大型机场安检系统分布式调度方法

1.本发明涉及的是一种随机服务系统资源调度领域的技术，具体是一种基于时序性遗传退火算法的大型机场安检系统分布式调度方法。


背景技术：

2.随着我国经济水平的快速提高，民航客运量也在逐年快速增长，其增长量达每年10％以上。民航客运量的提升给机场安检系统带来了极大挑战，且由于机场空间规模的扩大，在国内许多大型机场中，常有数个面向不同用途的安检系统，如防爆检查、国内出发安检、国际出发安检等，事实上构成了一定的空间分布。机场每个时间段的旅客量与当天的航班安排有很大关系，且旅客在机场中存在较长的交通时间，故一天中不同时间段对机场安检通道的要求高度时变，且各不相同。
3.作为典型的时变分布式排队系统，安检系统中经典的固定工作安排难以有效应对系统现有的时变特性，一种调度思想是对实行安检的资源(工作人员与仪器等)也进行时变的安排，但在时变的排队系统中，基于经典排队论公式计算的服务性能与实际的系统表现差距较大，故难以胜任运营实际的需求。而资源调度的时间延迟成本之高，使得资源的跨区调度需要被谨慎考虑，现有的短视调度策略(如资源都分配给目前服务强度最大的节点)并不可靠，调度时应更多结合对调度前景的预测。


技术实现要素：

4.本发明针对现有技术存在的上述不足，提供一种大型机场安检系统分布式调度方法，基于时变随机客流的安检系统性能评估，及考虑大型机场空间分布式特征的高效调度。能够在合理的时间内获得令大型机场部门满意的资源调度方案，提高安检系统的运行效率并降低资源成本。
5.本发明是通过以下技术方案实现的：
6.本发明涉及一种大型机场安检系统分布式调度方法，基于大型机场安检系统运行的历史客观统计数据，将安检服务台的工作位置与状态进行综合编码并以最小化服务台的总工作时间为优化目标，加入工作约束与排队队长约束，考虑时变随机客流、服务随机性及服务台跨区域调度时间的分布式排队系统，运用逐点稳态流近似方法将分布式排队系统的随机性转化为期望值，进行解的质量评估，并采用遗传算法(ga)与模拟退火算法(sa)结合的时序优化算法得到近似最优解，从而对每个服务台每个时段的所服务排队节点、工作状态进行调度，以提高大型机场安检系统对目前随机环境的适应能力，提高安检效率并降低服务成本。
7.所述的时变随机客流是指：旅客的到达间隔时间无法提前确定，但服从一定的随机分布。
8.所述的服务随机性是指：服务台的服务间隔时间无法提前确定，但服从一定的随机分布。
9.所述的分布式排队系统是指：大型机场的安检系统有多个区域，如防爆检查、国内出发安检、国际出发安检等，可视作存在空间分布的多个排队服务节点，每个节点之间有一定距离，服务台当在两个节点之间调动，有一定的跨区域调度时间。
10.所述的工作位置是指：安检服务台每个时间段所工作的区域。
11.所述的工作状态是指：允许服务台在队伍前有休息和工作两种状态。
12.所述的排队队长约束是指：要求每个时段末的队伍长度期望值不得超过规定限制。
13.所述的优化目标是指：
14.目标函数：min.vt＝(∑ivti)，其中：vt为所有服务台的总工作时间之和，vti＝∑
twi,t
为服务台i的总工作时间。
15.决策变量为：w
i,t
为服务台i在t时段是否工作，为0-1变量，0为不工作，1为工作；p
i,t
为服务台i在t时段位于哪个节点工作，为正整数变量。
16.约束条件包括：
17.①
服务台的累计工作时间有递推关系：
18.②
服务台当已开始工作，则满足：
19.③
服务台的累计移动时间满足：
20.④
服务台当连续工作h
max
个时段，必须休息一个时段：
21.⑤
每时段末队长不超过上限：l
j,t
≤l
max
；
22.⑥
每时段末队长有递推关系：l
j,0
＝0,l
j,t
＝psffa(l
j,t-1
,λ
j,t
,s
j,t
,μ
j,t
,δt)；
23.⑦
每时段每个节点至少一个服务台：
24.其中：h
i,t
为服务台i在t时段末的连续工作时段数，h
min
和h
max
为服务台连续工作的最短和最长时段数，r
i,t
为服务台i在t时段末距离到达目标节点的时段数，t
move
为在两个节点之间移动所需的时段数，diff(a,b)在整数a，b不同时取1，相同时取0，表达服务台是否发生移动，l
j,t
为排队节点j在t时段末的期望队长，l
max
为时段末最大队长的阈值约束，λ
j,t
为节点j在t时段的顾客到达率，s
j,t
为节点j在t时段的工作服务台个数，μ
j,t
为节点j在t时段服务台的服务速率，δt为时段的长度；i≤f+m,j≤n,t≤t，f为固定节点工作的服务台总数，m为可移动的服务台总数，n为总排队节点数，t为总工作时段数。
25.所述的逐点稳态流近似方法(psffa)将分布式排队系统的随机性转化为期望值是指：通过流平衡公式左侧l
t-1
(ρ)+λ
t
·
δt和右侧l
t
(ρ)+μ
t
·st
·
ρ
·
δt，基于数值二分法，ρ＝(min+max)/2，min＝0，max＝1，当左侧》右侧时令max＝ρ；当左侧《右侧时令min＝ρ；当|左侧-右侧|《误差e，输出中间变量ρ和期望值l
t
，否则循环执行上述步骤。l(ρ)是非时变的稳态下由经典排队论导出的队长公式，视不同的随机系统而定。
26.所述的遗传算法(ga)与模拟退火算法(sa)结合的时序优化算法是指：随机生成初始解的种群后，将总工作时间与违反约束的惩罚项之和作为适应度函数，基于个体在种群中适应度的百分数进行概率性保留，并进行时序性交叉遗传运算与变异运算，当新个体适应度提高，则直接接受，否则按照模拟退火的接受准则进行概率性保留；通过重复上述过
程，迭代达到预设值时将最终种群中总工作时间最短的可行解作为决策输出。
27.所述的个体为一种工作调度方案，由w
i,t
和p
i,t
两个决策矩阵进行拼接生成。
28.所述的适应度函数v＝vt+p，其中vt为总工作时间，p与约束的违反数量成正比。
29.所述的时序性交叉遗传运算是指：考虑到在时变环境中，每一个解在前面时段的选择对适应度影响更大，故随机选取个体a和b后，在每个点位上考虑其所在时段t，以概率i＝a,b随机选取a或b的该点位作为新个体该点位的值，形成新子代wp1，子代有机会保留更多优秀基因片段。
30.所述的变异运算是指：随机选取新子代中50％个体，对其部分点位进行变异操作，如更改部分时段的工作安排或工作位置，并评估变异后个体适应度，当适应度提高，则用新个体替换变异前个体，否则按照概率p＝exp(c
×△
v)接受新个体，其中c为当前迭代代数，
△
v为新个体与原个体的适应度差值(此时必为负值)。
31.本发明涉及一种实现上述方法的系统，包括：历史客流信息记录模块、机场空间布局模块、调度方案求解模块、工作安排输出模块，其中，历史客流信息记录模块与机场空间布局模块向调度方案求解模块传输时变随机客流的分析信息及系统的分布式特征信息，调度方案求解模块与工作安排输出模块相连，将求解得到的最优方案转化为运营部门可参考的计划。技术效果
32.与现有技术相比，本发明基于时变随机客流下对安检性能更精确的评估得到的更少工时，以及相比现有决策方案更快的求解速度，能够在较短时间内给出高效的决策方案，有效提高服务业对大规模随机环境的适应能力，提高服务效率并降低服务成本。
附图说明
33.图1为本发明流程图；
34.图2为实施例中的到达率数据示意图；
35.图3是本发明中解的编码形式示意图；
36.图中i＝1，t＝10。
具体实施方式
37.如图1所示，本实施例针对国内某大型机场安检系统实施本方法。该机场共有3个安检区域，一天的工作时间为4:00-24:00，共20个小时。每个安检通道配备6名人员，包括验证员、引导员、x光机操作员、手检员和开包检查员，在实践中可认为组成1个安检班组。
38.原定排班为每个区域安排3个安检班组，一天两班制，即每天工时为3
×3×
20＝180小时，共需准备3
×3×
2＝18个班组。现采用分布式调度方案，每个区域设3个固定安检班组，另外3个可移动班组在各节点之间调度，即总共12个安检班组。安检的平均速率为152人/小时，安检服务的间隔时间服从指数分布。每个时段每个安检区域的到达率如图2所示，到达流为泊松流，即到达的间隔时间服从指数分布。安检班组在不同的安检区域之间移动需要1小时，要求排队队长不能超过150人。
39.本实施例基于上述环境的时变随机分布式排队系统服务台调度方法，包括：
40.步骤s1，确定目标函数及约束条件：以安检班组的总工作时间最少为目标函数，当所有被调度的安检班组总工作时间值取最小时，达到调度要求。
41.目标函数：其中：vt表示所有安检班组的总工作时间之和，表示安检班组i一天内的总工作时间。
42.决策变量为：w
i,t
表示安检班组i在t时段是否工作，为0-1变量，0表示不工作，1表示工作。p
i,t
表示安检班组i在t时段位于哪个节点工作，为正整数变量。
43.约束条件包括：
44.①
安检班组的累计工作时间有递推关系：
45.②
安检班组当已开始工作，限制其最少连续工作1小时，最多连续工作3小时，则满足：
46.③
可移动安检班组在不同区域间移动需要1小时，即t
move
＝1，安检班组累计移动时间满足：
47.④
安检班组当连续工作h
max
＝6个时段，必须休息一个时段：
48.⑤
每时段末队长不超过上限150人：l
j,t
≤150
49.⑥
每时段末队长有递推关系：l
j,0
＝0,l
j,t
＝psffa(l
j,t-1
,λ
j,t
,s
j,t
,μ
j,t
,δt)
50.⑦
每时段每个节点至少一个安检班组：
51.函数psffa(
·
)具体为：流平衡公式：l
t-1
(ρ)+λ
t
·
δt＝l
t
(ρ)+μ
t
·st
·
ρ
·
δt
52.基于实施例中的顾客泊松到达与安检指数分布服务特征，采用m
t
/m/s
t
排队公式，在上式中令其中
53.a)记min＝0，max＝1；
54.b)令ρ＝(min+max)/2，代入上式；
55.c)当左侧》右侧：令max＝ρ；当左侧《右侧：令min＝ρ；
56.d)当|左侧-右侧|《误差e，输出ρ和l
t
，否则返回执行b。
57.步骤s2，用遗传退火时序算法对调度问题求取近似最优解，具体包括：
58.步骤s201，将wi,t和pi,t整数向量进行拼接，作为决策解的编码，记为wp。
59.步骤s202，初始化：设置进化计数器c＝0，设置最大进化代数c＝2000，随机产生k＝50个初始个体wp
0,i
，构成初始种群wp0。
60.步骤s203，评估种群中个体的适应度，采用适应度函数v＝vt+1000
×
p，其中vt为总工作时间，p为约束的违反数量，放大1000倍作为惩罚。
61.步骤s204，轮盘赌选择：先将种群中50个个体按照适应度大小进行排列得到百分位数p，如适应度排名第1的个体p＝100％，排名第2的个体p＝98％，再将种群中每个个体按照概率p进行保留。
62.步骤s205，时序性交叉遗传：随机选取个体a和b后，在每个点位上考虑其所在时段
t，以概率i＝a,b随机选取a或b的该点位作为新个体该点位的值，生成一个新个体。重复此遗传过程，直至种群中个体数量重新回到k＝50，形成新子代wp1。
63.步骤s206，变异运算：随机选取新子代中50％个体即25个个体，对其部分点位进行变异操作，随机更改1个时段的工作安排或工作位置，并评估变异后个体适应度，当适应度提高，则用新个体替换变异前个体，否则按照概率p＝exp(c
×△
v)接受新个体，其中c为当前迭代代数，
△
v为新个体与原个体的适应度差值(此时必为负值)。
64.重复s202～s206的过程，直至连续50代的适应度没有提升，或达到最大迭代次数c＝2000次，则终止算法，将最后一代中总工作时间最短的可行解作为决策输出。
65.经过具体实际实验，基于图2的到达率和如上的数值设定，运行上述方法，能够得到的实验结果数据如表1，求解用时为5min。其中经典排班是未考虑系统随机性，直接将所有资源用于安检的经典方案。
66.表1：
67.区别于现有的短视调度策略，本方法对每个服务台每个时段的所服务排队节点、工作状态进行更精准的调度，将总工时显著降低至原来的50％，且节省了总资源数量；区别于现有的全局计划模型，本方法将遗传算法(ga)与模拟退火算法(sa)进行结合，针对问题的时序性特点开发了时序优化算法，将问题求解速度从原有的天级提升至分钟级。
68.上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。