际能维修的损坏装备的数量，因此维修备件的数量也是一个限定因素。下面的维修人员配备模型是在损坏装备数量和类型、维修人员都己确定的条件下建立，如果备件数量不受限制，其主要的*价指标就是维修任务完成的总时间。如果备件数量有限时，*价指标就有两个：一是维修任务完成的总时间；二是配套装备的数量。维修人员的配备组成，即确定哪些人员参加及分配每个人的任务，可以通过求解任务安排问题而确定。任务即是损坏的装备，而维修人员就是等待分配任务的维修人员。本模型讨论的人力资源配备主要是指作战指挥员通过该系统对人员、设备等可用资源的任务分配，也就是资源调配问题。为了综合考虑这些因素的影响，必须设计一个合适的目标函数coST，这个目标函数cost 体现出MAS 对子任务分配问题的要求，并体现整个任务组完成后的时间消耗。这个函数可以是如下形式：

　　其中，，即每个人员Agent最大的工作时间为。

　　求解MAS子任务分配的最优解过程就是寻找一组解使得目标函数cost达到最优值。在这里我们利用遗传算法与模拟退火算法结合来实现任务分配求解。

　　遗传算法 (Genetic Algorithm)是一类模拟自然过程，特别是模拟生物界自然进化和遗传过程的随机搜索算法，具有在复杂空间求解近似最优解的能力。它采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制(称为染色体、个体)，即种群。这里每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应值比例的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化一代代演化下去，直到满足期望的终止条件为止。其基本步骤：

　　(1)定义一个目标函数，即函数cost；

　　(2)将可行解群体在一定的约束条件下初始化，每一个可行解用一个向量x来编码，称为一条染色体，向量的分量代表基因，它对应可行解的某一决策变量；

　　(3)计算群体中每条染色体xi(i =1，2，...，n)所对应的目标函数值，并以此计算适应值，按F的大小来*价该可行解的好坏；

　　(4)以优胜劣汰的机制，将适应值差的染色体淘汰掉，对幸存的染色体根据其适应值的好坏，按概率随机选择，进行繁殖，形成新的群体；

　　(5)通过杂交和变异的操作，产生子代。杂交是随机选择两条染色体(双亲)，将某一点或多点的基因互换而产生两个新个体，变异是基因中的某一点或多点发生突变。

　　对于子代群体重复步骤(3)至(5)的操作，进行新一轮遗传进化过程，直到迭代收敛(适应值趋稳定)即找到了最优解或准最优解。模拟退火算法(Simulated AnneALIng)的研究对象是由一个参数集所确定的某种配置。对配置的优化过程即是对目标函数cost的极小化过程。极小化过程模拟自然界的退火过程，由一个逐步冷却温度temp控制。在每个极小化步骤中，随机选择一个新的配置并计算cost函数。如cost比以前的小，则选定新的配置；如大，则计算概率值。