协同决策范文（精选7篇）
协同决策 第1篇
随着中国民航事业的快速发展,航班不正常变得越来越严重。中国民用航空局发布2010年民航行业发展统计公报。数据显示,2010年国内各主要航空公司计划航班188.8万班次,其中不正常航班45.7万班次,航班不正常率为24.2%,相比2009年上升了5个百分点。造成航班不正常的原因很多,其中因天气原因和流量控制这2种原因造成航班不正常占19.5%和27.6%的比重。这2个原因实际上是反映了在航空运输生产上的时隙资源的短缺。虽然这种资源不像航空公司的飞机资源、机组资源,机场的跑道资源、停机位资源可以人为控制,但是如果能够充分合理的应用仍然可以大量减少航班延误提高经济与社会效益。
本世纪初,NAS提出了协同决策(CDM)的理念,在CDM下空管与航空公司共同决策以达到最大程度的减少航班延误。关于这方面的研究也才刚刚开始。张荣[1,2]等研究了CDM GDP机场时隙资源的公平分配问题。 提出了基于延误成本公平分配的协同地面等待优化模型并给出了航班延误成本的计算方法。周茜[3]等研究了CDM GDP时隙分配算法,引入航班延误损失系数,以延误损失系数替代延误时间, 提出了2种基于该系数的时隙分配算法。通过评判函数来选择在总延误损失和延误损失分配的公平性上最佳满足决策者要求的分配结果。徐肖豪[4]等研究了航班地面等待模型中延误成本的计算问题。建立了单元受限地面等待问题的数学模型, 分析了航班延误成本的构成, 给出了航班延误显性成本的计算方法, 并将其用于数学模型中目标函数的计算。之后胡明华、徐肖豪等[5]又研究了多元受限地面等待问题的数学模型。张洪海[6]提出采用有效性、功效性和公平性均衡的CDM GDP 时隙分配方法, 给出一种多目标优化模型。模型以有效性为约束, 以功效性和公平性为目标, 寻求总延误成本损失最小和航空公司间损失偏差最小的分配方案。以上这些模型仅仅是将延误时间或者延误成本平均分配给航空公司或者航班, 航空公司并没有参与决策过程, 所以仍应归属于空管集权式分配模型。T.Vossen 和M.Ball[7]在OptiFlow模型基础上, 通过设置成本系数建立了时隙分配模型和时隙交换模型, 并采用贪婪算法求解模型。该模型允许航空公司通过设置目标时隙来体现自身的决策。但是在该模型中, 目标时隙只能是本公司所拥有的时隙, 航空公司的决策空间十分有限, 仅仅局限于航班取消时的1-1时隙交换, 即一个时隙交换另一个时隙。随后T. Vossen 和M. Ball[8]又研究了2-2时隙交换方式来提高决策能力, 将时隙的再次分配过程看作是基于仲裁的讨价还价问题, 并建立了网络流模型, 这是市场机制下时隙分配的创造性探索。
由于中国与美国在航空运输管理上的巨大差异,照搬国外的研究结果并不可行。完全市场机制下的时隙分配方法不适合目前空管集中式的时隙分配方法,但有限的航空公司参与时隙的分配也能减少航班的延误。本文研究立足于国内实际情况,研究在空管已经确立时隙分配结果后通过航空公司采取自主决策安排航班-时隙以减少航班延误的方法。
1 优化模型
1.1 问题假设
由于天气原因和流量控制所造成的时隙资源的短缺主要出现在大型枢纽机场,因此本研究主要考虑枢纽机场的时隙安排。在枢纽机场航空公司的航班运行方式具有航班波特点。所谓航班波指在一个时间段内到达(或出发)的一组航班,这些航班将进行机组、旅客的相互转移。航班波的运行方式使得航空公司可以充分利用航线网络优势,降低运行成本。由于航班波的存在,旅客延误将不只是针对所乘航班到达的延误,还包括转机的延误。
定义1。旅客到达延误时间为旅客所乘航班实际到达时刻与计划到达时刻的差值。
旅客转机延误比较复杂。当一个航班波中涉及的航班数量多于一个时,对于一个旅客而言转机的延误与航班之间的转机类型有很大关系。例如一个航班波由3个航班构成,分别为航班A、B、C。如果旅客转机之在AB、AC之间,那么当B、C航班延误30 min与60 min,而A航班不延误或延误小于B、C航班延误时间时,则AB之间转机的旅客将延误30 min,AC之间转机的旅客将延误60 min,但是如果AB、AC、BC之间都存在转机旅客,则AB、AC、BC之间的旅客都将延误60 min,因为此时航班B不得不等待航班C到达后才能再次起飞,即使BC转机的人数很少。而往往一个航班波中航班之间都存在相互转机。
定义2。旅客转机延误时间为航班波最后到达航班实际到达时刻与计划到达时刻的差值乘以航班波内转机人数。
由于枢纽机场的重要性,一般航空公司都会充分应用所获得的时隙资源,因此取消航班的可能性极小。根据实际情况,抽象出如下假设:
1) 当恶劣天气和流量控制时,空管部门分配给航空公司的时隙总数量不变,但在每个时区内的数量小于原数量;这说明时区数增加,如原来800~1000分配4个时隙,现在改为800~1000分配2个时隙,1000~1200分配2个时隙。(注:按照民航业的时刻表示方法800表示8:00)。
2) 航空公司可自由决定时隙为本公司航班使用,但是航班所使用的时隙不能早于航班原计划到达时刻。
3) 航空公司安排到达航班数量等于所获得的时隙数量。
1.2 变量定义
针对上述问题进行数学抽象建模。模型中所涉及的变量做如下定义。
1) 集合定义
I:航班集合,i∈ I;
J:时隙集合,j∈ J;
K:航班波集合,k∈ K。
2) 参数定义
M:时隙的数量;
sj:时隙j的时刻;
ri:航班i的计划到达时刻;
dk:航班波k的计划到达时刻;
pi:航班i的到达旅客数量;
wk:航班波k中包含的转机旅客数量。
3) 变量定义
xij:航班i使用时隙j,当xij =1表示使用,xij =0表示不使用;
ek:航班波k的实际到达时刻。
1.3 指派模型
鉴于航班与时隙的一一对应关系,可将本问题抽象成一个平衡指派问题,即将航班指派到时隙上。
上述模型中式(1)为旅客总延误时间由2部分组成,第一部分是到达旅客延误,第二部分是转机旅客延误;式(2)为每个航班只能使用一个时隙;式(3)为每个时隙只能安排一个航班;式(4)为所有的时隙资源都得到使用;式(5)为航班的所用时隙晚于航班计划到达时刻;式(6)为航班波实际到达时刻为航班波最后的航班所用时隙;式(7)为变量取值。
2 模型算法
从式(1)旅客总延误可以完全分离成2部分。其中第一部分到达旅客延误,从航班波的角度,可直观认识到一个航班波内航班到达的先后顺序将影响到达旅客延误。并且这种先后顺序在特定条件下不受航班具体到达时刻影响只与到达人数有关,通过下面定理将证明这一结论。
定理1。航班波内航班可用时隙都可交换,则使到达延误最小的航班排列顺序与航班时隙无关而只与各航班的到达旅客人数有关。
证明。假设存在任意一个航班波,其原航班到达序列为V={v1,v2,…,vl},航班的到达人数为P={p1,p2,...,pl},原所对应的时隙为T=(t1,t2,...,tl),现所对应的时隙为T′=(t′1,t′2,...,t′l), 根据现在时隙T′排列的优化航班序列的顺序中任意2个航班1与2,如果航班1与2所使用的时隙可以交换,则必有下式成立:
式中:t(1)与t(2)为航班1与2在原航班序列中所使用的时隙。
由式(8)可得:
由于(t′1-t′2)<0,因此得
得证。
对于航班波k而言,如果航班波所使用的所有时隙已经确定时,则该航班波中转旅客延误是一个常量,不会影响航班波航班到达序列。因为ek是航班波所用时隙的最晚时隙与航班到达序列无关,而dk对于航班波是定值,因此wk(ek-dk)对于已确定航班波所用时隙时将保持不变。
因此设计了一种启发式算法,算法思想主要是2部分,一是将所有航班视作一个虚拟航班波中的航班,按照参数pi,i∈I确定航班序列,将航班指派到最早可行的时隙中。第二部分是对序列进行部分修正。对排序中的每个真实航班波的最后一个航班尽量向前逐步移动,移动的长度不超过该航班波的前一个时隙或是不可使用的时隙,向前移动时比较交换前后航班的延误成本,如果延误成本减少,则交换,否则不交换。算法流程图如图1。
3 算例分析
某家航空公司某日在枢纽机场在800~1100内计划到达12个航班,航班计划表及航班波见表1,由于机场受到天气影响,在这一时段流量下降,空管部门重新分配了航空公司可以使用的时隙资源见表2,空管允许航空公司自由安排时隙所对应的航班。
依据本文所建模型与算法,可以得到优化的航班时隙指派方案见表3。优化方案的旅客总延误时间为264 800 min。如果采用传统的先到先服务方式(FCFS)安排航班时隙则旅客总延误时间为287 700 min。通过航空公司自由安排时航班时隙采用优化方法可以减少总延误时间22 900 min,总延误时间减少11.8%。
4 结束语
通过采用本文所建立的指派模型与参数启发式算法,航空公司可以有效减少旅客总延误时间。由于不正常航班恢复涉及空管、航空公司、机场三方,而往往空管处于绝对优势地位,虽然空管从效率与公平等角度确定的航空公司时隙分配方案可能是优化的,但这并不等于就可以不需要航空公司的参与。通过本文充分说明在协同决策机制下,需要航空公司的主动参与才能更好的解决不正常航班问题。如果多家航空公司之间建立起时隙动态交易[9],将最大程度的发挥航空公司在协同决策中的作用。
摘要：航空运输系统涉及空管、航空公司与机场三方面,但是目前解决不正常航班却单纯依靠空管。而这种方式无法达到减少旅客延误时间的目标。文中研究在协同决策机制下,航空公司根据航班旅客特性自由指派航班时隙的方法问题。建立了一种航班时隙指派模型,针对模型的特点设计了一种启发式算法。通过实例证明了采用该方法可以减少旅客总延误时间,同时还说明了航空公司参与时隙分配决策的重要性。
关键词：时隙分配,协同决策,不正常航班,航班波,启发式算法
参考文献
[1]张荣,周小数.CDM时隙初始分配公平性研究[J].指挥信息系统与技术,2010(2):51-55.
[2]张荣,胡明华,张洪海.协同式地面等待程序中时隙公平分配研究[J].交通与计算机,2008,26(4):62-65.
[3]周茜,张学军,柳重堪.时隙分配算法在CDMGDP程序中的应有用[J].北京航空航天大学学院,2006,32(9):1043-1045.
[4]徐肖豪,李雄.航班地面等待模型中的延误成本分析与仿真[J].南京航空航天大学学报,2006,38(1):115-120.
[5]胡明华,徐肖豪,陈爱民,等.空中交通流量管理中的多元受限的地面等待策略问题研究[J].航空学报,1998,19(1):78-82.
[6]张洪海,胡明华.CDM GDP飞机着陆时隙多目标优化分配[J].系统管理学报,2009,18(3):302-308.
[7]Vossen T,Ball M.Optimization and mediated bar-tering models for ground delay programs[J].Na-val Research Logistics,2005,53(1):75-90.
[8]Vossen T,Ball M.Slot trading opportunities in col-laborative ground delay programs[J].Transporta-tion Science,2006,40(1):29-43.
编队协同干扰决策方法研究 第2篇
编队协同干扰可以看作为一个基于协同的多阶段多指标系统, 运用多目标模糊优选动态规划理论可以有效的解决该问题。从1965年Zadeh提出模糊集概念, 建立以模糊集合论为基础的模糊数学开始, 许多人在该问题上作出了不少的努力, 但都存在一定的局限性。文献等在导弹数量一定的情况下分别探求火力分配和雷达干扰资源分配的单一资源的优化问题。文献考虑到各阶段之间存在着协同, 探求了基于协同的多阶段多目标动态优化方法, 但只研究了比较简单的协同情况。
1 模糊优选动态规划模型的建立
编队协同干扰决策模型的建立分为三个步骤: (1) 对干扰指标进行评价, 建立指标隶属度矩阵, 得到可行方案的隶属度; (2) 综合处理局部优选数据, 得到暂定最优方案集; (3) 使用动态规划建立指标合成值矩阵, 得到最优方案集。
1.1 评价指标隶属度矩阵模型
k阶段对应n个策略、m项指标, 则这n个策略组成的指标合成值矩阵为Vk (Sk) 。
由于m个指标的量纲不同, 方案的优劣是相对于该个策略而言的, 比较具有相对性, 所以为了消除这些影响, 根据查德隶属度公式, 采用与该公式比较相近的公式结构, 对矩阵Vk (Sk) 进行规格化处理, 使得结果在之间, 将上述矩阵中的值转化为对应的隶属度值, 进而生成对应的指标隶属度矩阵Rk (Sk) , 公式如下
上式中, rij (Sk) 表示方案j的第i项指标值的相对优属度, 则指标隶属度矩阵Rk (Sk) 。设gi (Sk) 为指标i的相对优等策略, bi (Sk) 为指标i的相对劣等策略, 当确定指标权重w后, 根据式 (2) 可求得所有n个策略的隶属度u={u1, u2, …, un}。
其中, j={1, 2, …, n}。
1.2 评价指标暂定最优方案集模型
根据最优原理, 由mac{uj (sk) }所对应的策略可得k阶段状态Sk的暂定最优决策dkt, 与之相对应的状态为暂定最优状态Skt, 同时得到暂定最优目标合成向量为Fk (Skl) 最终阶段K的目标合成值矩阵可表示为Fk (Sk) , 运用上式 (3) 可求出K阶段的暂定最优状态对应的隶属度。
1.3 方案优选动态规划模型
编队协同干扰方案决策可以看作多阶段的动态规划系统。设多阶段系统共包含K个阶段和m项指标, 本文采用前向动态规划方法求解。前向动态规划方法的特点是从第1阶段开始, 向后顺序递推, 根据动态规划最优化的原理得到干扰决策动态规划模型为 (12) :
Hk (Sk, dk) 表示阶段k状态为Sk时决策dk的m项指标值组成的向量, 上标t代表暂定最优。
根据上节中max{Ft (Sk*) }所对应的状态即可求得全局真实最优状态Sk*, 整个系统的最优决策集即为d1*, d2*, L, dk*。
2 基于协同的多阶段多指标系统模糊优选模型
在编队干扰过程中, 协同度可表示为各阶段不同干扰方案之间的一种和谐一致。
令为对于第项指标, 第s阶段取第i项策略与第t阶段取第j项策略时的协同系数, 则
由上式可知, aij的取值范围为[0, 1].aij=0, 表示第i项策略不会影响第j项策略的指标值;0
不同策略i与j之间的协同度矩阵可表示如下:。
因此, 当考虑不同阶段的干扰方案之间的协同关系时, 公式改为:
3 实例分析
作战想定:我们舰艇编队使用四种干扰样式进行干扰, 过程划分为四个阶段。在干扰过程中, 希望综合的抗导概率高, 使用的干扰资源少且干扰时间长。不同阶段不同干扰方案的相关数据如表1所示。
设指标权向量为。
(2) 阶段k=2, 取阶段1的S11=1为暂定最优决策, 并作为第二阶段的输入, 得到隶属度为, 则第二阶段使用冲8干扰方式。依次求阶段3和阶段4, 即可求得相应的暂定最优指标合成值。
(3) 在阶段1时从暂定最优状态S12=2, S13=3, S14=4进行递推, 求得相应的暂定最优指标合成值, 得到最优决策方案。
根据指标权重的不同, 得到的最优方案也不同, 结果如表2所示。
通过对上表的结果进行分析比较, 可以看出:
(1) 是否考虑阶段之间的协同问题, 对决策结果是有影响的。在权重为 (0.3, 0.6, 0.1) 时, 由3-1-1-1变为3-1-2-3, 选择了协同影响较小的决策, 尽量减少协同影响造成的对下一阶段的成功概率的下降。
(2) 当资源消耗指标权重比较高时, 可发现反舰导弹的命中概率很高且干扰时间很短, 所以资源消耗所占的比重不宜过高, 否则影响成败结果。
4 结语
本文将模糊优选理论与动态规划原理结合起来得到全局最优方案集, 为编队干扰决策方法提供了一种解决问题的新思路, 并进行了仿真。但本文的研究还是初步的, 后续还需在协同问题上进行进一步的研究。
参考文献
[1]王红军.编队协同抗导决策关键技术研究[D].大连:大连理工大学, 2007.
[2]陈守煜.工程模糊集理论与应用[M].北京:国防工业出版社, 1998:105-110.
[3]L.A.Zadeh.Fuzzy sets[J].Information and Control, 1965, 8, 338-353.
[4]L.A.Zadeh.Fuzzy sets as a Basic for a Theory of Possibility[J].Fuzzy sets and Systems, 1978, 1:3-28.
[5]戴耀, 汪德虎.舰艇火力分配的多指标模糊优选动态规划[J].辽宁工程技术大学学报, 2001, 20 (10) :673-676.
[6]胡宝军.舰艇雷达干扰资源中的多目标模糊优选分配[J].舰船电子工程, 2007, 27 (2) :165-167.
[7]林乔木, 唐少伯.地多目标模糊优选动态规划在舰艇雷达干扰资源分配中的应用[J].系统工程与电子技术, 2007, 29 (3) :396-398.
[8]王红军, 迟忠先.基于协同的舰载软硬武器反导决策优化[J].控制与决策, 2007, 22 (3) :299-303.
[9]阮旻智, 李庆民, 于志良.基于多阶段多指标的编队干扰方案协同决策研究[J].系统工程与电子技术, 2009, 31 (6) :1404-1408.
[10]董奎义, 毕爱红.编队协同反导决策方案优选[J].现代防御技术, 2012, 40 (1) :104-109.
[11]El-sharkh M Y, El-Keib AA.Maintenance scheduling of generation and transmission systems using fuzzy evolutionary programming[J].IEEE Trans on Power Systems, 2003, 18 (2) :862-866.
运控中心突发应急事件协同决策研究 第3篇
对于航空公司来说, 各部门间的协同决策显得更为重要。特别是发生大规模航班延误、紧急事件处理等, 更需要各部门精诚合作, 共同参与决策处理。在航空公司规模扩大, 业务面多, 公司之间竞争激烈的情况下, 如何将公司内部组织结构强化, 如何及时有效的地完成各类决策, 成为航空公司获得利润、赢得市场的关键问题之一。加强航空公司内部各部门之间的协同是解决该类问题的有效途径。针对航空公司运行特点, 研究适用于航空公司内部各部门之间协同决策的一般性规律, 建立相应的一般性模型。这对于利用IT技术建立航空公司运行控制决策支持系统有着重要的理论依据。因此本文依据以上分析, 按照航空公司现有各部门的职责分工与信息交互流向, 提出多目标多部门的航空公司应急协同决策模型。
航空公司应急突发事件特征分析
部门多样性
运控中心是运行机构, 包括通信、签派和外围团队。主要部门代表有:值班主任、区域经理、飞行签派员、气象专家、导航数据库分析员、空管/ 机场协调员、机务维修、飞机排班、客户服务、机组跟踪、性能工程师、配载等。因此当航空公司突发应急事件时为了及时有效应对, 必须联合各个部门力量进行协同处置。
目标多样性
目标的多样性是指在进行突发事件的应急决策时, 针对不同部门的不同应急方案需要从多个评判维度对该方案进行评判, 例如, 旅客、收益、风险等。因此, 在进行协同决策时, 需要协同考虑不同部门应急处置的目标, 综合分析并尽可能优化选择出各部门都满意的应急决策方案。
航空公司多部门多目标应急协同决策建模
假设航空公司发生某种突发应急事件, 该事件需要N个部门进行协同处置, 这N个部门分别从自身利益出发制定了各自的应急处置方案, 对于这些方案有P个评价指标, 包括旅客、收益、成本、风险等。如何平衡考虑各部门的方案, 得出令参与协同决策的部门都尽可能满意的方案, 是建模的关键。
航空公司应急协同网络
航空公司应急事件的处置往往涉及多个部门, 这些部门有的是彼此间决策不受影响的, 有的是需要考虑其他部门的决策才能完成自身的决策方案。为建立航空公司突发应急事件的协同网络, 我们通过有向图来表征应急响应的整个过程, 如图1 所示。图中标注的每个部门都参与该次协同决策的部门, 如果部门j的决策方案对部门i的决策方案产生影响, 那么就从部门i到部门j画一条有向边。这里, 我们用矩阵A{A ( i, j) } 表示邻接矩阵用在应急协同决策网络中, 其中, A ( i, j) 是用来表示在协同网络中部门i和部门j存在的联系。记:
当航空公司突发应急事件时, 公司运行控制中心会立即成立应急指挥小组, 该小组会立即前往应急指挥中心参与整个事件的协调指挥工作, 是应急决策的核心。因此在协同网络中会向每个部门连一条有向边。
航空公司应急协同矩阵
航空公司应急协同矩阵是对参与协同的应急部门之间不同决策方案的相互影响的表征。定义协同矩阵W, 它反映的是参与应急决策时, 部门之间参与决策时互相影响的程度。其元素W (i, j) , 即协同系数, 表示的是部门i的决策与部门j的决策之间的影响程度。
多目标协同决策优化模型
航空公司应急突发事件的协同决策其实质就是综合评估各决策部门的利益, 从中选出让各部门都能满意的应急决策方案。因此, 我们将应急协同决策问题转换成对多目标进行优化的问题, 于是我们考虑建立多目标优化模型。为了阐述模型, 我们定义了一些模型中用到的变量和参数, 见表1。
由表1 中各变量和参数结合其定义, 我们便可以通过计算得到参与协同决策的各部门对部门i的方案在给出的评价标准j下的综合满意度为:
为了满足参与应急协同决策中所有部门间的利益, 我们希望筛选出的应急处置方案C, 在满足每个评价标准前提下的综合满意度能够尽可能的高, 于是这便是一个由P个目标组成的多目标优化问题。由于为一个N维向量, 因此我们求解它的最大范数。通过以上分析, 我们提出以下多目标协同决策模型:
多目标优化决策模型求解
我们所建立的模型是一个多目标优化问题模型, 要解决这个问题就必须确定各个评价标准的权重, 为了便于解决需对其进行简化处理, 即利用线性加权的方法将之转化为单目标优化问题。获取评价标准i的权重a (i) 有两种方法, 一是通过层次分析法, 二是由该部门的相关人员来制定。通过将指标进行两两比较, 重要得1分, 不重要得0分, 求出每个指标的得分在总分中所占比例, 将其视为权重。此时就得到了单目标优化决策模型如下:
算法实施
将多目标决策模型转化成了单目标决策模型, 虽然模型得到了简化, 但是其中仍有多个未知变量, 例如某部门给出决策方案时其对自身方案的认可程度函数。其中目标函数也是一个N维的向量。这些问题都将导致多目标优化模型在求解释比较困难, 于是, 我们采用设定临界值及权重的决策方法来解决目标函数是N维向量这个问题。
打分
对应急决策方案的认可程度, 我们采用打分的方式来表达。首先由参与应急的各协同部门分别对自己的所有子方案打分, 打分的标准为之前确定的p个评价标准。打分的范围在0~1之间, 分数越高则表示该部门对此方案越认可。记s (A, i;k) 为部门A对自己的方案i在标准k下的打分。
如果该部门的决策会对其他部门决策产生影响, 那么对于受到其影响的部门还应对自己部门的每个方案进行打分。记s (B, B2, A, A1;k) 为在评价标准k上, 部门A对于部门B方案B2在自己选择Al的情况下的打分。
应急处置方案在各评价标准上的得分计算
我们将来自部门i的应急处置子方案C设为C (i) , 在评价标准k下的得分定义为:
所有应急处置子方案的得分构成此次应急处置方案的综合得分。假设参与此次应急决策的部门有N个, 则应急处置方案C在评价标准为k时的得分记为:
应急处置方案的得分计算
结合评价分及评价标准权重a (k) , 应急处置方案C的综合得分定义如下:
此时仍是N维的得分向量, 为确定最优组合方案, 我们需要比较不同组合方案的得分向量。
最优决策方案的选取
为了避免出现“高低混合搭配”的决策方案, 保证决策的公平性, 我们提出临界值-加权决策方法。
我们选定一个数值a作为临界值。然后去除组合方案中, 各方案对应的分数向量其向量的分量小于a的情况。
利用加权的方法选取出最优的应急处置方案。假设应急事件共涉及N个部门, 则每一个应急处置方案都对应一个N维的向量。设应急方案C的得分向量的元素为S (1) , S (2) , …, S (N) , 则应急处置方案C的最终得分记为:
其中的b (i) 为部门i的重要程度, 由航空公司应急指挥中心专家给出。
3) 在各个方案之间进行比较, 选出分数最大的应急决策方案。
结语
机场协同决策(A-CDM)实践 第4篇
一、机场协同决策 (A-CDM) 概述
航空市场的迅速发展, 使得机场航班流量不断增加, 会带来航路拥堵、起降延误等影响飞行运行效率的一系列问题。机场协同决策机制 (A-CDM) 是针对上述问题的解决方案。A-CDM源于欧控 (Eurocontrol) 、国际机场理事会 (ACI) 和国际航空运输协会 (IATA) 共同制定的机场协同决策规范, 旨在为机场管理提供一个信息共享的运营环境, 便于其协同运作[3]。
作为A-CDM系统的基础和核心构成, 信息共享平台将机场、空管和航空公司等相关各方信息集成并进行共享, 为各方工作提供依据, 并在保证航班正常运行的基础上, 提高资源利用率并进一步实现航班运行效率最大化。
在机场信息共享之后, A-CDM对里程碑、可变滑行时间、协同离场前排序、不利条件下的CDM和航班更新的协同管理进行了统一和规范。实现机场CDM信息共享后, 通过对一连串不同的被称为“里程碑”的事件跟踪航班进程, 解释更新下游信息的规则并定义预计值的目标准确度, 可对航班过站流程进行进一步改善。里程碑方法的主要目标是在航班进港和过站时, 进一步提高所有参与方的共同情景意识。可变滑行时间是根据通用规则与本场具体规定, 按照所要求准确度计算得出的滑行时间, 旨在优化空管推出、滑行和起飞次序, 减少排队和滑行道拥堵和提高计算的起飞时间的准确性。离场前排序利用目标撤轮挡时间 (TOBT) , 以及停机坪、滑行道和附近跑道上的交通运行情况掌握航空器进程, 并基于航空器进程提供目标同意开车时间, 将每架航空器排入高效的离场前次序 (撤轮挡) 中, 通过提高排序的透明度, 提高事件的可预测性和航班准点率。不利条件要素强调尽可能以最优的方式管理下降的容量, 当不利条件不再占主导时促使容量尽快恢复正常。最后, 航班更新协同管理将机场CDM整合进流量和容量管理流程的核心。通过建立机场CDM与中央流量管理单元系统的信息交换, 航班更新的协同管理改善了机场运行的网络化, 使航路与进场限制和离场计划成为一个整体, 进而保证航路和机场运行信息的完整性, 提高地面运行的可预测性并改善起飞时间预测[2]。
不难看出, A-CDM建立了空管、机场、航空公司各方参与的信息共享平台系统, 并集成了航班离场管理系统、进场管理系统和天气预报系统、机场运行监测系统而建立的统一协同决策平台, 以保证各方及时掌握各种机场飞行区、进近、离场排序等航班运行信息。空管、机场和航空公司可以按航班放行次序及计算起飞时间, 利用A-CDM制定航班运行保障预案, 并实施运行保障, 使航班放行更加公开透明, 运行更加规范, 从而最大化利用空域资源、时刻资源和地面资源, 减小航班延误和等待时间, 确保航班运行的安全与高效。
经过多年的推广, A-CDM已在超过35个欧洲大型机场和多个国内机场运行。通过信息共享和后续精细化跟踪航班进程, A-CDM在提高资源利用效率、事件准时性, 以及可预见性的成绩有目共睹。本文将以昆明长水国际机场为例, 对A-CDM在我国的实践情况进行介绍。
二、昆明长水国际机场简介
昆明长水国际机场 (KMG) 是云南省昆明市自2012年6月28日8时起开始营运的新昆明机场。定位为中国面向东南亚、南亚和连接欧亚的国家门户枢纽, 昆明长水国际机场于2014年10月1日起正式实施该口岸72小时过境免签政策[4,5]。昆明机场本期规划能满足旅客吞吐量3800万人次、货邮吞吐量95万吨及30.3万架次飞机起降。机场飞行区等级为按照4F标准规划设计, 本期建有两条平行跑道, 可满足空客A380客机的起降[6]。2015年, 昆明长水国际机场全年旅客吞吐量达3765.39万人次, 位居中国内地机场第七位;货邮吞吐量达35.56万吨, 位居中国内地机场第九位;起降航班达30.02架次, 位居中国内地机场第五位;拥有超过220条国内航线, 超过50条国际和地区航线以及约150个通航城市[7]。
虽然新昆明机场的规划吞吐量大, 场址符合云南民航长远发展的选择, 但是其气象条件较为复杂, 自启用以来, 已由于大雾和冰雪天气造成多次大面积延误。面对业内外的质疑, 机场方面也在不断改进, 通过对硬件和软件的提升, 提高机场信息化水平和机场运行效率。后文将以“长水常准”航班进程管控系统的建设, 对具有云南机场特色的A-CDM实践情况进行介绍。
三、昆明长水国际机场A-CDM的实践情况
自2012年6月28日转场运行以来, 云南机场集团特别是昆明长水国际机场的各项指标均快速增长, 运行保障压力不断加大。而冬、春航季期间, 大雾、雨雪、雷暴等极端天气带来的多次大面积航班延误对昆明机场造成了极大的负面影响。其中, 以2013年1月3日大雾造成的影响最为恶劣[8]。为了解决机场内部信息不准、不快、不全等问题, 2014年起云南机场集团在运行监控指挥中心牵头, 信息部门配合, 互联网公司参与的情况下, 开始了一条具有云南机场特色的A-CDM建设探索之路:即“长水常准”航班进程管控系统建设。
“长水常准”航班进程管控系统由云南机场集团运行监控指挥中心主导, 机场信息部门配合, 与合肥飞友科技网络有限公司进行深入合作。历经半年研发调试, 系统于2014年12月正式上线使用。截至目前, “长水常准”累计注册账户接近6000个, 覆盖云南机场集团16个部门和全部13个机场, 包涵了机务、物流、航食、地服等10余家保障单位, 涵盖了19家航空公司及监管局、空管局, 已初步形成以昆明机场为中心, 各个州市机场为指点的集团集群协同平台, 实现省内机场之间运行信息的快速化、集成化、扁平化传递。
结合云南机场的实际情况, “长水常准”有针对性的开发了航班进程保障模块、地空监测模块, 气象模块和航班数据分析等模块, 致力于提高云南机场集团整体运行保障效率。基于欧控A-CDM理念, “长水常准”根据时间节点进一步将整个保障过程划分为38个里程碑 (航空器落地、监护到位、勤务到位、到达机位、上轮挡、靠桥完成、开客舱门、开货舱门、开始下客、下客完成、行李开始、行李结束、保洁开始、保洁结束、加清水、排污、机组到位、加油开始、加油完成、开始配餐、配餐完成、机务放行、开始上客、催促登机、上客完成、关客舱门、关货仓门、离桥完成、撤轮挡、推出、监护撤离、除冰开始、除冰结束、起飞, 加上外场机位的客梯车到位与撤离, 摆渡车到位与撤离) , 并综合天气、流量等数据, 实现航班保障的精细管控。
通过接近两年的稳定运行, “长水常准”航班进程管控系统实现了以低成本投入带来高效率回报的目标, 提升了机场运行效率。例如, 与以往同期相比, 系统投入使用后, 航空器保障时间平均缩短了20.5%;实现了昆明机场85%以上的进港航班预计落地时间误差小于5分钟;将昆明机场靠桥率提高到83%;减少了65%机场指挥中心指挥人员电话询问量;当机场发生大面积航班延误时, “长水常准”系统可协助机场将其准点率提高到50%左右;新增停机位预警功能提高了机场的安全运行水平。
“长水常准”航班进程管控系统通过提供更全面、更及时的航班进程保障时间节点数据和对数据实的时分析和处理, 对航班进程细节进行精细化管控, 有效提升了机场放行正常率, 使云南机场集团各机场放行正常率位居全国前列。同时, 数据实时共享的实现为机场联合运行平台建设奠定了一个坚实的基础。随着川航、祥鹏、机场地服、物流等多家单位生产调度入驻昆明机场AOC指挥大厅, 由大数据支撑的大运行指挥平台格局已初步形成。
四、总结
作为国内第一家由机场运行部门 (使用单位) 牵头, 信息部门配合, 互联网第三方参与的研发的信息系统, “长水常准”航班进程管控系统通过对信息的整合, 在一定程度上解决了信息孤岛的问题。系统集合了来自多方机场运行人员的保障信息, 并以航班查询的方式提供给机场指挥中心工作人员用于辅助决策;另外, 系统整合了机场监控系统、值机离港系统、安检系统等数据和机位资源管控功能, 并结合指挥中心机位分配系统、空管地面监控系统以及航班进程管控等数据进行分析, 进而预测并提供资源预警。最重要的是, “长水常准”航班进程管控系统是一个由使用者牵头, 完全根据使用者实际需求研发的系统, 虽困难重重, 但得到了业内外的广泛认可和赞许。
通过逐步建设和完善“长水常准”航班进程管控系统, 云南机场集团基本做到了以信息化建设为核心, 以科技技术创新引领, 夯实了航班保障基础, 初步解决了运行指挥员在航班保障工作中如何看得见、看得远、看得全的难题, 保障了信息及时高效传递, 形成了AOC作为机场生产运行枢纽能够管得到、管得上、管得好的格局。机场A-CDM的实践过程使“大数据”的概念深入人心, 为大运行、大服务指挥平台的建立奠定了一个坚实的基础。它不仅仅是云南省机场集团在A-CDM上的实践, 更是“大数据”及“互联网+”技术应用方面的重要实践。最重要的是, 实践过程中逐渐总结形成的适合云南机场的A-CDM机场协同决策的理论对于全国机场发展实情的普适性和推广价值。机场通过A-CDM承担地面运行效率的领导责任;A-CDM系统利用大数据和精细化管理, 采用自动化智能先进技术提高航班准点率;空管通过流量管理体系承担空中运行效率的领导责任;通过管理局、空管、机场、航空公司、油料等多方协同决策, 地面、空中的运行效率持续提高, 最终提高航班安全运行正常性。当然, 在“长水常准”航班进程管控系统设计、调试和运行的过程中, 也遇到了诸如候机楼/机坪的WIFI、4G建设力度不够、数据共享不理想和数据收集不全等问题。这些都将作为昆明长水国际机场在A-CDM实践中的宝贵经验, 为后续工作提供方向上的指引。
另外, 从长远发展的角度看, A-CDM只有实现全国网络化才能最大程度发挥其价值。为此, 昆明长水国际机场也做出了自己的努力。在与首都机场签署的协同运行备忘录中, 双方计划针对大运行平台联动机制和多机场协同运行合作模式展开合作, 共同推进“京-昆”航空快线的建设, 打造精品航线助推自身保障能力的完善, 共同推进运行信息共享和整合分析, 同时加强双方业务和人员联系。该备忘录将作为A-CDM的战略合作伙伴未来持续深化合作的依据和引导, 旨在通过合作共同提升服务品质和航班正常水平, 构建科学、合理、高效的航班保障大运行指挥平台, 依托大数据, 践行大运行, 完善大协同, 为打造“大数据”时代共赢的民航服务质量新优势迈出坚实的一步, 着力推进整个民航的真情服务和航班正常工作再上新台阶。
摘要：随着民航业的发展, 交通流量上升带来的交通拥堵和航班延误情况日益突出。机场协同决策 (A-CDM) 便是其中一种用以提升机场运行效率和质量的手段和方式。自2012年起, A-CDM陆续在华北、华东、中南等地区开始正式运行, 现已推广至西南和西北地区。本文首先对A-CDM相关概念进行了介绍, 并结合中国A-CDM实践情况对A-CDM在中国的应用和发展进行了展望。
关键词：机场,协同决策,实践
参考文献
[1]陈晓宁.谈谈中国机场发展的几个问题[N].中国民航报, 2016.
[2]欧洲空管机场协同决策实施手册 (中文版) [S].民航总局空中交通管理局, 2013.
[3]马筠岷.A-CDM机场协同决策的应用[J].现代电信科技, 2014.
[4]罗春明.国际航线是昆明机场未来的发展重点[OL].民航资源网, 2015.
[5]上官艳君.昆明72小时过境免签, 10分钟可完成通关![OL].民航资源网, 2016.
[6]昆明长水国际机场[OL].民航资源网, 2016.
[7]倪嘉云.昆明长水机场完成年旅客吞吐量3765.39万人次[OL].民航资源网, 2016.
协同决策 第5篇
关键词：决策支持系统,编队协同空战,混合神经网络
0 引言
编队协同空战是现代机群作战的主要空战形式，它能显著地提高机群的整体探测、跟踪和攻击能力。在空战双方到达预定作战空域后，各自若干编队在一定空间范围内展开超视距或视距内空战，既有编队内长僚机之间的协作，又有编队间的战术协同。而协作配合需要编队飞行员及时有效地传递战场敌我双方最重要的信息，以便于在战场信息高度密集、空战态势瞬息万变的情况下作出正确的决策[1]。
决策支持系统是上世纪八十年代发展起来的一门新型计算机学科，在很多领域得到广泛运用，例如疾病诊断、控制系统、空中管制[2]。过去依靠经验和专家知识来构造决策支持系统，近来提出几种自适应智能决策支持系统[3]。结合神经网络的智能决策支持系统正是该学科研究前沿之一。
神经网络协同空战战术决策支持系统各部分的主要功能：
(1)输入/输出模式转换。实际问题输入的各数值量纲不统一，甚至用概念形式表示，所以需要进行输入/输出模式的转换使数据具有可比性。
(2)知识库。知识库主要存放各个神经元之间连接权值，它是分布式存储的，适合并行处理。一个节点的信息由多个与它连接的神经元的输出信息以及连接权值合成。初始化权值时，各个连接权值采用不同的数值，最好在(0,1)之间。如果初始权值相等，它们在以后运算中将始终保持相等，并且容易引起系统在学习过程中停留在误差函数的局部最小值或某稳定点或在此之间的振荡。
(3)推理机。推理机是基于神经元的信息处理过程。
(4)SOM神经网络。对样本进行聚类处理。
(5)样本库。存放样本数据。
(6)学习算法。神经网络的学习算法可分为两大类：无教师学习算法和有教师学习算法。无教师学习是在某种学习准则的指导下自动向环境学习，逐步优化网络的过程。在有教师学习方法中，把网络输出与教师信号之间的误差归结为隐含层中各节点连接权及阀值的过错，通过把输出层节点的误差向输入层逆向传播的方法分给各连接节点，相应调整各连接权值，最终使差异变小，达到适合输出。本系统中SOM神经网络采用无教师学习算法，BP神经网络分别采用三种有教师学习算法，即Levenberg-Marquardt(LM)、拟牛顿(QN)和可变尺度共扼梯度下降法(SCG)。
1 编队协同空战战术决策
编队协同空战战术决策的依据是编队长机和僚机在空战中所处的空战态势。态势判断清楚，决策就容易确定。空战态势的参量有很多，本文选择最主要的四个参量，即C={a,b,c,d}，其中a表示我方目视/近距弹态势信息，b表示我方雷达/中距弹态势信息，c表示我方编队长机组受敌方威胁的态势信息，d表示我方友邻编队受敌方威胁的态势信息。决策输出D={f,g}。其中f={1,2,3,4}表示我方编队长机组的战术决策信息，1———我方编队长机组搜索目标，准备攻击;2———我方编队长机组超视距范围内接敌，发现目标用中距弹攻击;3———我方编队长机组在近距范围内接敌，发现目标用近距弹攻击;4———我方编队长机组释放箔条或红外诱饵弹同时机动规避目标。g={1,2,3}表示我方编队僚机组的战术决策信息，1———我方编队僚机组搜索目标，准备攻击;2———我方编队僚机组对威胁我长机和僚机的敌方目标实施协同攻击，进行火力支援;3———我方编队僚机组释放箔条或红外诱饵弹同时机动规避目标。
2 神经网络
2.1 SOM网络
SOM网络是一种自组织特征映射网络。它的拓扑结构有两层：输入层和竞争层。输入层与竞争层各神经元之间实现全互连接，竞争层之间实行侧向连接，网络根据学习规则，对输入模式进行自动分类，即在无师示教情况下，通过对输入模式的自组织学习，抽取各个输入模式的特征，在竞争层将分类结果表示出来。本文正是用它的这种特性对输入数据进行聚类处理。
2.2 有教师学习算法
对输入数据进行聚类处理后，下一步就是通过有教师学习算法对BP神经网络进行训练。
原始的BP算法是梯度下降法，参数沿着与误差梯度相反的方向移动，使误差函数减小，直到取得极小值。它的计算复杂度主要是由计算偏导数引起的，这种基于梯度下降的方法只是线性收敛，速度很慢。为了改进BP算法，本文将采用Levenberg-Marquardt(LM)、拟牛顿(QN)和可变尺度共扼梯度下降法(SCG)分别训练BP网络，比较其效果。
2.2.1 Levenberg-Marquardt(LM)算法
LM算法是一种利用标准的数值优化技术的快速算法，它是梯度下降法与高斯牛顿法的结合，也可以说成是高斯-牛顿法的改进形式，它既有高斯-牛顿法的局部收敛性，又具有梯度下降法的全局特性。由于LM算法利用了近似的二阶导数信息，它比梯度法快得多。
设x(k)为第k次迭代的权值和阈值所组成的向量，新的权值和阈值组成的向量x(k+1);误差指标函数E(x)=JT,J为Hessian矩阵;梯度用△E=JTe表示，J为Jacobian矩阵，e为神经网络误差。LM算法的迭代公式与高斯-牛顿法类似：
其中，比例系数μ>0为常数，I是单位矩阵。
从式(1)可看出，如果比例系数μ=0，则为高斯-牛顿法;如果μ取值很大，则LM算法接近梯度下降法，每迭代成功一步，则μ减小一些，这样在接近误差目标的时候，逐渐与高斯-牛顿法相似。高斯-牛顿法在接近误差最小值的时候，计算速度更快，精度也更高。
2.2.2 拟牛顿算法(QN)
牛顿算法是一种收敛速度最快的算法，但拟牛顿算法需要Hessian矩阵的逆，当维数较高时，计算量很大，有时无法实现。具有自适应步长和动量解耦的拟牛顿算法，由于实现了解耦，其逆阵的计算只是二阶导数的倒数，计算量大大减少，且具有较快收敛速度。但在寻优的初始阶段，由于动量的作用，权重的二阶导数的符号频繁变化，拟牛顿算法难以适应。
设误差指标函数E的逆阵B=E-1，则权值的学习修正公式：
△Bt可以用下面的公式计算
2.2.3 可变尺度共扼梯度法(SCG)
针对共扼梯度法搜索速度较慢的缺点，提出了可变尺度共扼梯度法。初始梯度为g(0)=△E│t=0，初始梯度方向矢量为d(0)=-g(0)，梯度和梯度方向的迭代公式为：
这里。
3 仿真
从样本库中取出500个数据训练混合神经网络，100个数据测试神经网络。使用Matlab软件的SOM工具箱，可以得到12个聚类。BP神经网络训练用LM、拟牛顿和可变尺度共扼梯度法，训练和测试误差见表一。仿真结果表明尽管LM算法误差最小，但综合表现可变尺度共扼梯度法最优。
4 结束语
针对缺少先验知识，本文提出了一种混合神经网络编队协同空战决策支持系统，同时提出一种无教师—有教师的混合训练算法来训练混合神经网络。仿真结果表明尽管LM算法误差最小，但综合表现可变尺度共扼梯度法最优。
参考文献
[1]孙隆和,杨克明.智能机载武器火力控制技术综述[J]．火力与指挥控制,1995,2(20):1-7．
[2]P.A.Leal de Matos,P.L.Powell,Decision support for fight re-routing in Europe[J].Decision Support Systems,2003,34(4):397-412.
协同决策 第6篇
随着以智能信息技术为核心的农业科技支撑体系的建设,农业监测、生产、经营和管理过程中的知识资源增长迅速,但这些知识资源多分属于不同的所有者,在资源类型、知识表示方式等方面存在异构性。所谓协同决策,就是指去协调两个或者两个以上的不同数据资源、知识资源、终端设备、应用系统等,协同一致地完成某个决策目标的过程或能力[1,2]。农业领域异构知识资源的协同决策服务的目的是要根据用户的决策问题,快速定位与其关联的知识和决策服务资源进行决策,在知识资源提供者和使用者之间实现基于功能和应用质量的语义交互。
本文从解决决策服务过程中农业知识资源描述、农业决策问题形式化表达、协同决策服务模型构造等问题出发,在农业知识服务领域现有异构知识资源基础之上,结合语义Web技术,通过定义农业异构知识资源语义描述模型,实现发散式的知识与信息资源语义标注,并对农业决策问题进行分析和形式化表达;在此基础之上提出具有语义交互功能的农业决策服务机制,搭建了生猪疾病协同诊断决策系统,并通过实验数据的分析对该模型有效性进行了验证。
1 决策服务知识资源的语义描述
分布式环境是实现知识资源共享和协同决策的基础环境,网络中的农业知识资源种类繁多,表示方式、所处位置、底层通信机制互不相同,具有多样性、异构性以及动态变化的特点。为了实现分布式农业知识资源的协同服务,本文提出了一种支持多类型、屏蔽异构性、适应动态性的农业决策服务知识资源语义描述模型,该模型采用OWL作为农业知识本体表达语言[3,4,5],对相关知识的共享概念模型和明确的形式化规范进行说明,为农业知识资源模型提供了基本术语(知识原子)与关系,并利用这些术语和关系构成农业异构知识资源的外延规则和复杂定义,实现农业海量知识资源分类与描述的概念体系,是协同知识资源组织管理以及信息交换的基础。
1.1 决策服务农业知识资源本体描述
语义异构使得农业知识资源提供者和用户对采用相同描述模式描述的农业知识资源的理解存在差异,这必然会影响协同决策服务的效果。为了解决语义异构问题,本文引入语义本体四元组对决策服务农业知识资源进行描述
KR={
其中,kobject 为农业知识资源原子,表示整个描述模型中最小的知识资源表示单元,可表示为
kobject={undefinedΩ} (2)
ra表示农业知识资源论域Ω中的知识原子,如生猪疾病包含了临床症状、病理变化、预防方法、治疗用药等;relation表示农业知识资源知识原子之间以及由知识原子构成的知识实体之间存在的相互作用和影响的集合,如青霉素注射治疗感冒引起的细菌感染,链霉素注射治疗感冒引起的细菌感染,病毒灵治疗感冒引起的病毒感染,针对感冒的治疗方法,上述知识原子之间的relation可为并集或者交集的关系,其形式化关系可以表示为
relation={rij(rai+raj)∨rij(rmk,rmj)|1≤i,j,k,
1≤n,r∉Φ} (3)
rm表示由农业知识资源知识原子构成的知识实体,即
rm={∑rai·raj∨∏rai·raj|1≤i,j≤n;
rai·raj∉Φ,rai·raj∈Ω} (4)
rij(rai+raj)}表示农业知识资源知识原子之间的关系,rij(rmk,rmj)表示知识实体之间的关系。Owner表示农业知识资源所有者以及应用质量标识信息,体现分布式环境下的知识资源所属以及知识资源应用效果。constraint为农业知识资源的约束,包括知识原子或只是实体之间的关系组合生成的一些规则或操作集,以及农业知识实体与相关资源的标注等[6]。
1.2 农业知识资源表示模型
根据农业领域知识资源特点以及复杂系统协同服务的核心思想,利用BNF范式对农业知识资源模型进行统一的描述和表示,将农业知识资源语义描述与表示模型定义为7个BNF子式。分别为知识模式、元知识、规则集、定量模型、资源标注、本体桥、外联扩展,这些基本子式的分级组合形成更加复杂的农业知识资源模型,其部分BNF表示如图1所示。
知识模式主要用于确定知识表示的类型,如产生式、框架、案例等知识表示方式。
元知识、规则集和定量模型主要用来实现协同决策中建立规则前件事实项和结论事实项之间的广义映射关系,具体为:part of,kind of,instance of,attribute of及4个基本类型。其可以是模式匹配关系,具体包括确定、不确定及模糊匹配;也可以是基于广义映射关系的可达关系,这两种单元模式分别完成决策过程中的定性分析和模型计算。例如,生猪生产管理的元知识可以包括猪场设计决策、猪舍建设决策、猪舍占栏面积决策、猪的饲养决策、猪饲料代谢能水平决策、猪肥育决策、种猪配种强度决策、猪病决策等。猪饲料代谢能水平决策的规则集用以决策不同猪的类型[公猪,空怀、妊娠母猪,哺乳母猪,仔猪(1～35日龄),育成猪(36～70日龄),生长育肥猪(71～190日龄)]所需代谢能量。其中,公猪与猪的类型是“kind of”的关系。
本体桥主要通过OWL在本体与本体、本体与信息源、本体与知识表示方法的映射解决协同决策过程中农业知识资源命名、属性、外延等语义异构的问题。例如,通过owl:equivalentClass和owl:equivalentProperty等解决不同的信息源使用多种术语表示同一概念的命名异构问题,例如生猪和家猪;通过使用本体定义中的rdfs:subPropertyOf语法解决属性异构问题,如猪口蹄疫的属性1皮肤症状为“口鼻水泡比蹄多,皮肤有痂皮”,属性1体征症状为“不能站立,体温升高,减食”;通过本体映射中owl:equivalentClass和owl:equivalentProperty解决等价元素问题,例如发热、发烧、体温升高等;通过本体定义语法中owl:intersectionOf语法解决交叉元素问题,如猪属于哺乳动物,并且又属于家畜;可通过本体定义语法中rdfs:subClassOf以及rdfs:subPropertyOf解决包含元素问题,如猪瘟包含在传染病下;通过全局本体中使用owl:unionOf语法解决不相交元素问题。基于上述问题的解决来实现农业上常用的产生式、事例和语义网等多种类型知识表示的统一描述或者将多种表示类型的知识转换为某一协同决策所要求的个性化知识表示形式[7]。
资源标注和外联扩展用于信息资源与知识资源的融合,主要包括:纯文本、多媒体、HTML、GIS、遥感影像、数据库等资源标注,以及实现对框架、产生式规则、范例、描述性等其他知识表示模型的知识集成[8]。
根据农业知识资源模型的组成和语义描述体系的定义,将农业协同决策服务知识资源组织内容划分为3个层次,即决策问题层、关联信息层和知识模型层。决策问题层包含了对农业知识资源原子的定义,如农业知识规则相关用户决策事实、概念、事实项属性以及概念间关系等信息;关联信息层主要包含分布式环境下不同决策模型间的关联信息、决策项目所关联的资源标注信息和资源引用效率等信息;知识模型层包含农业知识资源模型的元知识,以及对应相关模型索引、决策问题索引、资源关联索引,通过相关索引可以准确定位分布式环境下各节点相关模型、决策问题、相关信息资源等信息[9]。
2 农业生产协同决策服务机制
2.1 决策服务的形式化表达
在决策服务知识资源的语义描述模型中,决策问题层为用户提供其所需决策服务的描述说明和实际决策数据项的抽象,实现对决策问题需求的解析,它表示为可以用逻辑运算符“and”将决策原子需求连接起来的决策问题需求表达式,是对决策服务目标、异构知识资源的功能或操作的具体约束说明。
每个决策服务需求都有唯一的ID号来标识,知识资源围绕决策服务问题提供决策知识服务。决策服务问题的形式化表达是计算机程序根据决策用户的决策目标,基于农业知识资源表示模型,通过递进的方式来确定每一步与用户交互的问题,当协同决策服务发生时,问题的描述连同其上下文信息以用户唯一标识为标记被存储,根据获得的决策服务目标问题的领域类别、内容、知识资源所有者、属性、状态等初始限定值,对网络中的决策知识资源进行获取,从而形成与用户交互的问题列表。
2.2 农业生产协同决策服务流程
特定的农业协同决策服务需要多个流程片段才能完成,在协同过程中需要依据用户决策服务的需求,按照农业决策服务问题流上下文记忆与用户交互决策前提项信息,实现分布式决策服务任务分解以及知识资源的匹配,实现农业协同决策任务的智能调度。农业资源协同服务模型如图2所示。
农业协同资源决策服务模块共有两大功能:决策问题知识资源匹配和决策服务任务分解[10,11,12,13]。其步骤如下:
1)决策问题知识资源匹配根据用户的决策需求,基于知识资源本体描述模型和上下文感知计算,对农业知识资源进行知识特性分析,计算决策问题的知识资源匹配度,生成“决策服务问题链”。例如,猪病诊断,用户的决策问题为“高热”,以“高热”为计算原子,依据本体关系与属性,可以得出临床症状为“高热”的疾病为“猪瘟”“猪流感”“细菌性疾病”“蓝耳病”等。每类疾病都包括临床症状、病理症状等,决策服务问题链由症状问题组成。
2)决策服务任务分解模块根据“决策服务问题链”的内容,对服务类型和类度进行分析,确定分布式环境下农业知识决策服务的特点,并实现决策任务的映射调度。农业知识服务可划分为计算密集型知识服务、通信密集型知识服务和计算通信相对均衡型知识服务。通过对知识服务的类度分析,确定知识服务中并行化任务的多少、并行化任务的特点,并计算各节点服务资源的应用质量,分析结果定时地发布到“服务特性描述表”中。例如河北和四川的生猪疾病诊断知识服务成功率和评价最高,在服务特性描述表中将排在最前面。
3)决策任务映射模块利用“服务特性描述表”将知识服务分解成很多子任务。这些子任务之间通常包含依赖或优先约束关系,将分解的子任务并映射成适合不同机器特性和服务特性的若干任务集合,目标是让子任务能够在适合自己运行的节点上执行[16]。
4)农业协同决策服务任务调度模块依据是任务映射的结果,将任务发送到指定节点服务队列中,调度各分布式节点的决策服务执行决策任务。
5)各决策任务执行完毕后,将结果返回,基于“知识资源本体描述”实现各决策结果的冲突消解,最终返回给用户。
3 应用实例分析
基于以上研究的农业协同决策服务机制,采用J2EE平台开发了生猪疾病协同诊断决策系统。由于生猪疾病症状种类繁多,各节点知识库虽然遵循统一规范建立,但是由于系统建立的知识工程师不同,其诊断知识的关注点不同,就存在着对症状前件、后件以及可信度方面的差异。另外,典型症状不同的知识工程师在构建过程中的表达也各不相同,为此构建了猪病本体,并通过决策服务知识资源的语义描述模型,对现有的知识、数据、多媒体资源进行标注,实现了北京、天津、河北、四川等地区本地化猪病诊断知识规则和相关疾病症状、防治方法等方面的信息资源的集成应用。
系统包括猪病诊断知识本体的建模、节点知识资源管理、猪病知识资源语义查询、猪病协同诊断等模块。通过对知识资源内容的AO 语义描述,系统不仅能够基于猪病知识向用户推荐更多语义相关的概念,同时针对同一诊断问题,协同不同的专家知识完成协同诊断,为用户提供多种可参考的具有推荐度的诊断结果和处置方案,是传统的农业专家系统难以实现的。猪病诊断协同决策如图3所示。
以北京、天津、河北、四川4个单猪病诊断专家系统和基于本文提出的协同服务机制的猪病诊断系统为例,以20个猪病发生初始症状为需求文本进行推理,推理实验结果如表1所示。基于语义WEB的生猪疾病协同诊断决策系统与传统的专家系统相比在求解精度、决策效率方面有了显著提高。基于本体的猪病协同决策如图4所示。
4 结论
在分布式知识资源的应用服务中,如何实现知识资源的协同决策服务是一个值得研究的问题。本文在语义WEB技术基础之上,提出了一种支持多类型、屏蔽异构性、适应动态性的农业决策服务知识资源语义描述模型,将农业知识资源语义描述与表示模型定义为7个BNF子式,并在此基础之上,研究了决策问题的形式化表达方法,将农业协同决策服务需求分解为多个决策流程片段,按照农业决策服务问题流上下文记忆与用户交互决策前提项信息,实现分布式决策服务任务分解及知识资源的匹配,实现农业协同决策任务的智能调度服务,有效提高了农业知识资源的利用效率和推理效率。
农业知识资源的协同服务是一项复杂的系统工程,本文提出的基于语义WEB的农业协同决策服务机制,将语义本体作为协同服务的基础,协同服务的质量与本体库的完备性关系较大,后续研究将围绕农业知识资源本体增量更新、协同服务冲突消解机制展开进一步研究。
所有知识规则条数Kb;关联资源量R;针对20个初始症状的推理结论获得个数Rn(可信度阈值60%);推理结论获取率Rg= Rn/20×100;针对20个推理结论的可信度平均值Cn;推理效率Rc=(Rg +Cn)/2。
摘要：针对分布式农业知识资源异构、自治和难以实现共享服务的问题,采用语义Web技术,提出了基于Web本体建模语言的异构农业知识资源描述模型和决策服务形式化表达模型。以模型为基础,将农业协同决策服务需求分解为多个决策流程片段,设计了基于上下文感知计算的农业问题协同决策服务机制,实现对多个决策流程任务和知识资源的按需调度,提高了农业知识资源的利用效率和协同推理效率。与其他方案不同,该机制进一步考虑了任务均衡分解与知识资源智能调度对协同决策服务机制的影响,并通过生猪疾病协同诊断决策系统的搭建进行了应用实例验证。实验表明,该方法在求解精度、决策效率方面优于传统农业智能决策方法。
协同决策 第7篇
关键词：供应链,信任,智能决策
0 引言
目前,随着信息技术的快速发展,企业的经营模式和观念发生了很大的变化。为了适应当前激烈的市场竞争环境,现代企业发展的最好模式是企业之间的相互合作。企业多种合作模式之一的供给链是以共赢为目的的合作模式之一。供应链成员通过企业之间的合作,能够提升自己的核心竞争力,这样有助于提升供应链的竞争力。但是,这种企业之间的合作也伴随着风险。合作成员由于信息的不对称性,可能会在利益的驱动下做出对供应链的不利的行为。这说明供应链既可以帮组供应链成员快速适应市场,也能给供应链成员带来不能挽回的亏损。出现这种问题的根本原因在于供应链成员之间缺乏信任。供应链成员要想减少风险、降低交易成本和提高整个供应链的竞争力,就必须在合作中互相保持信任。并且,供应链成员之间的信任是随着所处情景的变化而不断变化的。
因此,研究供应链成员之间如何建立稳定的合作关系,有利于提升供应链的重整速率。这是供应链研究和使用发展的关键方向。以信任为视角,研究供应链协同智能决策是管理控制和信息领域新的挑战和机遇,有举足轻重的理论和实践意义。
1 相关概念
1.1 供应链的概念
供应链是由供商、制商、分销商、零销商、最终用户串并联而成的一个完整的网链组织和模式。它是围绕核心企业展开的,贯注了原材料购买、中间产品和最终产品然后由售货网络把成品送到买主手中的一个过程。该过程通过对消息流、物流、本钱流的操控来完成。供应链由物料在其上的加工、打包、运输等过程来提高价值,最后给有关企业带来收入。
1.2 供应链管理
供应链管理是通过合作成员之间的密切合作,从全局的角度对供应链上的物流、消息流、股本流及学识流进行操控和调整的一种集成化、系统化的管理方式。它能够用最小的成本和费用产生最大的价值和最佳的服务。它的目标是提高企业间交互效率、促进技术创新、提高客户的满意度。供应链管理不是机械的管理供应链上的原料的流程,它还包括管理策略和需求预测等方面的问题。供应链管理思想促进了供应链的提高。越来越多的发达国家在全球层面建立了供应链,很多发展中国家企业也涉足供应链。随着供应链管理的升华,其在世界经济中发挥的作用越来越大。
供应链协同是供应链治理新的和最实在的模式,是供应链业务过程顺利接连的一种连通方式,是更有用地使用和管理资源的一种方法。
1.3 供应链中的信任
供应链管理中信任是其成败的首要因素。供应链成员之间的信任是指供应链某一节点的成员相信其他节点的成员在交易的过程中不会利用自己的弱点获得利益。此期间,信任关系的完成与提高按照一条周而复始、螺旋升高的规律。供应链管理中的信任分为不同的种类,它们在特定的条件下都发挥着重要的作用。因为现在的企业之间的竞争越来越偏向于供应链之间的竞争,而信任是供应链管理成败的首要因素,所以信任机制对企业的影响力也越来越重要。它们主要能够帮助企业减少供应链成员相互的交往成本,减少他们之间的矛盾,这样一来,整个供应链就能把时间花在有效的企业运作上来,使得整个供应链的效率大大提高。对于供应链成员之间发生的矛盾冲突,由于这些成员都是平等的,不能够经过强制性的手段来解决,而信任恰好存在一种潜在的心理约束的作用,这样恰好能有效地解决这些矛盾。
从已有的研究中,可以将信任概括为信任对方的动机和完成合作目标的能力。从我国企业的特点来看,按照供应链信任的发展层次,将信任分为理性阶段和感性阶段。在理性阶段,使用“计算型信任”,而在感性阶段,使用“关系型信任,’。
2“计算型信任”供应链智能决策优化方法
在“计算型信任”维度上,主供应链成员和从供应链成员之间会出现“依附”和“背离”两种平稳后果。双方各自根据对对方的信任的评估结果,决定是否选择作为合作关系。
人工神经网络算法(Artificial Neural Network,ANN)有较好的模型组织形式的应用前景,能有机结合评估指标和评估模型。ANN算法的基本原理是输入训练样本进行学习,使网络输出符合人工决策的主观判断,在知识、经验和目标倾向上达到评估专家水平;长期应用证明,这个算法能在适当的时间层面内给出问题的希望结果,较好地模拟了生物神经网络的并行性、自学习、组织和联想记忆能力,而且具备不错的鲁棒性和容错力。目前,应用最广泛的BPNN (Back Propagation Neural Network)模型引入多层反馈机制,进一步提高了预测精度,但是存在训练周期过长、容易出现“过拟合”的问题。
遗传算法(GA)能够缩短训练时间。其主要从训练神经网络的权值和阈值、确定神经网络的拓扑结构及二者结合优化神经网络等方面优化BP神经网络运。用GA优化BP神经网络的权值和阈值,避免“过拟合”情况。其主要步骤如下:①确定网络隐含层节点数;②编码;③种群初始化;④适应度函数;⑤设定遗传代数参数;⑥循环1～5步,直到达到预设目标。基于GA-BPNN算法的供应链决策方法仍然需要一定的训练时间,但其比BPNN算法的决策方法的误差少很多,且预测精度提高很多。
3“关系型信任”供应链智能决策优化方法
信任在MAS系统中对资源分配及Agent交互过程等方面起着重要作用。MAS系统中的信任也称直接信任。它是指Agent根据自身知识以及在与其他Agent的交互中获得的经验判断得出的信任。因为Agent可以在任意时间进入或离开开放MAS系统,所以Agent交互解决协同问题时,信任就显得更加重要。
MAS-BPNN结合MAS与BP神经网络构建供应链模型,各节点成员Agent在信任度测定效用值处于其领域范围的情况下,需要独立完成与所有合作成员A-gent的信任度评估,并通过BPNN的反馈学习机制对输入的信任度测评值综合处理,将输出结果置为信任度效用值。在进一步学习的过程中,节点成员Agent以该测定的效用值为基准,再次输入经过实践检验后的结果进行训练;得益于BP神经网络的反馈机制,由于在不断优化调整每层的网络权值,MAS-BPNN对问题的每次求解都会使其趋于科学化和智能化。
MAS-BPNN算法的供应链Agent决策方法能够在很大程度上提高预测精度,但有很大的偏差波动性。采用GA算法优化MAS-BPNN的权值和阈值,供应链MAS-GA-BPNN算法比MAS-BPNN算法具有更好的预测精度。
4 结论
为了适应当前激烈的市场竞争环境,企业间要保持良好的合作关系。企业成员之间相互信任是保证供应链成员共同获得利益的基础。本研究以供应链信任为视角,研究供应链智能决策方法。
本文针对“计算型信任”阶段供应链的特征,提出以“主一从”局部供应链为分析对象,介绍了“主一从”局部供应链的信任演化博弈机制,在重复博弈的过程中,供应链成员不断学习和策略调整,最终形成演化稳定策略。基于GA-BPNN算法比单一的BPNN算法的决策方法误差显著提高,更能够达到满意的训练精度,且训练时间显著减少,对于最优解的搜索能力GA-BPNN算法要优于单一的BPNN算法。
在供应链“关系型信任”阶段,利用供应链成员多智能体特性,介绍了该框架模型中供应链成员Agent信任度的度量方法。基于MAS-GA-BPNN算法比MAS-BPNN算法的决策方法误差显著提高,更能够达到满意的训练精度,且训练时间显著减少,对于最优解的搜索能力MAS-GA-BPNN算法要优于MAS-BPNN算法。
参考文献
[1]郑浩,王全凤.BP神经网络在高层结构体系选择中的应用[J].华侨大学学报(自然科学版),2003,24(1):48-54.
[2]刘天舒.BP神经网络的改进研究及应用[D].哈尔滨:东北农业大学,2011.
[3]刘丽文.企业供需链中的合作伙伴关系问题[J].计算机集成制造系统,2001,7(8):27-32.
[4]方志耕,刘思峰.基于纯策略的灰矩阵二人有限零和博弈模型研究[J].南京航空航天大学学报,2003,35(4):441-445.
[5]王颍.Vague集转化为Fuzzy集方法及Vague集相似度量的研究[D].厦门:厦门大学,2007.