一种基于网络化系统的多级保障部署方法

技术领域

本发明属于网络化系统技术领域，具体涉及一种基于网络化系统的多级保障部署方法。

背景技术

针对目前科技发展状况，各种科学器件和武器装备的技术水平越来越先进，技术性能也越来越高，因此对相应的装备保障资源和保障条件要求越来越多。在特定的操作空间中，如何科学地规划保障资源点、如何快速高效的提供保障资源、如何降低成本，不仅直接决定着装备的寿命周期，还直接影响着装备的完好性和系统整体的工作性能。特别针对网络化系统，因为系统本身的信息传输和协同工作的网状结构具有集成性高等特殊性，所以建立网络化系统的保障部署方案更为困难。

为了保障网络化系统的运作，需要考虑多方面的因素，如各备件仓库的负责区域划分、负责保障的固定节点个数、仓库与固定节点的位置关系、维修时间、仓库库存成本等。目前针对备件库存方面的优化有相关的多级库存研究，但是将备件仓库的库存量与位置部署相结合的多级部署尚未有成熟的研究结果。

因此，纵观整个网络化系统的备件保障问题，由于其特殊性和复杂性，能够提出一种切实可行的备件仓库部署方案，对提升整个网络化系统的工作性能意义重大。

发明内容

有鉴于此，本发明提供了一种基于网络化系统的多级保障部署方法，能够有效的将物资保障与选址问题相结合，完成基层备件仓库与总备件仓库的位置部署。

为了达到上述目的，本发明的技术方案为：

一种基于网络化系统的多级保障部署方法，针对具有多级保障层的网络化系统进行部署；包括如下步骤：

步骤1：对于网络化系统中的多级保障层进行信息获取，所述多级保障层包括从低到高的第1～第M级，每一级均包含多个节点；针对第m级保障层，m的初始值为1，进入步骤2；

步骤2：根据步骤1所获取的信息对网络化系统的第m级保障层建立目标函数，所述目标函数使第m级保障层所有节点的可保障率之和最大；

步骤3：选取收敛算法优化所述目标函数；从而确定第m级保障层的各节点的位置；

步骤4：m自增1，针对第m级保障层，重复步骤2～3，直至m＝M，由此完成针对每一级保障层的部署。

进一步地，网络化系统中包括三级保障层，其中第1级由多个固定节点组成，第2级由多个基层备件仓库组成，第3级由一个总备件仓库组成；

则所述信息获取过程中，获取如下信息，包括：

各固定节点的备件需求量r_i，服从均匀分布U(a,b)；

固定节点i与基层仓库j之间的欧氏距离d_ij；

基层备件仓库对区域内节点的可保障率C_ij，其中，D表示基层备件仓库的保障范围，D₀表示基层备件仓库的保障范围不确定度；λ₁＝D₀-D+d_ij和λ₂＝D₀+D-d_ij，而α₁，α₂，β₁，β₂为预设的检测概率参数。

进一步地，目标函数为maxΣC_ij·r_i·y_ij

约束条件包括：

每个固定节点必须被一个且仅有一个基层备件仓库所保障；

固定节点i在基层备件仓库j的保障负责区域内时y_ij为1，否则y_ij为0；

各基层备件仓库保障区域内的节点个数最大差异值小于既定值s；

各基层备件仓库保障区域内的节点备件需求量之和最大差异值小于既定值r。

进一步地，选取q组针对第m级保障层各节点的需求量的随机组合，设定迭代次数K；则所述步骤3具体包括如下步骤：

步骤301：初始化第m级保障层n个节点的需求量，构成矩阵r_matrix(q，n)；初始化第m级保障层n个节点的位置部署x。

步骤302：将x中对应的第m级保障层中n个节点的位置，以及q组中每一组节点需求量r₁～r_n代入到目标函数中获得q个结果，然后对q个结果代入到期望函数fitness中求出期望值。

步骤303：K自减1，判断K是否为0，若不为0，则将此时x经过收敛算法更新为新的位置部署，重复执行步骤302。

以初始化的x对应计算的期望值作为全局最优值，若新的位置部署对应计算的期望值超过全局最优值，则将全局最优值更新为该期望值，否则全局最优值保持不变。

当K减为0时，此时的全局最优值对应的位置部署为最优位置部署方案；该最优位置部署方案对应第m级保障层的各节点的位置。

有益效果：

1、本发明提出了一种基于网络化系统的多级保障部署方法，将目前多用于备件储存及修复的多级保障方式，与位置属性相结合，运用到备件仓库部署领域中，有效的将物资保障与选址问题相结合，完成基层备件仓库与总备件仓库的位置部署。

2、本发明考虑了各固定节点备件需求量的不确定性，采用随机优化的思想，在算法收敛过程中引入随机优化的期望取值方法，使得此部署方法可以运用于需求量未知的情况下，更符合实际需求。

3、本发明在多级保障部署的基础上，考虑各基层备件仓库之间的均衡问题，将物资均衡和保障力量即节点个数均衡作为区域划分的基础，完成各备件仓库的位置部署。这种约束既考虑了地理属性，又确保各基层备件仓库的备件存储量与节点需求量相吻合，避免了物资存储的过量或短缺，使得该部署方式更符合实际情况。

附图说明

图1多级保障逻辑图；

图2单一备件替换过程图；

图3多级保障部署算法流程图；

图4网络化固定节点分布示意图；

图5基层备件仓库保障区域划分示意图；

图6总备件仓库部署示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

实施例1、一种基于网络化系统的多级保障部署方法，该方法针对具有多级保障层的网络化系统进行部署；包括如下步骤：

步骤1：对于网络化系统中的多级保障层进行信息获取，所述多级保障层包括从低到高的第1～第M级，每一级均包含多个节点；针对第m级保障层，m的初始值为1，进入步骤2；

本实施例中网络化系统中包括三级保障层，其中第1级由多个固定节点祖恒，第2级由多个基层备件仓库组成，第3级由一个总备件仓库组成；

则所述信息获取过程中，获取如下信息，包括：

各固定节点的备件需求量r_i，服从均匀分布U(a,b)；

固定节点i与基层仓库j之间的欧氏距离d_ij；

基层备件仓库对区域内节点的可保障率C_ij，其中，D表示基层备件仓库的保障范围，D₀表示基层备件仓库的保障范围不确定度；λ₁＝D₀-D+d_ij和λ₂＝D₀+D-d_ij，而α₁，α₂，β₁，β₂为预设的检测概率参数；

第j个基层备件仓库保障区域内的固定节点个数之和S_j；

第j个基层备件仓库保障区域内的固定节点备件需求量之和R_j。

步骤2：对网络化系统的第m级保障层建立目标函数，所述目标函数使第m级保障层所有节点的可保障率之和最大。

本实施例中，目标函数为maxΣC_ij·r_i·y_ij

约束条件包括：

每个固定节点必须被一个且仅有一个基层备件仓库所保障；

基层备件仓库个数固定；

固定节点i在基层备件仓库j的保障负责区域内时y_ij为1，节点不被基层备件仓库j所保障时y_ij为0；

各基层备件仓库保障区域内的节点个数最大差异值小于既定值s；

各基层备件仓库保障区域内的节点备件需求量之和最大差异值小于既定值r。

步骤3：选取收敛算法优化所述目标函数；从而确定第m级保障层的各节点的位置；本实施例中，收敛算法为差分算法。

选取q组针对第m级保障层各节点的需求量的随机组合和p个种群数量，其中每个种群中包含固定节点位置部署，设定迭代次数K；则所述步骤3具体包括如下步骤：

步骤301：初始化第m级保障层n个节点的需求量，构成矩阵r_matrix(q，n)；初始化位置部署x；

步骤302：将x中对应的第m级保障层中n个节点的位置，以及q组中每一组节点需求量r₁～r_n代入到目标函数中获得q个结果，然后对q个结果代入到期望函数fitness中求出期望值；

步骤303：K自减1，判断K是否为0，若不为0，则将x经收敛算法跟新为新的位置部署，重复执行步骤302；

以初始化的x对应计算的期望值作为全局最优值，若新的位置部署对应计算的期望值超过全局最优值，则将全局最优值更新为该期望值，否则全局最优值保持不变；

当K减为0时，此时的全局最优值对应的位置部署为最优位置部署方案；该最优位置部署方案对应第m级保障层的各节点的位置。

步骤4：m自增1，针对第m级保障层，重复步骤2～3，直至m＝M，由此完成针对每一级保障层的部署。

实施例2、本实施例通过具体的案例对上述保障部署方法进行具体描述：

步骤1：针对单一的固定节点备件，对于网络化系统中有关多级备件仓库部署问题的因素进行分析，获取其初始信息。在本例中设定17个固定节点、3个基层备件仓库和1个总备件仓库，逻辑结构如图1所示。其中，单一备件的替换和维修过程大致如图2所示。在初始情况下值分析节点固定的情况，固定节点分布情况如图4所示，其坐标信息如下：

P(x,y)＝[4.91,18.28,33.80,2.88,16.97,37.38,36.42,11.41,24.70,5.83,12.86,3.763,27.03,35.79,14.41,26.73,4.37,10.62,29.51,16.60,23.03,22.00,15.23,12.36,35.63,32.43,1.98,24.96,23.00,30.34,7.82,34.07,12.43,17.34]

r_i：各固定节点的备件需求量，由于考虑其不确定性，均服从均匀分布U(10,50)。

d_ij：固定节点i与基层仓库j之间的欧氏距离。

C_ij：基层备件仓库对区域内节点的可保障率，欧氏距离由近及远，可保障率由1到0。由于路况好坏等实际因素，备件仓库到节点的路段可能被破坏，行走距离会相应增加，因此可保障率会对应降低。故可将这种保障方式视为与距离相关的可保障率，因此距离越近、路况越好，可保障率越高；距离越远、路况较差，可保障率减小。

$>C_{ij}=\left(\begin{array}{cc}0& R+r\le d_{ij}\\ e^{-{\alpha }_1{{\lambda }_1}^{{\beta }_1}/{{\lambda }_2}^{{\beta }_2}+{\alpha }_2}& R-r\le d_{ij}\le R+r\\ 1& R-r\ge d_{ij}\end{array}\right)$>

其中，r表示不确定度，λ₁＝r-R+d_ij和λ₂＝r+R-d_ij，而α₁，α₂，β₁，β₂为检测概率参数。

S_j：第j个基层备件仓库保障区域内的固定节点个数之和。

R_j：第j个基层备件仓库保障区域内的固定节点备件需求量之和。

步骤2：根据上述初始信息，对网络化防空系统的多级保障部署体系构建合理的数学模型。

目标函数为：maxΣC_ij·r_i·y_ij

约束条件为：1、Σx_ij＝1

2、Σy_i＝m

3、y_ij∈{0,1}

4、max(S_i-S_j)＜s

5、max(R_i-R_j)＜r

目标函数表示使所有固定节点的可保障率之和最大；约束1表示每个固定节点必须被一个且仅有一个基层备件仓库所保障；约束2保证基层备件仓库个数为3；约束3中y_ij为1表示固定节点i在基层备件仓库j的保障负责区域内，为0表示节点不被基层仓库j所保障；约束4表示各基层备件仓库保障区域内的节点个数最大差异值小于既定s，由于本例火力节点总个数为17，按照3个区域划分，设定s为2；约束5表示各基层备件仓库保障区域内的节点备件需求量之和最大差异值小于既定r，由于本例的各固定节点需求量服从U(10,50)，按照3个区域划分，设定r为50。由约束4和5可以达到保障区域间的个数与需求量均衡。

步骤3：目前固定节点个数为17，基层备件仓库个数为3，选用差分进化算法对已知区域进行基层备件仓库保障区域划分。种群规模N＝30，迭代次数D＝500，交叉因子F＝0.5，交叉概率CR＝0.1。由于各固定节点需求量的不确定性，采取随机优化模型，选取q组需求量的随机组合和p个种群数量，这里的q和p均为100，每次收敛的迭代次数为500。优化的适应度函数为代入100组需求量计算而得的期望值。

因此，初始化各固定节点的需求量，构成矩阵r_matrix(100，17)服从U(10,50)，种群初始化位置x和速度v。先将初始位置x代入fitness函数中，与100组中对应的节点需求量r计算出100个f(x)，按照公式求出期望值，作为初始的最优值。将100个种群数量中的每一个x经过变异、交叉和选择后都计算出fitness与初始最优值比较，更新最优值。然后将此时的x继续代入fitness，完成第二次全局最优值的更新，经过500次迭代后就会得到最终的全局最优值。算法流程如图3所示。

得到的基层备件仓库部署情况如图5所示，*号表示基层备件仓库的部署位置，同一颜色为同一个基层备件仓库的保障区域。其对应的位置信息为P1＝(24.34，29.10)P2＝(25.02，7.69)P3＝(4.62，22.45)。

区域1(蓝色)的保障固定节点个数为5，区域备件需求量之和期望值为185；区域2(红色)的保障固定节点个数为6，区域备件需求量之和期望值为147；区域3(绿色)的保障固定节点个数为6，区域备件需求量之和期望值为130。此时的保障区域划分既均衡了固定节点个数又均衡了各固定节点的备件需求量，故此为基层备件仓库的最优部署位置。

步骤4：3个基层备件仓库的位置已定，计算其保障责任区域内的各固定节点需求量之和的期望值，即Σr_i，其对应值为185,147,130，此值可视为基层备件仓库的备件需求量，将此时的基层备件仓库类比固定节点，完成第二级的部署，重复步骤2与步骤3的思想，同理可确定总备件仓库坐标位置，pgz,＝(19.27，18.2)，部署情况如图6所示中的黑色*。

至此，多级保障部署均已完成，针对单一备件保障，考虑了保障任务的均衡性和固定节点的备件需求量等因素，同时根据备件需求量的不确定性，采用随机优化模型，确定了各级备件仓库的位置部署和备件仓库备件的存储量。并以此为基础，根据已有的各固定节点位置，合理划分各基层备件仓库的负责范围，将物资保障与地理信息相结合，考虑固定节点需求量及路程等问题，优化获得最佳基层备件仓库的坐标，最终获得了总备件仓库坐标，对提升整个网络化系统的工作性能提供了坚实保障。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。