中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2024 , Vol. 46 >Issue 5: 119 - 123

DOI: https://doi.org/10.3969/j.issn.1673-3819.2024.05.016

Multimodal Information Fusion

Personnel organization and allocation for space launch mission based on genetic algorithm

  • HE Shaofei ,
  • XU Huijuan ,
  • XU Xiao ,
  • LIU Jiping ,
  • ZHANG Jiexia
Expand
  • Jiuquan Satellite Launch Centre, Jiuquan 732750, China

Received date: 2023-10-06

  Revised date: 2023-11-18

  Online published: 2024-10-10

Fold

Abstract

In order to solve the problem that the formation and assignment of space launch crew mainly rely on mission experience and lack of theoretical support, firstly, the formation of space launch crew is briefly designed based on the principles of space launch crew allocation, including technical support team, launch team and test team. Secondly, on the basis of the work benefit value of space launch crew in the three teams, the personnel allocation model is constructed with the maximum work benefit as the optimization objective based on the traditional assignment model. Finally, the calculation method for the personnel allocation model is given through the decimal bit string coding of genetic algorithm. For a concrete example, the result of personnel allocation is given, proving the feasibility and effectiveness of the method.

Key words： space launch; personnel organization; personnel allocation model; genetic algorithm

Cite this article

HE Shaofei , XU Huijuan , XU Xiao , LIU Jiping , ZHANG Jiexia . Personnel organization and allocation for space launch mission based on genetic algorithm[J]. Command Control and Simulation, 2024 , 46(5) : 119 -123 . DOI: 10.3969/j.issn.1673-3819.2024.05.016

面对航天发射任务持续高频次、高密度、高强度的严峻态势及有限的航天发射人力资源,目前航天发射追求以精简的班组、最优的人力资源配置快速完成任务[1],因此,执行航天发射任务的岗位人员数量通常是有限的。另外,作为高新技术产品,火箭、卫星的测试发射原理较复杂,程序衔接较紧凑,操作要求较高[2],因此,培养合格的岗位操作手较困难,导致航天发射人员的能力水平参差不齐。因此,为了最大限度地完成好航天发射任务,面对有限的人员数量和人员不同的能力水平,如何进行编组分配成为亟须解决的问题。
目前,对于人员编组分配问题通常通过构建指派模型[3]采用匈牙利法进行求解[4],但是匈牙利法求解过程较为繁琐,求解效率低,出错概率高[5],无法有效解决大量人员参与的航天发射人员编组分配问题。因此,本文以航天发射人员的工作效益值为基础,引入最大工作效益为优化目标,基于指派模型建立人员分配模型,并采用遗传算法进行求解,可为航天发射人员编组分配提供参考和理论支撑。

1 航天发射人员编组

1.1 编组原则

为了完成航天发射任务,同时便于工作开展,人员编组需要遵循以下原则:
1)组内相容性原则。班组内部人员工作场所、工作对象及工作性质应该相同或相近,便于统一组织管理。
2)组间相斥性原则。不同班组之间工作场所、工作对象及工作性质应当存在较大差异,防止不同班组之间工作相互干涉。
3)整体完备性原则。所有班组之和应当具备独立完成一次航天发射任务的能力,即人员编组不能缺少任务所需的任一要素。

1.2 人员编组

结合人员编组原则及航天发射任务实际,设计构建航天发射人员编组如图1所示,其中,技术保障班组是为火箭测试发射任务提供通信、配电、吊装、空调、供气等技术勤务保障的班组,发射班组是实施火箭机动转场及发射区发射及撤收的班组,测试班组是负责技术区火箭总装、测试及转载上车的班组。
图1 航天发射人员编组构成图

Fig.1 The formation of space launch crew

2 航天发射人员分配

2.1 人员分配模型

基于军事运筹学中传统的指派模型对航天发射人员分配问题进行研究[6]。假设共m名人员参与航天发射任务,分别记为p1,p2,p3,…,pm;共编设n个任务班组,分别记为d1,d2,d3,…,dn,其中每名人员仅能参与一个班组,即
xij= 1 第 i 个 人 被 指 派 至 第 j 个 班 组 0 第 i 个 人 未 被 指 派 至 第 j 个 班 组
式中,xij表示第i个人员是否被指派至第j个班组,i=1,2,…,m,j=1,2,…,n。
假设根据航天发射任务需求,第j个班组需要pj个人员才能达到最低平均工作效益值rj,表示能够最低限度地完成班组担负的使命任务。因此,航天发射人员分配的目的就是将m名航天发射人员划分至n个班组,使其完成航天发射任务的效益值E最大,即
max E= ∑ j = 1 n ∑ i = 1 meij·xij
式中,eij表示第i个人员被分配至第j个班组完成相关任务的效益值(十分制),该值可根据岗前考评得到,m个人员分别完成n个班组的效益值组成效益值矩阵R=(eij)m×n。
考虑完成航天发射任务情况下,各班组对于人数和最低工作效益值的约束,则该人员分配问题可描述为[7]:
max E= ∑ j = 1 n ∑ i = 1 meij·xijs.t. ∑ i = 1 mxij=pj j=1,2,…,n ∑ i = 1 m e i j · x i j ∑ i = 1 m x i j≥rj j=1,2,…,n ∑ j = 1 nxij=1 i=1,2,…,m

2.2 求解方法

式(3)属于优化问题,可采用“遗传算法”求解,其具有运算简单、收敛速度快、不易陷入局部最优而容易达到全局最优、不受目标函数性质约束等突出优点[8]。对于将m个航天发射人员分配至n个班组的人员分配模型,遗传算法求解流程如下(见图2):
图2 遗传算法求解流程图

Fig.2 Flowchart of genetic algorithm

1)对解向量进行编码,构建初始种群
采用十进制对m个待分配人员进行编号[9],分别为l,2,3,…,m,代表一个人员的地址序号。用m位十进制位串M表示一种人员分配方案
M=[F1,F2,…,Fi,…,Fm]
其中,第i位的值Fi取1到m的值(i=l,2,3,…,m),满足Fi≠Fj(i≠j)。M中F1到Fj表示编号为F1到Fj对应的人员分配至第一个班组(即技术保障班组),Fj+1到Fj'表示编号为Fj+1到Fj'对应的人员分配至第二个班组(即发射班组), F j ' + 1到Fj″表示编号为 F j ' + 1到Fj″对应的人员分配至第三个班组(即测试班组)。随机产生一组染色体Mi(i=1,2,…,s),Mi各不相同,形成第一代解集种群,种群的规模一般在10~200之间。
2)确定适应度函数
遗传算法中适应度函数用于表征染色体的优劣,适应度大的染色体遗传至下一代的概率大,反之则小。对于航天发射人员分配问题,以完成航天发射任务的效益值E最大为目标函数,则目标函数越大适应度应越大,目标函数越小适应度应越小,因此,确定适应度函数fi=Ei。
3)自然选择
采用精英法与轮转法相结合的方法完成自然选择[10]:精英法产生k个后代染色体,即对于规模为s的种群,将其适应度fi(i=1,2,…,s)由大到小排列,排在最前的k(1<k<s)个染色体性能最好,将其各产生一个后代染色体;轮转法产生s-k个后代染色体,即染色体Mi按概率为fi/Σfi(i=1,2,…,s)产生s-k个后代,以保持后代种群容量s不变,种群代数增1。
4)染色体交叉
在每代种群中,以均匀分布随机选择c个个体进行交叉重组,研究表明[11],交叉概率c/s=0.5~0.8时进化性能较好,取c/s=0.7,交叉规则采用PMX法[12]。交叉后,比较新染色体与父代染色体的适应度,选择适应度大的染色体进入新种群。
5)染色体变异
在每代种群中,取概率为0.02对种群中的染色体进行变异[13],变异策略是随机交换染色体内两个基因的值。
6)判断进化停止条件
判断迭代的代数是否达到要求代数N:若是,则停止进化,选性能最好(即适应度最大)的染色体 M i *作为编组结果;反之,则继续迭代执行步骤(3)~(6)。

3 具体算例

3.1 任务背景

假设某航天发射任务需要技术保障班组12人、发射班组5人、测试班组20人,通过岗前考核及评价,得到37个待分配人员对技术保障、发射和测试三个班组的效益值,如表1所示。人员编组分配要求三个班组的平均效益值达到7。
表1 航天发射待分配人员效益值

Tab.1 Benefit value of space launch crew to be assigned

序号 人员 效益值
技术保障班组 发射班组 测试班组
1 A_1 8 6 8
2 B_1 6 7 9
3 C_1 7 8 9
4 D_1 7 8 9
5 E_1 8 7 6
6 F_1 7 6 9
7 G_1 8 9 8
8 H_1 8 9 8
9 M_1 6 9 8
10 N_1 6 7 8
11 O_1 7 7 6
12 P_1 9 8 9
13 Q_1 9 7 8
14 R_1 8 9 8
15 S_1 8 7 8
16 T_1 9 8 7
17 X_1 8 8 7
18 Y_1 6 7 7
19 Z_1 6 7 7
20 A_2 9 7 7
21 B_2 8 8 6
22 C_2 6 8 8
23 D_2 8 8 9
24 E_2 8 7 6
25 F_2 8 6 8
26 G_2 8 6 9
27 H_2 8 7 9
28 M_2 7 8 6
29 N_2 6 7 6
30 O_2 9 7 6
31 P_2 8 7 8
32 Q_2 8 7 8
33 R_2 8 6 8
34 S_2 8 8 8
35 T_2 6 6 7
36 X_2 9 7 9
37 Y_2 8 8 6

3.2 人员分配

根据任务背景可得,n=3,m=37,rj=7。因此,考虑在完成航天发射任务的情况下,人员分配问题可描述为:
max E= ∑ j = 1 3 ∑ i = 1 37eij·xijs.t. ∑ i = 1 20xi1=12 ∑ i = 1 20xi2=5 ∑ i = 1 20xi3=20 ∑ i = 1 20 e i j · x i j ∑ i = 1 20 x i j≥7 j=1,2,3 ∑ j = 1 3xij=1 i=1,2,…,20
采用遗传算法进行人员编组计算,构建初始种群规模为50,采用精英法产生30个染色体遗传至下一代,剩余20个染色体采用轮转法产生,随机选取30个染色体进行交叉、1个染色体进行变异,迭代计算30次,结果如图3所示。从图中可以看出,迭代计算25次后效益值达到最高302,之后效益值不再增加,对应人员分配结果也不再变化,其人员分配结果如下:技术保障班组分配12人,分别为G_1、A_2、X_1、N_2、O_2、Q_2、E_1、P_2、Y_2、T_1、E_2、F_1;发射班组分配5人,分别为B_2、M_2、H_1、R_1、M_1,测试班组分配20人,分别为C_1、D_1、P_1、Y_1、S_2、N_1、B_1、R_2、T_2、Z_1、C_2、F_2、X_2、Q_1、H_2、A_1、O_1、D_2、S_1、G_2。需要指出的是,由于每个航天发射待分配人员对于三个班组的效益值差异不大,甚至多人的效益值相同,最高效益值对应的人员分配可能存在其他方案。
图3 航天发射人员分配总效益值迭代变化图

Fig.3 Iterative variation diagram of total benefit value of space launch crew allocation

4 结束语

本文设计了航天发射人员编组架构,给出了人员分配模型及基于遗传算法的求解方法,相关理论可为航天发射人员编组分配提供支撑。随着智能寻优算法的不断发展和快速迭代,为更快捷地解决人员编组分配问题提供了更多选择。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
蔡应洲, 贺绍飞, 谷振丰, 等. 固体火箭空间快速响应任务规划研究[J]. 现代防御技术, 2021, 49(1): 107-115.

DOI

CAI Y Z, HE S F, GU Z F, et al. Mission planning of operationally responsive space for solid launch vehicle[J]. Modern Defense Technology, 2021, 49(1): 107-115.

[2]
霍明亮, 姚永伟, 王小龙, 等. 模糊综合评价法在测试发射岗位能力评估中的应用[J]. 航天控制, 2019, 37(3): 41-45.

HUO M L, YAO Y W, WANG X L, et al. The application of fuzzy comprehensive evaluation method in the evaluation of test and launch positions capability[J]. Aerospace Control, 2019, 37(3): 41-45.

[3]
郭斐然, 于剑桥, 宋豹. 基于指派模型的导弹装备体系弹种优化设计[J]. 系统工程与电子技术, 2022, 44(3): 850-862.

DOI

GUO F R, YU J Q, SONG B. Optimal design of missile types in missile equipment system based on assignmentmodel[J]. Systems Engineering and Electronics, 2022, 44(3): 850-862.

[4]
季军亮, 李龙跃, 杨小雷, 等. 改进匈牙利法的多层反导协同作战目标分配模型[J]. 现代防御技术, 2022, 50(5): 59-67.

DOI

JI J L, LI L Y, YANG X L, et al. Targets allocation model of multi-layer anti-missile cooperative operation based on improved Hungarian algorithm[J]. Modern Defense Technology, 2022, 50(5): 59-67.

[5]
王文璨, 巩梨, 刘林忠. 基于混合算法求解指派问题目标规划模型[J]. 计算机应用与软件, 2022, 39(6): 269-272, 308.

WANG W C, GONG L, LIU L Z. Target planning model based on the hybrid algorithm for the assignment problem[J]. Computer Applications and Software, 2022, 39(6): 269-272, 308.

[6]
CASTRO M, LISKOV B. Practical Byzantine fault tolerance[C]. New Orleans Louisiana: Proceedings of the Third Symposium on Operating Systems Design and Implementation, 1999.

[7]
陈明, 钱建刚. 雷达维修保障人员编组分配优化[J]. 空军雷达学院学报, 2009(1): 26-27, 30.

CHEN M, QIAN J. Optimization of staff designation for radar maintenance and support[J]. Journal of Air Force Radar Academy, 2009(1): 26-27, 30.

[8]
刘卓承, 张云雷, 刘涛, 等. 基于DEM数据和遗传算法的对海雷达部署优化研究[J]. 指挥控制与仿真, 2023, 45(3): 113-118.

DOI

LIU Z C, ZHANG Y L, LIU T, et al. Research on optimization of seaside radar deployment based on DEM data and GA[J]. Command Control & Simulation, 2023, 45(3): 113-118.

[9]
范学满, 王新鹏, 薛昌友. 基于混合优化算法的多UUV协同侦察任务分配方法研究[J]. 指挥控制与仿真, 2021, 43(6): 94-99.

DOI

FAN X M, WANG X P, XUE C Y. Research on task assignment method of multi-UUV cooperative reconnaissance based on hybrid optimization algorithm[J]. Command Control & Simulation, 2021, 43(6): 94-99.

[10]
晶雪. 基于改进遗传算法的低碳冷链物流路径优化研究[D]. 舟山: 浙江海洋大学, 2022.

JING X. Research on route optimization of low-carbon cold chain logistics based on improved genetic algorithm[D]. Zhoushan: Zhejiang Ocean University, 2022.

[11]
徐宁. 基于遗传算法的共架发射系统武器空域协调方法[J]. 指挥控制与仿真, 2021, 43(3): 84-88.

DOI

XU N. Airspace coordination method of common-frame weapons launch system based on genetic algorithm[J]. Command Control & Simulation, 2021, 43(3): 84-88.

[12]
周明, 孙树栋. 遗传算法原理及应用[M]. 北京: 国防工业出版社, 1999: 6-31.

ZHOU M, SUN S D. Genetic algorithms: theory and applications[M]. Beijing: National Defense Industry Press, 1999: 6-31.

[13]
武瀚文, 查启程, 梁燊, 等. 基于遗传算法的弹道外推方法[J]. 指挥控制与仿真, 2021, 43(5): 102-106.

DOI

WU H W, ZHA Q C, LIANG S, et al. Research on ballistic trajectory extrapolation method based on genetic algorithm[J]. Command Control & Simulation, 2021, 43(5): 102-106.

Options
Outlines

/

〈 〉