艦載機多機直接機務準備優化研究

史瑋韋，韓 維，司維超

（1.海軍航空工程學院 研究生三隊，山東 煙臺264001；2.海軍航空工程學院 一系，山東 煙臺264001）

0 引 言

艦載機直接機務準備是根據飛行任務在起飛前的一段時間內實施的一系列準備工作，目的是保證飛機達到規定的準備狀態。直接機務準備工作直接決定了艦載機的作戰完好率、出動能力、出動效率等與作戰相關的各個因素，影響著艦載機的運用。但隨飛機交付部隊的只有單機單保障組直接機務準備流程，對于多機則沒有相應的規劃，因此，如何更快的完成多機直接機務準備工作是急待解決的問題之一。

文獻[1]將機務準備流程作為其中一環，提出了基于多主體的艦載機動態保障模型。系統分析了艦載機使用保障與維修保障的基本過程。文獻[2]利用排序論，通過引進富余系數，在任務時間的約束下，求出最佳資源配置方案。文獻[3]采用仿真優化方法，針對機群平均準備時間最短和機群平均等待時間最短的優化目標，得出了相應的最優調度方案。文獻[4]運用最優排序理論，得出一定保障裝備配置比例下多機機務準備工作流程的最優化方案。文獻[5]提出了基于模塊化理論的機務準備維修流程模塊化優化方法，給出了機務準備維修流程模塊化規劃過程和符號描述。

這些文獻由于研究重點不同，對于機務準備流程研究模型過于簡化，前提假設過多，使結論不能完全的反映實際情況。事實上，艦載機直接機務準備流程涉及多個保障專業與人員，工作內容繁多。航母甲板空間狹小、人員、飛機、車輛來往頻繁，如果組織不好，很容易出現忙亂現象甚至發生事故。本文具體分析單機單保障組直接機務準備流程內容，建立艦載機多機多保障組直接機務準備混合流水車間調度數學模型。提出一種動態小生境遺傳和聲算法 （DNGAHS）求解該模型，仿真結果表明該算法在求解艦載機多機直接機務準備流程優化方面的可行性和優越性。

1 多機直接機務準備流程模型的建立

1.1 艦載機單機單保障組直接機務準備流程分析

艦載機單機直接機務準備工作包括各項機務檢查和充添加掛。單機保障組一般分為機械、軍械、航電、特設四個專業，人員配置一般為:機械師1名，機械員2名 （1號機械員、2號機械員），軍械師1名，軍械員2名 （1號軍械員、2號軍械員），航電師1名，特設師1名，共計8人。

機械專業的工作有準備工具 （1或2號機械員），飛機下部檢查 （1號機械員），飛機上部檢查 （1號機械員），座艙檢查 （1號機械員），檢查、添加發動機潤滑油、液壓系統液壓油 （2號機械員），充氮氣 （2號機械員），添加燃油（2號機械員），復查飛機 （機械師），填寫文件 （機械師），清點工具設備 （1號機械員）。

軍械專業的工作有準備工具 （1或2號軍械員），飛機外部檢查 （1或2號軍械員），通電檢查座艙 （1或2號軍械員），裝炮彈 （1或2號軍械員），裝信號彈 （1或2號軍械員），掛載導彈 （軍械師或1或2號軍械員），檢查導彈與飛機交聯情況 （1或2號軍械員），填寫文件 （軍械師），復查飛機 （軍械師），清點工具設備 （1號軍械員）。

航電專業 （不含慣導對準）的工作有準備工具，飛機外部檢查，通電檢查座艙，檢查設備通風，DTC加載，啟動CNI，復查飛機，填寫文件，清點工具設備。

特設專業 （不含慣導對準）的工作有準備工具，飛機外部檢查，通電檢查座艙，充氧，數據錄入，復查飛機，填寫文件，清點工具設備。

參照航空機務工作相關規定，在座艙檢查時由于各專業人員檢查站位重疊，正常情況下，在直接機務準備過程中，要等一個專業檢查完座艙之后，另一專業才可以進入座艙進行檢查。另外，基于安全考慮，座艙通電檢查時不能同時進行充氧、加掛導彈。

1.2 多機直接機務準備流程數學模型

一般混合流水車間調度問題可以描述為:若干個工件在若干臺機器上加工，每個工件有若干道工序，至少有一道工序可以選在不同臺機器上加工。每臺機器在每個時刻只能加工某個工件的某道工序，而且只能在上道工序加工完成后才能開始下一道工序的加工，目標為最小化完成時間[6，7]。

對于艦載機多機直接機務準備流程而言，假設將機械、軍械、航電、特設4個專業看成是4個待加工的工件，各專業人員看成是相應的加工機器，各專業所進行的工作依次看成工序，每一架艦載機直接機務準備工作順序都按照單機直接機務準備工作順序進行，一架工作結束后再進行下一架工作。將單機4個專業的第一項工作統一用一個工序號表示 （例如第一架艦載機4個專業的第一項工作統一用序號001表示，第2架艦載機4個專業的第一項工作統一用序號029表示），第二項工作統一用一個工序號表示，將表示座艙檢查的4項工作統一用一個工序號表示 （例如第一架艦載機4個專業的相應工作統一用序號004表示），其余工序號依順序重新排列，可得所有單機直接機務準備工作 （工序）共計28項，則第二架所有直接機務準備工作序號從029號開始編號并依此類推。假設4個專業都要進行所有工作，實際不需要進行的工作令其工作時間為0。假設有K個保障組，P架艦載機，K＜P，snij表示第n架艦載機第i個專業進行第j項直接機務準備工作時的開始時間，cnij表示第n架艦載機第i個專業進行第j項直接機務準備工作時的結束時間，pnij表示第n架艦載機第i個專業進行第j項直接機務準備工作的持續時間，則可建立艦載機多機直接機務準備流程調度數學模型

上列各式中，式 （1）表示目標函數是最小化完成時間；式 （2）表示同一架艦載機進行直接機務準備時4個專業不能同時進行座艙檢查，座艙通電檢查時不能同時進行充氧、加掛導彈，依據假設，對于第一架艦載機，工序號1004，2004，3004，4004，2013，4024的工作兩兩不能同時進行，對于第二架艦載機，工序號1032，2032，3032，4032，2041，4052的工作兩兩不能同時進行，其它架艦載機依此類推；式 （3）表示各項工作的開始處理時間與結束時間的關系，式 （4）是保證各專業直接機務準備只有進行完前一項工作后才能繼續進行下一項相應的工作，式 （5）－式 （6）表示任何工作只能選用保障小組中的一個人員進行處理，并且在該人員處理順序中只能夠有唯一位置，若第n架艦載機第i個專業進行第j項直接機務準備工作時選用第k個專業人員，則ynijk為1，其余情況ynijk為0；若第n架艦載機第k個專業人員第l個加工第i個專業進行第j項直接機務準備工作，則znijkl為1，其余情況為0。

2 動態小生境遺傳和聲算法設計

近年研究表明，將遺傳算法與一些別的搜索算法相結合，比如免疫算法、蟻群算法等，也可有效提高算法的性能[10，11]。因此本文將和聲搜索算法 （HS）動態引入 NGA中，形成一種動態小生境遺傳和聲算法 （DNGA HS）。

2.1 和聲搜索

和聲搜索算法 （HS）是近年發展起來的群智能優化方法[12，13]。它源于對樂曲創作過程的模仿，通過所有個體的合作產生一個新個體，并通過微調機制增加算法局部尋優的能力。

HS算法將樂器i（i＝1，2，…，m）類比于優化問題中的第i個決策變量，各樂器聲調的和聲Hj（j＝1，2，…，M）相當于優化問題的第j個解向量，評價類比于目標函數。算法首先隨機產生M個初始解 （和聲）放入和聲記憶庫 （harmony memory，HM）內，以概率HMCR在和聲記憶庫內進行搜索，以1－HMCR概率在記憶庫外搜索。當在記憶庫內進行搜索時，以概率PAR對搜索到的新解產生擾動BW，當擾動后的新解優于記憶庫中的最差解時，替換最差解。如此循環，直到滿足終止條件為止[12]。算法流程如圖1所示。

2.2 求解算法設計

GA通用性強，易于實現，但收斂速度慢、易早熟，HS收斂速度快，但收斂精度較低。本質上而言，GA中的染色體與HS中的和聲都是可行解的表現形式，種群與和聲記憶庫都是可行解集的表達方式。因此，本文結合兩者，將HS引入到NGA中，充分發揮二者的優點，并綜合考慮解的質量、收斂速度與算法復雜度之間的關系，形成一種動態小生境遺傳和聲算法DNGAHS。算法的主要過程是首

混合流水車間調度集合了傳統流水車間調度與并行機調度的特點，求解難度較大。以遺傳算法 （GA）為典型代表的智能優化算法為解決此類復雜優化問題提供了新的思路和方法。針對基本遺傳算法易早熟的缺點，出現了許多改進形式，小生境遺傳算法 （NGA）就是其中的研究熱點之一[8，9]。它在對個體進行選擇操作前，計算個體之間的海明距離先初始化種群，計算種群內個體適應度，進行選擇、交叉、變異遺傳操作，運行一定代數后運用小生境技術重新計算個體適應度，從中動態隨機遍歷挑選m個個體組成記憶庫進行HS搜索相關操作，得出的結果與未進行HS的個體組成新一代種群繼續重復循環至最大迭代次數。動態小生境遺傳和聲算法整體流程如圖2所示。

圖1 和聲搜索算法流程

2.2.1 個體編碼

每個染色體采用整數編碼，表示全部工件的加工順序，例如個體[2 1 2 1 3 2 3 2]表示2個工序均為2的工件在3臺機器上的加工順序。其中前半部分表示工件加工順序，依次為工件2、工件1、工件2、工件1；后半部分表示相應的加工機器序號，依次為3號機器、2號機器、3號機器、2號機器。依據假設，若1個機組保障2架艦載機，則染色體編碼可表示為長度為448位的整數串，前224位表示4個專業的工作順序，后224位表示對應的可選人員序號。

圖2 動態小生境遺傳和聲算法流程

染色體的適應度值為全部工作完成時間。顯然，時間越短染色體越好。

2.2.2 遺傳操作

交叉操作過程:取出兩個父代染色體的前半部分，運用洗牌交叉得到子代，并將子代染色體中出現的多余工作改為缺失的工作，然后按交叉前個體選擇的專業人員來調整子代染色體中后半部分的數字。

變異操作過程:隨機選擇變異個體和兩個變異位置，交換兩個變異位置的數值及對應的專業人員編號。

2.2.3 和聲操作

為了降低算法整體運算復雜度，進行HS操作的個體數目m是動態的，、b分別為m的最大、最小值，h為指定的迭代次數，t為整體算法的迭代次數，適當減少了HS操作規模以減少計算的復雜度。

3 仿真結果分析

設定相關初始參數為:群體規模80，最大遺傳代數100，u＝40，b＝20，h＝40，交叉率0.8，代溝0.9，變異率0.3，HMCR＝0.95，PAR＝0.3，BW＝0.001，d＝10；在處理器為P4 2.5GHz、內存2GHz的PC上，分別采用GA、NGA、DNGAHS這3種算法求解，每種算法單獨運行100次，得到結果如表1、圖3、圖4所示。由表1可得DNGAHS算法在平均運算時間增長不多的情況下得出的最優解要遠遠好于其他兩種算法得出的結果。

表1 不同算法的運算結果

圖3、圖4中橫坐標表示時間軸。圖3縱坐標表示1個機組8個成員，1為1號機械員，2為2號機械員，3為機械師，4為1號軍械員，5為2號軍械員，6為軍械師，7為航電員，8為特設員。圖4縱坐標表示2個機組16個成員，1、9均為1號機械員，2、10均為2號機械員，3、11均為機械師，4、12均為1號軍械員，5、13均為2號軍械員，6、14均為軍械師，7、15均為航電員，8、16均為特設員。圖3、圖4中框圖中的數字第一位表示專業，1表示機械專業相關工作，2表示軍械專業，3表示航電專業，4表示特設專業，框圖中的數字后兩位表示直接機務準備的各項工作，序號所表示的具體工作參照上節設定，例如圖3中1002表示機械專業的飛機下部檢查工作由1號機械員執行。

圖3 DNGAHS算法得出的2架艦載機1個機組保障最優時序

圖4 DNGAHS算法得出的4架艦載機2個機組保障最優時序

4 結束語

針對艦載機多機直接機務準備人員眾多、不易組織等問題，建立了艦載機多機多保障組直接機務準備混合流水車間調度數學模型。引入和聲搜索算法的概念與小生境遺傳算法動態結合，提出了一種動態小生境遺傳和聲算法（DNGAHS）。仿真結果表明該算法在求解艦載機多機直接機務準備流程優化方面的可行性和優越性。下一步的工作還需要考慮:考慮多機艦載機直接機務準備資源配置的約束；繼續完善優化算法本身，更合理的設置算法相關參數，進一步提高優化效率。

[1]FENG Qiang，ZENG Shenkui，KANG Rui.Multiagent－based modeling method for integrated logistic support of the carrier aircraft[J].Systems Engineering and Electronic，2010，32（1）:211－216 （in Chinese）.[馮強，曾聲奎，康銳.基于多主體的艦載機綜合保障過程建模方法[J].系統工程與電子技術，2010，32 （1）:211－216.]

[2]WANG Wenxiu，ZHU Huayuan，SUN Luqing.Optimum configuration of equipment in maintenance[J].Science Technology and Engineering，2009，9 （21）:6601－6602 （in Chinese）.[王文秀，祝華遠，孫魯青，等.機務準備中的保障裝備配置優化分析[J].科學技術與工程，2009，9 （21）:6601－6602.]

[3]LUAN Xiaofeng，XIE Jun.Research on multi－aircrafts preparation process based on simulation optimization[J].Computer＆Digital Engineering，2010，38 （12）:50－53 （in Chinese）.[欒孝豐，謝君.基于仿真優化的多機機務準備流程研究[J].計算機與數字工程，2010，38 （12）:50－53.]

[4]LI Jinglong，TAO Yonggang.Optimization of designing aircraft flying mission support system[J].Industrial Engineering Journal，2009，12 （3）:85－88 （in Chinese）.[李靜龍，陶勇剛.飛機機務保障系統的優化設計[J].工業工程，2009，12（3）:85－88.]

[5]LI Chao，WANG Ying，WANG Xiaochen，et al.Study of process optimization of flight line maintenance based on modular theory[J].Journal of Air Force Engineering University，2011，12 （1）:83－86 （in Chinese）.[李超，王瑛，汪曉程，等.基于模塊化理論的機務準備流程優化研究[J].空軍工程大學學報，2011，12 （1）:83－86.]

[6]Vahid Majazi Dalfard，Ghorbanali Mohammadi.Two metaheuristic algorithms for solving multi－objective flexible job－shop scheduling with parallel machine and maintenance constraints[J].Computers and Mathematics with Applications，2012，64（6）:2111－2117.

[7]WANG Shengyao，WANG Ling，XU Ye，et al.An estimation of distribution algorithm for solving hybrid flow－shop scheduling problem[J].Acta Automatica Sinica，2010，38 （3）:437－443（in Chinese）.[王圣堯，王凌，許燁，等.求解混合流水車間調度問題的分布估計算法[J].自動化學報，2010，38 （3）:437－443.]

[8]Zhang Yi，Zhang Hu.A niche GA based on crowding between two individuals with minimum euclidean distance[J].Journal of Computational Information Systems，2011，7 （10）:33567－3575.

[9]Ye Feng，Qi Wei Min，Xiao Jie.Research of niching genetic algorithms for optimization in electromagnetics[J].Proceeded Engineering，2011，16 （5）:383－389.

[10]LI Jun，GUO Yuhua，WANG Jun，et al.Multiple satellite scheduling based on hierarchical and immune genetic algorithm[J].Acta Aeronautica Et Astronautica Sinica，2010，31（8）:1636－1645 （in Chinese）.[李軍，郭玉華，王鈞，等.基于分層控制免疫遺傳算法的多衛星聯合任務規劃方法[J].航空學報，2010，31 （8）:1636－1645.]

[11]CHEN Qi，MA Xiangyang.Improved ant colony algorithm for job shop scheduling problem with limited capacity[J].Computer Engineering and Applications，2010，48 （5）:232－235（in Chinese）.[陳琦，馬向陽.求解有限產能作業車間調度的改進螞蟻算法[J].計算機工程與應用，2010，48（5）:232－235.]

[12]Vasebi A，Fesanghary M，Bathaeea S M T.Combined heat and power economic dispatch by harmony search algorithm[J].Int J Elec Power，2007，29 （10）:713－719.

[13]HAN Hongyan，PAN Quanke，LIANG Jin.Application of improved harmony search algorithm in function optimization[J].Computer Engineering，2010，36 （13）:245－247 （in Chinese）.[韓紅燕，潘全科，梁靜.改進的和聲搜索算法在函數優 化 中 的 應 用[J]. 計 算 機 工 程，2010，36 （13）:245－247.]