(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111256361.9 (22)申请日 2021.10.27 (65)同一申请的已公布的文献号 申请公布号 CN 113987936 A (43)申请公布日 2022.01.28 (73)专利权人 中国人民解 放军32801部队 地址 100082 北京市海淀区西直门北 大街 28号院 (72)发明人 孙晓　赵颖　孙鹏　徐熙阳　孙磊　 古先光　盛经雨　郭旭凯　冉讯　 殷浚喆　 (74)专利代理 机构 北京丰浩知识产权代理事务 所(普通合伙) 11781 代理人 李学康(51)Int.Cl. G06F 30/27(2020.01) G06N 3/12(2006.01) G06N 7/08(2006.01) G06Q 10/06(2012.01) (56)对比文件 CN 106897771 A,2017.0 6.27 审查员 张玮 (54)发明名称 一种基于混沌遗传算法的装备试验资源统 筹调配方法 (57)摘要 本发明公开了一种基于混沌遗传算法的装 备试验资源统筹调配方法， 其步骤包括， 根据当 前试验任务要求和设备资源情况， 确定调配优化 集， 即确定参与调配的任务/步骤集以及参与调 配的可用设备集； 构建目标函数和约束条件； 利 用混沌遗传算法对试验资源统筹调配过程的数 学模型进行求解； 基于Logistic混沌映射构造混 沌交叉算子， 并利用混沌遗传算法的交叉概率和 混沌交叉算子产生新个体； 混沌交叉和混沌变异 后产生的新个体构成新一代种群， 直到混沌遗传 算法收敛， 得到试验资源统筹调配的最优解， 将 该最优解作为装 备试验资源的最终调配方案， 输 出该调配方案。 本发明 改变了现有装备试验资源 人工调配的方式， 解决了装备试验资源配置不 均、 试验效率低下等问题。 权利要求书3页 说明书9页 附图4页 CN 113987936 B 2022.04.08 CN 113987936 B 1.一种基于混沌遗传算法的装备试验资源统筹调配方法， 其特征在于， 具体包括以下 步骤： S1， 根据当前试验任务要求和设备资源情况， 确定调配优化集， 即确定参与调配的任 务/步骤集以及参与调配的可用设备集； S2， 建立试验资源统筹调配过程的数 学模型， 构建目标函数和约束条件； S3， 利用混沌遗传算法对试验资源统筹调配过程的数学模型进行求解， 定义试验资源 统筹调配的染色体编码方式为双层遗传编码， 并结合调配优化集， 建立调配问题解空间到 染色体编码空间的映射关系； S4， 基于约束条件， 初始化产生若干个体构成初始种群， 个体数即为种群规模， 每个个 体为一条编码的染色体； S5， 将试验资源统筹调配过程的数学模型中的目标函数确定为适应度函数， 计算种群 中所有个体的适应度， 并判断循环代数是否达到循环代数阈值， 若是则将混沌遗传算法的 优化结果输出为试验资源统筹调配结果， 混沌 遗传算法结束， 否则执 行步骤S6； S6， 定义试验资源统筹调配的选择方式为轮盘赌选择， 并利用该方式选择种群中适应 度高于某个阈值的个 体， 淘汰适应度低于某个阈值的个 体； S7， 基于Logistic混沌映射构造混沌交叉算子， 并利用混沌遗传算法的交叉概率和混 沌交叉算子产生 新个体； S8， 基于Logistic混沌映射构造混沌变异算子， 并利用混沌遗传算法的变异概率和混 沌变异算子产生 新个体； S9， 混沌交叉和混沌变异后产生的新个体构成新一代种群， 并重复步骤S5至步骤S8， 直 到混沌遗传算法收敛， 得到试验资源统筹调配的最优解， 将该最优解作为装备试验资源的 最终调配方案， 输出该调配方案； 当随着 循环代数的增加， 种群个体的最优适应度变化至小 于某一阈值时， 混沌 遗传算法收敛； 所述的步骤S7， 随机 选取两条染色体， 再进行的具体操作包括： S71， 确定是否对该两条染色体进行交叉操作； 任取初值s0∈(0,1)， 通过Logistic混沌 映射公式sr+1＝λsr(1‑sr)， 产生迭代序列， sr为迭代序列中的第r个元素， r为设定值， λ表 示， 该迭代序列中元素的取值范围为(0,1)， 以sr+1作为控制交叉操作的标尺， 将其与预先设定 的交叉概率p交比较， 若sr+1大于p交， 则对该两条染色体进行交叉操作， 反之则不进行交叉操 作； S72， 确定染色体的交叉位置； 将染色体的第一层分为若干基因段， 每一基因段包含一 个或多个基因位； 同时将区间(0,1)分为若干个子区间， 每个子区间对应一个基因段， 再利 用Logistic混沌映射任取初值s0产生迭代序列， 迭代序列中元素的取值区间也为(0,1)， 判 断sr+1所处的子区间， 该子区间对应的染色体 基因段即为该染色体的交叉位置； S73， 对该两条染色体进行交叉操作并对该两条染色体上的基因段进行局部调整； 将该 两条染色体第一层交叉位置中的基因段进 行互换， 并对交叉后的染色体上的基因段进 行局 部调整， 使其表达的任务数和步骤数与约束条件相符， 且染色体的第二层设备码只能在其 第一层步骤码的可用设备集中进行选择。 2.如权利要求1所述的基于混沌 遗传算法的装备 试验资源统筹调配方法， 其特 征在于， 所述的步骤S1， 确定调配优化集， 包括任务/步骤集和可用设备资源集； 首先， 对于任权　利　要　求　书 1/3 页 2 CN 113987936 B 2务/步骤集， 根据试验任务要求， 确定参与调配的试验任务， 并根据试验任务本身的流程步 骤以及当前试验任务的进展情况， 将试验任务和步骤进行划分， 分为已完成任务和 步骤及 未完成任务和步骤， 并将未完成任务和步骤构成一个集合， 作为调度优化集中的任务/步骤 集； 其次， 对于可用设备资源集， 通过分析设备资源本身的技战指标和具备的能力， 选出能 够为任务/步骤集中的各任务及操作步骤发挥作用的设备资源， 将其构成一个集合作为调 度优化集中的可用设备资源集。 3.如权利要求1所述的基于混沌 遗传算法的装备 试验资源统筹调配方法， 其特 征在于， 所述的步骤S2， 其具体包括， 装备试验资源统筹调配问题描述为： 试验过程中有n个待 试验任务和m个可用设备资源， 每个试验任务包含若干个流程步骤， 且按一定顺序进行； 每 个试验任务的每个步骤只能在一个设备资源上运行， 且其运行时间固定， 每个设备资源可 用于不同试验任务的多个步骤； 试验资源统筹调配过程的数学模型的调配目标为安排确定 每个设备资源上试验任务的步骤的执行顺序， 并且确定每个任务步骤的开始时间； Pi为第i 个试验任务， i＝1， 2， 3， …， n， 共有n个试验任务； Mk为第k个设备资源， k＝1， 2， 3， …， m， 共有 m个设备资源； Oij为试验任务Pi的第j个步骤， j＝1， 2， 3， …， Ji， Ji为第i个试验任务 的步骤 数， Q为步骤的总个数； STik为试验任务Pi在设备资源Mk上的开始时间； FTik为 试验任务Pi在设备资源Mk上的完成时间； DTik为试验任务Pi在设备资源Mk上的使用时间； xilk 的含义为， 当设备资源Mk上试验任务Pi早于试验任务Pl到达且先使用， 其取值为1， 反之， 则 其取值为0； aihk的含义为， 当试验任务Pi先在设备资源Mh上执行再到设备资源Mk上执行， 其 取值为1， 反之， 则其取值 为0； 对于试验资源统筹调配过程的数学模型， 其以试验任务的最大完成时间的最小化作为 目标函数， 该目标函数的表达式为： minmax(FTik)， 该数学模型的约束条件为： FTlk‑FTik+M(1‑xilk)≥DTlk， FTik‑DTih+M(1‑aihk)≥FTih， FTik＝STik+DTik， xilk， aihk＝0， 1， FTik≥0， i＝1， 2， ...， n， l＝1， 2， ...， n； h＝1， 2， . ..， m， k＝1， 2， ...， m； 参数M表示控制因子， 其取值 为不为零的正数。 4.如权利要求1所述的基于混沌 遗传算法的装备 试验资源统筹调配方法， 其特 征在于， 所述的步骤S3， 通过双层遗传编码方法将试验资源统筹调配过程的数学模型的解空间 转化为遗传算法中染色体的编 码空间， 根据各步骤的可用设备资源集和各设备资源对应使 用时间， 染色体被分为两层， 第一层为基于试验任务的步骤的编码， 即步骤码， 第二层为基 于可用设备资源的编码， 即 设备码， 染色体共2Q个编码位， 具体表示 为： C＝[α1， ... αj， ... αQ|β1， ...， βj， ... βQ]， 其中， C表示染色体， 第j个步骤码αj在试验任务集{P1， P2， ...Pn}内取值， 其对应于试验 任务编号， 若第i个试验任务Pi在步骤码中第j次出现， 则用步骤Oij表示试验任务Pi的第j个 步骤， 试验任务编号在 步骤码中出现的总次数表示该试验任务的总步骤数； 第j个设备码βj权　利　要　求　书 2/3 页 3 CN 113987936 B 3