目标分配（精选10篇）
目标分配 篇1
引言
数据链技术发展, 防空导弹及发射平台之间实现实时信息交互, 该技术将来可能应用多个制导武器的协同制导规划。当前防空导弹武器系统的应用通常采用一对一的交战模式, 不同武器系统间不能够实时进行信息交互, 由其分配规则可能导致对目标齐射过度杀伤或对目标的遗漏。因而, 对编队武器的协同制导提出了强烈需求。协同制导的其中一个关键因素是武器目标分配, 而武器—目标分配的主要任务是确保敌方目标到达我方之前全部被拦截。
武器—目标分配的难点之一是目标的机动是不可预测的。敌方目标通常在飞行初始段进行佯攻一个目标, 而在末端改变攻击航路, 以达到诱骗防空系统的目的。本文根据武器—目标间的几何关系提出最早拦截结合和安全区的概念。最早拦截几何应用敌方目标能够攻击的边界, 在该区域内的防御资源可能遭到攻击。安全区可定义为拦截区域和防御对象最小距离的边缘。安全边界随着分配策略和防空系统的性能而改变。因而, 武器—目标分配则是试图找到优化分配策略产生最大的安全边界。由于最早拦截几何和安全边界是在目标能够瞬间改变方向的假设条件下得到, 武器目标分配能够处理目标机动的不确定性。
1 动态武器—目标分配的定义
武器—目标分配是指挥控制辅助决策系统所研究的重要课题。多武器、多目标战场环境中, 可能由多种武器—目标分配方案, 武器—目标分配方案属于非确定性多项式完全问题[1], 其研究的主要目的是针对多个威胁目标有效分配防空武器系统, 最大限度拦截来袭目标。武器目标分配分为两类, 一类是静态武器—目标分配, 一类是动态武器目标分配。这两类问题中, 期望目标要么是使目标生存概率最小, 要么是防御对象整体生存概率最大。静态武器目标分配的主要特征是基于某一时段, 考虑分配时刻所有提供的信息, 对有限资源分配问题。动态武器目标分配问题, 考虑时空的约束, 是一个多阶段的分配问题, 对每个阶段的结果进行评估, 然后用新空中态势对下一阶段进行分配[2]。动态武器目标分配也可表述为连续的静态武器目标分配, 由于实现过程如同贪婪优化过程, 因而不能保证整体优化。
本文动态武器—目标分配的研究不同于一般文献定义的动态武器目标分配[3], 而是基于几何概念进行优化, 采用的分配模型是适合飞行中导弹武器的目标分配问题。
2 最早拦截几何
由于空袭目标航路是不知道的, 其航向角可能随时改变, 且目标飞行加速度很难预测, 因而目标拦截点是不确定的。为了全面描述所有可能的拦截点, 考虑来袭目标所有可能航向, 推导可能拦截点的集合。为了推导最早拦截点集合, 假定防空导弹和目标航向和速度保持不变。导弹—目标拦截三角形如图1所示。M点表示导弹发射位置, T为目标起始位置, I为拦截点, 坐标为 (x, y) 。
拦截点I随着目标航路角的变化而变化。根据图1中三角形MIN和三角形TIN可得:
速度比定义为:
式 (2) 代入 (1) 可得
整理为:
则方程 (4) 为所有拦截点的轨迹, 即最找拦截几何, 用于评估制导策略。
速度比是求解最早拦截几何的重要参数。为了简化, 我们只考虑导弹的速度大于目标的速度。
上述最早拦截几何可推广应用多导弹、多目标交战场景。图3给出两枚导弹交战两批目标的一种拦截几何示意图[4]。
由图3可知, 防空武器系统的任务是在防空安全区域之外拦截来袭目标。因而, 武器—目标分配的策略就是确保所有的交战资源在该区域之外。
3 武器目标优化分配建模
根据上述分析, 所有防御资源应当在最早拦截几何之外, 而最早拦截几何及拦截几何和防御资源之间的距离与武器目标分配方案的变化而改变, 拦截几何与防御对象的距离定义为安全距离d。显然, 安全距离越大, 所采用的制导算法的性能越好。为了充分发挥导弹的拦截性能, 提高拦截目标的命中率, 最优武器目标分配方案为使得安全边界最大化。武器—目标分配模型表述如下:
其中, p表示防御对象的个数, q表示所有可能的分配方案个数, m表示目标的个数, n表示导弹的个数。dijk表示第k个分配方案的资源i与第j个拦截几何之间的距离。p i表示第i个防御资源的位置矢量, cjk表示第j个目标的位置矢量。
4结语
空袭战术的快速性、灵活性, 使得防空系统的反应速度很难与之相匹配, 打乱了指挥决策周期。采用基于最早拦截几何的武器—目标分配方式, 考虑目标的机动性, 在防空导弹飞行过程实时进行目标分配, 将更能有效发挥防空导弹的作战效能。后续工作将根据所建立的模型, 研究合适的优化算法对其进行仿真验证。
参考文献
[1]Lloyd S P, Witsenhausen H S.Weapon Allocation is NP—Complete[C].Proc.1986 Summer Comput.Simulation Conference, 1986.
[2]王士同, 刘征.动态武器目标分配问题的DWTA—GA算法[J].华东船舶工业学院学报, 1999, 13 (5) :17—22.
[3]刘传波, 邱志明, 吴玲, 等.动态武器目标分配问题的研究现状与展望[J].电光与控制, 2010, 17 (11) :43—48.
[4]Shin, H.S. (2010) .Study on Cooperative Missile Guidance for Area Air Defence.Ph.D.thesis, Cranfield University.
目标分配 篇2
在航路规划中,如果存在多个目标点,优化问题就会变得复杂化.因此,在多目标点存在的情况下,航路优化问题应充分考虑目标的有关因素及空域状况,对目标和航路进行优化选择以取得某种效益.针对这一问题,提出了目标选择及航路规化的`优化模型,并提出了一种改进的A*算法--大规模平行扩展A*算法对这一问题进行求解.在此基础上,针对无人机的水平飞行航路进行了规化.结果表明,通过该方法可以有效地解决多目标点存在时的航路规划问题.
作 者：左益宏 柳长安 李挺 ZUO Yi-hong LIU Chang-an Li Ting 作者单位：左益宏,ZUO Yi-hong(中国飞行试验研究院,飞机所,陕西,西安,710089)
柳长安,LIU Chang-an(陕西动力机械设计研究所,五室,陕西,西安,710100)
李挺,Li Ting(广东云浮发电厂控制室,广东,云浮,527328)
目标分配 篇3
[关键词]民事诉讼；证明责任；证明责任分配
一、完善民事诉讼证明责任分配制度应考虑的价值目标
证明责任和证明责任分配理论是民事证明法中的核心问题。而民事证据又是民事诉讼中的“脊梁”。因此，民事证明责任分配规则要符合民事诉讼的价值目标，保证民事诉讼价值目标得以执行，为民事诉讼服务。具体的说，应考虑诉讼公正，诉讼效率和诉讼效益三大目标。
诉讼公正包含了实体公正与程序公正两个方面，这是现代诉讼理论中公正的应有之义。尽管我们不主张程序法是实体法的工具的理论，但我们不否认实体公正是民事诉讼的重要价值。首先，要通过诉讼程序和民事证据的运用查明案件事实，更好地实现实体法的规范。证明责任是一个兼跨程序法和实体法的“两栖”问题，证明责任分配的如果不合理，将直接影响实体法立法目的的实现。因此，在决定证明责任分配时，就需要了解和把握实体法上的每一项法律制度和权力的立法宗旨和价值取向。其次，民事诉讼通过确定当事人的证明责任分配，促使当事人提供证据，从而查明案件事实，使裁判总体上接近于客观事实。因此合理的证明责任的分配理论理所当然地应便于最大限度地发现案件事实，证明责任的分配应有利于真实地再现案件事实而不能为此设置障碍。所以掌握、接近或者有收集证据的方便条件的一方显然较不掌握证据的、或不便于收集证据的一方更有能力提供充分证据，所以正常情况下应由他们承担证明责任。同时，当法庭调查和辩论已经终结，而法官仍然未能对争议的事实形成肯定或否定的心证时，就必须依照证明责任规范作出裁判。对于这类裁判，法院是无从判断各个裁判中认定的事实是否于客观事实相符。但是，一个设计科学合理的证明责任分配规则，虽然无法保证在每一个案件中都能大致反映案件的真实情况，却可以增加案件在总体上接近客观真实的比例。为此，当统计资料或生活经验表明通常情况下争议事实存在或不存在的可能性远远超出了其不存在的或存在的可能，由主张其不存在或存在的一方承担证明责任，在事实最终真伪不明时判决承担证明责任的一方败诉，至少在概率统计的意义上，这种判决更接近客观事实。这就是实体公正对证明责任分配的要求。
程序公正是诉讼程序自身的价值要求，我们在设计任何程序性制度时都要充分考虑程序公正。我们认为程序公正是比实体公正更为重要的价值要求，在实体公正无法衡量时，程序公正就是唯一可循的实现公正的途径和方法。在某种意义上，只要诉讼程序是公正的，那么严格按照这一程序得出的诉讼结果就应视为是公正的。程序公正在证明责任分配规则中就体现在保证诉讼当事人诉讼地位平等。原被告诉讼地位平等是民事诉讼的本质特征，也是构成程序公正的一项不可缺少的内容。因此，证明责任分配应充分考虑原被告诉讼地位平等的价值要求，是原被告承担的败诉风险大致均衡。首先要坚持以法律要件分类说为证明责任分配的一般性原则，这代表了基本的公正观念；其次证明责任分配要考虑公平的因素，将证明责任交付给有能力的一方；再次要遵守“诚实信用”这一帝王原则，使之在证明责任分配中得到体现。
公正和效率向来是难舍难分的一对矛盾。尤其在现代社会，市场经济的环境中更需要兼顾两者。在文明程度相对较高的社会，是司法解决的高效率的标志之一，诉讼效率也就成为考察、衡量诉讼制度的重要尺度。证据提出与认定在诉讼过程中快捷与否，证明责任的分配合理与否直接影响到了诉讼的节奏，决定着证明过程的加速或延缓。一件原本复杂的案件，可以通过证明责任分配确定原本难以确定的权利义务关系，使判决简便化。因此证明责任的分配必须简便易行，实际上，诉讼效率与诉讼公正在一定意义上是统一的，“迟到的正义为非正义”这一古老法谚就说明了效率对公正（正义）的重要性。同样地，证明责任分配在充分考虑实现诉讼公正与诉讼效率的同时，自然地也就实现了诉讼的效益。
二、完善民事诉讼证明责任分配制度应遵循的一般原则
尽管在我国民事诉讼领域的研究中，证明责任的问题一直都颇受重视，但目前还没有学者在证明责任分配这一问题上取得突破性进展。然而，目前的实践又要求使证明责任的分配做到有法可依。因此，立法者考查整体法律因素，明确地制定证明责任分配的原则性标准是极为重要的。目前各国在规定证明责任分配规则的方式上主要有三种模式，即德国式、法国模式、和美国模式。
我国大部分学者主张以法律要件分类说作为构建民事证明责任分配制度理论基础。其主要原因就在于法律要件分类说它自身具有的超乎其他学说的安定性和统一性，不仅和我国实践中已有的一些证据规定相吻合，而且也限制了法官的自由载量权，承载了当事人的接受性，从而进一步地节约了诉讼资源，提高了诉讼效益，这无疑是非常契合于我国目前的司法境况的。
第一，该学说是分配证明责任各种学说中最为成熟的理论。它适合于采用民法典的国家，并在德国、日本经受了长时期的实践检验，被司法实务证明具有一定的妥当性。从渊源来看，我国实际上属于大陆法系国家，最早追溯到清末的立法运动，那时清朝政府迫于国内外的政治压力，大量模仿制定了西方国家的现代法律体系。尤其是民事诉讼律草案的制定还聘请了日本民事诉讼法学家参加，日本学者借此将证明责任理论介绍到了中国，对后世的民事诉讼理论产生了很大的影响。由于我国在诉讼体制、审判模式、法律思维、实体法的体系和结构等方面接近于德国和日本，法律渊源上的一脉相承，使我们更容易接受它。这种一脉相承在实体法上就表现为我国的实体法规范基本与大陆法系的实体法规范相同，这就为我们采纳法律要件分类说提供了实体法上的基础。
第二，该学说已经在我国学术界产生了重大的影响。我国有相当多的学者都认为我国应当采取法律要件分类说，如李浩教授就我国证明责任的分配提出的主张是：（1）凡主张权利或法律关系存在的当事人，只需对产生该权利或法律关系的事实负举证责任，不必对不存在阻碍该权利或法律关系发生的事实负举证责任，存在阻碍该权利或法律关系发生的事实的举证责任由对方当事人负担。（2）凡是主张原来存在的权利或法律关系已经或者应当变更或消灭的当事人，只需就存在变更或消灭或法律关系的事实负举证责任，不必进一步对不存在阻碍权利或法律关系变更或消灭的事实负举证责任，这类事实的存在亦由对方当事人主张并负举证责任。显然，这些主张是法律要件分类说的翻版。
第三，该学说在我国亦有一定司法实践基础。法律要件分类说对于我国司法实务界也产生显著的影响，已有不少法官在审判事务中自觉或不自觉地运用它分配证明责任，我国的证明责任分配立法中也有很多是依据法律要件分类说制定的。最高人民法院在1992年7月制定的《关于适用〈中华人民共和国民事诉讼法〉若干问题的意见》（以下简称《意见》）中规定了举证责任倒置，而“倒置”是针对按法律要件说分配举证责任产生的“正置”的结果而言的，因此它间接说明最高人民法院在分配证明责任时实际上采用了法律要件分类说。特别应当指出的是，《规定》第五条“在合同纠纷案件中，主张合同关系成立并生效的一方当事人对合同订立并生效的事实承担举证责任，主张合同关系变更、解除、终止、撤销的一方当事人对合同关系变动的事实承担举证责任。对合同是否履行发生争议的，由负有履行义务的当事人承担举证责任。对代理权发生争议的，由主张有代理权的当事人承担举证责任。”可见，该规定与法律要件分类说很大的类似，虽然仅仅是关于合同纠纷的规定，却也具有普遍的意义。
第四，以法律要件分类说作为一般原则，具有较好的可操作性。它与其他学说相比，证明责任的分配更为规范、明确、易操作，法律留给法官的自由裁量的范围并不太大。法律要件分类说的这一特点对于防止我国目前司法实践中随意裁判的现象有很大的帮助，也能够有利于提高社会对司法的信任度和司法裁判对社会的说服力，因为在具体案件的证明责任分配中，如果法官的裁量权过大，一方面可能造成司法的腐敗，另一方面也可能是当事人因客观原因导致的败诉转变为对司法的不满，而法律要件分类说可以有效地克服这一问题。
按照法律要件分类说，我国民事诉讼中分配举证责任的原则应当是:(1)凡主张权利或法律关系存在的当事人,只需对产生权利或法律关系的特别要件事实(如订立合同、设立遗嘱、存在构成侵权责任的要件事实)负举证责任,阻碍权利或法律关系发生的事实(如欺诈、胁迫且损害国家利益等)则作为一般要件事实，由否认权利或法律关系存在的对方当事人负举证责任。(2)凡主张已发生的权利或法律关系变更或消灭的当事人,只需就存在变更或消灭权利的特别要件事实(如变更合同的补充协议、修改遗嘱、债务的免除等)负举证责任,妨碍权利或法律关系变更或消灭的一般要件事实由否认变更或消灭的对方当事人负举证责任。
三、结束语
总体而言，我国证明责任分配制度现状并没有突破法律要件分类说所给出的分配原则，没有能够形成符合我国国情的具有中国特色的证明责任分配原则。应该说我国民事诉讼的证明责任分配制度体系还处在一个逐渐完善，逐渐构建的过程中。我国的现行的民事诉讼法对提出证据的主体选择的仍然是“以法官依职权收集和调查证据为主，当事人举证为辅”的方式。尤其是民事诉讼法以及有关的法律在证据制度方面规定得十分简单，进而导致在具体的民事案件中，一些基本的证据规则仍然缺乏。
[参考文献]
[1]何家弘.新编证据法学[M].法律出版社，2000.
[2]张卫平,陈刚.法国民事诉讼法导论[M].中国政法大学出版社,1997 .
[3]毕学谦.举证责任分配体系之构建.
[4]谭兵.民事诉讼法学[M].法律出版社，1997.
目标分配 篇4
武器目标分配问题的研究可以追溯到20世纪五六十年代。由于当时计算机技术水平的限制, 武器目标分配问题的最初研究成果用于制定作战计划、指挥官训练, 以提高指挥人员的作战指挥能力, 同时也为武器的选择以及新武器的研制与采购提供参考[1]。随着计算机信息处理能力的提高以及现代军事需求的增加, 武器目标分配问题的研究主要是解决大规模武器目标分配计算的实时性和准确性, 以提高战场指挥控制的决策和反应速度。
1.1 问题概念
武器目标分配是指根据已知的敌方来袭目标的毁伤概率、己方防御武器的杀伤概率以及受防御资源的重要程度, 通过一定的分配策略, 在敌方的来袭目标间, 科学地分配己方的防御武器, 以使得敌方来袭目标受到的打击效果最佳或使得己方受防御资源得到最好的保护[2]。如果仅仅是针对一次性交战而进行武器目标分配, 称为静态分配。由于实战中, 敌我双方的形势瞬息万变, 实际交战结果和预期的防御效果不一定能完全吻合, 为了进一步提高防御质量, 有必要根据交战进行的实时战况, 多阶段地进行武器目标的分配, 这称为动态分配。
1.2 基本内容
武器目标分配问题的研究主要集中于建模和模型的算法研究。其中模型的研究主要集中在以下3个方面[3]:
(1) 模型假设。对武器目标分配问题进行建模研究, 首先要对问题进行合理假设。由于战场环境复杂多变, 武器与目标的交战方式也是异常复杂的, 因而如何对问题进行合理抽象、简化, 是准确建立模型, 解决问题的关键。
(2) 目标函数的选择准则。1) 防御方生存概率或期望最大;2) 敌方生存概率或期望最小;3) 第一种和第二种准则的加权和, 即一方面使防御方生存概率或期望最大, 另一方面使敌方生存概率或期望最小, 这种准则下的数学模型较复杂。
(3) 约束条件。约束条件体现了交战双方的战术规则, 以及作战资源的使用约束。
1.3 模型描述
武器目标分配 (WTA) 问题是在时间和资源的约束下, 计算最优化的武器分配和规划。目标函数基于作战规则和战术, 它可能包含一个或多个目标函数。选取毁伤威胁目标的概率值总和最大作为目标函数[4,5,6]。
以上各参数含义:
M—防空武器系统数量;N—威胁目标数量;Pij—防空武器系统i毁伤威胁目标j的概率;cji—威胁目标j的对防空武器系统i的威胁值;rj—每个威胁目标分配的防空武器系统数量;si—分配给每个武器系统的全部威胁目标数量;
2 算法流程及程序
求解武器目标分配问题, 必须对武器目标分配问题算法进行深入研究。武器目标分配问题属于NP完全问题, 国内外许多学者致力于该问题算法的研究。
在20世纪80年代以前, 对武器目标分配问题的求解局限于传统算法, 主要包括隐枚举法、分支定界法、割平面法等。这些算法数学基础明确, 但编程实现较为复杂。当武器、目标增多时, 收敛速度慢, 因而难以处理大规模的武器目标分配问题。
在这之后, 随着计算机技术的发展, 一些新颖的优化算法, 如人工神经网络、混沌、遗传算法、粒子群模拟退火算法、禁忌搜索及其混合优化算法等。通过模拟某些自然现象或过程而得到发展, 为解决复杂问题提供了新的思路和手段。
2.1 粒子群算法
粒子群优化算法是一种进化计算技术, 最早是由Kennedy和Eherhart于1995年提出的。源于对鸟群捕食行为研究的粒子群算法同遗传算法类似, 是一种基于迭代的优化工具。系统初始化为一组随机解, 通过迭代搜寻最优值。但是并没有遗传算法用的交叉以及变异, 而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较, 粒子群算法的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。并且已提出了多种粒子群算法改进算法, 如自适应粒子群算法算法、杂交粒子群算法算法、协同粒子群算法算法[7]。
粒子群算法模拟鸟群的捕食行为, 设想这样一个场景:一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是它们知道当前的位置离食物还有多远, 那么找到食物的最优策略是什么呢?最简单有效的就是搜寻目前离食物最近的鸟的周围区域。粒子群算法从这种模型中得到启示并用于解决优化问题。粒子群算法中, 每个优化问题的解都是搜索空间中的一只鸟, 称之为粒子。所有的粒子都有一个由被优化的函数决定的适应值, 每个粒子还有一个速度决定它们飞翔的方向和距离, 然后粒子们就追随当前的最优粒子在解空间中搜索。粒子群算法初始化为一群随机粒子随机解, 然后通过迭代找到最优解。在每一次迭代中, 粒子通过跟踪2个极值来更新自己:一个是粒子本身所找到的最优解, 这个解叫做个体极值pbest;另一个极值是整个种群目前找到的最优解, 这个极值是全局极值gbest, 另外也可以不用整个种群而只是用其中一部分为粒子的邻居, 那么在所有邻居中的极值就是局部极值。
在找到这2个最优值时, 每个粒子根据如下的公式来更新自己的速度和新的位置:
式中:vk为粒子的速度向量;xk为当前粒子的位置;pbestk为粒子本身所找到的最优解位置;c0, c1, c2为群体认知系数, c0一般取介于 (0, 1) 之间的随机数, c1, c2取 (0, 2) 之间的随机数。在每一维粒子的速度都会被限制在一个最大速度, vmax (vmax>0) 如果某一维更新后的速度超过了用户设定的vmax, 那么这一维的速度就被限定为vmax。即若vk>vmax时, vk=vmax, vk<-vmax或vk<-vmax时, 粒子群算法流程如图1所示。
2.2 解武器目标分配问题的粒子群算法
假设两个火力单元拦截4个目标, 每个火力单元拦截两个目标。采用实数编码, 如[1 2 2 1]表示第1个火力单元拦截目标1、4, 第2个火力单元拦截目标2、3。由于采用实数编码, 所以对粒子的位置更新时, 式 (1) 应修订为:
解武器目标分配的粒子群算法流程如下:
Step1:初始化, 设置种群大小、迭代次数等。
Step2:计算种群中每个粒子的适应度, 适应度函数为目标函数, 对约束的处理采用拒绝策略。
Step3:对粒子位置、个体极值和全局极值进行更新。
Step4:计算种群的最大适应度。
Step5:如果满足最大迭代次数或最小误差标准, 则算法终止, 输出最优解。否则转Step3。
2.2.1 主程序[7,8]
2.2.2 程序初始化
2.2.3 适应值计算
2.2.4 粒子速度和位置更新
2.2.5 调用函数
3 结论
粒子群算法编程实现方便, 保持种群多样性、收敛速度快、求解精度高, 是一种性能优良的仿生智能算法。
参考文献
[1]兵器工业部兵器系统工程研究所.陆军武器系统分析手册 (下册) [M].北京:国防工业出版社, 2001.
[2]韩斌, 王士同, 张帆.基于层次遗传算法的动态武器目标分配[J].华东船舶工业学院学报, 1999:13 (6) :19-22.
[3]张最良.军事运筹学[M].北京:军事科学出版社, 1993.
[4]王士同, 刘征.动态武器目标分配问题的DWTA-GA算法[J].华东船舶工业学院学报, 1999, 13 (5) :17-21.
[5]程杰, 李勇, 任伟.改进粒子群算法在防空火力分配中的应用研究[J].兵工自动化, 2008:28 (4) :10-11.
[6]曾松林, 等.基于混合粒子群的武器分配与规划方法研究[J].现代防御技术, 2010, 27 (6) :1-5.
[7]曾松林, 等.基于遗传算法的武器目标分配仿真研究[J]电脑编程技巧与维护, 2010, 35 (7) :45-47.
目标分配 篇5
王赞新
改革开放来，特别是1992年小平同志南方讲话以来，我国适应社会主义市场经济体制要求、符合市场经济运行规律的收入分配体制及其运行体系逐步建立并不断完善。回顾我国收入分配体制改革的线索，展望收入分配体制改革的取向，对于进一步深化收入分配体制改革，充分发挥收入分配体制对国民经济发展的保障和促进作用，具有重要意义。
起点：与计划经济相适应的收入分配体制及其运行体系
社会主义经济制度建立之初，我国模仿苏联模式，构建了与单一公有制和计划经济相适应的收入分配体制及其运行体系。这一体制及其体系的基本要点可概括为：在分配方式上，以按劳分配作为消费品分配的唯一方式；在分配主体上，国家也就是各级政府成为执行社会产品分配的唯一主体；在分配层次上，排斥市场，实行集中化、计划化的分配模式；在分配原则上，坚持生产资料占有和按劳分配上的公平原则进而演化为平均主义。随着改革开放的推进和社会主义市场经济体制的建立，这种收入分配体制及其运行体系暴露出明显的弊端和不适应性，我国开始走上了收入分配体制改革的道路。
主线：不断向与社会主义市场经济相呼应的收入分配体制及其运行体系靠拢和逼近
以公有制为主体，多种所有制经济共同发展的基本经济制度和社会主义市场经济体制的确立对我国经济社会产生全面而深刻的影响，这一影响传递到收入分领域，就是收入分配体制改革的突破和创新。收入分配体制改革的突破和创新在实践中接受检验，不断发展，推动收入分配体制改革论的历史进程。
由一元化分配方式向多元化分配方式逐步演进。自社会主义经济制度建立到改革开放之前，我们主要仿效苏联，实行单一的按劳分配方式。上世纪80年代，针对实践中出现的多种分配形式，国家把“以按劳分配为主体、多种分配方式为补充”作为深化分配体制改革的方向。党的十五大首次提出“按劳分配和按生产要素分配结合起来”。过去被看作剥削收入的生产要素收益终于取得了合法性。这既是多种所有制经济发展的客观要求，也是多种所有制经济在市场经济条件下发展的逻辑结果。十六大进一步明确劳动、资本、技术和管理等生产要素参与收入分配的标准是这些生产要素的贡献，并把这些生产要素按贡献参与分配作为原则确立下来。党的十七大在十六大的基础上与时俱进，把生产要素按贡献参与收入分配从原则上升为制度，提出要“健全劳动、资本、技术、管理等生产要素按贡献参与分配的制度”。从按劳分配过渡到按劳分配与按要素分配相结合，并确立按生产要素贡献参与分配的原则，这是以按劳分配为主体多种分配方式并存在实践中的具体化和深化，是社会主义初级阶段基本经济制度在收入分配领域的重大突破，是我国收入分配体制市场化改革的重大成果。
由单一化分配主体向多样化分配主体深刻变革。在高度集中的计划体制下，由于政企不分，劳动力市场不存在，国家成为收入分配的唯一实施主体。1984年以城市为重点的经济体制改革以后，企业有了加强劳动组织和管理的动力，以利益机制激励职工努力工作，这样，企业逐步成为收入分配的实施主体。1992年开始的社会主义市场经济体制改革，建立了劳动力市场和其它生产要素市场，并允许各种生产要素自动流动。于是，劳动报酬数额不再完全由企业首先规定，应聘者既有权根据企业的报酬水平选择去留，也有权主动提出自己的报酬数量要求，还可通过双方协商或谈判达成一致的报酬数量，劳动者个人在一定条件下也成为按劳分配实施的主体。在市场经济条件下，收入分配实施演化为宏观层次和微观层次的政府、企业和劳动者多元化主体。多元化分配主体参与收分配，不仅使得收入分配有了更为现实可靠的群众基础，更为重要的是人民主人翁地位得到了进一步加强。
由单层化分配层次向多层化分配层次深入发展。在计划经济条件下，商品关系和市场交易被禁止，不存在任何市场化的分配机制，这一时期的收入分配是完全由政府计划直接控制的计划化、集中化分配体系。随着经济体制改革的推进，国家逐步下放初次分配权限，市场不仅是资源配臵的基本手段,也是进行收入分配的基本工具，所取得的进展和成绩是显著的。然而，到上世纪末，在初次分配作用日益显著的同时，再分配环节对个人收入宏观调节的有效性逐步降低，政府二次分配作用出现了弱化的趋势，同时，第三次分配的发展也滞后于经济社会发展的需要，调节收入分配的功能发挥极其有限。在这种背景下，加强政府再分配功能，建立健全收入分配层次，成为我国收入分配制度发展创新的重点。十七届五中全会审议通过的《中共中央关于制定国民经济和社会发展第十二个五年规划的建议》，更是明确提出了逐步解决收入分配差距过大的原则和政策。在加强政府对收入分配再调节的同时，我国慈善事业和非政府组织也逐步朝民间化、系统化、制度化、专业化方向发展，第三次分配在收入分配体系中的调节与再分配功能逐步显现。应该说，在这一时期，我国在建立健全与社会主义市场经济相适应的多层次化收入分配体系中进行了多方面的努力，取得了很好的成果。
由非均衡的分配原则向均衡协调的分配原则调整优化。效率和公平的关系是分配理论回避不了的一个重大问题。改革开放之前,由于我们对什么是社会主义搞得不是很清楚，在消费资料的分配问题上存在着比较严重的平均主义倾向，并导致“大锅饭”问题的出现。为了解决“大锅饭”问题，邓小平提出了著名的“让一部分人先富起来”的大政策。上世纪80年代，随着 “分配不公”现象的出现，十三大提出了“在促进效率提高的前提下体现社会公平”。1992年10月召开的党的十四大强调“兼顾效率和公平”。1993年11月召开的党的十四届三中全会又提出“效率优先、兼顾公平”的原则,并且在当时作为一个颇有新意的提法而被人们普遍接受。1997年9月，党的十五大重申“效率优先、兼顾公平”；2002年11月，十六大在重申效率优先、兼顾公平的同时，提出“初次分配注重效率,再分配注重公平”；一直持续到2005年11月党的十六届五中全会召开，“效率优先、兼顾公平”提法才淡出，由“更加注重公平”取代；到了2007年10月党的十七大提出：“把提高效率同促进公平结合起来，初次分配和再分配都要处理好效率和公平的关系，再分配更加注重公平”。在60多年的时间里，收入分配原则经历了从“平均主义”——“让一部分人先富起来”——“兼顾效率和公平”——“效率优先、兼顾公平”——“更加注重公平”，这样的认识和处理过程。这个过程与分配制度的改革一道调整和校正着分配关系，是我国收入分配体制市场化改革的一条重要线索。
取向：进一步完善并实行与社会主义市场经济相贯通的收入分配体制及其运行体系
在新的历史时期，收入分配体制改革将会朝着更为深入和具体的方向发展。遵循着与多种所有制共同发展相协调，与社会主义市场经济相贯通的基本取向，我国的收入分配体制改革应围绕进一步完善分配方式、分配主体、分配层次、分配原则展开理论与实践探索。
以完善生产要素报酬机制为立足点进一步完善多元化分配方式。在社会主义市场经济条件下，经济关系和分配关系更多地体现在生产要素的市场配臵过程中，生产要素报酬机制是收入分配体制改革的核心。一是要推进土地制度改革以增加农民财产性收入。要以制度创新保障农民的土地财产权，推进集体土地征收和流转制度改革，分配好土地非农化和城镇化产生的增值收益，有必要、也有条件大幅度提高农民在土地增值收益中的分配比例。二是要建立国有资产收益全民分享机制。国有土地、资源和国有企业等国有资产在性质上是一种全民性资产，应该成为财产性收入的来源渠道之一。其资产升值、经营利润或股权转让的收入，部分应通过再分配的方式转变为政府公共服务服务和居民可支配收入。构建国有资产收益分享机制，让人民群众分享到国有土地、资源和国企等国有资产的收益，享受到国有资产的升值，得到财产性收入，体验资产升值的财富效应，既是我国收入分配体制改革的重大课题，也必定会对中国经济战略转型和解决内需不足的问题起到最重要的作用。
以规范政府收支行为和促进劳资间合理分配为重点进一步完善多元化收入分配主体体系。规范政府自身的收支行为对收入分配体制改革至关重要。理顺初次分配关系，完善再分配体系，杜绝与公权力相关的腐败和不合理的收入，都依赖政府自身的改革与体制创新。要通过法律形式约束和规范政府收支行为，使政府及其部门的行为在法律允许的范围内进行，明确哪些行为是允许的，哪些行为是禁止的，以及所应承担的法律责任，堵塞一切随意支配和使用资金的漏洞。同时通过强化监督增加政府收支的透明度，建立科学化、规范化、法制化的政府收支制度及有效实施机制。促进劳资间合理分配，关键点在于去身份化的同工同酬制度，劳动力市场流动机制以及工会代表劳动方的代表机制，并逐步建立劳资工资协商制度。我国正处于市场经济的完善阶段，劳动力市场不健全，尤其是在相关的法律法规、协商主体的培育与发展、第三方协调机制的形成、中国特色独立工会制度等方面，迫切需要理论和实践的创新。只有通过理论与实践创新的突破，才能在实践中真正实现劳资双方的对等协商，切实保护好劳动者的合法权益，形成工资正常增长机制。
以建立健全社会保障安全网和促推第三次分配发挥作用为基础进一步完善多层化收入分配层次。社会保障制度是政府调节收入分配的重要工具，是维护社会稳定的需要。迫切需要重构社会保障的运行体系，将社会保障从目前零散的、分散的制度状态转变为系统的、完整的制度，实现养老保险、医疗保险等子项目“去身份化”的整合，打破城乡之间、企业之间、行业之间的权利与义务不一致，苦乐不均的局面，从而促进城乡统筹的形成，提高社会保障制度互济性和再分配功能。以慈善捐赠为主体的第三次分配不仅是现代公民社会发展的必然结果，同时也是我国社会主义核心价值体系建设的需要。它克服并弥补了第一、二次财富分配的不足，发挥着市场调节和政府调控无法替代的作用，对缩小贫富差距、缓解社会矛盾、维护社会稳定与和谐发展都具有重要意义。然而我国的慈善事业，其规模、机制和功能还远远滞后于我国经济社会发展。要通过慈善立法、慈善组织去行政化、加强慈善监管、打破慈善资源垄断、重塑现代慈善文化等途径，促推“第三次分配”发挥作用。
目标分配 篇6
关键词：目标识别,冲突证据,比例冲突再分配
0 引言
目标识别又称身份融合,是信息融合中饱含生命力的一个重要内容。目标识别不仅是战场态势与威胁估计的基础,也是战场决策的重要依据。在“发现即消灭”的现代战争中,目标识别重要性不言而喻。
目前基于DS理论的规则在目标识别中应用较多,但在证据发生高冲突情况下证据合成会产生与直觉相反的结论[1]。如何在证据高度冲突下实现多源信息的有效融合是一个迫切需要解决的问题。许多专家认为这是组合规则造成的并加以改进[2],但是效果不是十分理想。针对这种情况,Dezert和Smarandache等学者在2002年提出了DSmT[3,4]。比例冲突再分配规则是Dezert和Smarandanche在DSmT的基础上提出的证据组合规则[5,6]。比例冲突再分配规则是处理高冲突证据的一种有效方法。由此,本文将比例冲突再分配规则引入目标识别,并通过仿真进行验证分析。
1 比例冲突再分配系列规则介绍
比例冲突再分配规则是将冲突信度按照一定的比例关系分配到非空集部分中。PCR规则的计算过程可以分为三步:(1)按照合取规则计算合成后的信度;(2)计算部分和全部的冲突信度;(3)按照不同的比例关系分配冲突信度到非空集部分。比例冲突再分配规则是将冲突信度按照某种比例分派到合成信度上,从而更有效地利用证据。根据分派比例的不同,PCR规则分为PCR1至PCR6规则。PCR规则可以使用在DSmT下,也可以使用在DST下。下面依次对PCR1至PCR5系列规则进行简单介绍,对PCR6规则进行比较详细的分析[7,8,9,10]。
1.1 PCR1-PCR5系列规则
PCR1、PCR2规则是对全局冲突信度进行重分配,而PCR3至PCR5规则是对部分冲突进行重分配。考虑重分配的比例时,PCR1至PCR3规则是对不同信息源的部分冲突之和进行分配,PCR4、PCR5规则是考虑合成规则的结果。合成两个证据时,从PCR1至PCR5规则,规则的计算量和对冲突进行重分配的精确度逐渐升高。另外,除了PCR1规则,所有的规则都保持了空信度的合成后对结果的中立影响。
1.2 PCR6规则
PCR6规则是由Arnand Martin和Christople Osswald提出来的,对PCR5规则的一种改进规则。PCR6规则是一种局部冲突局部分配的方法,认为冲突的产生与多个信息源都有关系,它将每次合成后产生的冲突信息按照每个信息源的单焦元的信度进行再分配,但是分配时只考虑了冲突涉及的焦元,分配时将局部冲突分解成部分冲突依次分配指派。PCR6规则被定义为∀(X≠ϕ)∈GΘ,M表示信息源个数
其中,Yj∈GΘ对应信息源j;mi(Yj)是其相关的信度函数;σi表示从1到M的数中排除i,即
PCR6规则处理多个证据合成时比PCR5规则有更符合直觉的结果,当处理两个信息源时,PCR6规则和PCR5规则是一致的。但PCR6规则在计算分派比例时,不像PCR5规则那样要计算证据的合成,而是采取证据间的求和形式,所以在处理多个证据的合成时PCR6规则比PCR5规则计算量小得多,适合在对计算量比较敏感的实时系统中使用。目前已有实用的目标识别系统中采用PCR6规则[11,12]。
2 目标识别步骤
利用PCR6规则,可以对不同信息源提供的证据进行融合判决,即所谓的空间域判决融合;也可以对每一个信息源在不同时刻得到的证据进行融合,即所谓的时间域判决融合。
基于PCR6规则的目标身份识别的步骤如下:
Step 1:定义辨识框架。将可能出现的命题加入辨识框架。
Step 2:获取基本信度分配。基本信度分配表示了信息源对目标身份假设的可信程度的一种推理,这种判断受各种因素的影响,不同的先验知识会构成不同的基本信度分配。
Step 3:使用适合的融合规则对基本信度分配进行合成。根据待识别目标特点和信息源的特点需要选用恰当的合成方法。本文选用了PCR6规则。
Step 4:确定目标身份识别的决策规则。得到合成信度后要选择适合目标身份识别的决策规则。决策规则可分为以下几种:判定的目标身份应具有最大的合成信度;判定的目标身份的合成信度与其他身份的合成信度的差必须大于某一阈值(如为0.1);判定的目标身份的合成信度必须大于不确定性的合成信度;不确定性合成信度必须小于某一阈值(如0.5)。
3 仿真分析
为了验证比例冲突再分配规则应用于目标身份识别中的有效性,下面给出了几个目标身份识别的实例,其中有多个信息源同时对一个目标进行探测和监视,并给出了对该目标的基本信度分配,然后使用多种合成方法来对信息源得到的信息进行合成,通过结果分析各种合成方法的目标身份识别效果。
算例背景:假设目标身份识别系统中有个信息源,这些信息源主要有:对空警戒雷达两部(mR1、mR2)、机载预警雷达一部(mAR)、电子支援措施一部(mESM)、光电传感器一部(mEO)。
空中目标可能属性为我机(F)、敌机(H)、属性不明(N)。
主要对比的方法有:Dempster合成规则、Yager合成规则、孙全合成规则、PCR6规则。
3.1 算例1——高冲突算例
假设已知目标为我机(F),使用全部5个信息源对目标进行探测。模型为Shafer模型,空中目标可能为{F, H, N}三个类别,在某时刻获得的基本信度分配如表1所示。
各种方法对高冲突证据的识别结果如表2所示。
3.2 算例2——低冲突算例
假设已知目标为我机(F),使用全部5个信息源对目标进行探测。模型为Shafer模型,空中目标可能为{F, H, N}三个类别,在某时刻获得的基本信度分配如表3所示。
各种方法对低冲突证据的合成识别结果如表4所示。
3.3 分析
在高冲突例子中,Dempster合成规则得出了与直觉相悖的结果,将目标身份判定为敌机,并且第2条证据具有“一票否决权”,再多的证据支持我机都被否决,Dempster合成规则无法处理高冲突证据Yager合成规则将冲突部分分配到未知集中,这虽然不会得到无法表示的结果,但是遇到全冲突证据时会将所有信度分配到未知集合或空集合,当新证据到来时结果不再变化,即当有全冲突证据时Yager合成规则对证据的理解没有帮助。孙全合成规则加入了证据可信度,能够处理全冲突证据,但仍有很大一部分信度分配给未知集合。PCR6合成规则得到合理的合成结果,排除了“错误”证据的影响,说明了其在处理高冲突证据时的有效性。
而在低冲突例子中,Dempster合成规则在处理低冲突证据时效果非常理想,对我机的支持度达到0.98406,Dempster合成规则非常适合低冲突证据的合成。Yager合成规则有大量信度分配给未知集(0.93083)或空集(0.93083),而孙全合成规则也有0.39727分配给未知集。而PCR6合成规则对我机的支持度为0.78146,也得到了正确的识别结果。
4 结束语
在目标识别中,比例冲突再分配规则对于高冲突证据下的识别是有效和可行的,随着方法的不断改进,PCR6规则在处理大量证据的合成时比PCR5规则在计算量上有优势,更适应实时性系统的要求。可见,比例冲突再分配方法有着很好的发展空间和广阔应用领域。但是,PCR6规则在在处理大量证据的合成时计算量还是比较大,是下一步研究和改进的方向。
参考文献
[1]Zedeh L A.Review of Shafer's“A mathematical theory of evidence”[J].AI Magazine,1984,5(3):81-83.
[2]尹慧琳,王磊.D-S证据推理改进方法综述[J].计算机工程与应用,2005,41(27):22-24.
[3]Dezert J.Foundations for a new theory of Plausible and Paradoxicalreasoning[J].Information and Security Journal,2002,12(1):26-30.
[4]Smarandache F,Dezert J.An introduction to DSm Theory of Plausi-ble,Paradoxist,Uncertain,and Imprecise Reasoning for InformationFusion[J].Octogon Mathematical Magazine,2007,15(2):681-722.
[5]Smarandache F,Dezert J.Proportional Conflict Redistribution for In-formation Fusion[M]//Smarandache F,Dezert J.Advances andApplications of DSmT for Information Fusion(Collected Works).American Research Press,Rehoboth,2006,Ⅱ:3-66.
[6]Smarandache F,Dezert J.Information Fusion Based on New Propor-tional Conflict Redistribution Rules[C].Information Fusion,20058th International Conference on.Philadelphia,PA,USA,2005,2:25-28.
[7]Smarandache F,Dezert J.A simple Proportional Conflict Redistribu-tion Rule[J].International Journal of Applied Mathematics and Sta-tistic,2005,3(5):1-36.
[8]李新德,黄心汉,Jean Dezert.基于ESMS过滤器的信息融合理论研究及SLAM应用[J].计算机科学,2006,33(12):117-121.
[9]Martin A,Osswald C.A new generalization of the proportional con-flict redistribution rule stable in terms of decision[M]//Smaran-dache F,Dezert J Advances and Applications of DSmT for Informa-tion Fusion(Collected Works).American Research Press,Reho-both,2006,Ⅱ:69-88.
[10]Dambreville F.Modeling evidence fusion rules by means of refereefunctions[C].Information Fusion,2009.FUSION'09.12th Inter-national Conference on.Seattle,USA,2009:1226-1233.
[11]Norden W,Bolderheij F,Jonker C.Combining System and UserBelief on Classification Using the DSmT Combination Rule[C].In-formation Fusion,2008 11th International Conference on.Cologne,Germany,2008:1-8.
目标分配 篇7
在服务经济时代,服务业在整个国民经济中所占的比重不断增加,促进了服务业的网络化、规模化和品牌化经营,服务企业的网络化促进了服务供应链的生成。作为一类重要的服务供应链,物流服务供应链已被广大学者提出并持续研究。目前,物流服务供应链的研究主要集中在对其内涵结构、特征、管理方法、供应商选择、协调机制、合作关系、激励机制和运作动力等方面。而对物流服务供应链中核心企业的订单分配问题的研究则相对较少。
当前对订单分配的研究更多集中在产品供应链领域,且经常与供应商选择问题结合起来进行研究。Narasimhan等(2006)构建了一个多目标规划模型来研究供应链中制造企业的最优供应商数量和最优订单分配的问题,提出了五个不同重要程度的标准来评估供应商的绩效[1]。Amid等(2006)建立了供应商选择的模糊多目标线性规划模型,这个模型能够根据输入数据,帮助决策者找出每个供应商的最优订单数量[2]。Mendoza和Ventura(2008)提出了一个两阶段方法来处理供应商选择和最优订单分配问题,在第一阶段,应用AHP方法基于五个因素的标准对供应商进行评估,在第二阶段,构建一个混合整合非线性规划模型来解决最优订单配置问题[3]。Che和Wang(2008)构建了一个多目标规划模型来研究供应商选择和订单分配,并提出启发式算法对模型进行了求解[4]。Lin在考虑供应商选择标准相互依赖性的基础上提出了一个综合决策模型来研究最优订单分配问题(2009)[5]。Kokangul和Susuz(2009)将AHP和整数多目标非线性规划模型结合起来,基于数量折扣、供应商能力和企业预算三个约束条件,分析了在最好的供应商中配置最优的订单数量[6]。Razmi和Maghool(2009)提出了能力和预算约束下的多内容、多阶段的供应商选择和采购问题的模糊双目标规划模型[7]。Yue等(2010)研究了制造商如何选择关键资源供应商和订单分配数量的问题,提出了启发式算法改进服务水平,减少成本和传递时间[8]。
也有部分学者对物流服务供应链中的订单分配问题进行了研究。刘伟华等(2008)研究了不确定需求的情况下,一个物流集成商面对多个功能物流服务提供商时如何进行订单任务分配的问题,结合物流服务供应链订单任务分配的特点,构建了基于多种物流能力的任务分配模型[9]。周链子,刘伟华(2011)构建了基于匹配能力物流服务的三级供应链模型,研究在随即需求条件下,集成商对提供商、提供商对分包商进行物流服务任务分配决策的问题[10]。姜意扬等(2011)基于集成商对多个物流供应商分配订单的情形,建立了供应商手头订单、能力可获得性、配送效率、缺损率和成本的供应商选择与订单分配组合优化模型,并采用算法进行算例分析[11]。李肇坤等(2009)[12]考虑了港口服务供应链的服务时间、成本、满意度等因素下的物流服务供应链多任务分配模型,并进行了实证研究。
综上所述,以上研究大多采用构建多目标规划模型的方法进行物流服务供应链中分包商选择和订单分配,但是都没有考虑到物流服务供应链中集成商与分包商之间的交易费用,本文在前人研究的基础上,构建了考虑交易费用的物流服务供应链订单分配多目标规划模型,并进行了算例分析。
2 订单分配问题建模
2.1 问题描述与参数设置
考虑由多个物流分包商和一个物流集成商组成的两级物流服务供应链,物流集成商是核心企业,从物流服务需求方处获得物流任务,为了在预定期内完成订单规定的物流任务,物流集成商会将物流任务分配给多个物流分包商来完成,它在其中发挥协调作用。为了建模方便,设置如下参数:
i:物流分包商的序号;
j:物流任务的序号;
t:期间的序号;
Pijt:物流分包商i在t期间内为任务j提供物流能力的价格;
qij:为完成物流任务j物流分包商i能力不足部分与所需物流能力之间的比率;
tij:为完成物流任务j物流分包商i能力延迟供给部分与所需物流能力之间的比率;
Qj:物流任务j可接受的最大的qij;
Tj:物流任务j可接受的最大的tij;
Djt:t时期内物流任务j所需要的物流能力量;
Cijt:t时期内物流分包商i为完成物流任务j所能提供的最大物流能力量;
aij:物流集成商为完成物流任务j从物流分包商i采购物流能力的交易费用;
xijt:t时期内物流集成商分配给物流分包商i的物流任务j的具体订单数量;
Tijt:二进制参数,当在t时期内物流分包商i可以提供物流任务j所需要的物流能力时,Tijt=1,否则,Tijt=0。
Uijt:二进制参数,当在t时期内物流集成商从分包商i处采购为完成物流任务j所需要的物流能力时,Uijt=1,否则,Uijt=0。
2.2 多目标订单分配模型
多目标订单分配问题可以建模如下:
式(1)表示从物流分包商处采购物流能力的总交易费用,(2)表示总采购成本;(3)表示为完成物流订单不足的物流能力总数量;(4)表示总的延迟供给的物流能力数量。
为了实现(1)~(4)目标函数的最小化,这些目标函数需满足以下约束。
约束(5)保证了时期t内物流任务j所需要的物流能力需求量可以被满足;约束(6)保证了不足的物流能力数量小于或等于相应的最大水平;约束(7)保证了延迟供给的物流能力数量小于或等于相应的最大水平;约束(8)分配给备选物流分包商的订单数量小于或等于该物流分包商的物流能力最大供给水平;约束(9)表示在时期t内物流集成商可以将物流任务j的部分订单分配给物流分包商i.
2.3 订单分配模型求解步骤
多目标规划问题的求解,主要是将多目标规划通过适当的方法将其转化为单目标规划。
①可以根据AHP法,确定目标(1)~(4)的权重分别为λ1,λ2,λ3,λ4,且λ1+λ2+λ3+λ4=1,λi≥0,i=1,2,3,4。
②应用加权法将上述(1)~(4)的目标函数表示为
在(11)中,F1n,F2n,F3n,F4n是目标函数(1)~(4)的标准化形式,λ1,λ2,λ3,λ4代表相应目标函数的重要程度。
③原模型就可以转化为如下单目标规划模型
④采用规划软件LINGO11.0进行求解。
3 数值试验
假设有1个物流集成商和3个物流分包商组成的物流服务供应链,其中由物流集成商在物流服务供应链中进行订单分配。i=1,2,3,设λ1=λ2=0.3,λ3=λ4=0.2,t=1,2,3,4,Q1=0.06,Q2=0.09,Q3=0.12,Q4=0.08,T1=0.09,T2=0.12,T3=0.15,T4=0.05,其它参数如表1至表7所示。
通过lingo11.0进行求解的结果如表8所示。
从算例可以看出,考虑交易费用的订单分配多目标优化模型可以实现订单分配的最优化,证明了模型的有效性和可行性。
4 结论
本文研究了单一物流服务集成商面对多个物流分包商时的订单分配问题,在对供应链订单分配模型综述的基础上,构建了考虑交易费用最小化的物流服务供应链订单分配多目标优化模型,基于层次分析法,确定各目标的权重,将多目标模型转化为单目标优化模型进行求解。最后,基于数值试验证明了模型的有效性和可行性。
参考文献
[1]Narasimhan,et al.Multiproduct,multicriteria modelfor supplier selection with product life-cycleconsideration[J].Decision Science,2006,37(4):577～603.
[2]Amid A,et al.Fuzzy multiobjective linear model forsupplier selection in a supply chain[J].InternationalJournal of Production Economics,2006,104(2):394～407.
[3]Mendoza A,Ventura J.An effective method tosupplier selection and order quantity allocation[J].International Journal of Business and SystemsResearch,2008,2(1):1～15.
[4]Che Z H,Wang H S.Supplier selection and supplyquantity allocation of common and non-common partswith multiple criteria under multiple products[J].Computers and Industrial Engineering,2008,55:110～133.
[5]Lin R H.An integrated FANP-MOLP for supplierevaluation and order allocation[J].AppliedMathematical Modeling,2009,33:2730～2736.
[6]Kokangul A,Susuz Z.Integrated analytical hierarchprocess and mathematical programming to supplierselection problem with quantity discount[J].AppliedMathematical Modeling,2009,(33):1417～1429.
[7]Razmi J,Maghool E.Multi-item supplier selectionand lotsizing planning undermultipleprice discountsusing augmentedε-constraint and techebycheffmethod[J].International Journal of AdvancedManufacturing Techenology,2009,(33):379～392.
[8]Yue J,et al.Selecting sourcing partners for a make-to-order supply chain[J].Omega,2010,(38):136～144.
[9]刘伟华,季建华,周乐.两级物流服务供应链任务分配模型[J].上海交通大学学报,2008,42(9):1524～1528.
[10]周链子,刘伟华.基于匹配能力的三级物流服务供应链任务分配模型研究[C]//天津学术文库(下),2011:1441～1453.
[11]姜意扬,王勇,邓哲峰.基于LSSC的供应商选择与订单分配[J].工业工程,2011,14(3):80～86.
目标分配 篇8
关键词：基于量子行为的粒子群优化算法(QPSO),惯性权重,聚焦距离变化率,变异,武器-目标分配(WTA)
0 引 言
武器-目标分配(WTA)问题是现代战争中一个重要研究方向,其解随着武器数量和目标数量的增加而呈指数级变化,是一种多参数多约束的NP问题。WTA问题解决的关键体现在高效、健壮的算法上。目前应用于求解WTA问题的算法主要有遗传算法[1,2]、粒子群优化算法 [3,4]、蚁群优化算法[5]等。其中,蚁群算法较复杂,需要较长的搜索时间,容易出现停滞现象;遗传算法染色体互相共享信息,整个种群比较均匀地向最优区域移动,覆盖面大,利于全局择优;粒子群算法只有全局极值提供信息给群内的粒子,是单向的信息流动,与遗传算法相比,所有的粒子会更快收敛于最优解。但是粒子群算法与其他进化算法一样,不可避免地存在着早熟收敛现象。
为此,本文提出了一种改进的具有量子行为的粒子群算法的新算法。首先引入聚焦距离变化率的概念,将惯性因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,根据构造的变异概率对粒子进行变异使粒子跳出局部最优,从而减少无效迭代。并尝试将权重自适应调整的量子粒子群算法应用于求解WTA问题。实验结果表明,该方法能更有效地解决WTA问题。
1 改进的量子行为粒子群优化算法
1.1 量子行为 PSO 算法(QPSO)
为了使粒子能够更好地满足全局收敛,2004年江南大学孙俊等人运用量子力学理论,并将量子进化算法引入到粒子群优化算法中,提出了量子粒子群算法(QPSO)[5]。这种算法以DELTA势阱为基础,认为粒子具有量子行为。由于在量子空间中的粒子满足聚集态的性质完全不同,粒子移动时没有确定的轨迹,这使粒子可以在整个可行解空间中进行探索寻找全局最优解,因而QPSO算法的全局搜索能力远远优于经典的PSO算法。在量子空间中,粒子的速度和位置是不能同时确定的。通过波函数来描述粒子的状态,并通过求解薛定谔方程得到粒子在空间某一点出现的概率密度函数,又通过Monte Carlo随机模拟方式得到粒子的位置方程为:
式中:u为服从在[0,1]上均匀分布的随机数;L值由式L(t+1) =2 b | mbest-X(t) |确定。最后得到QPSO算法的进化方程为:
其中,M为种群规模,mbest 是粒子群 Pbest 的中间位置,即平均值;b为收缩扩张系数,在QPSO收敛过程中线性减小;α、μ为0至1之间的随机数,如果产生的μ 大于0.5,则式(4)取加,否则取减;generation 为当前进化代数,maxgeneration为设定的最大进化代数。
1.2 量子粒子群优化算法的改进策略
1.2.1 随机惯性权重的构造
在粒子群优化算法中,惯性权重ω 对算法收敛具有重要影响,它使粒子保持运动惯性,ω 值较大有利于全局搜索,收敛速度快,但是不易得到精确的解;ω 值较小有利于局部搜索,能得到较为精确的解,但收敛速度慢。
本文按照文献[6]的方法定义粒子的最大聚焦距离和粒子平均聚焦距离分别为:
其中m为粒子数,D为每个粒子的维数, Gbest为粒子群目前搜索到的最优位置, Pbest(i)为每个粒子目前搜索到的最优位置。粒子当前聚焦距离变化率定义为:
当聚焦距离变化率较大时表明粒子的最大聚焦距离和平均聚焦距离相差较大,此时粒子的全局搜索较差,故应使粒子尽快地进入全局搜索,当聚焦距离变化率较小时,应该提高粒子的局部搜索能力。根据聚焦变化率的变化可以调整惯性权重来控制粒子的收敛速度。本文依据聚焦变化率定义惯性权重,ω表示为:
其中a1=0.3,a2=0.2, r为一个[0,1]间均匀分布的随机数。该选择策略即随机地选取ω值,使ω随聚焦距离的变化率自适应地调整。此时,将式(4)改写为:
1.2.2 判断并克服早熟停滞的方法
随机惯性权重能够提高解的质量,但不能从根本上克服易陷入局部收敛的缺陷,只是增强了全局搜索的能力。QPSO面对的主要问题是随着优化问题规模的增加,粒子易于落入到局部最优解,而导致搜索能力的下降。本文利用全局最大适应值与个体平均最大适应值的比值来判断是否早熟停滞,根据构造的变异概率对粒子进行变异使粒子克服早熟。
设第t代粒子群发现的全局最大适应值Gbest,个体平均最大适应值mbest即式(2)。如果Gbest (t+1)优于Gbest (t)或mbest (t+1)优于mbest (t),则说明粒子群正在向好的方向进化。在算法运行初期,由于粒子之间的差异较大,全局最大适应值与个体平均最大适应值之比γ即式(10)一般比较大;当算法接近收敛时,γ趋向于1。因而,如果γ长时间接近1,但仍不满足终止准则,则认为粒子群处于暂时停滞状态。根据构造的变异概率对粒子进行变异使粒子分散开来。根据式(11)[7]对每个个体极值进行一个扰动。
γ=Gbest / mbest (10)
Pbest(i)= Pbest(i)(1+0.5η) (11)
这里,Pbest(i)是第i个粒子目前为止的最好位置,η是服从 (0,1)正态分布的n维随机向量。通过这种判断停滞和增加随机扰动的方法,可有效地减少无效迭代,从而提高算法的收敛速度和优化求解精度。
对典型函数的测试结果表明,改进量子粒子群算法的收敛速度明显优于基本的QPSO,收敛精度也有所提高。所以本文提出的改进策略具有可行性。
2 改进量子粒子群算法求解WTA问题
2.1 WTA问题模型
假设防御方有m个武器平台A1 ,A2 ,…,Am;袭击方有n个来袭目标G1 , G2 ,…,Gn;第i个武器平台Ai迎击第j个目标Gj的概率为qij (i=1,2,…,m;j=1,2,…,n)。假设分配武器平台Ai 迎击目标Gj,则目标选择决策变量xij=1,否则xij=0。武器—目标分配问题是以分配给迎击武器迎击全部目标的失败概率和最小为目标,这个问题可形式化为:
约束条件:
2.2 粒子编解码
假设系统有m个武器平台,其中第i 个武器平台有ri个武器,本文用一个长度为r1+r2+…+rm的整数串来表示一个粒子。其中p1, p2, … ,pri代表第1个武器平台A1 拥有的r1个武器的分配方案,pr1+1, pr1+2, … ,pr1+r2代表第2个武器平台A2拥有的r2个武器的分配方案, pr1+r2+…+rm-1+1, pr1+r2+…+rm-1+2 ,pr1+r2 , …pr1+r2+…+rm-1+rm代表第m 个武器平台Am拥有的rm 个武器的分配方案。记粒子的维数为D,即D=r1+r2+…+rm。
本文武器-目标分配问题中,有n个目标G1 , G2 ,…, Gn ,因此,在粒子编码P1 ,P2,…,Pn 中,每一维Pi的取值限定为 0 至 n 的整数,即:Pi= 0, 1,2, … ,n,如果Pi=0,则代表Pi 所对应的武器并没有分配给任何目标,如果 Pi=k,则代表Pi 所对应的武器分配给了目标Gk 。
从武器目标分配问题可知,必须采用整数形式进行编码。对式(9)进行取整得到式(13):
position =(int) (P±ω×|mbest-position|×ln(1/μ) ) (13)
2.3 适应度评价
量子粒子群算法通过适应度来评价粒子当前位置的优劣。对应分配武器迎击全部目标的失败概率越小,则适应度越高。相应的适应度函数为:
式中,向量p*代表一个完整的编码方案,qij代表武器平台i迎击目标j成功的概率,qij的值由C3I系统提供。计算适应度函数时,首先对 p*进行解码,得到分配方案矩阵,然后利用式(14)对适应度函数进行计算。
2.4 算法描述
步骤1 编码和初始化粒子群。
步骤2 根据目标函数式(14)计算每一个粒子的适应度;判断算法收敛准则是否满足,如果满足,转步骤7;否则,执行步骤3。
步骤3 根据式(5)～式(7)计算出聚集距离的变化率,从而按式(8)确定惯性权重ω的值。
步骤4 对于粒子群中的所有粒子,根据其适应度,更新个体最优位置 Pbest(i) 和群体最优位置Gbest ;根据式(1)～式(3)和式(13)以一定概率取加或减,更新每个粒子的位置,生成新的粒子群体。
步骤5 根据式(2)和式(10)计算γ的值。如果γ长时间接近1但仍不满足终止准则,按式(11)执行变异操作;否则,转向步骤6。
步骤6 若达到终止条件(足够小的适应值或预设的最大迭代次数)则转向步骤7;否则返回步骤2。
步骤7 输出全局最优位置Gbest 及其适应值。
本文提出的求解WTA问题的量子粒子群算法优势有两点,其一是使惯性权重具有动态适应性,前期较大的惯性权重有利于算法跳出局部最小值,提高算法的搜索能力,后期较小的惯性权重有利于算法快速收敛;其二是在算法中嵌入了一种判断和避免搜索早熟和停滞的有效方法,能有效避免算法落入局部极小值。
3 实例研究
为了验证所提出的改进量子粒子群算法对武器—目标分配问题求解的性能,实验算法在 Intel Pentium Ⅳ 2.0 GHz 的 CPU,2GB 内存,Windows XP 平台上,MATLAB 7.2环境下进行仿真计算。
假设某舰艇编队共有6个武器,分布于4个武器平台A1,A2,A3,A4中,武器平台拥有武器情况为r1=r3=2,r2=r4 =1,该舰艇编队迎击6个来袭目标G1,G2,G3,G4,G5,G6,防御方对每个目标最多可使用1个武器,即s1=s2=s3=s4=1,武器平台Ai对目标Gj迎击概率为qij (i=1,2,3,4;j=1,2,3,4,5,6),qij的值由该舰艇编队的C3I系统提供,如表1所示。
读入表1中数据运行程序,设置最大迭代次数为100,算法在运行31次迭代后找到该算例的最优解,运行结果如表2所示。
表2中的分配方案表示:武器平台1中的两个武器分别迎击来袭目标4和6,武器平台2迎击来袭目标2,武器平台3的两个武器分别迎击来袭目标1和3,武器平台4迎击来袭目标5。
相同环境下,对上述问题采用三种算法分别进行了50次仿真计算。运行结果如表3所示。
由表3 可知,QPSO 算法明显比 PSO 算法的进化代数减少,运行时间也有所减少,采用量子行为的粒子群优化算法能够有效确保算法的收敛,并且使粒子群优化算法有了更快的收敛速度;但基于量子行为的粒子群优化算法容易陷入局部最小,且搜索精度不是很高。本文改进QPSO算法将惯性因子表示为关于聚焦距离变化率的函数,使算法具有动态自适应性;而且在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,根据构造的变异概率对粒子进行变异使粒子跳出局部最优,从而减少无效迭代。因此本文算法又比 QPSO 算法进化代数有所减少,运行时间减少;表明本文算法求解WAT问题是可行的、有效的。
使用本文方法求解不同规模的武器—目标分配问题,所需时间和目标函数值情况如表4所示。
从表4可知,问题求解时间与问题规模成正比,即随着问题规模增大,求解时间增长。武器数与目标数差距越大,求解时间越长,因为搜索解的次数增大。上述试验说明本文算法能够解决各种规模的武器目标分配问题。
4 结 语
本文以分配武器迎击全部目标的失败概率最小为目标构建武器目标分配问题数学模型,基于本文改进QPSO设计一种求解WAT问题算法。新算法中惯性权重具有动态适应性,同时在算法中嵌入了一种判断和避免搜索早熟和停滞的有效方法。实验证明,本文提出算法较基本PSO算法﹑具有量子行为的PSO能显著地提高分配效率,较好地完成武器目标分配要求。本文基于QPSO改进的武器目标分配算法,算法性能还有待于在实际的系统中进行测试,还需要在实践中不断完善和改进。
参考文献
[1]王玮,程树昌,张玉芝.基于遗传算法的一类武器目标分配方法研究[J].系统工程与电子技术,2008,30(9):1708-1711.
[2]刘振,史建国,高晓光.紧致遗传算法及其在武器目标分配中的应用[J].计算机工程与应用,2008,44(30):229-231.
[3]曲在滨,刘彦君,徐晓飞.用离散粒子群优化算法求解WTA问题[J].哈尔滨工业大学学报,2011,43(3):67-69.
[4]高尚,杨静宇.武器-目标分配问题的粒子群优化算法[J].系统工程与电子技术,2005,27(7):1250-1252.
[5]苏淼,钱海,王煦法.基于免疫记忆的蚁群算法的WTA问题求解[J].计算机工程,2008,34(4):215-217.
[6]Sun J,Feng B,Xu W B.Particle swarm optimization with particles hav-ing quantum behavior[C]//Proceedings of2004Congress on Evolu-tionary Computation.Piscataway,NJ:IEEE Press,2004:325-331.
[7]任子晖,王坚.一种动态改变惯性权重的自适应粒子群算法[J].计算机科学,2009,36(2):227-229.
目标分配 篇9
一、初次分配是指企业单位内部的分配
即根椐各种生产要素在生产中发挥的效率带来的总收益的多少进行分配, 高效率获得高回报。初次分配主要由市场机制形成, 政府通过税收杠杆和法律法规进行调节和规范, 一般不直接干预初次分配。在我国, 劳动者报酬占GDP的比重逐步下降。1998年至2006年, 劳动者报酬占GDP的比重从53.14%下降到49.62%, 下降了4.48个百分点;而企业营业赢余所占比重由1998年的18.99%提高为2003年的20.19%, 约提高了1.2个百分点。2007年, 中国财税收入比上年增长33.7%, 同年1～11月份, 全国规模以上工业企业利润同比增长36.7%。这两项指标的增速都比城乡居民收入增速高得多。据此估计, 劳动者报酬占GDP的比重可能在继续下降, 初次分配的不公问题在我国日渐显现。
二、企业财务管理的目标是在初次分配中实现的
就一家企业而言, 初次分配会将收入分为三块:职工工资、企业利润和国家税金。收入总量一定, 内部结构的变动是此消彼长。国家税金在初次分配中是企业不可控的, 企业相对能够控制的只有职工工资和企业利润。企业财务管理的目标———企业价值最大化, 首先要求企业实现最大的利润, 强调股东的高效率。近年来通货膨胀比较严重, 产品原材料等要素价格大幅上涨, 环保投入大大增加, 有些企业税负不减反增, 职工工资和企业利润的比重之争本已十分尖锐。现政府更加注重全民的公平, 从宏观层面要求企业“提高劳动报酬在初次分配中的比重”, 这无疑给企业财务管理目标的实现带来了极大的挑战。部分企业财务管理人员对此忧心忡忡, 信心不足。然而辩证地看, 挑战与机遇总是并存的。提高劳动报酬在初次分配中的比重有利于企业的可持续发展;有利于企业文化的提升;有利于增强职工的归属感;有利于企业承担适当的社会责任;有利于企业生产诸要素的有效结合;有利于企业产品的更新换代。
三、企业财务管理目标实现的有利契机
首先, 企业的可持续发展有利于企业财务管理目标实现。企业财务管理工作有两方面的内容:在技术层面, 通过科学的组织各项财务活动, 提高生产效率, 不断增加企业价值;在社会属性方面, 要正确处理好企业与各方面的经济利益关系, 注重社会公平。坦率地说, 财务管理人员过去重点放在了股东与经营者、股东与债权人经济利益矛盾的处理上, 如银行的不良贷款研究, 经营者激励机制的研究, 伊利乳业甚至出现了对经营者的过度激励。在劳动力供过于求的情况下, 对股东与劳动者经济利益矛盾却重视不够。其实, 一个企业的可持续发展归根到底不是取决于“货币资本”而是取决于“劳动资本”。提高劳动报酬在初次分配中的比重, 不断满足劳动者的基本需要及他们要求较好生活的愿望, 提高劳动者的生产积极性, 必将有助于企业财务管理目标的达成。
其次, 企业文化的提升有利于企业财务管理目标实现。企业文化是企业的灵魂, 是推动企业发展, 实现企业财务管理目标的不竭动力。企业文化的高低取决于企业环境和员工自身素质。当前在我国相当数量的企业中, 劳动者的劳动及生存环境不容乐观, 加班加点、拖欠克扣工资的现象屡见不鲜。马斯洛把人的需求概括为五种, 即生理、安全、社交、尊重及自我实现, 依次有较低层次到较高层次。我国是不发达国家, 企业员工的前三个需求尚难完全通过企业初次分配来达到。但在企业营业赢余允许的条件下, 适当提高劳动报酬在初次分配中的比重, 改善劳动者的生活质量, 对于激发员工工作热情, 提高劳动效率, 增加企业价值实为得大于失的有效手段。
第三, 增强职工的归属感有利于企业财务管理目标实现。员工的归属感对企业的发展及财务管理目标的实现尤为重要, 能否使员工产生归属感, 是赢得员工忠诚, 增强企业凝聚力和竞争力的根本所在。归属感固然需要感情的投入, 但任何感情都有其物质基础。薪金是最直接的现实回报, 可最有效满足员工的基本要求, 为职工的生活提供物质保障。适当提高劳动报酬在初次分配中的比重, 会使职工感到企业的关怀, 提高工作满意度, 从而将个体融入到企业中去, 将企业利益作为自己行事的出发点和归结点。这一切将使企业财务管理目标的实现变得容易起来。
第四, 企业承担适当的社会责任有利于企业财务管理目标实现。社会责任涵盖了劳动保护、环境责任、诚信责任以及政府关系和社会关系等社会和谐的各个方面。强调企业不仅是“经济人”, 同时也是“社会人”。企业社会责任的历史不长, 即使是西方发达国家, 直到上世纪90年代之后, 一系列衡量企业社会责任的指标体系才陆续出现。有人质疑企业履行社会责任会损害股东的利益, 而适当提高劳动报酬在初次分配中的比重是企业承担社会责任的具体行动, 是否有悖于企业财务管理目标的实现呢?从短期看企业承担社会责任, 提高劳动报酬是要付出一定代价的, 那么承担现阶段的社会成本能否给企业带来预期的长远利益呢?1995年, 国外一研究项目《明天的企业:企业在变化的世界中应该扮演的角色》指出:那些将来处于优胜地位的企业, 不仅只考虑为股东赚钱, 还要考虑承担社会责任及其承担社会责任带来的长期预期和发展预期。欧美等发达国家企业自愿披露社会责任报告已成为许多公司尤其是跨国公司年报的一部分, 我国的联想、新希望、广厦股份等公司每年也对社会公布企业社会责任的履行报告。令人高兴的是这些企业的财务管理目标大多实现的比较理想。
第五, 企业生产诸要素的有效结合有利于企业财务管理目标实现。企业的财务活动是在市场经济条件下进行的。市场经济是法制经济, 就是在规则面前人人平等。股东出资、管理者出谋、劳动者出力, 所谓“有钱出钱, 有力出力”, 并最终按各自的能力和贡献参与分配。只有这样才能充分尊重主体的选择, 发挥市场配置资源的基础性作用。在生产诸要素中, 劳动者是最活跃的要素, 是企业资本中的可变资本, 是企业增值的源泉。人们已越来越深刻地意识到, 企业财务管理目标的实现是建立在“人统治资本”而不是“资本统治人”的基础之上的。适当提高劳动报酬在初次分配中的比重恰恰体现的是“人统治资本”。由于支付职工工资偏低, 导致企业“用工荒”、开工不足、资产闲置, 甚至破产的就足以证明。
第六, 企业产品的更新换代有利于企业财务管理目标实现。适当提高劳动报酬在初次分配中的比重对哪些企业的压力最大呢?不难看出, 主要集中在服装、鞋、玩具等“两高一限”劳动密集型项目和企业。客观的看这些劳动密集型项目和企业大大缓解了中国的就业压力, 有利于社会政治和经济的稳定。但毋庸置疑, 它们处于全球产业链的低端, 经济附加值小, 资源消耗大, 环境污染严重, 社会成本高。随着经济增长由粗放型向集约型、由外延增长向内涵增长转变, 企业产品的更新换代加速, 必然要求企业工作的重点转到以经济效益为中心的轨道上来, 转向注重考核经济运行质量和效益指标, 转向注重考核可持续发展指标, 这些恰恰有利于企业财务管理目标的实现。
摘要：国民收入如何在国家、企业和职工之间分配是近期的热点话题。文章研究认为:提高劳动报酬在初次分配中的比重有利于企业的可持续发展、企业文化的提升、增强职工的归属感、承担一定的社会责任、生产要素的有效结合, 进而对企业财务管理目标的实现产生积极的影响。
目标分配 篇10
在全球经济一体化的进程中,越来越多的
企业参与全球化生产网络中,与其他企业建立合作关系,分工合作地进行生产与贸易,实现互利共赢,特别是在BTO生产环境下,大量零组件需要外部协作。实现这种协作性生产的一种委托代理加工方式称为OEM(original equipment manufacturing),在这种协作生产方式中,品牌企业如何合理分配订单给不同的代工企业(OEM供应商)进行生产,即生产任务分配问题,就成为这种生产方式的主要决策。
在此类任务分配问题中,一方面每个订单的交货期和售价各不相同;另一方面,承担这些订单的供应商,其加工成本及加工时间也是各不相同的。针对这些情况,为找到一个最优的订单分配方案,就需要考虑成本收益、服务水平等目标因素,以最终达到整体的订单效益最大化。这种多目标分配问题基本模型形式可描述为
min F(x)=(α1f1(x),α2f2(x),…,αnfn(x)) (1)
s.t. x∈S
其中,fi(x)(i=1,2,…,n)为目标分配所要满足并追求的各维度目标(包括成本、时间等)函数;S为多维可行空间[1]。每个目标函数可根据实际情况按一定权重加权评估,其中αi(i=1,2,…,n)为各权重,且满足∑αi=1。
对于订单/任务分配问题,传统的方法包括层次分析法、模糊综合分析法等,考量的评价目标也各不相同。国内外已有学者进行了研究,如考虑成本最低及长期能力,并基于AHP与目标规划方法对外包商选择和任务分配的探索[2];研究制定最小生产时间为目标的任务优化分配策略[3];此外还有从多代理协商合同设计角度确定任务分配机制的研究[4];文献[5,6]分别利用改进遗传算法、灰色理论求解设计优化的任务分配策略。这些研究主要集中在任务分配目标及评价因素选择、新方法应用研究及信息化支持[7]等方面。
与其他研究方法不同,本文采用混合蚁群算法进行研究。蚁群算法(ant colony algorithm,ACA)首先应用于解决经典的TSP问题[8],随后因其自身的并行性、较好的寻优能力等特性在工程优化、流程规划、机器智能、数据挖掘等领域取得了成功的应用。文献[1]应用基本的蚁群算法初步研究了多目标优化问题,并从Pareto改进及种群多样化等方面对算法进行了改进。文献[9]尝试利用蚁群算法解决与多目标任务分配问题相类似的武器分配问题(WTA),在求解离散整数规划上,蚁群算法因其自身的并行搜索机制而具有良好的寻优能力,但基本的蚁群算法在解决大型的NP难题时,常常存在着局部收敛等早熟现象。针对这种情况,许多学者提出了混合算法的思想。其中一个尝试是将易局部早熟的蚁群算法与收敛较慢的模拟退火算法相结合,利用结合蚁群算法搜索高效性和模拟退火算法全局搜索性的混合算法来解决组合优化问题。文献[10,11]提出了结合模拟退火与蚁群算法的混合优化算法,在思路上均以模拟退火作为算法主体,结合了蚁群算法信息素正反馈机制,大大提高了算法求解的寻优能力,但在解种群多样性上略显不足。
本文在前人研究的基础上,首先建立能力约束的多目标的任务分配问题模型;然后利用模拟退火蚁群算法——即以蚁群算法为主体的思路对模型进行仿真求解,实现订单的最优分配,同时对算法在解空间多样性及信息素更新方面做了进一步的改进;最后用数值分析验证了模型与算法的有效性与合理性。
1 带能力约束的多目标任务分配问题的模型构建
多目标任务分配问题可以描述为存在m个不同的订单需要加工完成,现有n个产能不同的OEM供应商可以承担这些订单,因此加工成本和时间各不相同。从成本收益(表现为总的任务利润最大化)及服务水平(表现为交货延误时间最小化)两个目标出发,可建立任务分配的问题模型如下:
式中,目标函数Pt为总的加工利润;Td为交货延误时间,即实际订单完工时间与预定的理想交货期的差异;订单i被供应商j加工时状态变量Xi j为1,否则为0;Ri为各订单的售价;Kj为供应商的加工能力或产能;ci j与ti j分别为各订单的生产成本和加工时间;Ti为理想的订单交货期。
由目标函数的约束形式可知:订单必须满足供应商产能,即加工能力约束(约束1);订单具有不可分割性,即一个订单只能由一个供应商加工(约束2)。
最后,如前所述,为方便目标的量化评估,达到效益的最大化,可根据实际情况对两项目标属性进行加权并标准化为求总的适应度最小值。设加工利润权重为α,交货延误时间权重为β,且满足α+β=1,则总的适应度函数可变形为
min(α(-Pt)+βTd) (3)
据此建立多任务分配问题的数学模型。
2 算法设计
针对上述问题,本文采用模拟退火结合蚁群算法的混合智能算法进行求解。其主要思路是首先用随机算法初始化信息素矩阵,然后以蚁群算法为迭代计算的主体,完成一次迭代后,采用模拟退火算法对当前解进行随机扰动产生不同的领域解,在Metropolis接受准则下允许解在有限范围内分散化,产生更多可行解,最后用当前解与改进解所带的路径信息更新信息素矩阵,不断重复上述过程。
在领域的局部搜索中,对当前找到的迭代路径序列进行随机扰动,并按照模拟退火的思想,当扰动解优于当前解时,则无条件接受扰动解;当扰动解次于当前解时,则在当前温度下按接受规则有条件接受或拒绝该解,不断重复这个退火过程直到找到改进后的解。这种做法增加了对当前解的随机扰动,从而扩大了解样本的多样性,并在一定程度上发挥了退火算法的优势,有利于稳定状态的大范围全局寻优。
2.1 任务分配过程的蚁群网络图
构造蚁群网络图如图1所示,假设有m个不同的订单O1,O2,…,Om,n个不同的OEM供应商S1,S2,…,Sn;每个订单都有n个OEM供应商可供选择交付加工,但是一个订单只能选择一个供应商来加工。在Oi处分别设置ri只蚂蚁,每只蚂蚁从Oi(i=1,2,…,m)处根据转移概率转移到各级节点S1～Sn处,完成周游,从而形成一条行走路径,即不同的蚂蚁形成不同的解。这里的处理相当于生成m维的1～n的序列,分别对应于各订单所分配的加工供应商。
2.2 算法相关参数及规则的确定
本算法在计算过程中主要考虑了如蚂蚁各节点转移概率、信息素更新规则、随机扰动策略、退火算法Metropolis接受准则等。
2.2.1 转移概率
理论上,各订单可选择并分配给各供应商,在t时刻,蚂蚁k从某级供应商节点i转移到下一级供应商节点j的概率为
其中,τi j表示各级供应商节点之间的信息素浓度;供应商节点的信息素越大,则此供应商被选取的概率越大。
2.2.2 解的领域随机扰动
为增加解样本的多样性,使搜索空间更全面,当蚁群算法产生本次迭代最优路径之后,便在该路径基础上采取逆转策略[12],亦即随机产生两个不同的数,如t1与t2(t2>t1);对应订单分配的解序列两个位置,在此当前解C0中将订单t1与订单t2之间的供应商分配关系(子路径)以反方向插入,其余不变,此时新解为C1。为进一步增加解的多样性,考虑双向逆转策略的改进,即对分配矩阵行列上均使用逆转策略进行扰动。
2.2.3 Metropolis准则
本文考虑在上一步的解领域随机扰动中加入小规模的退火算法过程,即根据退火算法的统计规律,设定初始温度T0(200～280,退火算法中温度为量纲一的量,仅表示初始状态)和退火速率αk(0.8～0.95),一般按照直线函数反比递减。如前所述,按照一定的概率在当前最优路径上随机产生新解,每次接受新解的概率为
Δfi j=fCj-fCi
式中,fCi为当前最优解Ci的适应度;fCj为扰动后产生的新解Cj的适应度;Δfi j为两个解的适应度之差。
从式(5)可以看出,当通过退火算法随机扰动产生新解后,若此解较优于原当前解,则百分之百接受新产生的扰动解为当前解;否则以一定的随机概率有条件地接受或拒绝新解。继续降温,重复下一次温度下的扰动,直至达到设定的最低温度。这里采用了模拟退火算法的思想,允许目标函数在有限范围内变坏,增加了解抽样的多样性,有效地避免了计算过早地陷入局部最优状况。
2.2.4 信息素更新规则
在融合模拟退火算法Metropolis扰动之后,其更新方程为
τi j(t+1)=ρ τi j(t)+Δτ (6)
式中,τi j(t)为t时刻路径上的原信息素浓度;ρ为信息素强度的持久性系数(0.5～0.9);Δτ为本次迭代计算的信息素增量;Q为一正的常数;fC为目标函数适应度值。
最后要提及的是,在目标函数的处理上,本文借鉴了大M法的思想,对超出约束的解引入惩罚系数,从而有利于模型在程序实现上的处理。
2.2.5 算法求解步骤
混合算法程序伪代码如下:
(1)初始化
相关参数的设定及任务、供应商信息的读入;
NC=1:NC_max;//NC为迭代计算次数;NC_max为规定的最大循环次数
τ=C;//信息素浓度初始化,C为初始化信息数
Initial(τ);//随机算法初始化信息浓度
Δτ=0;//信息素增量置0;每次更新取C/5左右效果为佳
Tabuk=Φ;//蚂蚁k的分配路径表清零
k=1;Ant_number;//k为蚂蚁编号;Ant_number为蚂蚁个数
(2)蚂蚁重复周游寻解
while NC⇐NC_max do
for k=1:Ant_number do
蚂蚁k以概率P(k)i j为订单i选择下一供应商j;//见式(4)
Tabuk(NC)=j://供应商j写入分配路径表
(3)适应度目标值计算
for k=1:Ant_number do
for i=1:M do
for j=1:N do//M为订单数,N为供应商数
计算总的加工收益Pt与服务水平Td,并加权处理;//见式(3)及模型(2)
(4)退火算法领域搜索
设定退火算法相关参数;
T0=U;//定义初始温度,常数U代表某高温状态
while T>T_acceptionp and Makob=1∶L do;//T_acceptionp为最低温度点,Makob为链长,并判断迭代次数是否到达设定链长
exchange(Ci,Cj);//行列双向的逆转策略与随机扰动
if (E) AcceptNewSolution(Ci,Cj)
else disturbance(Ci,Cj);//以Metropolis规则判断本次迭代两解优劣,并决定取舍
end if
T=T*α;//降温
(5)信息素更新
for k=1:Ant_number do
for j=1∶N do
τi l(nc+1)←ρ τi l(nc)+Δτi l;//参见式(6)
(6)最终计算结果
if未到达结束条件,返回第(2)步;
else记录并输出最终解
3 算例分析
为了验证本文构建的模型与算法的有效性,本文用两算例(单资源约束与多资源约束)来进行数值模拟分析。
(1)算例一:单一资源约束情况
只考虑加工时间的单资源约束时,假设某品牌制造商接到9个不同顾客的订单(生产任务),每个订单的交货期与售价见表1。
现有5个OEM供应商可以承担这些订单,但是成本及加工时间不同,同时各供应商也有生产能力上的限制,具体见表2。其加工时间及成本信息见表3,例如4/18中4表示加工时间,18代表订单加工成本,依此类推。此外,根据该品牌制造商追求目标的侧重特点,对式(3)中选取加工利润权重系数为α=0.3,交货延误时间权重为β=1-α=0.7。
本文采用MATLAB仿真编程工具,依次利用单纯的模拟退火算法、蚁群算法及混合SA-ACO算法进行订单的分配问题求解,单资源约束仿真实验结果分别如图2～图4所示。
经多次仿真实验,三种算法均能以其自身的寻优性能求解出此简单算例的最好解,求解出的最佳订单分配矩阵见表4。即供应商1负责订单4;供应商2同时负责订单7与8;供应商3负责订单6;供应商4负责订单1、5和9;供应商5负责订单2与3,具体对应的订单分配矩阵结果如表4所示。此时,可由此算出加工利润Pt目标函数值为285万元,交货延误时间Td目标函数值为89d,按照式(3)赋权加总的最小适应度值为-23.2。
(2)算例二:考虑多种资源约束的情况
综合考虑加工时间和关键物料的多资源约束时,其他条件不变,假设各订单的加工关系到某种关键物料的使用,使用情况wi如表2中最后一列数据所示;此时就要考虑OEM供应商在加工这些订单时有关键物料可用量的资源约束Wj,可用量具体如表3所示。亦即在原模型基础上加入如下新约束:
据此用同样的仿真实验求解过程,由实验结果可得,混合算法在问题复杂度增大的情况下依然能保持良好的求解效率,求解出的最佳订单分配矩阵如表5所示。同理,加工利润Pt目标函数值为284万元,交货延误时间Td目标函数值为97d,按照式(3)赋权加总的最小适应度值为-17.3。多资源约束情况下混合算法及基本蚁群算法的仿真实验结果如图5、图6所示。
在单一资源约束情况下,从图2可以看出,模拟退火算法具有很好的全局搜索性能;但是由于反馈信息利用不足,收敛速度较慢,直到100多次迭代计算才收敛至最优解,而且求解结果并不稳定,耗时较长;而在加入多资源约束考虑时,相同的计算时间内甚至很少找到最优解。从图5及图6可以看出基本蚁群算法相对快速的搜索能力,在60～70次左右便能找到最优解,有时也容易陷入局部收敛;而加入自适应条件与退火搜索的混合算法无论在收敛速度还是在寻优的稳定性上均优于前两者,基本上结合了两种算法的长处:最好情况下,在20次左右迭代计算便能找到最优解,经笔者多次实验,其最佳寻优次数也平均多于单一算法情况,具有较好的鲁棒性。
本文也利用商业优化软件Lingo11.0对该问题进行了求解,得到与混合算法相同的结果。经笔者多次实验,对每种计算方法都重复10次求解,各方法计算结果(包括多资源约束情况)统计分析与对比见表6。由此可证明各算法的自身求解能力及混合算法的有效性。
注:表中的负值为适应变值(量纲一),其值越小越好。
4 结束语
任务分配问题是当前供应链协作环境下普遍存在的问题。本文建立了多目标的订单分配模型,并尝试通过结合具有全局搜索性的模拟退火算法及有快速寻优性能的蚁群算法,来对此类问题进行求解。希望借以充分利用两算法的优势,克服如退火算法收敛慢、蚁群局部收敛的缺陷,在新解的扰动中加入了退火算法的规则,有效提高了搜索空间的多样性。最终对基本模拟退火算法、基本蚁群算法、混合算法三种方法的同算例求解结果进行了对比,可以证明混合算法在求解速度及质量上都有让人满意的效果。
参考文献
[1]池元成,蔡国飙.基于蚁群算法的多目标优化[J].计算机工程,2009,35(15):168-172.
[2]朱云.目标规划及AHP在企业外包任务分配中的应用[J].吉林省经济管理干部学院学报,2010,24(3):23-26.
[3]何霆,郭世伟,徐汉川.基于最小生产时间的制造任务分配策略[J].黑龙江大学自然科学学报,2009,26(5):591-595.
[4]谢经明,娄平,陈幼平,等.供应链中基于多Agent协商的任务分配机制的研究[J].中国机械工程,2005,16(21):1911-1915.
[5]郭志明,莫蓉,孙惠斌.改进GSA算法在协同制造任务分配中的应用[J].计算机工程与应用,2011,47(14):210-213.
[6]张卫,潘晓弘,田景红,等.基于灰色理论的制造任务分配服务研究[J].中国机械工程,2010,21(14):1694-1703.
[7]朱金达,宋海生,张永弟.网络化制造执行系统任务分配的研究[J].设计与研究,2006,7(33):9-11.
[8]Dorigo M,Ganbardella L.Ant Colony System a Co-operative Learning Approach to the Traveling Sales-man Problem[J].IEEE Trans.on Evolutionary Computing,1997,1(1):53-66.
[9]罗德林,段海滨,吴顺详,等.基于启发式蚁群算法的协同多目标攻击空战决策研究[J].航空学报,2006,27(6):1166-1170.
[10]刘少伟,王洁,杨明,等.防空C3I目标分配问题的ACO-SA混合优化策略研究[J].系统工程与电子技术,2007,29(11):1886-1890.
[11]麻士东,龚光红,韩亮,等.目标分配的蚁群_模拟退火算法及其改进[J].系统工程与电子技术,2011,33(5):1182-1186.