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 >

2025 , Vol. 47 >Issue 3: 87 - 92

DOI: https://doi.org/10.3969/j.issn.1673-3819.2025.03.011

Weapon & Information System

Overview of equipment maintenance support mission planning model and solution

  • YANG Liangliang ,
  • ZHAO Deyong † ,
  • LIU Xiaoyong ,
  • LIU Jie ,
  • SHEN Zixuan
Expand
  • Shijiazhuang Campus, Army Engineering University, Shijiazhuang 050003, China

Received date: 2024-11-05

  Revised date: 2025-01-21

  Online published: 2025-05-28

Fold

Abstract

Our military’s exploration of equipment support mission planning is still in its infancy, traditional methods are difficult to meet the current equipment support needs, and there is an urgent need to combine with intelligent algorithms, machine learning and other new technology means to complete the support mission. Three typical multi-objective optimization models of equipment maintenance support mission planning were summarized and studied on the basis of analyzing the characteristics and content process of internal law of equipment maintenance support mission planning. The research status of the optimization model of maintenance demand estimation and force formation, maintenance mission assignment optimization model, maintenance job scheduling optimization model, and the solutions of the heuristic solution and mixed intelligent solution methods were summarized. Finally, a research outlook on intelligent mission planning for equipment maintenance support is presented.

Key words： equipment maintenance support; mission planning; multi-objective optimization model; intelligent optimization algorithm; solution method

Cite this article

YANG Liangliang , ZHAO Deyong , LIU Xiaoyong , LIU Jie , SHEN Zixuan . Overview of equipment maintenance support mission planning model and solution[J]. Command Control and Simulation, 2025 , 47(3) : 87 -92 . DOI: 10.3969/j.issn.1673-3819.2025.03.011

1 装备维修保障任务规划内容及系统研究

1.1 装备维修保障任务规划的内涵界定

雷磊等认为装备保障任务规划的本质是将有限可知的保障能力最大限度转化为满足装备保障需求的保障行动[1];张春润等认为装备保障任务规划是使得保障力量生存概率和整体保障效能达到最佳的活动[2];彭鹏菲等认为装备保障任务规划是任务、资源与时限的匹配过程[3]。
本文认为装备维修保障任务规划是维修保障人员将维修保障资源进行科学计算、排列组合和推演评估,从而制订出兼顾作战和保障效益的维修保障计划集的过程。

1.2 装备维修保障任务规划的内容与流程

装备维修保障任务规划主要由规划主体、客体、任务、资源、工具、成果6项组成[4]。依据作战进程,装备维修保障任务规划分为2个阶段,即战前的静态筹划阶段和战中的动态筹划阶段,其流程如图1所示。
图1 装备维修保障任务规划任务结构与流程关系

Fig.1 Relationship between the structure and process of equipment maintenance support mission planning

1.3 装备维修保障任务规划系统体系结构

装备维修保障任务规划系统是指在合理配置资源使保障效益最大化的过程中相关要素的有机集合体,分为集中式和分布式控制系统两类。集中式控制系统由统一的指挥机构进行控制,缺点是可靠性低、计算量大、消耗时间长。分布式控制系统中各装备保障力量具备独立控制功能,缺点是智能化程度不高,很难实现系统最大效能。综合两类控制系统的优点,集中/分布混合式的体系结构被提出,它能更好地发挥保障单元自主与集中指挥的互补优势[2]。3种体系结构如图2所示。
图2 装备维修保障任务规划系统体系结构

Fig.2 Equipment maintenance support mission planning system architecture

1.4 外军装备维修保障任务规划研究

美军不仅已建立包含战略、战役、战术等多个层级的任务规划系统,其各军种也都装备了不同类型任务规划系统。其他国家也加强了人工智能等先进技术在任务规划领域的探索研究,将仿真技术应用到后勤保障领域,例如美军的综合后勤模型(logistics composite model, LCOM)和瑞典的后勤保障仿真模型(simulation of logistics and operations,SIMLOX)。20世纪80年代末,美军开发了一批基于DIS协议和HLA标准的作战保障仿真系统,代表性的有后勤保障模拟系统(logistics simulation,LOGSIM)和联合作战模拟系统(joint warfare system,JWARS)。
总体而言,美军经过长期探索与实践,在优化作业体系、促进维修方式转型、充实维修力量等维修保障任务规划方面积累了大量经验,对我国有很大的借鉴意义。

2 装备维修保障任务规划模型研究

2.1 多目标任务规划优化模型

针对装备维修保障任务规划问题,基于维修费用最小化、装备系统任务能力最大化两类指标,费用消耗最少、时间消耗最短、装备维修质量最高的三类指标及维修任务优先级、维修时间最短、保障资源消耗最少、装备战备完好性最好四类指标已分别建立模型[2-4]。分析对比三类多目标任务规划模型的优点及缺点,如表1所示。
表1 多目标任务规划模型对比

Tab.1 Comparison of multi-objective mission planning models

规划模型 优点 缺点
两类指标
模型		 模型简单有效,约束较少 模型建立比较理想,适应范围小
三类指标
模型		 模型实用有效,约束比较全面 模型建立无法区分任务优先级,资源占用易冲突
四类指标
模型		 模型贴近实际,考虑约束全面 模型建立比较复杂,计算获取结果比较困难

2.2 维修需求预计与力量编组优化模型

(1)需求预计模型
精准预测战损和维修保障需求对于维修效益的提升至关重要。田尚保等采用定性和定量相结合的方法构建了信息通信装备战损预计模型[5];刘文浩等建立了多数零件服从寿命分布类型的需求预测模型及战损备件预测模型[6];卢慧提出了基于维修任务的装备维修人员预测方法[7]。
(2)力量编组优化模型
维修保障力量的编组指对现有维修保障力量按部署形式、维修任务临时进行的编配与组合活动。李三群等采用解聚方法分析待修装备和维修专业关系,建立了装备维修保障力量解聚模型[8];赵劲松等提出基于模糊聚类方法的装备保障力量单元编组过程[9];王东等提出基于模糊聚类的工程保障力量编组方法[10]。

2.3 维修任务分配优化模型

(1)装备维修保障任务分配优化模型
装备维修保障任务分配时应考虑维修能力约束、维修费用和维修时间约束、维修人员技能匹配度等约束。Sarbjeet以最小维修时间为目标,建立了相关模型对维修任务进行分配[11];凌海风等以经济性、时效性、装备维修质量为约束建立了维修任务分配模型[12];梁丰等针对效费比最高、经济性最好、维修时间最短等维修目标,构建了维修任务分配模型[13]。
(2)战场抢修任务分配优化模型
装备战时维修保障应充分考虑抢修能力及任务需求等因素,合理分配任务。Thomas对维修任务分配进行分析与界定,明确了任务分配与任务特性、维修对象水平的关系[14];李思等基于使用最少抢修资源和占用最短抢修时间,建立了抢修任务分配策略模型[15];曹文斌等基于选择性维修理论,建立了面向随机任务的战场抢修决策模型[16]。

2.4 维修作业调度优化模型

(1)现场维修作业调度优化模型
装备维修任务分配只考虑了各项维修任务分配到具体执行的力量编组,没有充分考虑保障力量执行任务的顺序,维修作业调度问题则需要进一步考虑维修任务或工序的具体执行顺序。彭鹏菲等针对装备保障任务规划过程中保障资源占用冲突及保障任务逻辑关系约束的实际问题,构建了基于任务优先排序的解空间模型[3];王坚浩等针对任务时序逻辑约束和资源占用冲突等问题,建立了以时效优先为目标的数学模型[17];昝翔等根据维修任务重要程度、维修和等待时间确定任务优先级,建立了任务调度模型[18];Dong等针对战场破损设备维修多目标决策采用了TOPSIS方法进行排序,应用效果明显[19]。
(2)基地维修作业调度优化模型
基地维修时受场地空间有限等因素影响,需要对维修作业进行优化,为不同工种分配维修任务。杨少华等针对飞机维修作业设定耦合约束构建调度模型,重新调整工序[20];包博等分析装备维修作业工序并行性特点,建立了维修作业车间调度模型[21];张勇等分析了舰载机机群机库维修任务调度作业流程并建立了维修任务调度模型[22]。

3 装备维修保障任务规划求解方法

装备维修保障任务规划求解方法是在多约束条件下,以保障效果、资源利用率、执行总时间等为优化目标,对维修任务序列、保障资源分配等的合理优化安排,是一个NP-Complete(non-deterministic polynomial complete)问题。常见求解方法主要有以下两种。

3.1 启发式求解方法

(1)遗传算法
Antonio提出一种动态遗传分配算法,通过比较得出该方法在求解时间和范围上有较大改进[23];Ernest等基于遗传算法和模糊逻辑构建了遗传模糊树,构建了名为ALPHA的智能飞行员,并在模拟演习对抗中成功击败人类[24];曹军海等提出了一种考虑装备维修并行作业的遗传算法对模型求解,实现了维修人力资源策略优化[25]。
(2)蝙蝠算法
朱超等针对装备资源精确保障协同规划问题构建模型,提出了基于动态列表调度和自适应进化变异二进制蝙蝠算法的混合装备资源协同保障规划方法[26];龚成勇等利用改进的蝙蝠算法对建立的水下三维模型求解[27];陈财森等针对问题模型在训练时采用蝙蝠算法对向量机算法进行优化,得到最优参数的预测模型[28]。
(3)粒子群算法
Chen等提出了一种基于遗传算子的粒子群优化算法来求解武器目标分配问题[29];王永虎等采用粒子群算法对预防性维修策略优化模型求解[30];刘聪等利用改进的粒子群算法求解航空装备保障人员优化配置模型,得到优化配置结论[31]。

3.2 混合智能求解方法

(1)混合智能优化算法
此算法是综合2种及以上启发式算法的混合算法。Carl等提出一种基于多维列表规划算法得到修理机构和保障任务匹配方案[32];王坚浩等提出基于入侵杂草蝙蝠混合算法的双子群任务规划方法,对大规模复杂任务分配方案求解[33];付勉等将遗传算法和模拟退火算法相结合的混合遗传算法用于改善物流配送路径优化问题[34]。
(2)深度强化学习
深度强化学习是将深度学习与强化学习结合起来的方式,既有深度学习的感知能力又有强化学习的决策能力。文冬日等探索了基于深度强化学习的装备组合运用方法[35];卢锐等用深度强化学习算法对海上编队防空任务分配模型求解,取得了较好效果[36];刘网定等构建了基于深度强化学习的智能感知与决策框架,有效解决了战场上作战实体的自主感知和决策问题[37]。两种求解方法的优点及缺点,如表2所示。
表2 装备保障任务规划求解方法对比

Tab.2 Comparison of equipment support mission planning solution methods

规划算法 优点 缺点
启发式
求解方法		 结构简单、控制参数少、工程实现简单、优化效率高且鲁棒性好 参数敏感性高、所得解的多样性和准确性之间存在矛盾、易于陷入局部最优或搜索停滞
智能
求解方法		 混合优化算法能较启发式算法性能更优越;深度强化学习能有效避免前期盲目探索,效率更高 混合优化算法缺乏动态调整分配能力;深度学习可解释性不强,难以对规划结果进行清晰明了的解释

4 装备维修保障任务规划研究展望

后续研究可聚焦保障效益开展全局保障任务规划,兼顾长期与短期利益、全局与局部效益,探索动态对抗条件下的装备维修保障任务规划优化模型及求解方法;基于保障预案研究自适应任务规划方法,根据态势感知结果对不确定性因素进行自适应响应,针对性调整战前预案,形成最新保障方案;融入新技术探索新型智能优化模型与实现算法,构建以各类高新技术、模型、算法的基础知识引导为先导,以局部优化、全局平衡和协调控制为主线的智能任务规划框架体系,提升装备保障任务规划的适应性和综合效益。

5 结束语

装备维修保障任务规划属于典型的大规模、多约束、多目标优化与复杂决策问题。本文在对装备维修保障任务规划的内涵、内容及系统进行界定的基础上,综述研究了四类装备维修保障任务规划模型和两类代表性求解方法。下一步,应从实战需求出发,拓展知识图谱、大模型、云计算等智能优化技术的应用,构建新型装备维修保障任务规划模型和求解算法。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
雷磊, 胡慧中, 张云峰. 后装保障任务规划基本问题探析[J]. 指挥学报, 2021(9):33-34.

LEI L, HU H Z, ZHANG Y F. Analysis of basic problems in logistics and equipment support mission planning[J]. Command Journal, 2021(9):33-34.

[2]
张春润, 熊林伟, 赵坤, 等. 装备保障任务规划系统体系结构研究[J]. 中国管理信息化, 2012, 15(16): 55-57.

ZHANG C R, XIONG L W, ZHAO K, et al. Research on the architecture of the equipment support mission planning system[J]. China Management Informationization, 2012, 15(16): 55-57.

[3]
彭鹏菲, 于钱, 李启元. 基于改进粒子群优化的多目标装备保障任务规划方法[J]. 系统工程与电子技术, 2017, 39(3): 562-568.

PENG P F, YU Q, LI Q Y. Method of multi-object equipment support task planning based on improved particle swarm optimization[J]. Systems Engineering and Electronics, 2017, 39(3): 562-568.

DOI

[4]
赵田, 张炜, 吕耀平, 等. 基于多视角的装备保障任务规划机理分析[J]. 装备学院学报, 2017, 28(2): 13-17.

ZHAO T, ZHANG W, LYU Y P, et al. A mechanism analysis of equipment support mission planning based on multiple perspectives[J]. Journal of Equipment Academy, 2017, 28(2): 13-17.

[5]
田尚保, 崔毅, 周辉. 信息通信装备战损预计模型研究[J]. 军械工程学院学报, 2016, 28(6): 34-40.

TIAN S B, CUI Y, ZHOU H. Research on estimated battle damage model of information communication equipment[J]. Journal of Ordnance Engineering College, 2016, 28(6): 34-40.

[6]
刘文浩, 鲁世红, 王伟. 基于可靠性数据的航材备件需求预测方法[J]. 航空计算技术, 2017, 47(4): 53-56.

LIU W H, LU S H, WANG W. Forecasting method of aviation material spare parts demand based on reliability data[J]. Aeronautical Computing Technique, 2017, 47(4): 53-56.

[7]
卢慧. 基于维修任务的装备维修人员需求预测[J]. 舰船电子工程, 2022, 42(12): 130-133.

LU H. Demand forecast of equipment maintenance personnel based on maintenance task[J]. Ship Electronic Engineering, 2022, 42(12): 130-133.

[8]
李三群, 武永乐, 高健, 等. 基于解聚过程的维修力量编组分析方法[J]. 兵器装备工程学报, 2018, 39(7): 123-126.

LI S Q, WU Y L, GAO J, et al. Method of equipment maintenance support forces grouping based on disaggregation[J]. Journal of Ordnance Equipment Engineering, 2018, 39(7): 123-126.

[9]
赵劲松, 李忠光, 门君. 基于模糊聚类装备保障力量单元编组研究[J]. 军事交通学院学报, 2018, 20(1): 32-36.

ZHAO J S, LI Z G, MEN J. Units marshalling of equipment support force based on fuzzy clustering[J]. Journal of Military Transportation University, 2018, 20(1): 32-36.

[10]
王东, 陈虹, 徐勇, 等. 基于模糊聚类的工程保障力量编组方法[J]. 兵工自动化, 2023, 42(8): 37-39, 44.

WANG D, CHEN H, XU Y, et al. Grouping method of engineering support force based on fuzzy clustering[J]. Ordnance Industry Automation, 2023, 42(8): 37-39, 44.

[11]
LI D W, ZHANG Z H, ZHONG Q H, et al. Performance deterioration modeling and optimal preventive maintenance strategy under scheduled servicing subject to mission time[J]. Chinese Journal of Aeronautics, 2014, 27(4): 821-828.

[12]
凌海风, 郑宇军, 萧毅鸿. 装备保障智能优化决策方法与应用[M]. 北京: 国防工业出版社, 2015.

LING H F, ZHENG Y J, XIAO Y H. Intelligent optimization decision-making method and application of equipment support[M]. Beijing: National Defense Industry Press, 2015.

[13]
梁丰, 李向阳, 张志利, 等. 多方参与条件下维修任务分配建模与优化[C]// 第三十五届中国仿真大会论文集. 合肥, 2023: 56-63.

LIANG F, LI X Y, ZHANG Z L, et al. Modeling and optimization of maintenance task allocation under multi-party participation[C]// The 35th China Simulation Conference,Hefei, 2023:56-63.

[14]
WANG Y Y, LIU H, BI J G, et al. An approach for condition based maintenance strategy optimization oriented to multi-source data[J]. Cluster Computing, 2016, 19(4): 1 951-1 962.

[15]
李思, 贾希胜, 古平, 等. 基于任务关联性的抢修任务分配策略建模[J]. 装甲兵工程学院学报, 2015, 29(2): 18-23.

LI S, JIA X S, GU P, et al. Distribution strategy modeling of urgent repair tasks based on task relationship[J]. Journal of Academy of Armored Force Engineering, 2015, 29(2): 18-23.

[16]
曹文斌, 贾希胜, 胡起伟, 等. 基于选择性维修的装备战场抢修决策建模[J]. 系统工程与电子技术, 2018, 40(1): 98-105.

CAO W B, JIA X S, HU Q W, et al. Equipment battlefield damage assessment and repair decision-making modeling based on selective maintenance[J]. Systems Engineering and Electronics, 2018, 40(1): 98-105.

[17]
王坚浩, 张亮, 史超, 等. 装备精确保障任务规划建模与混沌蝙蝠算法求解[J]. 控制与决策, 2018, 33(9): 1 625-1 630.

WANG J H, ZHANG L, SHI C, et al. Task scheduling modeling and chaotic bat algorithm solving method of equipment efficient support[J]. Control and Decision, 2018, 33(9): 1 625-1 630.

[18]
昝翔, 陈春良, 张仕新. 战时装备维修任务分配与调度的系统工程研究方法[J]. 科技导报, 2018, 36(7):80-87.

DOI

ZAN X, CHEN C L, ZHANG S X. System engineering research method for equipment maintenance task allocation and scheduling in wartime[J]. Science & Tecnology Review, 2018, 36(7):80-87.

[19]
Dong C Y, Pan Q X, Wang Y X, et al. A method for ranking battlefield damaged equipment repairs based on TOPSIS[J]. Advanced Materials Research, 2013, 58(2):600-604.

[20]
杨少华, 王瑛, 刘刚. 基于耦合约束的飞机维修作业调度优化研究[J]. 计算机工程, 2016, 42(9): 297-304.

DOI

YANG S H, WANG Y, LIU G. Research on aircraft maintenance work scheduling optimization based on coupling constraint[J]. Computer Engineering, 2016, 42(9): 297-304.

DOI

[21]
包博, 李体方, 张搏. 基于遗传算法的装备维修作业车间并行调度模型[J]. 装甲兵工程学院学报, 2017, 31(6): 34-38.

BAO B, LI T F, ZHANG B. Equipment maintenance job shop parallel scheduling model based on genetic algorithm[J]. Journal of Academy of Armored Force Engineering, 2017, 31(6): 34-38.

[22]
张勇, 李常久, 苏析超, 等. 基于HTLBO算法的舰载机机群机库维修任务调度[J]. 系统工程与电子技术, 2022, 44(9): 2 858-2 868.

ZHANG Y, LI C J, SU X C, et al. Maintenance task scheduling of carrier-based aircraft fleet in hangar based on HTLBO algorithm[J]. Systems Engineering and Electronics, 2022, 44(9): 2 858-2 868.

[23]
ANTONIO C. Research on algorithms of task scheduling[C]// Proceedings of 2004 International Conference on,2004:42-47.

[24]
ERNEST N, CCRROLL D, SCHUMACHER C, et al. Genetic fuzzy based particle intelligence for manned combat aerial vehicle control in simulated air combat missions[J]. Journal of Defense Management, 2016, 6(144):2167-0 374.

[25]
曹军海, 刘振, 胡亚俊, 等. 基于遗传算法的装备小修维修人力资源配置优化[J]. 指挥控制与仿真, 2023, 45(6): 28-35.

DOI

CAO J H, LIU Z, HU Y J, et al. Optimization of maintenance human resource allocation forequipment minor maintenance based on genetic algorithm[J]. Command Control & Simulation, 2023, 45(6): 28-35.

[26]
朱超, 寇浩, 王洋, 等. 基于改进二进制蝙蝠算法的装备资源保障规划[J]. 火力与指挥控制, 2021, 46(12): 133-140.

ZHU C, KOU H, WANG Y, et al. Equipment resource support planning based on improved binary bat algorithm[J]. Fire Control & Command Control, 2021, 46(12): 133-140.

[27]
龚成勇, 刘康, 曾永亮. 基于改进蝙蝠算法的水下机器人避障路径优化方法[J]. 探测与控制学报, 2022, 44(4): 118-122, 128.

GONG C Y, LIU K, ZENG Y L. Optimization method of obstacle avoidance path for underwater robot based on improved bat algorithm[J]. Journal of Detection & Control, 2022, 44(4): 118-122, 128.

[28]
陈财森, 胡海荣, 程志炜, 等. 基于BA-RVM算法的发动机故障诊断技术研究[J]. 计算机工程与科学, 2023, 45(2): 332-337.

CHEN C S, HU H R, CHENG Z W, et al. Engine fault diagnosis technology based on BA-RVM algorithm[J]. Computer Engineering & Science, 2023, 45(2): 332-337.

[29]
CHEN H, LIU Z, SUN Y, et al. Particle swarm optimization based on genetic operators for sensor-weapon-target assignment[C]// Fifth International Symposium on Computational Intelligence and Design,IEEE Computer Society, 2012:170-173.

[30]
王永虎, 焦敬义, 于博文. 基于粒子群算法的装备预防性维修策略研究[J]. 火力与指挥控制, 2021, 46(4): 116-121.

WANG Y H, JIAO J Y, YU B W. Research on equipment preventive maintenance strategy based on particle swarm optimization algorithm[J]. Fire Control & Command Control, 2021, 46(4): 116-121.

[31]
刘聪, 廖开俊, 钱坤. 基于改进粒子群算法的航空装备保障人员优化配置[J]. 火力与指挥控制, 2023, 48(9): 167-172.

LIU C, LIAO K J, QIAN K. The optimization configuration methods for aeronautics equipment support personnel based on improved PSO(particle swarm optimization)algorithm[J]. Fire Control & Command Control, 2023, 48(9): 167-172.

[32]
KEISER C N, JONES D K, MODLMEIER A P, et al. Exploring the effects of individual traits and within-colony variation on task differentiation and collective behavior in a desert social spider[J]. Behavioral Ecology and Sociobiology, 2014, 68(5): 839-850.

[33]
王坚浩, 张亮, 史超, 等. 基于入侵杂草蝙蝠双子群优化的装备保障编组协同任务规划[J]. 控制与决策, 2019, 34(7): 1 375-1 384.

WANG J H, ZHANG L, SHI C, et al. Cooperative task scheduling for equipment support groups using invasive weed bat dual-subpopulation optimization algorithm[J]. Control and Decision, 2019, 34(7): 1 375-1 384.

[34]
付勉, 王世贵, 王丹丹. 用混合遗传算法求解物流配送路径优化问题[J]. 西昌学院学报(自然科学版), 2018, 32(2):56-58.

FU M, WANG S G, WANG D D. Research on the optimization of physical distribution routing problem with hybrid genetic algorithm[J]. Journal of Xichang University(Natural Science Edition), 2018, 32(2):56-58.

[35]
文东日, 陈小虎, 李文, 等. 基于深度强化学习的装备组合运用方法[J]. 指挥控制与仿真, 2021, 43(6): 135-140.

DOI

WEN D R, CHEN X H, LI W, et al. Method of equipment combination application based on deep reinforcement learning[J]. Command Control & Simulation, 2021, 43(6): 135-140.

[36]
卢锐, 彭鹏菲. 基于深度强化学习的海上编队防空任务分配[J]. 火力与指挥控制, 2023, 48(6): 35-41.

LU R, PENG P F. Maritime formation air defense task assignment based on deep reinforcement learning[J]. Fire Control & Command Control, 2023, 48(6): 35-41.

[37]
刘网定, 张国宁, 郑世明. 基于深度强化学习的作战实体智能感知与决策研究[J]. 火力与指挥控制, 2023, 48(5): 164-169.

LIU W D, ZHANG G N, ZHENG S M. Research on intelligent perception and decision-making of combat entities based on deep reinforcement learning[J]. Fire Control & Command Control, 2023, 48(5): 164-169.

Options
Outlines

/

〈 〉