舰载机出动作业调度方法、装置、设备和介质

1.本技术涉及资源优化调度
技术领域：
：，特别是涉及一种舰载机出动作业调度方法、装置、设备和介质。
背景技术：
：：2.舰载机甲板作业过程占据其任务周期的绝大部分时段，包括驻留、维修、布列、调运、保障、出动离场和回收着舰等环节，最为核心的是出动作业调度，其效能是衡量航母综合作战能力的关键指标，即在给定时间内持续出动飞机架次最多或者给定机队规模下出动保障时间最短。出动作业调度的规划时效性强、作业工序多、空间约束大且时间窗明显，涉及布列、调运、机务勤务保障及离场等多个过程，是整个甲板作业中最复杂的一环。开展舰载机出动作业调度优化研究对提升航母编队作战能力具有重要意义。3.然而，目前对于出动作业调度的问题多以布列与调运、机务勤务保障及离场等各个分阶段的独立研究为主，而缺少一体化设计。针对其中涉及的调度优化算法，传统的精确解法计算复杂度高，商业优化器的学术版本计算规模受限，而强化学习对于规则模糊或复杂约束场景的效果并不理想，传统的智能搜索算法优缺点并存。因此，在实现本发明的过程中，发明人发现传统的舰载机出动作业调度技术中，仍然存在着出动作业调度效率不高的技术问题。技术实现要素：4.基于此，有必要针对上述技术问题，提供一种能够大幅提升出动作业调度效率的舰载机出动作业调度方法、一种舰载机出动作业调度装置、一种计算机设备以及一种计算机可读存储介质。5.为了实现上述目的，本发明实施例采用以下技术方案：6.一方面，本发明实施例提供一种舰载机出动作业调度方法，包括步骤：7.初始化mmfjsp模型的通用参数并获取作业的任务表；mmfjsp模型为基于舰载机出动作业过程抽象得到的多模式柔性车间调度模型；8.调用ha算法求解任务表在mmfjsp模型下的优化解；ha算法为ga算法与sa算法组成的混合算法；9.输出满足sa算法的终端条件的优化解作为最优解；10.将最优解进行解码输出，得到出动作业调度方案；出动作业调度方案用于调度舰载机的出动作业。11.另一方面，还提供一种舰载机出动作业调度装置，包括：12.初始处理模块，用于初始化mmfjsp模型的通用参数并获取作业的任务表；mmfjsp模型为基于舰载机出动作业过程抽象得到的多模式柔性车间调度模型；13.优化求解模块，用于调用ha算法求解任务表在mmfjsp模型下的优化解；ha算法为ga算法与sa算法组成的混合算法；14.最优输出模块，用于输出满足sa算法的终端条件的优化解作为最优解；15.调度解码模块，用于将最优解进行解码输出，得到出动作业调度方案；出动作业调度方案用于调度舰载机的出动作业。16.又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现任一项的上述舰载机出动作业调度方法的步骤。17.再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现任一项的上述舰载机出动作业调度方法的步骤。18.上述技术方案中的一个技术方案具有如下优点和有益效果：19.上述舰载机出动作业调度方法、装置、设备和介质，通过开展出动作业一体化调度研究，首先将舰载机作业过程抽象为多模式柔性车间调度(mmfjsp)问题，从而考虑飞机优先序、资源及空间约束条件建立了混合整数规划模型，也即mmfjsp模型。其次，提出一种结合种群进化与邻域搜索的混合遗传-模拟退火算法，也即ha算法，实现全局并行与自适应局部搜索。最后，通过引入任务表的生成方案构建了实际作业调度仿真架构。该架构融合了问题输入、动态扰动与求解算法，实用泛化性强。经仿真结果表明，算法收敛快、解的准确性好，可有效解决任务表驱动下的出动作业调度问题，达到了大幅提升出动作业调度效率的效果，而且灵敏度分析发现保障点-军械加工对全局调度影响最为显著，可为舰面航空指挥与保障提供更为可靠有效的决策依据。附图说明20.图1为其中一种舰载机出动作业流程示意图；21.图2为一个实施例中航母甲板状态某假定情况示意图；22.图3为一个实施例中舰载机出动作业调度方法的流程示意图；23.图4为一个实施例中混合启发式算法架构的示意图；24.图5为一个实施例中给定编码的解码甘特图；25.图6为另一个实施例中舰载机出动作业调度方法的流程示意图；26.图7为一个实施例中出动任务调度方案计算流程示意图；27.图8为一个实施例中8架机出动时的出动作业调度算法迭代情况示意图；28.图9为一个实施例中14架机出动时的出动作业调度算法迭代情况示意图；29.图10为一个实施例中20架机出动时的出动作业调度算法迭代情况示意图；30.图11为一个实施例中8架机出动时的飞机出动作业调度甘特图，其中，(a1)为8架-机器加工调度的甘特图，(a2)为8架-飞机作业调度的甘特图；31.图12为一个实施例中14架机出动时的飞机出动作业调度甘特图，其中，(b1)为14架-机器加工调度的甘特图，(b2)为14架-飞机作业调度的甘特图；32.图13为一个实施例中20架机出动时的飞机出动作业调度甘特图，其中，(c1)为20架-机器加工调度的甘特图，(c2)为20架-飞机作业调度的甘特图；33.图14为一个实施例中14架机出动时的作业机器累计加工时间分布示意图；34.图15为一个实施例中20架机出动时的作业机器累计加工时间分布示意图；35.图16为一个实施例中增加保障点加油机器后对20架飞机迭代情况的影响示意图；36.图17为一个实施例中增加保障点加油机器后对20架-机器调度影响示意图，其中，(d1)为20架-机器加工调度的甘特图，(d2)为20架-飞机作业调度的甘特图；37.图18为一个实施例中舰载机出动作业调度装置的模块结构示意图。具体实施方式38.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。39.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的
技术领域：
：的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。40.另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。41.近年来，研究人员针对甲板作业调度问题进行了大量研究。ryan等引入“人在回路”架构，提出了人工调度与基于cplex优化器的自动规划算法的交互式调度方法，并设计了基于多智体能安全协议作业仿真系统来模拟验证智能决策算法的性能，但缺少人-机交互策略研究。rajarshi等人提出了基于排队网络的指标优先序方法来解决甲板作业动态调度问题。此外，本领域的其他现有文献针对调运布列、出动离场和甲板保障等阶段作业进行了优化研究；yul等人提出基于析取弧关键路径的启发式邻域搜索来改进差分进化算法，解决舰载机甲板作业调度的问题，但析取弧搜索仍为精确解法，调度规模增大时其计算复杂度将陡增。出动作业调度规划时效性强、作业工序多、空间约束大且时间窗明显，涉及布列调运、机务勤务保障及离场等多个过程，是整个甲板作业中最复杂的一环。目前该问题多以布列与调运、机务勤务保障及离场等分阶段独立研究为主，而缺少一体化设计。42.为此，本技术开展出动作业一体化调度研究，主要参考本领域关于甲板保障研究所提出的保障点概念，cuijp等人针对出动作业调度的任务规划框架将作业过程抽象成在空间受限条件下柔性调度分配问题等文献，重点进行甲板作业保障、离场起飞调度的多模柔性车间调度问题(multi-modeflexiblejob-shopsschedulingproblem,mmfjsp)模型研究。43.在调度优化算法方面，目前主要有以分枝定界法为代表的精确解法，如基于混合整数规划模型的gurobi商业优化器，但其官网中对复杂约束的调度问题案例较少；采用约束传播和邻域缩减的约束规划方法，但其计算复杂度同精确解法；在启发式规则基础上的构造启发法和元启发式搜索算法，如基于邻域搜索的模拟退火、贪婪迭代算法，基于群体智能搜索的进化算法、粒子群及量子算法等；此外，还有基于强化学习的调度算法，但应用于规则模糊或复杂约束场景的效果并不理想。44.在研究中，发明人考虑到ga算法(即geneticalgorithm，遗传算法)在解空间中的全局并行搜索特性，以及sa算法(即simulatedannealingalgorithm，模拟退火算法)自适应贪婪策略的邻域精细搜索优势，因此，本技术提出综合进化算法与模拟退火(hybridgeneticalgorithmandsimulatedannealing，hgasa简记为ha算法)来平衡对舰载机出动作业调度优化问题的全局探索与局部开发，完成调度方案的优化搜索。本技术基于甲板飞机布列状态与出动任务，可由人工启发式规则与规划算法生成任务表(operationstable)，并以此作为出动作业的输入，综合mmfjsp出动作业调度数学规划模型，运用ha算法得到最佳出动调度方案。45.如图1所示，舰载机作业通常以作战训练为牵引，需完成出动、空中任务、回收、调运及维修保障等任务，除空中任务外均属于调度优化问题。其中出动与回收作业通常集中完成，遂行连续或波次出动任务，而调运过程贯穿舰载机甲板作业全周期，体现在出动环节保障作业、着舰回收跑道清场、甲板机位编排调整及维修保障飞机转移等，维修保障通常在机库进行，回收调度则由塔台完成空中排序与复飞管理。舰载机作业调度系统较为复杂，但各环节相对独立，可分解为不同作业阶段进行优化研究，而其中出动作业工序多、时间紧且作业耦合，本技术重点研究该调度优化，其作业流程示意图如图1所示。46.在作战任务驱动下，由任务规划算法(基于人工调配或优先规则)生成飞机出动作业相关数据。作业调度则以该规划任务为输入，根据飞机初始停机位，先后完成调运、保障、调运及最后的起飞离场等作业，其中调运由牵引车来完成不同停机位间的转运；保障由各保障点/保障组完成机务勤务保障(如燃油、军械等)；离场则根据选择不同起飞位进行。47.飞机会因各自任务及所处停机位不同而使得作业阶段不同，作业时间也有所差别，如：挂弹数量不同保障时间有差别，保障点飞机可能无需调运或只调运1次，而远离保障点的飞机可能调运2次，这些基础数据可由任务规划算法生成。保障点的机务勤务保障为多道工序的子调度问题(属于资源受限项目调度)，已有的文献分别开展了静态调度和鲁棒动态调度研究，本技术则将飞机保障抽象出来作为最核心的加油与军械操作(因其他操作可伴随完成，嵌入在保障点/组工作中)，可在不同保障点/组完成，如图2示。阶段3的调运所涉及的停机位选择则由最短处理时间优先(shortestprocessingtimefirst,spt)规则完成。48.综上，本技术针对传统的舰载机出动任务规划方法中，仍然存在着出动作业调度效率不高的技术问题，提供了一种用于舰载机出动作业调度的舰载机出动作业调度方法，以实现舰载机出动作业调度的一体化设计，大幅提升出动作业调度效率。49.请参阅图3，一方面，本发明提供一种舰载机出动作业调度方法，包括如下步骤s12至s18：50.s12，初始化mmfjsp模型的通用参数并获取作业的任务表；mmfjsp模型为基于舰载机出动作业过程抽象得到的多模式柔性车间调度模型。51.可以理解，舰载机出动作业调度目的是快速生成任意作战任务驱动下优化调度方案，同步考虑甲板设备资源的最大化利用、调运与保障忙闲均衡工作等问题。由图1作业流程，舰载机出动作业调度过程可抽象为多模式柔性车间调度问题mmfjsp，mmfjsp模型可以预先抽象建立得到。52.在一些实施方式中，mmfjsp模型的通用参数包括工件数j＝{j1,j2,…,jn}、机器数m＝{m1,m2,…,mm}、工序操作oij＝{oi1,oi2,…,oini}以及加工机器集i为作业飞机索引号，i∈j，j为阶段工序索引号。53.mmfjsp模型的目标函数包括：54.[0055][0056]minimizewmax＝max{wk|k＝1,2,…,m}ꢀꢀ(3)[0057]其中，cij为工序操作oij完成时间，cmax为最大完成作业时间，jio为最后一个工序阶段，wk为机器k加工工作时间，wtotal为各机器累计工作时间，k为机器索引号，k∈m，为工序操作oij在机器k∈mij上加工时间，为工序操作oij是否在机器k上加工(由式(10)的0-1决策变量给出)，wmax为机器最大工作时间；[0058]mmfjsp模型的约束条件包括：[0059][0060][0061][0062][0063][0064][0065][0066][0067]其中，sij为工序操作oij开始时间，ci′j′为工序操作oi’j’完工时间，为0-1决策变量，表示在机器k上工序操作oij是否先于工序操作oi’j’，h为大正数，用于确保不等式成立，为工序操作oi’j’是否在机器k上加工，为工序操作oi’j’在机器k上的加工时间。[0068]具体的，舰载机出动作业调度过程可抽象为多模式柔性车间调度问题mmfjsp，即n个工件j＝{j1,j2,…,jn}和m个机器m＝{m1,m2,…,mm}，对包含序列工序操作{oi1,oi2,…,oini}，而工序可由一组机器集中的某台机器来处理，即每个工序可有多种作业模式。上述作业任务所需的多模式作业工序列表则称为任务表。基于该任务表完成对n架飞机在4个阶段工序上由牵引车、保障点/组、起飞位等机器作业调度，最终起飞离场。[0069]s14，调用ha算法求解任务表在mmfjsp模型下的优化解；ha算法为ga算法与sa算法组成的混合算法。[0070]s16，输出满足sa算法的终端条件的优化解作为最优解。[0071]s18，将最优解进行解码输出，得到出动作业调度方案；出动作业调度方案用于调度舰载机的出动作业。[0072]可以理解，舰载机出动抽象的mmfjsp模型中，不同出动任务表现为对mmfjsp任务表的优化，而任务表的生成方案由飞机系泊机位、保障点/组及任务要求决定，可根据作业经验、规划算法和人工选择得到。对给定任务表，调度方案是基于调度模型实现的，为简化作业过程，作如下假定：飞机在甲板调运时间基本相同，服从本领域的n1(μ1,)分布且σ1标准差小，因甲板空间有限，牵引路径时间相对解系泊位调整时间为小量；牵引车的空载滑行时间忽略，因空载速度快，该时间作为小扰动量纳入飞机调运时间处理；舰面机务勤务保障集中在几个保障点/组之一进行，加工时间由飞机任务或保障点人员/保障资源量决定，服从n2(μ2,)分布且σ2标准差小，具体分布参数与保障点及飞机任务有关。建立如下混合整数规划模型(mixedintegerprogrammingmodel,mip)，模型参数定义：工件(飞机)数、机器数、工序操作及其对应加工机器集可参见前述mmfjsp模型的通用参数的说明。[0073]i为作业飞机索引号，i∈j；[0074]j为阶段工序索引号，ji为飞机i第j个工序；[0075]jni为飞机i总工序数(ni为索引号)；loperations＝∑nijni为所有飞机总工序数；[0076]k为机器索引号，k∈m；[0077]为工序操作oij在机器k∈mij上加工时间；[0078]sij为工序操作oij开始时间；[0079]cij为工序操作oij完成时间；[0080]wk为机器k加工工作时间；[0081]为工序操作oij在机器k完成时间；[0082]h为大正数，用来调节不等式约束。[0083]目标函数及约束条件分别如上述式(1)至式(11)所示。目标函数式(1)至式(3)分别为完成作业时间cmax、各机器累计工作时间和机器最大工作时间的最小化。约束条件(4)为飞机i第j阶段工序的作业完成时间等于开始时间与所选加工机器处理时间之和。约束条件(5)为对任意给定飞机与阶段工序，下阶段的开始时间应大于上一阶段的结束时间。约束条件(6)为确保同一机器每时仅处理一个飞机操作，取0/1时同一机器的前后作业操作不满足前后优先关系。约束条件(7)为对任意给定的飞机与阶段工序操作仅能在一台机器上进行。约束条件(8)为甲板作业的空间约束关系，即对给定机器k，执行oi’j’工序之前需完成其前序工序oij，式(8)中prek(oi′j′)表示工序oi’j’在k上的前期工序，这是与经典jsp调度问题的最主要区别(因其无需考虑空间约束关系)。约束条件(9)至(11)为决策变量。[0084]在关于调度算法的设计中，针对mip模型，可采用精确解法或近似算法，如分支定界、束搜索算法及gurobi优化器等，但这些算法效率随问题复杂度成指数级增长；也可以采用约束规划方法求解，如cplex优化器的cp引擎、ortools开源约束规划器。从对benchmark案例仿真看，cplex效果强于ortools，远好于mip搜索，但商业优化器学术版使用规模受限，而ortools结果并不理想，经常验证不到最优值且运算效率并不高。[0085]因此，本技术采用改进元启发式搜索算法解决：1)多目标优化问题；2)智能搜索效率问题。随机调度由作业时间期望值处理，并采用重调度策略进行任务修正；多目标优化则加权方式处理为单目标；而智能搜索算法采用种群进化+局部邻域搜索混合算法求解。本技术的总体思路是：利用遗传算法基于群体进化的全局搜索，并结合模拟退火的局部邻域搜索的优势，将两者综合集成，在ga算子基础上对种群个体进行sa搜索并更新种群，尔后重新进行迭代直至满足终端条件。该架构有效解决ga算法局部搜索能力弱而容易早熟收敛问题，sa算法合理设定降温速度及步/代数可提高邻域搜索能力，两者集成实现了对解空间的全局探索与局部开发，确保了解的质量与全局收敛性，ha混合算法架构如图4示。[0086]关于其中的编码规则，编码主要将解空间映射到搜索空间的过程。调度是完成操作工序-机器的分配和工序的排序过程，故采用机器分配向量u+工序排序向量v两个序列编码表示解(调度方案)。调度编排基于机器加工甘特图进行的，也可基于析取法。x＝[u,v]向量(也称染色体)即为一个调度方案(解)，染色体解码过程是结合机器甘特图编排进行的，因此，获取最优解后，将最优解进行解码输出即可得到可以直观的出动作业调度方案，用于调度舰载机的出动作业。[0087]上述舰载机出动作业调度方法，通过开展出动作业一体化调度研究，首先将舰载机作业过程抽象为多模式柔性车间调度(mmfjsp)问题，从而考虑飞机优先序、资源及空间约束条件建立了混合整数规划模型，也即mmfjsp模型。其次，提出一种结合种群进化与邻域搜索的混合遗传-模拟退火算法，也即ha算法，实现全局并行与自适应局部搜索。最后，通过引入任务表的生成方案构建了实际作业调度仿真架构。该架构融合了问题输入、动态扰动与求解算法，实用泛化性强。经仿真结果表明，算法收敛快、解的准确性好，可有效解决任务表驱动下的出动作业调度问题，达到了大幅提升出动作业调度效率的效果，而且灵敏度分析发现保障点-军械加工对全局调度影响最为显著，可为舰面航空指挥与保障提供更为可靠有效的决策依据。[0088]在一些实施方式中，可以理解，在编码规则中，u的索引号为：1,2,…,l，指示n架飞机工序序列的串接{1,2,…,jn1}∪{1,2,…,jn2}∪…∪{1,2,…,jnn}，第1串序列代表第1架飞机工序序列，而索引位代表相应飞机的操作工序。机器分配向量u记为：[0089]u＝[u1,u2,…,ul]，ui∈z+|1≤ui≤li,i＝1,2,…,lꢀꢀ(12)[0090]式(12)中，ui表示索引号i所分配的机器号，li表示索引号i对应工序可选机器数量，具体由调度任务的作业表确定，其中分配机器号表示相应工序的可选机器集中索引号，该处理方便遍历索引。[0091]而工序排序向量v记为：[0092]v＝[v1,v2,…,vl]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(13)[0093]式(13)中，工序向量为全体飞机加工工序全排列，索引号i为编排顺序即加工优先级，元素值vi为对应工序号。因同一飞机的不同工序有先后性，工序向量生成时需对相同飞机工序进行顺序调整。[0094]表1[0095][0096]表1为1个简单的mmfjsp问题示例，如工序向量v＝[1,2,3,7,5,4,6]，表示工序顺序o12→o13→o32→o22→o21→o11→o31，但因同一飞机工序先后约束，生成编码时应调整为o11→o12→o31→o21→o22→o13→o32。而机器分配向量u＝[1,2,1,3,1,1,1]，表示各工序分配机器情况，u2＝2表示工序o12分配在机器m3上加工，因其可选机器集{m1，m3}。[0097]在一些实施方式中，可以理解，在调度解码策略中，调度编排基于机器加工甘特图进行的，也可基于析取法。x＝[u,v]向量(也称染色体)即为一个调度方案(解)，染色体解码过程是结合机器甘特图编排进行的。[0098]先由u向量依机器进行工序分组，而v向量依据加工时间完成各机器分组上工序优先序排列，后检查先后工序约束、调整机器闲置。[0099]机器k上编排工序oij可视为由开始、完成加工(sij,cij)构成的间隔变量，记为其大小为工序约束检查策略，主要对相同飞机的工序间隔进行先后排列检查，若不满足则重置工序(sij,cij)。[0100]工序约束调整策略：先后工序包括同一飞机的前后操作工序，及同一机器上不同加工工序的优先关系(见(8)式)，下文中的algorithm2给出修复步骤。[0101][0102][0103]在一个实施例中，关于上述步骤s18中，将最优解进行解码输出的过程，具体可以包括如下处理过程：[0104]根据设定的机器闲置检查策略进行机器闲置检查；机器闲置检查策略为：[0105][0106]其中，sm为机器k空闲时间的起始端，ci,j-1为工序oij上一个工序完成时间，为工序操作oij在机器k∈mij上加工时间，em为机器k空闲时间终止端；[0107]若工序oij满足机器闲置检查策略的调整判定，则设置sij＝max{sm,ci,j-1}/sm；sij为工序操作oij开始时间。[0108]在一个实施例中，关于上述步骤s18中，将最优解进行解码输出的过程，具体还可以包括如下处理过程：[0109]若工序oij不满足机器闲置检查策略的调整判定，则设置sij＝em；sij为工序操作oij开始时间。[0110]具体的，机器闲置优化策略：完成染色体解码及工序约束检查后，甘特图中可能存在部分机器闲置时间过长问题，该机器上某些工序在满足约束时可微调顺序，减少机器闲置。定义机器k上空间间隔[sm,em]∈idile(k)，闲置检查策略为上述(14)式所示，表示工序oij在机器k上编排时的机器闲置调整判定，ci,j-1为工序oij上一个工序完成时间。当oij满足要求时，sij＝max{sm,ci,j-1}/sm；否则，sij＝em。综上，调度解码算法流程详见algorithm1：[0111][0112]采用该甘特图编排方法，上述编码规则部分给出的编码可解码成下图5所示的调度甘特图。甘特图编排中，涉及到相同工件工序前后约束及机器空闲时工序调整。[0113]在一些实施方式中，对于多目标优化处理策略，可以pareto优化或加权组合处理，然而实际调度中更关注作业时间优化，机器负载利用及均衡问题也为考虑因素，故根据调度员偏好对各目标进行加权处理，为：[0114]minimizef(λ,g)＝λ1cmax+λ2wtotal+λ3wmaxꢀꢀꢀꢀ(15)[0115]式(15)中，f(λ,g)为子目标加权表示函数，各子目标均为处理时间函数且其值量级相同，无需对子目标进行规范化处理，故各系数可取为λ1+λ2+λ3＝1|λi∈[0,1]，系数的选择可根据调度员对目标偏好进行设定。[0116]请参阅图6，在一个实施例中，上述舰载机出动作业调度方法还可以包括步骤s20：[0117]s20，根据当前的甲板态势及调度执行偏差数据，确定当前是否启动重调度；若是，则重新生成当前作业的任务表并返回执行步骤s12；当前作业的任务表基于当前的甲板态势、环境参数和/或任务改变参数生成。[0118]可以理解，作业中还面临保障点容量受限、调运安全避碰等情况，致使保障、调运作业时间具有随机性不确定性特点。因此，出动作业调度是一个时间、空间、资源约束的随机调度问题。针对不确定性工时调度问题，其中一个现有的文献提出了鲁棒调度方案，另一个现有的文献给出了基于benders分解的二阶段调度方法。而本技术针对不确定性问题，基于工时期望进行优化调度，对调度执行偏差提出重调度策略，就是通过重新生成受影响的后续作业的任务表，并进行重新优化求解。从而适应作业过程扰动(如调运避让、保障点作业转移带来的时间延迟等不确定因素)，完成甲板态势-任务表(或更新)-mmfjsp模型-调度求解。[0119]在一个实施例中，ha算法求解过程，具体可以包括如下处理过程：[0120]利用sa算法基于ga算法的ga种群进行sa搜索并更新ga种群，然后重新进行迭代制作满足sa算法终端条件。[0121]可以理解，关于ga算子操作，由图4架构可见，ga算子对生成的种群完成个体选择、交叉和变异操作，并且更新种群。个体评价是基于(15)式并取负值所得到的适应度函数来求解。[0122]选择/复制操作：为全局探索，可采用二元轮盘赌、n-size轮盘赌和线性排序方式选择染色体作父本，其中线性排序是将种群按个体适应度升序排序，个体i排序号ri∈{1,2,…,n}为其优先值，并用(16)式概率选择相应个体。选择操作主要从种群中选出n/2-1对父本。[0123][0124]交叉操作：个体染色体[u,v]，机器分配部分u向量随机设置交叉点后整体交叉换位；工序排序部分v向量随机设置交叉点后，父本1交叉点将部分遗传给子代，父本2剔除与父本1已遗传部分剩余元素顺位遗传给子代，交叉操作后并对生成子代进行工序先后序检查修复，见上述alogrithm2。[0125]变异操作：仅需单一父本进行操作，u向量随机选择某个位置进行变异，即从oi,j:{mij}集合中随机选一个机器，而v向量变异则随机选择两个位置进行交换，并由上述algorithm2进行工序修复。[0126]综上，原种群生成n/2-1对子代个体，加上保留精英个体，生成与原种群规模相同的子代。[0127]具体的，对于sa局部搜索改进策略：ga算子为并行全局搜索，但交叉变异幅度较大，容易跳过局部邻域解而导致早熟收敛，缺少局部深耕开发，故引入局部搜索能力强的sa算法进行改进。sa是基于ga种群的体进行改进搜索，从局部邻域的摄动调节来搜索更好解。核心是通过模拟降温操作来调节邻域移动时适应度值未改进解的接受情况，接受概率按(17)式进行抽样选择，即，模拟操作开始可以接受差解，但到后期优质解将得以保留。算法步骤见下述algorithm3所示。[0128][0129]其中，pr为接受概率，q为初温，x(t)为解，δx为邻域移动步长。[0130][0131][0132]sa局部改进策略是基于ga种群多点并行操作，主要是弥补种ga算法邻域操作增量变化过大问题，进一步挖掘种群个体附近的最优解，补齐ga搜索盲区，防止过早收敛并远离最优解，从而更有效地提升出动作业调度效率。[0133]在一个实施例中，为了更直观且全面地说明上述舰载机出动作业调度方法，下面是应用上述舰载机出动作业调度方法，以某类型航母的舰载机出动作业调度作为仿真案例。需要说明的是，本说明书中给出的实施案例仅为示意性的，并非为本发明具体实施案例的唯一限定，本领域技术人员可以在本发明提供的实施案例的示意下，同理实现对不同航母应用场景下的快速调度。[0134]案例实现[0135]出动作业场景假定基于现有航母的甲板但采用3条跑道弹射起飞，保障点/组为4组(分别由2个加油通道、1个军械组等组成)，牵引车为3台，在第1节中图2所示的某假定状态下分别完成8架、14架、20架飞机的出动调度计算。综合图1的描述和ha算法，调度实验流程如图7示，将任务规划系统生成的任务表operations-table进行优化计算，系统出现重大扰动或机器故障等问题，则启动重调度策略进行规划。[0136]说明：因甲板空间约束限制，生成的任务表中除出动飞机外还应包括占用起飞跑道或保障点但无出动任务的飞机的调运计划，由图7左侧部分规划算法生成。ha算法参数设置，ga算子种群：100，代数100代，种群初始化由图4数据生成，随机两点交叉概率为90％，变异发生概率10％；sa算子：初温q＝2000°，tmax＝20，同温迭代20步，退火系数λ＝0.55，快速退火策略重点开展邻域开发。[0137]根据出动飞机位置、状态不同，舰载机出动作业在甲板18台机器上选择部分机器先后经3至6道工序完成，使得调度方案满足mip模型要求。在舰载机作业中，现有文献指出机队通常采取波次或连续出动，飞机集中出动与回收，那么体现在出动作业上的保障过程与离场过程相对分离，即可通过调度分解技术中的阶段分解进行优化求解。[0138]8架飞机出动选择：7-9-10-14-15-16-19-20，需要调运飞机5-6-3-4-1-2，在调度设计中飞机编号映射为1-8号工件，9号则为需调运的占用起飞通道飞机。14架飞机出动选择：3-2-1-7-8-9-10-14-15-16-17-18-19-20，需调运飞机5-6-4，在调度设计中飞机编号映射为1-14号工件，需调运飞机嵌在相应空间约束中；20架飞机出动选择：全部飞机。其中出动方案的选择由operations-table规划算法完成，甲板状态、出动规模、任务时间窗及调度员输入方案均可生成不同任务表。各组实验结果的迭代变化如图8至图10所示，调度方案如图11至图13所示，作业时间如表2示。[0139]其中，图8为8架机出动时的出动作业调度算法迭代情况示意图，图9为14架机出动时的出动作业调度算法迭代情况示意图，图10为20架机出动时的出动作业调度算法迭代情况示意图。[0140]图11为8架机出动时的飞机出动作业调度甘特图，其中，(a1)为8架-机器加工调度的甘特图，(a2)为8架-飞机作业调度的甘特图。[0141]图12为14架机出动时的飞机出动作业调度甘特图，其中，(b1)为14架-机器加工调度的甘特图，(b2)为14架-飞机作业调度的甘特图。[0142]图13为20架机出动时的飞机出动作业调度甘特图，其中，(c1)为20架-机器加工调度的甘特图，(c2)为20架-飞机作业调度的甘特图。[0143](1)算法收敛性。图14和图15中对不同出动规模飞机的保障作业与全过程作业的最优值与种群均值进化计算，从ha算法迭代情况看：一是混合算法大概在20-30代收敛，比单纯ga算法或sa算法效率要高，既兼顾全局与深挖局部邻域解；二是种群均值呈现快速收敛状态，而且该值在算法收敛期后散布较小，表明算法解的质量较高；三是对比不同出动规模情况，小规模调度问题简单时保障阶段最优解可快速得到，随规模增大算法复杂度变大，cpu处理时间变长但收敛变化规律基本相似。其中，图14为14架机出动时的作业机器累计加工时间分布图，图15为20架机出动时的作业机器累计加工时间分布图。[0144](2)算法有效性。图11至图13给出了不同规模下ha算法的收敛解，其中，(a1)、(b1)和(c1)分别给出了基于机器的各甘特图，不同色块代表不同工件(映射为不同飞机)的加工过程，其中在某mk层oi,j表示工件i的第j工序在该k机器上加工。其中，(a2)、(b2)和(c2)分别呈现的是基于工件的作业图，不同色块表示不同机器的加工，其中在某ji层oj,k为第j工序在k机器上加工i工件。从工件时序，机器加工先后序及空间约束等方面看，调度方案无违背约束情况，结果分别由图8至图10的收敛性保证其优化性。[0145]仿真中发现：一是该最佳解并非唯一，这是由于调度中存在部分工序选择不同机器对问题最终目标值无影响，即部分工序操作自由度大对整体方案影响较小，比如在解决占用起飞跑道的飞机的调运中，牵引车的选择安排灵活度大。二是作业调度中保障点的军械加工是关键工序，其调度对目标影响较大，相比而言加油工序则较为灵活，比如在保障作业中加油、军械为先后序而加油有多种选择，实验中发现随着规模增多，不同飞机先后加油及相同保障点飞机对加油机器的选择可以有多种方案而不影响最终结果。三是保障与离场阶段作业时长相差明显，从不同出动实验看，保障时间占总作业时间的80％～88％(见表2)，且本实验中对离场阶段仅作单工序处理，若将离场过程展开为并行流水车调度(即考虑甲板滑行段阻塞)，离场时间会比表2结果要短近40％，然而本示例假定对出动调度问题算法的科学有效性研究影响并不大，即便如此假定，保障作业时间仍占绝对主体，离场效率较高。[0146](3)调度分解的可行性与关键工序。从图11至图13看，假如保障与离场一体化设计，目标优化方向势必出现边保障边离场，即甘特图中将出现在一波飞机出动中，第1架飞机离场与最后一架的间隔将接近整个作业保障过程，那么在出动规模较大时将出现保障结束后，首架离场飞机可能面临任务结束转入进近回收，这将与现有文献中的舰载机出动模式违背。[0147]从安全角度讲，保障过程与离场过程整体应相对分离，即保障任务基本结束后方进行集中离场调度。在阶段分解过程中，离场阶段可以与适度提前，与保障作业部分适量交叉，从而可提高作业效率。[0148]表2[0149][0150]图14和图15给出14、20架出动规模时各机器累计加工时长，横坐标为加工机器(由牵引车、保障点、起飞位等所属机器构成)，可以看出完成相同工序的机器累计时长基本相同，说明最佳方案对加工机器具有较好的均衡性。另一方面，图14和图15中各保障点-军械处理的累计时长最大，通过与表2数据比较，最大军械加工时间基本决定了保障作业的时间(前面甘特图也给出了类似结论)，二者相差甚小。因此，要提高飞机出动效能，可重点考虑军械工序的作业提速。[0151]算法对比分析[0152]在前述案例实现的仿真条件下，本文ha与ga、sa、mbo(migratingbirdsopitimization，蝴蝶优化算法)、de(differentialevolution，差分进化算法)等优化算法进行比较，为便于比较终止条件迭代100代，以模型第1目标作为评价函数，各算法运行20次，得性能指标cmax情况：最好解(best)、均值(avg.)、最坏解(worst)，结果如表3示。[0153]表3[0154][0155]通过比较，ha算法无论从搜索能力还是解的质量，要优于其他算法，该算法集成了ga全局性与sa邻域局部搜索性能并提升了算法效能，同时也好于mbo算法。算法搜索方面，随着出动规模增加搜到最优解的概率降低，如在8架飞机出动时，多次模拟全部得到最优解，但规模增大时，多次实验的收敛值存在散布与抖动，即搜索的“最优性”得不到保证，解的稳定性下降。综合比较，各算法总体效果：ha》ga》de》mbo》sa。[0156]灵敏度分析[0157](1)机器数量变化对调度效率影响[0158]工作机器包括保障点数、牵引车数及起飞位数等。实验结果表明，一是单独改变牵引车数量，由3台降为2台，在大规模出动中将增加整体作业时间，而由3台增加为4台时，并未能显著提升作业效能；二是起飞位数量的增加，对于离场作业效率的提升比例较大，但由于保障作业耗时长致使其改变对调度过程影响较小，而反之若故障导致可用起飞位减少时，平行机调度变单机调度作业时间将显著增加，影响作战效能；三是保障点中的供油管线增加，并不能明显提高出动效能，下图16和图17是对20架飞机出动调度的仿真实验，与油管增加前相比作业时间缩短为119.5min，提速不到1min。但是若对保障点军械工作组，作业时间将大幅度缩小到93.6min，减少近30min，当然这种设定取决于该军械工序的设备数量及自动化程度。图16为增加保障点加油机器后对20架飞机迭代情况的影响示意图，图17为增加保障点加油机器后对20架-机器调度影响示意图。[0159]目前全球现有的最新改进型航母也将采用一站式保障，加油、军械等保障可在各保障点同步并行作业，本技术上述方法将极大提升保障与出动效能。一站式保障将是未来甲板作业主要改进方式。[0160](2)任务表生成对调度影响[0161]对不同出动规模的调度，甲板空间约束是影响任务表的首要因素，小规模出动时问题复杂度低，其任务表对应的ha算法方案最优性可以得到保证。但随着出动规模增多，对于不同甲板舰载机布列状态，各飞机作业工序选择增多，既可原位保障、也可跨保障点作业；出动飞机与驻留飞机的选择组合多，不同驻留方案对出动保障、离场都是空间约束，直接影响任务表中不同飞机工序的生成。对于相同出动规模飞机，不同任务表所得到的最佳目标值差异较大。[0162]通过实验分析知，小规模时任务表优先选择保障点2-4飞机出动，保障点1的附近飞机选择继续驻留并调运清空起飞跑道；中规模时任务表尽可能平衡保障点2-4飞机规模，尽可能不安排跨点保障，保障点1飞机出动安排宜少；大规模时任务表的生成应平衡各保障点的飞机规模，空间约束直接纳入相应飞机相关工序当中。以上启发式规则可极大提高任务表规划效率，直接影响最终出动调度效率。实验发现，任务表的不同选择可导致出动调度最佳目标值间的差异达30％。[0163]结论：(1)ha算法综合了ga、sa搜索优点，收敛性快、稳定性强，与经典算法相比其解的散布均值小、解的质量好，能有效解决舰载机出动调度优化问题。[0164](2)通过设计任务表将飞机调运需求嵌于作业工序，完成对甲板空间约束的处理，实现了实际问题与mmfjsp模型的匹配，仿真发现任务表的不同生成策略对调度结果影响较大，出动飞机与驻留飞机的选择应基于各保障点均衡原则进行规划。[0165](3)通过对8、14、20架不同规模飞机的出动调度实验，保障、离场作业应相对分离规划，保障点-加油设备的增加对调度影响不显著，而保障点-军械为关键工序，对整个调度效能影响较大，若每个保障点增加1台军械点出动效率提高达25％。对出动规模小于20架次时，牵引车3台即可满足要求且不影响整体效果。因此，出动作业保障应提升军械加工效率或增加其保障设备。[0166]应该理解的是，虽然图3和图6流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其他的顺序执行。而且图3和图6的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。[0167]请参阅图18，在一个实施例中，还提供了一种舰载机出动作业调度装置100，包括初始处理模块11、优化求解模块13、最优输出模块15和调度解码模块17。其中，初始处理模块11用于初始化mmfjsp模型的通用参数并获取作业的任务表；mmfjsp模型为基于舰载机出动作业过程抽象得到的多模式柔性车间调度模型。优化求解模块13用于调用ha算法求解任务表在mmfjsp模型下的优化解；ha算法为ga算法与sa算法组成的混合算法。最优输出模块15用于输出满足sa算法的终端条件的优化解作为最优解。调度解码模块17用于将最优解进行解码输出，得到出动作业调度方案；出动作业调度方案用于调度舰载机的出动作业。[0168]上述舰载机出动作业调度装置100，通过各模块的协作，首先将舰载机作业过程抽象为多模式柔性车间调度(mmfjsp)问题，从而考虑飞机优先序、资源及空间约束条件建立了混mip模型，也即mmfjsp模型。其次，提出一种结合种群进化与邻域搜索的混合遗传-模拟退火算法，也即ha算法，实现全局并行与自适应局部搜索。最后，通过引入任务表的生成方案构建了实际作业调度仿真架构。该架构融合了问题输入、动态扰动与求解算法，实用泛化性强。经仿真结果表明，算法收敛快、解的准确性好，可有效解决任务表驱动下的出动作业调度问题，达到了大幅提升出动作业调度效率的效果，而且灵敏度分析发现保障点-军械加工对全局调度影响最为显著，可为舰面航空指挥与保障提供更为可靠有效的决策依据。[0169]在一个实施例中，上述舰载机出动作业调度装置100还可以包括重调度模块，用于根据当前的甲板态势及调度执行偏差数据，确定当前是否启动重调度，若是，则重新生成当前作业的任务表并转至上述初始处理模块11处理；当前作业的任务表基于当前的甲板态势、环境参数和/或任务改变参数生成。[0170]在一个实施例中，上述舰载机出动作业调度装置100各模块，还可以用于实现上述舰载机出动作业调度方法各实施例中其他的相应子步骤。[0171]关于舰载机出动作业调度装置100的具体限定，可以参见上文中舰载机出动作业调度方法的相应限定，在此不再赘述。上述舰载机出动作业调度装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于本领域已有的用于任务调度规划的各型计算机设备。[0172]又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时可以实现以下步骤：初始化mmfjsp模型的通用参数并获取作业的任务表；mmfjsp模型为基于舰载机出动作业过程抽象得到的多模式柔性车间调度模型；调用ha算法求解任务表在mmfjsp模型下的优化解；ha算法为ga算法与sa算法组成的混合算法；输出满足sa算法的终端条件的优化解作为最优解；将最优解进行解码输出，得到出动作业调度方案；出动作业调度方案用于调度舰载机的出动作业。[0173]在一个实施例中，处理器执行计算机程序时还可以实现上述舰载机出动作业调度方法各实施例中增加的步骤或者子步骤。[0174]再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：初始化mmfjsp模型的通用参数并获取作业的任务表；mmfjsp模型为基于舰载机出动作业过程抽象得到的多模式柔性车间调度模型；调用ha算法求解任务表在mmfjsp模型下的优化解；ha算法为ga算法与sa算法组成的混合算法；输出满足sa算法的终端条件的优化解作为最优解；将最优解进行解码输出，得到出动作业调度方案；出动作业调度方案用于调度舰载机的出动作业。[0175]在一个实施例中，计算机程序被处理器执行时，还可以实现上述舰载机出动作业调度方法各实施例中增加的步骤或者子步骤。[0176]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线式动态随机存储器(rambusdram，简称rdram)以及接口动态随机存储器(drdram)等。[0177]以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。[0178]以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可做出若干变形和改进，都属于本技术保护范围。因此本技术专利的保护范围应以所附权利要求为准。当前第1页12当前第1页12