采用改進遺傳算法的艦載機保障調度方法*

劉 玨，王能建，羅 旭，孟祥雷

(1. 哈爾濱工程大學 機電工程學院, 黑龍江 哈爾濱 150001； 2. 國防科技大學 裝備綜合保障技術重點實驗室， 湖南 長沙 410073)

艦載機保障作業(yè)是保證艦載機順利出動的必要環(huán)節(jié)[1]。由于航母甲板作業(yè)空間有限、海上氣象條件的變化、保障設備及人員的變動，使得艦載機保障問題有著不同于陸基保障的特殊性。隨著艦載機種類和數(shù)量的增加，以往依據(jù)經(jīng)驗制訂保障計劃的手工調度方法將難以滿足未來戰(zhàn)場的需求，而智能優(yōu)化算法的發(fā)展為研究艦載機保障作業(yè)問題提供了新的思路。馮強等[2]利用多主體建模技術對有限資源下的艦載機保障調度進行了研究，通過仿真手段分析了特定故障率下固定架次的艦載機保障作業(yè)。王文秀等[3]以引進富余系數(shù)的排序論，對機務保障的資源配置優(yōu)化進行了研究。欒孝豐等[4]在仿真模型中嵌入遺傳算法，對多機機務保障進行研究并驗證了該方法的有效性。李超等[5]論證了機務保障的模塊化趨勢，給出了其規(guī)劃過程和符號描述，并通過設計結構矩陣(Design Structure Matrix, DSM)算法對模型求解，論證其提出方法的可行性。呂開東等[6]建立了艦載機航空保障的開環(huán)排隊網(wǎng)絡模型，從整體上分析了其在研究艦載機保障中的可行性。蘇析超等[7]利用自適應變異策略和模擬退火機制對Memetic算法進行改進，將其運用于中、大規(guī)模的艦載機一站式保障調度研究。Michini等[8]利用逆向強化學習方法對艦載機艦面保障問題進行了研究，在需要同時對4架、8架艦載機同時保障的任務中分析比較了不同策略的優(yōu)化方案。

上述研究內容多為單機或多機未考慮干擾因素的研究，對多機保障作業(yè)中含突發(fā)事件干擾的情況論述較少。因此，以不含干擾事件影響的調度方案為預設方案，以事件驅動策略與改進的遺傳算法相結合對含干擾事件影響的調度方案進行優(yōu)化。

1 艦載機保障作業(yè)調度問題數(shù)學模型

1.1 調度問題的描述

根據(jù)美國《海軍航空部隊航母訓練標準手冊》[9]公布的F/A-18E/F保障標準，總結了艦載機單機保障流程，見圖1，單機保障作業(yè)時按流程圖箭頭指示順序進行。然而，當同時有多架艦載機需要進行保障且保障組的數(shù)量有限時，將可能出現(xiàn)以下的資源受限情況[10-11]：①在原保障任務進行時，有艦載機退出或有新艦載機加入保障序列；②保障組數(shù)量較少而待保障的艦載機數(shù)量較多，或是保障組設備損壞而導致其不能參與保障；③多機保障時保障作業(yè)的調度方案不合理而導致部分艦載機的保障完成時間過長。發(fā)生以上情況都會對艦載機的持續(xù)作戰(zhàn)能力產(chǎn)生影響，因此，需要綜合考慮多機保障時資源受限情況對艦載機保障作業(yè)的干擾，并借助優(yōu)化算法獲得合理的保障作業(yè)調度計劃，實時地對艦載機保障調度過程進行優(yōu)化。

艦載機的保障作業(yè)問題與車間調度問題相類似，等待保障的艦載機可看作車間里待加工的工件，各類型保障組可看作是加工工件的機床，且有多個同類型機床可供選擇，但不超過其待加工工件的總數(shù)。因此，關于艦載機的保障調度問題可描述為：有四種類別的保障組對艦面上n架飛機進行保障，且每架有m道保障工序需要四類保障組完成；這四類保障組分別完成圖1所示的作業(yè)任務；其中，每道工序的作業(yè)時間固定，且均對應有Mq(q=1,2,3,4)個保障組。n架艦載機進入保障區(qū)，以相同的保障工序流程調用對應類型的保障組進行保障作業(yè)，但是，應滿足如下假設條件。

1)保障作業(yè)具有連續(xù)性，每道保障工序作業(yè)中途不可停止，且只有保障完當前工序才可開始下一道工序；

2)各艦載機相互獨立，各保障工序互不影響；

3)相鄰兩個工序的結束與開始的時間間隔忽略不計；

4)保障區(qū)內可完成上述保障工序，艦載機無須牽引車轉運；

5)不考慮隨機因素對保障過程的影響。

1.2 調度模型參數(shù)及變量定義

1)參數(shù)定義：

n為待保障的艦載機數(shù)量；m為艦載機保障工序數(shù)；Oij為表示第i架艦載機的第j個保障工序；M為保障組的總數(shù)量；Mq為可對工序Oij進行保障的某一類保障組集合，|Mq|為該類型保障組數(shù)量，其中1≤q≤4；Tijl為由第l(l≤M)個保障組對第i架艦載機的第j道工序的作業(yè)耗時；Bij為第i架艦載機的第j道工序開始時間；Dij為第i架艦載機的第j道工序結束時間；Pij為工序Oij的緊前工序集合；N為同時需要Mq類保障組的艦載機數(shù)量；Ci為第i架艦載機完成所有保障工序的耗時；Cmax為所有艦載機完成保障的最大耗時；Cijhk為保障組從第i架艦載機的第j道工序作業(yè)結束至第h架艦載機的第k道工序開始作業(yè)的轉移耗時。

2)變量定義：

(1)

(2)

圖1 艦載機單機保障流程圖Fig.1 Flow chart of support operation of single aircraft

1.3 調度模型的建立

選取最大保障完成時間Cmax=max(Ci)作為優(yōu)化目標,建立艦載機多機保障調度優(yōu)化模型為：

F(x)=min(Cmax)

(3)

(4)

(5)

|Mq|≥1，1≤q≤4

(6)

(7)

(8)

max(Dih)≤Bij， 1≤i≤n,1≤j≤m,?h∈Pij

(9)

Dij+Cijhk+R×βijhk≤Bhk+R1≤i,e≤n,1≤j,g≤m

(10)

N≤|Mq|

(11)

其中，式(3)表示調度優(yōu)化的目標函數(shù)，即實現(xiàn)保障的最大用時最短；式(4)表示最大保障用時與艦載機保障工序用時和保障組移動用時的關系；式(5)表示艦載機的當前保障工序只能同時存在一個保障組作業(yè)，即完成該保障任務的保障組被占用，其值等于1；式(6)和式(7)表示各類型保障組中存在有一個或多個能完成相應保障工序的該類型保障組；式(8)表示任意艦載機的某一保障工序的作業(yè)時間關系；式(9)表示作業(yè)的緊前關系約束，即必須保證一個工序的所有緊前工序均保障結束后，此工序才能開始；式(10)表示同一保障組不能同時對不同的保障工序進行作業(yè)，且不同工序按優(yōu)先級進行，式中R為足夠大的實數(shù)，以保證不等式恒成立；式(11)表示同時作業(yè)的保障組不得超過該類型的最大數(shù)量。

2 改進型遺傳算法設計

遺傳算法(Genetic Algorithm, GA)是由Holland[12]提出的，它是一種能在搜索過程中自主學習和累積知識，并行生成多個個體，快速尋優(yōu)的自適應算法。但是，其收斂過早、精度不高、易陷入局部最優(yōu)的特點，影響了該算法在更多具有現(xiàn)實意義的復雜問題中的應用。因此，將遺傳算法與禁忌搜索算法相結合有效地改善了其搜索過程，更有利于獲得最優(yōu)解，詳見2.5節(jié)。

2.1 編碼與解碼

2.1.1 編碼過程

對于艦載機保障調度問題，保障時有多架艦載機對應多個保障工序，因此，實數(shù)矩陣編碼[13]恰好能直觀地反映矩陣元素與艦載機及其保障工序之間的約束關系。該編碼方式能夠有效地搜索種群，獲得最優(yōu)調度方案，其形式如式(12)所示。

(12)

式中，矩陣Am×n，行表示艦載機待保障的工序序號，列表示不同艦載機的編號，元素aij是在區(qū)間(1, |Mq|+1)上的隨機實數(shù)。其中，整數(shù)部分W(aij)表示第i架艦載機的第j道保障工序由第W(aij)個保障組負責完成；PoD(aij)(矩陣元素值的小數(shù)部分)的大小決定同一道保障工序在不同艦載機中的優(yōu)先級。編碼時將矩陣各行看作一段，各段以“0”分割，每段基因記載了不同艦載機的某一道保障工序的信息，因此，整個矩陣構成了一條含艦載機保障信息的長度為m×n+m-1的染色體：[a11,a12,…,a1n,0,a21,…，a2n,0,…,0,am1,…，amn]。

如下為區(qū)間(1, |Mq|+1)上隨機生成的實數(shù)aij構成的編碼矩陣：

其中，矩陣元素a11表示第一架艦載機的第一道保障工序由保障組1進行作業(yè)；矩陣元素a12表示第二架艦載機的第一道保障工序由保障組1進行作業(yè)，但由于其元素值1.6>1.3，因此，第二架艦載機的第一道保障工序的優(yōu)先級高于第一架艦載機，保障組1需先對第二架艦載機進行保障；矩陣元素a13其值為2.4表示第三架艦載機的第一道保障工序由保障組2進行作業(yè)，其余元素釋義依此類推。

2.1.2 解碼過程

解碼過程是實現(xiàn)編碼染色體與保障調度方案的映射，同時，需充分考慮保障作業(yè)過程中的約束關系[14]。因此，將保障工序分成若干集合，以時序推進方式調動各保障工序所處集合，步驟如下。

設Ad為當前保障作業(yè)的工序集合，Cd為已完成保障作業(yè)的工序集合，Wl為未保障作業(yè)的工序集合，且隨著時間推進，更新以上工序集合。

Step1：第i架艦載機進入保障站位，將其虛工序Bi的緊后工序PBi依據(jù)值W(aij)釋放至相應的保障組序列。

Step2：工序Oij由第l個保障組保障，記錄其開始時間Bij并更新集合。

Step3：記錄工序Oij的保障結束時間Dij，將集合Ad中的元素轉移到集合Cd，并判斷Oij緊后工序的所有緊前工序PHij是否均已結束；若是，則釋放緊后工序到對應保障組序列。根據(jù)PoD(aij)選取Wl中下一個保障工序，將其轉移到集合Ad，并更新集合Cd。

2.2 初始種群與適應度函數(shù)

初始種群是由編碼隨機產(chǎn)生的若干染色體組成，通過適應度函數(shù)來評價個體的適應度值，且與目標函數(shù)的最大保障耗時有關，見式(13)。

(13)

其中，Cmax(k)表示第k個調度方案的最大保障耗時。

2.3 選擇操作

父代個體適應度值的高低決定了子代個體被選擇的概率，適應度值高，則被選中的概率大，反之，則個體被淘汰的概率大，因此，以輪盤賭法[15]選擇子代個體，步驟如下：

Step1：求該染色體Vi(i=1，2，…，S)的適應度值eval(Vi)，其中，S表示群體的最大規(guī)模。

Step2：求群體的總體適應度值。

(14)

Step3：求染色體Vi(i=1，2，…，S)的被選概率：

(15)

Step4：由式(15)可知，染色體Vi(i=1，2，…，S)的累積概率為：

(16)

選擇時每一輪將隨機產(chǎn)生一個實數(shù)γ∈(0,1)，若指針落在第i個區(qū)間，其累積概率為p1+p2+…+pi-1<γ

圖2 輪盤賭選擇示意圖Fig.2 Operation of selection with roulette

2.4 交叉操作

首先，按適應度值將若干染色體分組，一組為適應度值較高的染色體，其他的組成另一組。然后，從兩組中分別隨機地選取一條染色體交配，以此法形成新的一對個體，將使整個種群的適應度值向最優(yōu)方向發(fā)展，具體的交叉操作如下所述。

將帶有保障調度信息的染色體分段交叉，且每小段采用一點交叉(one-point crossover)法對兩條染色體上同一位置的信息進行交換，從而確保串位后的兩個個體攜帶的保障調度方案仍是可行的。例如，以A、B表示兩個父代個體，在A、B上隨機選擇一處作為交叉點，如圖3中箭頭標記位置；然后，交換交叉點處的基因信息，從而獲得子代A1、B1。

2.5 禁忌搜索下的變異操作

禁忌搜索(Tabu Search, TS)算法是由Glover等[16]提出的，它通過“禁忌表”的記憶方式引導搜索過程，避免陷入局部最優(yōu)或重復過去的搜索。因此，將它與遺傳算法相結合，使種群能高效地向優(yōu)良方向繁衍。通過在不同迭代次數(shù)條件下調用禁忌搜索算子改進遺傳算法搜索過程；觀察改進算法的收斂效果，并截取遺傳算法迭代第2至5次時調用禁忌搜索算子的收斂曲線，見圖4。試驗表明，以算法每迭代4次調用1次禁忌搜索的方式對遺傳算法進行改進，在對保障作業(yè)的優(yōu)化上效果最好。

圖3 遺傳算法的交叉過程Fig.3 Schematic diagram of crossover processing of genetic algorithm

(a) k=2 (b) k=3

(c) k=4 (d) k=5圖4 不同迭代次數(shù)下調用禁忌搜索的優(yōu)化曲線Fig.4 Optimized curve of tabu search with different number of iterations

因此，以k=4作為調用禁忌搜索算子的判斷條件。若算法迭代次數(shù)k=4，則以禁忌算子進行變異操作，即在遺傳算法框架中運用禁忌搜索算法進行變異操作，見圖5。設定算法的迭代閾值，滿足調用條件，則在交叉操作后用禁忌搜索算子對種群中每個個體的鄰域進行搜索，生成候選集合；判斷候選解是否為禁忌表中的對象，將最大搜索代數(shù)Gmax作為禁忌搜索的結束條件。

若k≠4，則采用傳統(tǒng)變異算子進行變異操作，詳述如下：

1)傳統(tǒng)變異算子以變異概率Pm對交叉產(chǎn)生的種群隨機反轉其上某一位置的等位基因。

2)在染色體上隨機選取變異位，依據(jù)如下：

①d=Rand{0,1}。

②若d=1，則r=Rand(0,|Mq|+1-aij)；否則r=Rand(0,aij-1)。

因此，改進遺傳算法的實現(xiàn)步驟如下：

Step1：設定遺傳算法基本參數(shù)，最大迭代次數(shù)Nd，初始群體規(guī)模Np，交叉概率Pc，變異概率Pm。

Step2：編碼與解碼設計，隨機生成初始種群。

Step3：設計算法的適應度函數(shù)，計算種群中個體的適應度值。

Step4：按照輪盤賭規(guī)則進行遺傳算法的選擇操作。

Step5：按照2.4節(jié)中的交叉規(guī)則對選擇后的個體進行交叉操作。

Step6：判斷閾值是否滿足k=4，若k≠4，則以傳統(tǒng)變異算子進行變異操作，k=k+1，轉至Step 8，否則，以禁忌變異算子完成變異過程。

Step7：調用禁忌變異算子進行變異操作：

①將遺傳操作產(chǎn)生個體作為初始解，禁忌表設為空。

②判斷是否滿足停止準則，若滿足，結束當前循環(huán)，重置閾值和禁忌搜索迭代次數(shù)，k=0，i=0；若不滿足，繼續(xù)以下步驟。

③從初始解x的鄰域中選出符合禁忌要求的候選解。

④判斷候選解是否滿足期望，若滿足，則轉至⑦，否則繼續(xù)以下步驟。

圖5 禁忌搜索算子的變異操作流程Fig.5 Flow chart of tabu search operator in improved genetic algorithm

⑤判斷候選解集中的解有無符合特赦準則要求的解，若符合，則將其特赦出來作為最優(yōu)解，轉至⑦；否則，繼續(xù)以下步驟。

⑥當候選解不符合特赦準則要求，則在非禁忌對象中選出最優(yōu)解。

⑦輸出最優(yōu)解。

⑧更新禁忌表，更新迭代次數(shù)ii=ii+1。

Step8：判斷是否滿足算法的結束條件，若滿足，結束循環(huán)，否則，轉至Step 3繼續(xù)迭代，i=i+1。

3 艦載機保障作業(yè)仿真

3.1 模型修正策略

遇到干擾事件時，以如下策略對模型進行修正。

1)保障組可用時刻修正。艦載機保障作業(yè)過程遇到突發(fā)事件干擾，則需對保障調度方案進行重調度。此時，保障組的狀態(tài)可能為“忙碌”“休息”。對于重調度方案中處于“休息”狀態(tài)的保障組，重調度指令發(fā)出時刻即為該保障組的下一項作業(yè)開始時刻；對于重調度方案中處于“忙碌”狀態(tài)的保障組，其作業(yè)過程具有連續(xù)性，應等待當前保障工序完成，并將該時刻作為重調度開始時刻。

2)艦載機保障工序矩陣狀態(tài)修正。艦載機保障作業(yè)遇重調度時，除了需要確定保障組的工作狀態(tài)是否可用外，還需要確定艦載機的保障狀態(tài)，即艦載機保障作業(yè)是否完成，可分為“正在保障”“保障完成”。對于進入保障區(qū)的艦載機，其每一道保障工序都對應有這兩個保障狀態(tài)；若某艦載機的某一道保障工序的狀態(tài)由“正在保障”變?yōu)椤氨Ｕ贤瓿伞?，則將該道工序放入完工集合，并從工序矩陣中刪除，保留未開始的保障工序。

3)保障設備工作狀態(tài)修正。保障設備是否可用，既決定著保障組是否真正可用，也決定著艦載機保障工序的進程，因此，重調度發(fā)生時需確定各保障組保障設備的工作狀態(tài)。當保障組設備故障時，應變更保障組狀態(tài)為“不可用”，并從保障組的可用集合(休息、忙碌)中刪除；正在作業(yè)的保障任務優(yōu)先級高，需優(yōu)先安排可用的“休息”保障組接替完成前序保障工序。

3.2 調度優(yōu)化的仿真流程

在客觀條件不具備的情況下，以模擬真實環(huán)境要素的仿真手段來檢驗改進型遺傳算法對艦載機保障調度的優(yōu)化效果是最為有效的途徑，其流程見圖6。

圖6 仿真流程圖Fig.6 Flow chart of simulation of carrier deck operation

步驟如下：

Step1：仿真開始后，算法給出關于當前艦載機保障的調度方案。

Step2：系統(tǒng)根據(jù)調度方案執(zhí)行調度任務。

Step3：系統(tǒng)判斷是否有干擾事件發(fā)生，干擾事件的分類詳見1.1節(jié)，若無干擾事件影響，轉至Step 6。

Step4：發(fā)生干擾事件，按3.1節(jié)所述規(guī)則對模型進行修正。

Step5：對修正后的模型給出調度方案，轉至Step 2。

Step6：系統(tǒng)判斷所有保障工序是否完成，完成則轉至Step 8。

Step7：若保障工序未完成，則繼續(xù)按時間順序推進保障流程。

Step8：所有保障工序完成，則輸出保障作業(yè)的甘特圖。

4 案例分析

4.1 初始調度方案優(yōu)化

以某波次艦載機保障作業(yè)為例，保障站位如圖7所示，甲板“一站式”保障位上共有8架艦載機。其中，靠近③號升降機的兩架艦載機已經(jīng)戰(zhàn)損(顯示為紅色)，無法在“一站式”保障位上維修，需要調入機庫維修；對“一站式”保障位中其余6架艦載機進行保障，保障進行到第25 min時，由②號和③號升降機從機庫各調出1架艦載機升至艦面保障區(qū)。案例中參與保障的各類保障組的數(shù)目為：2個航電保障組，2個特設保障組，3個軍械保障組、3個機械保障組，其編號、作業(yè)內容、作業(yè)順序、作業(yè)耗時，詳見表1。將保障開始后的第25 min加入2架艦載機設為該案例的干擾事件，并在4.2節(jié)中詳述。

圖7 6架待保障的艦載機Fig.7 Six aircrafts of waiting support operation

如圖6所示，仿真流程開始后，改進的遺傳算法對甲板現(xiàn)有的6架艦載機進行保障作業(yè)的調度優(yōu)化分析并執(zhí)行其優(yōu)化的調度方案。在無干擾的情況下，將按時間推進保障作業(yè)，最終輸出優(yōu)化結果，同時與傳統(tǒng)遺傳算法的優(yōu)化結果做比較，算法及禁忌變異算子的初始參數(shù)設置如表2～3所示。仿真結束條件為最大迭代搜索次數(shù)100代。

表1 艦載機保障工序情況清單[17]Tab.1 List of support processing of aircraft

表2 遺傳算法和改進型遺傳禁忌算法主要參數(shù)Tab.2 Primary parameters of genetic algorithm and improved genetic algorithm

表3 禁忌變異算子主要參數(shù)表Tab.3 Primary parameters of mutation operator of tabu method

通過遺傳算法和改進型遺傳算法對艦載機的最大保障耗時進行優(yōu)化和比較，其結果見圖8。圖中綠色曲線(GA)反映了遺傳算法各代最優(yōu)解的變化趨勢，紅色曲線(HGATS)反映了改進型遺傳算法各代最優(yōu)解的變化趨勢。結果表明，改進型遺傳算法在收斂速度以及優(yōu)化艦載機保障作業(yè)時間上優(yōu)于傳統(tǒng)遺傳算法。文獻[1]中美軍F/A-18艦載機出動回收保障時間一般在60～105 min(1+00～1+45 cycle)，而案例中6架艦載機的保障完成時間均小于75 min(1+15 cycle)， 見圖9。

以保障組為主體觀察仿真優(yōu)化結果見圖10，圖中綠色塊表示保障組“忙碌”，黃色塊表示保障組在艦載機之間的轉移耗時，空白處則表示保障組“休息”。色塊中的字符Pi(i=1,2,3，…)表示正在保障的艦載機編號，Pi下面的數(shù)字表示正在保障的保障工序編號；橫坐標表示保障組作業(yè)耗時，縱坐標表示各類保障組及此類保障組的編號。

以艦載機為主體觀察仿真優(yōu)化結果，見圖11。橫坐標表示艦載機保障耗時，縱坐標表示艦載機的編號。其中，綠色塊內的字符Mij表示類型為i的保障組的第j個小組，M1表示航電類保障組，M2表示特種設備(簡稱：特設)類保障組，M3表示軍械類保障組，M4表示機械類保障組。每架艦載機完成保障的耗時，見圖8。

圖8 算法改進前后的艦載機最大保障完成時間優(yōu)化曲線Fig.8 Optimizing curve of maximum mission time of aircraft support operation before and after improved algorithm

4.2 重調度方案優(yōu)化

如圖6所示流程，當系統(tǒng)判斷有干擾影響時，需對模型進行修正，然后，改進型遺傳算法對初始調度方案進行再優(yōu)化。如圖12所示，在原保障方案執(zhí)行第25 min時有兩架艦載機(編號P7、P8)加入保障序列，對原保障過程形成了突發(fā)干擾。以圖13為例說明遇干擾事件時的重調度過程，圖中虛線分割的時刻(15 min)，航電組1與特設組1完成前序保障任務，處于“休息”，而軍械組1與機械組1仍在“忙碌”，因此不可用。

圖10 8架待保障的艦載機Fig.10 Eight aircrafts of waiting support operation

甘特圖反映了艦載機各保障工序與保障組之間的任務分配關系。上述干擾事件發(fā)生時，各類保障組中，特設保障組1、軍械保障組1和2、機械保障組1至3均處于“忙碌”狀態(tài)，需待上述保障組完成當前作業(yè)后，方可加入重調度序列。因此，對比4.1節(jié)中6架艦載機的完成時間，8架艦載機的保障完成時間普遍要長，但仍然在單次出動回收的最大保障時間內(1+45 cycle)，見圖14。第25分鐘加入新的艦載機，需對模型修正后調用算法重調度，保障組甘特圖如圖15所示?？梢姡卣{度優(yōu)化后，航電組1、2，特設組2，軍械組2、3以及機械組1的保障作業(yè)內容發(fā)生了變化。圖16為各艦載機上進行的保障工序甘特圖。

圖11 6架艦載機優(yōu)化調度方案保障組甘特圖Fig.11 Gantt chart of optimizing scheduling plan of six aircraft′s support team

圖12 6架艦載機優(yōu)化調度方案艦載機甘特圖Fig.12 Gantt chart of optimizing scheduling plan of six aircraft

圖13 再調度保障組可用時刻Fig.13 Free time chart of support team of rescheduling

圖14 8架艦載機的保障作業(yè)完成時間Fig.14 Support completion time of eight aircrafts

圖15 8架艦載機優(yōu)化調度方案保障組甘特圖Fig.15 Gantt chart of optimizing scheduling plan of eight aircraft′s support team

圖16 8架艦載機優(yōu)化調度方案艦載機甘特圖Fig.16 Gantt chart of optimizing scheduling plan of eight aircrafts

5 結論

根據(jù)艦載機保障作業(yè)特點，以改進遺傳算法對艦載機保障作業(yè)中保障組的調度問題進行案例分析。在無干擾影響的初始保障調度方案優(yōu)化中，對比了改進遺傳算法和傳統(tǒng)遺傳算法的效果。結果表明，以引入禁忌搜索變異算子改進遺傳算法來解決艦載機調度優(yōu)化問題是可行的，且獲得最優(yōu)解的迭代次數(shù)及收斂效果要優(yōu)于傳統(tǒng)遺傳算法。在干擾事件影響下，對某一時刻有新的艦載機加入保障序列的問題，以事件驅動機制對模型修正后，進行重調度優(yōu)化，優(yōu)化結果表明該算法仍能得到可行的最優(yōu)解。上述案例僅是一種干擾事件在保障作業(yè)中的影響，隨著仿真流程的循環(huán)及保障任務的推進，其他類型的干擾事件也可能發(fā)生，系統(tǒng)會根據(jù)具體事件制定新的重調度策略。案例表明，改進遺傳算法能對干擾事件影響下的多機保障作業(yè)過程給出較為合理的調度優(yōu)化方案，具有良好的魯棒性和重要的研究意義。