一种基于混沌遗传算法的装备试验资源统筹调配方法

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

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对应于步骤Oij所选的设备资源号，取值范围为设备资源集{M1，M2，...Mm}。

5.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S6，将试验资源统筹调配过程的数学模型中的目标函数，作为混沌遗传算法中适应度的计算函数，并且采用轮盘赌选择方法根据染色体适应度选择优良个体，将每个染色体自身的适应度与种群染色体的适应度之和的比值作为该染色体被选为优良个体的概率，轮盘赌选择方法的具体过程为：首先，计算每个染色体个体的适应度，其次将整个群体染色体适应度用一张饼图表示，每个染色体个体代表饼图中的一块区域，其对应区域的面积与该染色体个体适应度值成正比，假设一指针沿着该饼图的半径指向该饼图中的初始位置，再对该饼图进行旋转，旋转过程中指针不动，旋转过程停止后指针所指向的染色体个体区域，其对应的染色体个体即为所要选择的染色体个体。

6.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S8，随机选取一条染色体，再进行的具体操作包括：S81，对该随机选取的染色体，确定是否进行变异操作；通过Logistic混沌映射产生迭代序列，当迭代序列中的sr+1大于变异概率p变时，对该随机选取的染色体进行变异操作，反之，则不对其进行变异操作；

S82，确定染色体的变异位置；将染色体第一层均分为Q段，每段包含一个基因位，同时将区间(0,1)也均分为Q个子区间，并使其与染色体基因位一一对应；采用位置互换变异方式，故任取两个初值 由Logistic混沌映射产生相应的两个迭代序列，迭代序列中元素的取值区间也为(0,1)，判断 和 在区间(0,1)中所处的子区间，该子区间对应的基因位即为变异位置；

S83，对该随机选取的染色体进行变异操作并对该染色体上的基因段进行局部调整；将该染色体第一层两个变异位置的基因位进行互换，并对变异后的染色体上的基因段进行局部调整，使该染色体的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。

说明书

一种基于混沌遗传算法的装备试验资源统筹调配方法

技术领域

[0001] 本发明涉及装备试验领域，尤其涉及一种基于混沌遗传算法的装备试验资源统筹调配方法。

背景技术

[0002] 装备试验是在装备研制过程中，按规定要求对装备性能、生产条件和使用状况等进行的考核验证，目的是确保装备的性能和质量达到规定标准。对于装备试验活动的完成，
不同的试验科目需要不同的试验资源进行保障。不同的试验资源分布在不同地点和单位，
各试验资源是相互孤立的，在装备试验组织过程中，面向不同的试验需求，经常需要试验人
员采用人工调配和人工统筹的方式，完成试验资源的统筹调配。在这一过程中，由于试验资
源种类众多、使用复杂，不同试验资源种类众多、使用复杂，并且使用多种通信协议和时钟
格式，存在着统一调配、资源状态监控、数据采集、数据传输等共性技术需求。尤其对于需要
使用大量试验资源的情形，如果仍采用人工调配统筹的方式，不但上述共性技术需求问题
无法解决，甚至会产生试验资源浪费、资源配置不均等问题。因此，为了提高装备试验资源
统筹调配能力和合理规划能力，需要充分整合现有试验资源，对每个试验任务和科目分配
合适的试验资源，以达到整体试验效果的最优。

发明内容

[0003] 针对大量试验资源的人工调配统筹过程时难以解决统一调配、资源状态监控、数据采集、数据传输等共性技术需求的问题，本发明将上述问题可抽象为组合优化问题。组合
优化问题的求解方法有多种，其中遗传算法是较为经典的一种智能求解算法。但是标准遗
传算法在求解过程中存在过早收敛、新个体产生随机性大、无法得到准确解等问题。于是本
发明引入混沌理论对其进行改进，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，通过构造混沌交叉算子和混沌变异算子，来确定交叉操作的交叉位置以及变异操作
的变异基因位，控制新个体的产生，从而使算法跳出局部最优，提高算法搜索能力。本发明
为装备试验过程的资源优化提供决策支撑。

[0004] 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。该方法构建试验资源统筹调配的数学模型，并采用混沌遗传算法进行求解，得到试验资源统筹调配方
案，支撑试验条件建设定量化科学决策。

[0005] 试验资源统筹调配，是在接收到试验任务后，根据试验任务要求和当前设备设施资源的在用情况，对试验资源进行调配，使得完成试验任务的效率最高，并保证设备设施负
荷利用更加平衡。

[0006] 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，具体包括以下步骤：

[0007] 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。

[0008] 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。

[0009] 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。

[0010] 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。

[0011] 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。

[0012] 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。

[0013] 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。

[0014] 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。

[0015] 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。

[0016] 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。

[0017] 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。

[0018] 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：

[0019] min max(FTik)，  (1)

[0020] 该数学模型的约束条件为：

[0021] FTlk‑FTik+M(1‑xilk)≥DTlk，     (2)

[0022] FTik‑DTih+M(1‑aihk)≥FTih，       (3)

[0023] FTik＝STik+DTik，             (4)

[0024] xilk，aihk＝0，1，          (5)

[0025] FTik≥0，                    (6)

[0026] i＝1，2，…，n，l＝1，2，…，n；h＝1，2，…，m，k＝1，2，…，m；     (7)

[0027] 参数M表示控制因子，其取值为不为零的正数。

[0028] 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：

[0029] C＝[α1，...αj，...αQ|β1，...，βj，...βQ]，

[0030] 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对应于步骤Oij所选的设备资源号，取值范围为设备资源集{M1，M2，...Mn}。

[0031] 所述的步骤S6，将试验资源统筹调配过程的数学模型中的目标函数，作为混沌遗传算法中适应度的计算函数，并且采用轮盘赌选择方法根据染色体适应度选择优良个体，
将每个染色体自身的适应度与种群染色体的适应度之和的比值作为该染色体被选为优良
个体的概率，轮盘赌选择方法的具体过程为：首先，计算每个染色体个体的适应度，其次将
整个群体染色体适应度用一张饼图表示，每个染色体个体代表饼图中的一块区域，其对应
区域的面积与该染色体个体适应度值成正比，假设一指针沿着该饼图的半径指向该饼图中
的初始位置，再对该饼图进行旋转，旋转过程中指针不动，旋转过程停止后指针所指向的染
色体个体区域，其对应的染色体个体即为所要选择的染色体个体。

[0032] 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。

[0033] 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：

[0034] 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；

[0035] 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。

[0036] 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。

[0037] 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。

[0038] 所述的步骤S8，随机选取一条染色体，再进行的具体操作包括：

[0039] S81，对该随机选取的染色体，确定是否进行变异操作。通过Logistic混沌映射产生迭代序列，当迭代序列中的sr+1大于变异概率p变时，对该随机选取的染色体进行变异操
作，反之，则不对其进行变异操作；

[0040] S82，确定染色体的变异位置。将染色体第一层均分为Q段，每段包含一个基因位，同时将区间(0,1)也均分为Q个子区间，并使其与染色体基因位一一对应。采用位置互换变
异方式，故任取两个初值 由Logistic混沌映射产生相应的两个迭代序
列，迭代序列中元素的取值区间也为(0,1)，判断 和 在区间(0,1)中所处的子区间，
该子区间对应的基因位即为变异位置。

[0041] S83，对该随机选取的染色体进行变异操作并对该染色体上的基因段进行局部调整。将该染色体第一层两个变异位置的基因位进行互换，并对变异后的染色体上的基因段
进行局部调整，使该染色体的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。

[0042] 本发明的有益效果为：本发明为装备试验资源统筹调配过程确立调配优化集包括试验任务/步骤数据集、可用设备资源数据集，然后构建优化目标函数和相关变量约束条
件。并在标准遗传算法中引入Logistic混沌映射构建混沌交叉算子和混沌变异算子，来动
态控制新个体产生概率，最终求得试验资源统筹调配问题的最优解，避免了标准遗传算法
过早收敛、容易陷入局部最优的缺陷，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。

附图说明

[0043] 图1为本发明的基于混沌遗传算法的装备试验资源统筹调配方法流程图；

[0044] 图2为本发明的染色体编码示例图；

[0045] 图3为实施例的试验任务1步骤流程；

[0046] 图4为实施例的试验任务4步骤流程；

[0047] 图5为实施例的混沌遗传算法最优值收敛曲线；

[0048] 图6为实施例的标准遗传算法最优值收敛曲线。

具体实施方式

[0049] 为了更好的了解本发明内容，这里给出一个实施例。图1为本发明的基于混沌遗传算法的装备试验资源统筹调配方法流程图；图2为本发明的染色体编码示例图；图3为实施
例的试验任务1步骤流程；图4为实施例的试验任务4步骤流程；图5为实施例的混沌遗传算
法最优值收敛曲线；图6为实施例的标准遗传算法最优值收敛曲线。

[0050] 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，整个方法的流程如图1所示，具体包括以下步骤：

[0051] 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。

[0052] 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。

[0053] 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。

[0054] 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。

[0055] 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。

[0056] 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。

[0057] 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。

[0058] 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。

[0059] 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。

[0060] 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。

[0061] 例如某个调配问题有2个待完成试验任务(均包含3个流程步骤),4个可用设备。以表Oij示试验任务i的步骤j，Mk表示第k个设备资源。某一调配时刻已完成的任务/步骤有：任
务1的所有步骤和任务2的步骤1，即O11,O12,O13,O21。故调配优化集中的未完成任务/步骤集
为{O22,O23,O31,O32,O33}，对应的可用设备集为{{M2},{M1,M4},{M3},{M2},{M3,M4}}。

[0062] 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，从
而满足一定的性能。基于该描述，构建装备试验资源统筹调配数学模型。

[0063] 在构建数学模型之前，对所涉及的符号进行定义：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。

[0064] 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：

[0065] min max(FTik)，  (1)

[0066] 该数学模型的约束条件为：

[0067] FTlk‑FTik+M(1‑xilk)≥DTlk，          (2)

[0068] FTik‑DTih+M(1‑aihk)≥FTih，           (3)

[0069] FTik＝STik+DTik，               (4)

[0070] xilk，aihk＝0，1，(5)

[0071] FTik≥0，  (6)

[0072] i＝1，2，…，n，l＝1，2，…，n；h＝1，2，…，m，k＝1，2，…，m；         (7)

[0073] 参数M表示控制因子，其取值为不为零的正数。式(2)表示设备资源上流程步骤前后顺序的约束，设备资源Mk只有在前一个试验任务Pi执行完成后才能执行下一个试验任务
Pl；式(3)表示试验任务步骤前后顺序的约束，试验任务Pi在设备资源Mh上执行完成后才能
到设备Mk上执行；式(4)表示试验任务Pi在设备资源Mk上的完成时间等于开始时间加上该步
骤的使用时间；式(5)表示xilk和aihk的值只能为0或1；式(6)表示试验任务Pi在设备资源Mk上
的完成时间非负；式(7)表示i、l、h、k的取值范围。

[0074] 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：

[0075] C＝[α1，...αj，...αQ|β1，...，βj，...βQ]，

[0076] 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对应于步骤Oij所选的设备资源号，取值范围为设备资源集{M1，M2，...Mn}。

[0077] 如图2所示，2×4试验资源统筹调配问题中，共2个待调配试验任务，4台可用设备资源，每个任务均包含3个步骤，在各步骤可用设备资源集和对应使用时间集的基础上，对
染色体进行编码。前6位为步骤码，步骤码第一个基因位2是第1次出现表示试验任务2的第1
个步骤O21，第三个基因位1是第2次出现表示任务1的第2个步骤O12。后6位为设备码，设备码
第一个基因位3表示任务2的第1个步骤O21在设备资源3上进行，设备码第三个基因位2表示
任务1的第2个步骤o12在设备资源2上进行。

[0078] 所述的步骤S6，将试验资源统筹调配过程的数学模型中的目标函数，作为混沌遗传算法中适应度的计算函数，并且采用轮盘赌选择方法根据染色体适应度选择优良个体，
将每个染色体自身的适应度与种群染色体的适应度之和的比值作为该染色体被选为优良
个体的概率，轮盘赌选择方法的具体过程为：首先，计算每个染色体个体的适应度，其次将
整个群体染色体适应度用一张饼图表示，每个染色体个体代表饼图中的一块区域，其对应
区域的面积与该染色体个体适应度值成正比，假设一指针沿着该饼图的半径指向该饼图中
的初始位置，再对该饼图进行旋转，旋转过程中指针不动，旋转过程停止后指针所指向的染
色体个体区域，其对应的染色体个体即为所要选择的染色体个体。

[0079] 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：

[0080] 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；

[0081] 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。

[0082] 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。

[0083] 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。

[0084] 所述的步骤S8，随机选取一条染色体，再进行的具体操作包括：

[0085] S81，对该随机选取的染色体，确定是否进行变异操作。通过Logistic混沌映射产生迭代序列，当迭代序列中的sr+1大于变异概率p变时，对该随机选取的染色体进行变异操
作，反之，则不对其进行变异操作；

[0086] S82，确定染色体的变异位置。将染色体第一层均分为Q段，每段包含一个基因位，同时将区间(0，1)也均分为Q个子区间，并使其与染色体基因位一一对应。采用位置互换变
异方式，故任取两个初值 由Logistic混沌映射产生相应的两个迭代序
列，迭代序列中元素的取值区间也为(0，1)，判断 和 在区间(0，1)中所处的子区间，
该子区间对应的基因位即为变异位置。

[0087] S83，对该随机选取的染色体进行变异操作并对该染色体上的基因段进行局部调整。将该染色体第一层两个变异位置的基因位进行互换，并对变异后的染色体上的基因段
进行局部调整，使该染色体的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。

[0088] 以某装备试验过程中6个待完成试验任务、10个设备资源、每个试验任务6个步骤的统筹调配问题为例进行验证分析。下面给出其中任务1和任务4两个试验任务的步骤流程
如图3和图4，其它任务类似。图3中任务1来自A试验场所，包含一、二、三、四共四个场区，共
需经过静态检查、功能测试、性能测试、射击试验、弹道测试、销毁六个试验步骤。图4中任务
4来自B试验场所，包含A、B共两个场区，共需经过静态检查、功能测试、性能测试、拓展试验、
电磁试验、仿真评估六个试验步骤。该调配问题中涉及的设备资源包括SG内部参数测试设
备、结构特征量测试系统、综合电子管理测试系统、试验IP网、供电系统、仿真试验系统、电
磁测试系统等共10个，并分别进行编号。某一调配时刻已完成的任务/步骤有O11，O12，O21，
O22，O31，O32，O41，O51，O52，O61，O62，剩余步骤构成调配优化集中的未完成任务/步骤集，且对应
的可用设备资源集可转化为表1任务‑步骤‑设备对应表，其中行表示任务，列表示步骤，第
一行第五列的3，7表示任务1的步骤5可以在设备3和设备7上进行。使用时间对应表(表2)表
示各任务步骤在对应设备上的使用时间，同样行表示任务，列表示步骤，其每个单元格的数
字与表1每个单元格一一对应，如第一行第五列10，16表示任务1的步骤5在设备3和设备7上
的使用时间分别为10和16。

[0089] 表1任务‑步骤‑设备对应表

[0090]

[0091] 表2使用时间对应表

[0092]

[0093] 在Matlab环境下实现混沌遗传算法并求解上述试验资源统筹调配问题。设置算法参数：种群规模＝100，交叉概率＝0.6，变异概率＝0.1，最大迭代次数＝100。运行该算法得
调配甘特图和最优值收敛曲线，其中最优值收敛曲线如图5。最优值收敛曲线表示了算法迭
代过程中最优个体目标值和种群个体目标值的均值的变化趋势。可以看到从约第20代起算
法开始收敛，最优解趋于稳定。

[0094] 同样采用标准遗传算法求解上述调配问题得最优值收敛曲线如图6所示，对比图5和图6可以得到：1)混沌遗传算法避免了标准遗传算法过早收敛的问题；2)混沌遗传算法求
得的优化目标最大完成时间更小，优化结果更好。

[0095] 后将混沌遗传算法的最优结果与标准遗传算法结果作比较，得表3。由于优化目标最大完成时间越小越优，于是可见混沌遗传算法优化性能较标准遗传算法有了大幅提高，
有一定优越性。

[0096] 表3混沌遗传算法与标准遗传算法的结果比较

[0097]

[0098] 以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同
替换、改进等，均应包含在本申请的权利要求范围之内。