摘 要:在區(qū)域任務中,裝備保障調(diào)度實質(zhì)是裝備體系和保障體系在保障資源上的匹配。因此,體系資源的精確匹配成為提升區(qū)域保障能力的關鍵。以體系的模塊化分層結構為基礎,融合體系節(jié)點的特征和結構信息,構建基于結構化數(shù)據(jù)的區(qū)域保障調(diào)度最優(yōu)傳輸(optimal transmission, OT)的資源匹配模型??紤]決策層級,將其拓展為多分辨率模型,基于結構化OT算法,將保障調(diào)度概率方案轉換為多分辨率模型的保障調(diào)度方案求解算法。所提基于結構化數(shù)據(jù)的區(qū)域保障調(diào)度模型,解決區(qū)域保障資源體系匹配中的層級結構一致性問題。案例分析結果表明,在樹形結構和復雜規(guī)模下,所提保障調(diào)度方案具有魯棒性。
關鍵詞: 裝備保障; 結構化數(shù)據(jù); 保障調(diào)度; 最優(yōu)傳輸
中圖分類號: TJ 02
文獻標志碼: ADOI:10.12305/j.issn.1001 506X.2025.02.21
Regional guarantee scheduling model research based on structured data
HU Zhigang1, LOU Jingjun2, SHI Yuedong2,*, HU Junbo2
(1. Department of Management Engineering and Equipment Economics, Navy University of Engineering, Wuhan 430033,
China; 2. College of Naval Architecture and Ocean, Naval University of Engineering, Wuhan 430033, China)
Abstract:In regional tasks, equipment guarantee scheduling is essentially the matching of equipment systems and guarantee systems in terms of guarantee resources. Therefore, precise matching of system resources becomes the key to enhancing regional guarantee capabilities. Based on the modular hierarchical structure of the system, the characteristics and structural information of system nodes are integrated to construct an optimal transmission (OT) resource matching model for regional guarantee scheduling based on structured data. The decision level is considered to expand the proposed model into a multi resolution model. Then, based on the structured OT algorithm, the guarantee scheduling probability scheme is transformed into a solution algorithm for the multi resolution model’s guarantee scheduling scheme. The regional guarantee scheduling model based on structured data proposed in this paper solves the problem of hierarchical consistency in the matching of regional guarantee resource systems. Case analysis result shows that under the conditions of tree shape structure and complex scale, the guarantee scheduling scheme has robustness.
Keywords:equipment guarantee; structured data; guarantee scheduling; optimal transmission (OT)
0 引 言
裝備保障是通過技術和管理手段使得裝備系統(tǒng)保持和恢復規(guī)定功能的活動,在作戰(zhàn)任務實施過程中保障資源調(diào)度能力是裝備保障核心保障能力[1]。作戰(zhàn)行動往往基于一定區(qū)域開展,裝備保障的“面向區(qū)域”特性顯著。在基于區(qū)域的作戰(zhàn)行動中,作戰(zhàn)裝備和保障機構都表現(xiàn)出模塊化分層結構的特點,基于作戰(zhàn)裝備的裝備體系提出資源需求,基于保障機構的保障體系供應所需資源,區(qū)域保障即是實現(xiàn)兩個體系在資源上的精確匹配。因此,體系資源的精確匹配直接影響保障能力,甚至決定區(qū)域作戰(zhàn)勝負。
資源匹配是以供需資源分布為基礎,建立供需資源在時空上的適宜匹配。根據(jù)系統(tǒng)復雜程度,資源匹配有點匹配、系統(tǒng)匹配、體系匹配3種類型。關于點匹配,齊小剛等[2]分別針對單需求點、多需求點、多供應中心-多需求點進行建模,建立線性規(guī)劃或非線性規(guī)劃模型;關于系統(tǒng)匹配,李飛飛等[3]從分布式系統(tǒng)匹配策略等方面開展研究,供需雙方已從點思維升級到系統(tǒng)思維,從系統(tǒng)層面考慮雙方如何匹配;關于體系匹配,引入復雜網(wǎng)絡理論,建立供需兩個網(wǎng)絡進行匹配,王琮等[4]和徐耀耀等[5]基于保障體系網(wǎng)絡建模,提出具體的關鍵節(jié)點識別和節(jié)點屬性匹配方法,對保障體系結構進行了深入分析。以上3種類型的研究分別適用于簡單無結構系統(tǒng)、簡單結構系統(tǒng)、復雜層次結構系統(tǒng),其共同點在于根據(jù)節(jié)點進行匹配,不同點在于節(jié)點屬性和節(jié)點關系有所差異。在節(jié)點屬性方面,從單純考慮數(shù)量、地理位置到任務關系、保障關系,再到考慮系統(tǒng)層次結構和網(wǎng)絡結構的探索,節(jié)點屬性越來越豐富。在節(jié)點關系方面,從相互獨立節(jié)點到簡單關系節(jié)點,再到體系中有復雜關聯(lián)關系的節(jié)點,節(jié)點關系越來越復雜。通過節(jié)點屬性和節(jié)點關系復雜性的提升,資源匹配的有效性得到提高。針對資源體系匹配,前期已針對資源分布視角下的特征匹配開展研究[1]。但上述研究存在3個問題:①在資源體系匹配中有理論探索,但缺乏針對具體保障系統(tǒng)的定量研究;②節(jié)點屬性在維度上增加,但仍然是針對各個維度的獨立分析,沒有進行節(jié)點屬性融合,同時節(jié)點屬性和節(jié)點關系之間也是獨立分析,二者沒有進行融合考慮;③針對資源分布差異、體系結構差異、保障關系差異和節(jié)點規(guī)模差異對于裝備保障資源匹配的影響,目前還缺乏定量比較分析。
可以看到,根據(jù)資源體系匹配的思路,區(qū)域裝備保障是一定區(qū)域內(nèi)資源在供需雙方節(jié)點的綜合匹配,不僅要考慮單個裝備的需求結構和資源特征,還需要考慮體系結構信息和體系節(jié)點特征,根據(jù)區(qū)域任務要求,整體把握資源供需分布,進而統(tǒng)籌安排區(qū)域保障資源的配置和調(diào)度。從現(xiàn)象上看,保障是資源在供需雙方的流動。從本質(zhì)上而言,保障是資源的數(shù)據(jù)輸運或數(shù)據(jù)打通。因此,區(qū)域裝備保障問題的本質(zhì)是結構化數(shù)據(jù)的最優(yōu)傳輸(optimal transmission, OT)。
結構化數(shù)據(jù)OT是把兩種結構數(shù)據(jù)集在某個層面上打通[6-11]。徐宗本[12]認為,兩種數(shù)據(jù)集之所以需要“打通”,或者能夠“打通”,根本原因在于它們之間存在某些“共有特征”或者“不變量”。“保不變量”是結構化數(shù)據(jù)傳輸?shù)淖畋举|(zhì)約束。在區(qū)域裝備保障中,裝備體系需要的資源和保障體系供應的資源在數(shù)據(jù)輸送過程中是不變的,對應資源的一些結構化特性不變。資源的結構化特性包括節(jié)點特征和節(jié)點關系兩個方面,節(jié)點特征是節(jié)點的資源屬性,節(jié)點關系是節(jié)點的資源關系。特征不變性是指供需資源種類和數(shù)量在從一個節(jié)點輸送到另一個節(jié)點的過程中保持特征屬性不變,如需求體系中某個裝備節(jié)點需要備件A,供應體系中某個保障節(jié)點提供備件A,資源的種類和數(shù)量不變;結構不變性是指供需資源種類和數(shù)量在從一個節(jié)點輸送到另一個節(jié)點的過程中保持結構信息不變,如需求體系中某幾種資源對應某個裝備設備,供應體系中某幾種資源對應某個保障單元,資源的結構和關系不變。長期以來,人們一直在研究從結構化數(shù)據(jù)中學習,比如將特征和結構信息相結合的對象[13-14]。這種圖數(shù)據(jù)通常是具有通過某種特定關系連接的屬性(多維空間向量)的節(jié)點的集合,結構化數(shù)據(jù)對象包括時間序列[15-17]、樹[18-19]或圖像等[20-22]。理論啟發(fā)機器學習領域產(chǎn)生很多突破,但是其基本距離公式無法利用對象的結構信息,只依賴于比較其特征表示的成本函數(shù)。Peyre等[23]提出一種比較兩個距離矩陣的方法,這兩個矩陣可以被視為某些對象結構的表示,但只是對內(nèi)在結構信息進行編碼,OT距離并沒有解決特征和結構信息的融合問題。近年來,有學者將結構作為正則化項[24-28],結合信號的拉格朗日公式及其時間結構信息定義一種OT距離[29],采取了一些嘗試。這些方法的假設是特征和結構信息位于同一空間中,這一假設不具有普遍性,如本文研究的保障調(diào)度問題需要處理兩個空間中的特征和結構信息。Nikolentzos等[30]提出具有OT的離散標記圖的圖相似性度量。Titouan等[15]進一步提出一個考慮特征和結構信息的通用性框架,并且用權衡參數(shù)平衡特征和結構的重要性。本文認為,區(qū)域裝備保障具有大量的特征和結構信息,同時在區(qū)域作戰(zhàn)中獲取信息困難,應結合區(qū)域作戰(zhàn)特點,既要開展融合,又要根據(jù)信息特點設計相應參數(shù),以靈活調(diào)整模型。
本文的基本思路如下:以面向任務的區(qū)域裝備保障為研究背景,首先,建立裝備體系和保障體系的結構化模型,進而獲取兩種結構的供需資源數(shù)據(jù)集;然后,建立結構化數(shù)據(jù)OT模型,包括粗粒度模型和細粒度模型;最后,設計求解算法,并通過案例進行拓展討論。
1模型構建
1.1 區(qū)域保障結構化數(shù)據(jù)表達
1.1.1 區(qū)域保障模塊化分層結構
在區(qū)域任務中,裝備編組執(zhí)行作戰(zhàn)任務,保障機構完成保障任務,保障任務是作戰(zhàn)任務中因裝備故障、損傷而進行的功能狀態(tài)恢復工作,區(qū)域保障調(diào)度是在一定約束條件下實現(xiàn)保障體系和裝備體系之間的資源供需匹配。區(qū)域裝備體系包括若干裝備編組,裝備編組包含若干作戰(zhàn)裝備。裝備由系統(tǒng)構成,系統(tǒng)中有不同設備,設備的故障、損傷需要相應保障資源。編組、裝備、系統(tǒng)、設備既有組成結構上的分層特征,也有功能劃分上的模塊化特征,同一層次和層間要素之間也具有一定的關聯(lián)關系,因此區(qū)域裝備體系是典型的模塊化分層結構,如圖1所示。
同理,區(qū)域保障體系也是典型的模塊化分層結構,如圖2所示。
同時,在圖1和圖2兩個體系的模塊化分層結構中,體系節(jié)點還具有重要度、地理位置屬性,節(jié)點資源不僅具有種類和數(shù)量屬性,還具有時間和概率屬性。因此,兩個體系結構中的數(shù)據(jù)是具有特征屬性和層次結構的結構化數(shù)據(jù)。
1.1.2 區(qū)域保障結構化數(shù)據(jù)表達
結構化數(shù)據(jù)表達可以抽象為圖3所示的模型。
在圖3中,圓圈顏色表示節(jié)點特征信息,圓圈大小表示節(jié)點重要度信息,連接關系表示節(jié)點結構信息。特征信息uA=∑iuiδai,結構信息uX=∑iuiδxi,則該圖的結構化數(shù)據(jù)綜合表達為一種概率測度,即u=∑iuiδ(xi,ai)。其中,ai為節(jié)點特征,xi為節(jié)點結構,δ為節(jié)點特征或結構的狄克拉函數(shù),ui為節(jié)點重要度信息。
1.2 區(qū)域保障調(diào)度OT模型
1.2.1 結構化數(shù)據(jù)OT
根據(jù)結構化數(shù)據(jù)表示模型,兩個結構化數(shù)據(jù)之間的傳輸體現(xiàn)為數(shù)據(jù)信息的流動,也就是匹配度。結構化數(shù)據(jù)OT即為結構化數(shù)據(jù)的最佳匹配方案。
1.2.2 區(qū)域保障調(diào)度結構化數(shù)據(jù)OT模型
根據(jù)以上分析,區(qū)域保障調(diào)度是區(qū)域裝備體系和區(qū)域保障體系兩個結構化數(shù)據(jù)的最佳匹配,據(jù)此建立區(qū)域保障調(diào)度結構化數(shù)據(jù)OT模型,如圖4所示。圖4中,G1為裝備體系結構;G2為保障體系結構;i,k分別表示G1的第i個和第k個節(jié)點;j,l分別表示G2的第j個和第l個節(jié)點。
考慮兩個結構u=∑iuiδ(xi,ai)和v=∑jvjδ(yj,bj)。
C1(i,k)表示節(jié)點i,k的結構距離;C2(j,l)表示節(jié)點j,l的結構距離,記MAB(i,j)=d(ai,bj);MAB(i,j)表示節(jié)點i,j的特征距離;C1(i,k)=dX(xi,xk);C2(j,l)=dY(yj,yl)。這里,ai和bj分別為兩個結構的節(jié)點特征信息;xi,xk和yj,yl分別為結構G1和結構G2的節(jié)點結構信息;ui和vj為結構G1和結構G2的重要度信息。
當僅考慮節(jié)點特征信息時,結構化數(shù)據(jù)距離即為兩個數(shù)據(jù)分布的距離,KL散度(Kullback Leibler divergence)即相對熵,JS散度(Jensen Shannon divergence)是KL散度的一種變體和wasserstein距離。在綜合考慮節(jié)點特征信息和結構信息時,結構化數(shù)據(jù)距離為融合Gromov Wasserstein(fused Gromov Wasserstein, FGW)距離[31]。
FGWq,α(u,v)=minT∈Π(U,V)Eq,α(T)(1)
Eq,α(T)=∑i,j,k,l(1-α)MAB(i,j)q·Ti,j+
α|C1(i,k)-C2(j,l)|q·Ti,jTk,l(2)
式中:Eq,α(T)表示以T為自變量、以q、x為參數(shù)的函數(shù)。α表示節(jié)點特征和節(jié)點結構的權衡參數(shù);q表示距離參數(shù);i,k取值范圍分別為G1的節(jié)點個數(shù)、G2的節(jié)點個數(shù);T表示待求變量,即Ti,j構成的矩陣。在式(3)~式(6)中i,j,k,l,T的含義與此相同。
由此,建立區(qū)域保障調(diào)度OT模型:
FGWq,α(u,v)=minπ∈Π(u,v)Eq(MAB,C1,C2,T)(3)
∑nj=1Tij=ui, i=1,2,…,m
∑mi=1Tij=vj, j=1,2,…,n(4)
式中:
Eq(MAB,C1,C2,T)=
〈((1-α)MqAB+αL(C1,C2)q)T,T〉=
∑i,j,k,l(1-α)d(ai,bj)q·Ti,j+
α|C1(i,k)-C2(j,l)|q·Ti,jTk,l(5)
式中:表示對應元素的乘積;L(C1,C2)=|C1(i,k)-C2(j,l)|;d(ai,bj)=|(ai-bj)|。
需要說明的是關于結構表示,模型中考慮樹形結構和簡單網(wǎng)絡結構兩種結構,結構采用鄰接矩陣表示方法,節(jié)點之間距離用兩個節(jié)點之間遍歷邊個數(shù)的最小值表示,樹形結構如圖1和圖2所示,簡單網(wǎng)絡結構考慮節(jié)點之間均具有連接關系且聯(lián)通強度相同。關于保障關系,考慮保障機構Xi和保障對象Yj之間的保障關系θij,θij取值集合設定為{1e3,1,1e-3},1e3表示Yj在Xi具有較高優(yōu)先級,1表示有關系,1e-3表示無關系。位置距離包括結構間距離和結構內(nèi)距離兩種,將結構間距離duv融入到節(jié)點特征距離d(ai,bj)中,點乘后得到新的d′(ai,bj),將結構內(nèi)距離duu=d(xi,xk)p和dvv=d(xj,xl)p分別融入到C1(i,k)和C2(j,l)中
,矩陣duu=d(xi,xk)p和C1(i,k)點乘后得到新的C*1(i,k),矩陣dvv=d(xj,xl)p和C2(j,l)點乘后得到新的C*2(j,l)。
定義結構間距離duv=d(xi,yj)p,d(xi,yj)=|xi-yj|,p為正整數(shù),一般情況下取1和2。特征距離考慮資源特征向量、結構間位置距離、供需保障關系,即d*(ai,bj)=d′(ai,bj)*θij。這里保障任務體現(xiàn)到節(jié)點的資源供需特征。由此,結構化數(shù)據(jù)的FGW距離可表示為
Eq(MAB,C1,C2,T)=∑i,j,k,l(1-α)d*(ai,bj)q·Ti,j+
α|C*1(i,k)-C*2(j,l)|q·Ti,jTk,l(6)
1.3 區(qū)域保障調(diào)度多分辨率OT模型
假設區(qū)域內(nèi)有n個保障對象和m個保障機構,此處討論如何找到保障對象和保障機構之間資源匹配的最優(yōu)方案以滿足保障對象的任務需要。其中,{Y1,Y2,…,Yn}表示保障對象集合;{(y1,v1)…(yj,vj)…(yn,vn)}表示保障對象所需的資源分布;yj和vj分別為Yj位置和資源數(shù)量;{X1,X2,…,Xm}表示保障機構集合;{(x1,u1)…(xi,ui)…(xm,um)}表示保障機構供應的資源分布;xi和ui分別為Xi的位置和資源數(shù)量;資源從Xi輸送到Yj的數(shù)量為Tij。
基于資源的區(qū)域分布視角,供應分布為u=∑mi=1uiδxi,需求分布為v=∑nj=1vjδyj。δxi、δyj為狄拉克函數(shù),有
δxi=1, 區(qū)域內(nèi)xi處有某資源
0, 區(qū)域內(nèi)xi處無某資源
δyj=1, 區(qū)域內(nèi)yj處需要某資源
0, 區(qū)域內(nèi)yj處不需要某資源
基于以上分析建立區(qū)域保障調(diào)度多分辨率模型,以上描述為粗粒度模型。細粒度模型描述如下:保障機構Xi={Xi1…Xik…XiiK};Xi供應的資源分布為{(xi1,hi1)…(xik,hik)…(xiiK,hiiK)};xik和hik分別為Xik的位置和資源數(shù)量;hi為Xi的資源供應向量;保障對象Yj={Yj1…Yjl…YjjL},保障對象Yj需要的資源分布為{(yj1,gj1)…(yjl,gjl)…(yjjL,gjjL)};yjl和gjl分別為Yjl的位置和資源數(shù)量;gj為Yj的資源需求向量。同樣,有hi=∑iKk=1uiδxik,gj=∑jLj=1vjδyjL。δxik、δyjl為狄拉克函數(shù)?!苖i=1iK=M,∑nj=1jL=N,M和N分別為保障單元和裝備單元總數(shù)。資源從Xik輸送到Yjl的數(shù)量為Tijkl。
細粒度模型為
FGWq,αij(hi,gj)=
minTij∈Π(hi,gj)Eq(MijAB,Cij1,Cij2,Tij)(7)
∑jLl=1Tijkl=hik, k=1,2,…,iK
∑iKk=1Tijkl=gjl, l=1,2,…,jL(8)
2 算法設計
2.1 區(qū)域保障調(diào)度OT模型算法
對FGW距離計算梯度,得到偏導G=(1-α)MABq+2α(∑k,l|C1(i,k)-C2(j,l)|q·Tk,l)i,j。令G=0,由此得到線性搜索算法。
最優(yōu)方案T*=
argminT∈Π(h,g)vec(T)TQ(α)vec(T)+vec(D(α))Tvec(T)(9)
式中:Q(α)=-2αC2C1;D(α)=(1-α)MAB;vec(T)表示矩陣T的向量化,即把T所有列堆起來構成的列向量。
算法過程如算法1所示。
算法 1 線性搜索
1: 輸入cC1,C2
2: a=-2α〈C1T~(i)C2,T~(i)〉
3: b=〈(1-α)MAB+αcC1,C2,T~(i)〉-2α(〈C1T~(i)C2,T(i-1)〉+〈C1T(i-1)C2,T~(i)〉)
4: c=E2(MAB,C1,C2,T(i-1))
5: if agt;0 then
6: T(i)=min (1,max(0,-b/2a))
7: else
8: T(i)=1 if a+blt;0 else T(i)=0
9: end if
10: 輸出T(i)
2.2 區(qū)域保障調(diào)度多分辨率OT模型算法
在FGW距離算法基礎上擴展到多分辨率情況,得到區(qū)域保障調(diào)度多分辨率模型算法,步驟如下:
步驟 1 建立區(qū)域裝備體系和區(qū)域保障體系的模塊化分層結構,并構建兩個體系的細粒度鄰接矩陣Ci1和Cj2。
步驟 2 輸入兩個保障體系的節(jié)點數(shù)據(jù)xik,yjl,hik,gjl,對hik,gjl進行概率化處理,通過計算得到各供需點的概率向量phi,pgj。
步驟 3 根據(jù)細粒度模型,計算得到Xi和Yj的距離FGWq,αij(hi,gj)及高分辨率條件下保障調(diào)度的概率方案PTij。
步驟 4 根據(jù)需要,構建區(qū)域裝備體系和區(qū)域保障體系的粗粒度鄰接矩陣C1和C2。
步驟 5 輸入數(shù)據(jù)xi,yj,ui,vj,對ui,vj進行概率化處理,通過計算得到概率向量u,v。
步驟 6 將上述結果代入粗粒度模型,計算得到FGWq,α(u,v)及低分辨率條件下保障調(diào)度的概率方案PT。
步驟 7 計算粗粒度模型方案T。
可以輸送的最多資源為T2=PT·sum(u),需要配置的最少資源為T1=PT·sum(v)。
若sum(u)lt;sum(v),則滿足部分需求,保障方案包括前方調(diào)度方案T2和后方調(diào)度方案sum(T1-T2,2);
若sum(u)≥sum(v),則滿足全部需求,最優(yōu)保障方案為T1。
步驟 8 計算細粒度模型保障調(diào)度方案Tij。
可以輸送的最多資源為T2ij=PT·sum(hi),需要配置的最少資源為T1ij=PT·sum(gj)。
若sum(hi)lt;sum(gj),則滿足部分需求,最優(yōu)保障方案包括前方調(diào)度方案T2ij和后方調(diào)度方案sum(T1ij-T2ij,2);
若sum(hi)≥sum(gj),則滿足全部需求,最優(yōu)保障方案為T1ij。
步驟 9 輸出粗、細粒度模型下的保障調(diào)度方案T和Tij。
由此,得到不同分辨率層面的保障調(diào)度方案。
3 案例驗證
3.1 案例描述
根據(jù)計劃,保障對象為4個編組20型裝備單元,保障機構為5個保障機構12個保障單元。相應的結構及重要度如圖5和圖6所示,相應的位置及資源供需信息如表1和表2所示,保障機構與裝備編組之間的保障關系如表3所示,制定本次任務的不同分辨率層面的保障調(diào)度方案。表1和表2中各向量前兩項為位置信息,第3項為資源A的供需信息,第4項為資源B的供需信息。
根據(jù)表3,得到細粒度模型中的保障關系,如X1和Y2的保障關系θ12取值為1。本案例中,假定細粒度模型內(nèi)部
保障關系與粗粒度模型保障關系保持一致,如X3 和Y3的保障關系均為1e3。
3.2 計算結果
本案例中,取p=2,q=0.5,α=0.5,限于篇幅,僅給出資源A的計算結果。
(1) 粗粒度模型的結果T如圖7所示。
方案1和方案2分別為自由競爭保障關系下樹形結構和簡單網(wǎng)絡結構的計算結果。其中,定義案例中的保障關系為固定組合關系,簡稱關系2。當表3中的元素全部為1時,定義為自由競爭關系,簡稱關系1;樹形結構簡稱結構1,簡單網(wǎng)絡結構簡稱結構2,后文均采用上述簡稱。
(2) 基于結構1-關系1,得到細粒度模型結果Tij如圖8所示。
3.3 算法性能及相關討論
3.3.1 算法性能分析
案例粗粒度模型優(yōu)化過程如圖9所示。從迭代曲線看,算法能夠以較少的迭代次數(shù)找到最優(yōu)解,表明算法效果較好。后續(xù)相關討論部分均以粗粒度模型為基礎展開。
3.3.2 不同資源分布函數(shù)比較
將案例中資源A和B的數(shù)據(jù)調(diào)整為不同資源分布函數(shù),如表4所示,進行小規(guī)模條件下資源分布差異分析,運行100次,計算結果如圖10所示。
當供需分布中有指數(shù)分布時,保障方案差異很小。當供需分布為正態(tài)分布、均勻分布組合時,保障方案有一定變化。從總體上看,方案誤差穩(wěn)定在一定區(qū)間內(nèi),極個別點差異較大,正態(tài)分布表現(xiàn)出更好的穩(wěn)定性。
將資源種類增加為3種時,得到如圖11所示的結果。這表明隨著資源種類的增加,資源分布對保障方案的影響基本一致。從總體上看,方案誤差呈下降趨勢,這表明在資源種類增加時,模型具有更好魯棒性。
3.3.3 不同系統(tǒng)結構比較
將案例中供需節(jié)點數(shù)量擴大3倍,定義為中規(guī)模,從資源分布差異分析中發(fā)現(xiàn)在迭代次數(shù)為20時能夠滿足分析需求。結合計算機運行效率,選擇迭代次數(shù)為20,計算結果如圖12所示。可以看到,保障方案具有非常好的穩(wěn)定性,結構1相對于結構2得到的保障方案穩(wěn)定性更好。
3.3.4 不同權衡參數(shù)比較
在小規(guī)模條件下,基于結構1,考慮3種權衡參數(shù)α,得到的計算結果如圖13所示。考慮α變化時保障方案的變化情況,得到的計算結果如圖14所示。
α=0,表示只考慮節(jié)點特征;α=1,表示只考慮節(jié)點結構。從計算結果看,隨著α值變化,保障方案變化并不隨著α呈現(xiàn)規(guī)律性變化,但具有一定程度的穩(wěn)定性,這表明權衡參數(shù)對保障方案的影響具有相對穩(wěn)定性。
3.3.5 綜合分析
基于“供應分布固定-需求分布變化”,在小規(guī)模和中規(guī)模兩種條件下進行計算,數(shù)據(jù)如表5所示,綜合分析如圖15所示。
根據(jù)圖15中的分析可知,供需分布所帶來的誤差和規(guī)模有關,表現(xiàn)為中規(guī)模小于小規(guī)模。隨著規(guī)模提升,方案余弦距離誤差和方差誤差均有明顯降低。同時還可發(fā)現(xiàn),正態(tài)分布和均勻分布時,從小規(guī)模到中規(guī)模,在系統(tǒng)結構和保障關系不同時,兩種分布帶來的保障方案誤差逐漸接近。在指數(shù)分布時,從小規(guī)模到中規(guī)模,系統(tǒng)結構和保障關系不同時,分布帶來的保障方案誤差逐漸偏離。
4 結 論
本文基于資源體系匹配視角,運用結構化數(shù)據(jù)OT理論,提出保障資源的“特征+結構”匹配思路。主要貢獻和結論如下。
提出基于結構化數(shù)據(jù)的區(qū)域保障調(diào)度模型。在傳統(tǒng)模型中,資源體系匹配基于各節(jié)點不同維度約束進行匹配,節(jié)點層面各維度信息獨立分析,體系層面綜合各維度約束進行供需匹配。本文首先提出節(jié)點特征和結構兩類信息,在節(jié)點層面進行信息融合,在體系層面進行基于特征和結構的約束進行匹配,從而將區(qū)域保障調(diào)度問題轉化為結構化數(shù)據(jù)集匹配問題,進而運用OT予以解決。
根據(jù)案例分析,得出基于結構化數(shù)據(jù)的區(qū)域保障調(diào)度的一些新結論。考慮FGW距離的保障調(diào)度方案具有一定程度的穩(wěn)定性,權衡參數(shù)對保障方案的敏感性在一定范圍內(nèi)。在由資源分布差異得到的保障方案中,中規(guī)模比小規(guī)模敏感性更低,在資源種類增加時模型有更好的表現(xiàn)。在由系統(tǒng)結構和保障關系差異得到的保障方案中,正態(tài)分布和均勻分布的影響相近,指數(shù)分布的影響隨著規(guī)模提升誤差偏離增大,樹形結構在不同規(guī)模下均更具有穩(wěn)定性,保障關系的影響未表現(xiàn)出明顯規(guī)律。
參考文獻
[1]胡志剛, 樓京俊, 史躍東. 資源分布視角下區(qū)域保障調(diào)度模型研究[J]. 系統(tǒng)工程與電子技術, 2024, 46(9): 3093-3102.
HU Z G, LOU J J, SHI Y D. Research on regional guarantee schedu ling model from the perspective of resource distribution[J]. Systems Engineering and Electronics, 2024, 46(9): 3093-3102.
[2]齊小剛, 王亞洲, 班利明, 等. 求解動態(tài)維修資源優(yōu)化調(diào)度的多目標進化算法[J]. 智能系統(tǒng)學報, 2023, 18(2): 305-313.
QI X G, WANG Y Z, BAN L M, et al. Multi objective evolutionary algorithm for optimal scheduling of dynamic maintenance resources[J]CAAI Transactions on Intelligent Systems, 2023, 18(2): 305-313.
[3]李飛飛, 徐哲, 劉東寧, 等. 分布式資源受限多項目調(diào)度問題研究綜述[J]. 工業(yè)工程與管理, 2023, 28(5): 199-210.
LI F F, XU Z, LIU D N, et al. A literature review of distributed resource constrained multi project scheduling problem[J]. Industrial Engineering and Management, 2023, 28(5): 199-210.
[4]王琮, 沈會良, 夏永祥, 等. 裝備保障體系關鍵節(jié)點分析[J]. 系統(tǒng)工程與電子技術, 2022, 44(10): 3134-3142.
WANG C, SHEN H L, XIA Y X, et al. Analysis of critical nodes in equipment support system[J]. Systems Engineering and Electronics, 2022, 44(10): 3134-3142.
[5]徐耀耀, 呂亞娜, 邱少明, 等. 基于屬性匹配的裝備保障體系建模方法研究[J]. 火力與指揮控制, 2021, 46(1): 44-49.
XU Y Y, LYU Y N, QIU S M, et al. Research on modeling method of equipment support system based on attribute matching[J]. Fire Control amp; Command Control, 2021, 46(1): 44-49.
[6]DAN J, JIN T, CHI H, et al. Homda: high order moment based domain alignment for unsupervised domain adaptation[J]. Knowledge Based Systems, 2023, 261(12): 110205.
[7]GU X, YANG Y C, ZENG W, et al. Keypoint guided optimal transport with applications in heterogeneous domain adaptation[J]. Advances in Neural Information Processing Systems, 2022, 35(3): 14972-14985.
[8]XU R J, LIU P L, ZHANG Y, et al. Joint partial optimal transport for open set domain adaptation[C]∥Proc.of the 29th International Joint Conference on Artificial Intelligence, 2021: 2540-2546.
[9]CHANG W X, SHI Y, TUAN H, et al. Unified optimal transport framework for universal domain adaptation[J]. Advances in Neural Information Processing Systems, 2022, 35(10): 29512-29524.
[10]HUANG P D, XU M D, ZHU J C, et al. Curriculum reinforcement learning using optimal transport via gradual domain adaptation[J]. Advances in Neural Information Processing Systems, 2022, 35(10): 10656-10670.
[11]NGUYEN T, LE T, ZHAO H, et al. Most: multi source domain adaptation via optimal transport for student teacher learning[C]∥Proc.of the Uncertainty in Artificial Intelligence, 2021: 225-235.
[12]徐宗本. 人工智能的10個重大數(shù)理基礎問題[J]. 中國科學: 信息科學, 2021, 51(12): 1967-1978.
XU Z B. Ten fundamental problems for artificial intelligence: mathematical and physical aspects[J]. SCIENTIA SINICA Informationis, 2021, 51(12): 1967-1978.
[13]BAKIR G, HOFMANN T, SCHOLKOPF B, et al. Predicting structured data (neural information processing)[M]. Massachusetts: The MIT Press Cambridge, 2007.
[14]BATTAGLIA P W, HAMRICK J B, BAPST V, et al. Relational inductive biases, deep learning, and graph networks[EB/OL]. [2024-01-09]. http:∥arxiv.org/pdf/1806.01261.pdf.
[15]TITOUAN V, LAETITIA C, REMI F, et al. Optimal transport for structured data with application on graphs[EB/OL]. [2024-01-09].https:∥doi.org/10.48550/arXiv.1805.09114.
[16]WANG Y C, WU M, LI X L, et al. Multivariate time series representation learning via hierarchical correlation pooling boosted graph neural network[J]IEEE Trans.on Artificial Intelligence, 2024, 5(1): 321-333.
[17]JIN M, HUAN Y K, WEN Q S, et al. A survey on graph neural networks for time series: forecasting, classification, imputation, and anomaly detection[J]. IEEE Trans.on Pattern Analysis and Machine Intelligence, 2024, 46(2): 10466-10485.
[18]LI J Y, MA S S, LE T D, et al. Causal decision trees[J]. IEEE Trans.on Knowledge and Data Engineering, 2017, 29(2): 257-271.
[19]MANTAS C J, CASTELLANO J G, SERAFIN M G, et al. A comparison of random forest based algorithms: random credal random forest versus oblique random forest[J]. Soft Computing, 2019, 23(5): 10739-10754.
[20]WU Z H, PAN S R, CHEN F W, et al. A comprehensive survey on graph neural networks[J]. IEEE Trans.on Neural Networks and Learning Systems, 2021, 32(1): 4-24.
[21]WU S W, SUN F, ZHANG W T, et al. Graph neural networks in recommender systems: a survey[J]. ACM Computing Surveys, 2023, 55(5): 97.
[22]XU B B, SHEN H W, CAO Q, et al. Graph wavelet neural network[C]∥Proc.of the 7th International Conference on Learning Representations, 2019.
[23]PEYRE G, CUTURI M, SOLOMON J. Gromov Wasserstein averaging of Kernel and distance matrices[C]∥Proc.of the 33rd International Conference on Machine Learning, 2016.
[24]ALVAREZ M D, JAAKKOLA T S, JEGELKA S. Structured optimal transport[EB/OL].[2024-01-09]. http:∥arxiv.org/pdf/1712.06199.pdf.
[25]COURTY N, FLAMARY R, TUIA D, et al. An optimal transport for domain adaptation[J]. IEEE Trans.on Pattern Analysis and Machine Intelligence, 2017, 39(9): 1853-1865.
[26]WANG X M, WANG S T, HUANG Z X, et al. Structure regu larized sparse coding for data representation[J]. Knowledge Based Systems, 2019, 174: 87-102.
[27]WANG Y, SONG X, CHEN K, et al. A novel singular value decomposition based similarity measure method for non local means denoising[J]. Signal, Image and Video Processing, 2022, 16(9): 403-410.
[28]KHAN G A, HU J, LI T R, et al. Multi view data clustering via non negative matrix factorization with manifold regularization[J]. International Journal of Machine Learning and Cybernetics, 2022, 13(3): 677-689.
[29]THORPE M, PARK S, KOLOURI S, et al. A transportation LP distance for signal analysis[J]. Journal of Mathematical Imaging and Vision, 2017, 59(2): 187-210.
[30]NIKOLENTZOS G, MELADIANOS P, VAZIRGIANNIS M. Matching node embeddings for graph similarity[C]∥Proc.of the 31th AAAI Conference on Artificial Intelligence, 2017.
[31]REDKO I, VAYER T V, FLAMARY R, et al. CO optimal transport[EB/OL]. [2024-01-09].https:∥doi.org/10.48550/arXiv.2002.03731.
作者簡介
胡志剛(1983—),男,講師,博士研究生,主要研究方向為裝備保障、復雜系統(tǒng)建模。
樓京?。?976—),男,教授,博士,主要研究方向為裝備保障、系統(tǒng)工程。
史躍東(1982—),男,副教授,博士,主要研究方向為裝備保障、系統(tǒng)工程。
胡俊波(1982—),男,講師,博士,主要研究方向為裝備保障。