专利名称：基于遗传算法的业务过程模型资源配置优化方法
技术领域：
本发明涉及信息技术与企业工程领域，具体地，涉及一种基于遗传算法的业务过程模型 资源配置优化方法。
背景技术：
企业运作是围绕业务活动来进行的，而活动的执行情况又是与资源配置密切相关的，因 此对业务过程模型的资源配置进行优化成为了企业工程领域一项重要的研究内容。企业业务 模型资源配置主要涉及模型中的活动和资源两类对象，二者除了名称、类型、描述等共有的 基本属性外，还有各自不同的属性，其中活动所需资源配置和资源总数配置方案(统称资源 配置方案)的选择直接影响着调度策略优化的结果，是业务模型优化中的一项重要内容。活动是企业业务模型中最重要的对象，而持续时间、所需资源及其数量是活动的众多属 性中能够对业务过程运行性能产生影响的最主要属性。其中活动的持续时间直接关系到业务 过程的运行时间，活动执行所需资源的配置不仅会制约活动持续时间，而且还会影响业务过 程的运行成本。在建模过程中，管理者需要根据经验数据或工作计划为活动设置持续时间和 所需的资源配置。其中活动持续时间可能是某个确定值，也有可能服从某种随机概率分布， 甚至在不同资源配置下会服从不同分布。对活动属性参数的优化就是在这些资源配置方案中 选出一种(或多种)，使得过程按这种配置方案进行仿真得到的性能指标满足优化目标。资源属性主要包括资源数量、资源效率、资源成本等，在企业业务过程实际运行中，后 两者一般是对资源实际情况的反映，人为调控的情况较少。资源数量在建模时往往是由管理 者给出一个范围，如企业可以为某个项目投入60 70台机床、30 40个工程师等等，甚至 在项目进行的不同阶段投入的资源数量也不同。在对业务过程模型仿真时，选择不同的数量 组合就会生成不同的模型实例，仿真结果自然也会不同。因此，优化的目标就是合理配置资 源总数，在等待资源和闲置资源之间寻求一个平衡点，使得资源利用率、业务过程成本这些 过程性能指标均达到用户的需求。现代企业是一个复杂的社会技术系统，其资源类型多、数量大，需要优化的解空间自然 也就极为庞大，传统的优化算法已经很难解决其业务过程模型资源配置优化这类的问题。而 来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的遗传学说的遗传算法能够处理传 统优化算法难以解决的各类复杂问题，具有广泛的适应性和良好的鲁棒性，应用也是越来越 广泛。但是由于企业业务过程模型中活动执行所需资源的使用数量和相应资源总数之间存在
约束，改变任一参数(配置方案)，都可能会影响其他参数的选取，不仅增加了处理问题的复 杂性，而且其组合方案很难用统一的方法表示，如果按照传统的遗传算法统一处理问题空间， 不但会给编码、译码工作带来困难，而且对选择、交叉、变异等遗传操作也会产生不利的影 响，因此，需要对传统的遗传算法加以改进，寻求或设计一种合适的优化算法，有效降低优 化工作的复杂程度，提高优化效率。发明内容本发明的目的是针对目前业务模型复杂、参数繁多等特点，以及现有技术在解决业务过 程模型资源配置优化问题中的不足和缺陷，提出一种基于遗传算法的业务过程模型资源配置 分级优化方法，使其解决企业为经营过程分配资源的合理性问题以及在有限资源条件下活动 执行的资源合理性利用问题，适应企业过程优化的要求。本发明方法具体如下步骤一设定遗传算法所需的初始参数，包括最大迭代次数、种群规模、联赛选择规模、 交叉概率、变异概率等；步骤二提取业务过程模型中各类资源的总数及各个活动的持续时间与所需资源的配置 情况作为模型资源配置优化的参数；步骤三根据模型信息，生成表示资源总数配置方案的种群R;步骤四循环选择R中的个体ri，根据活动资源配置信息生成初始种群A;步骤五循环选择A中的个体ai;步骤六计算个体ai的适应值；步骤七判断是否满足活动所需资源配置方案优化结束的条件，如果结果为否进入步骤 八，结果为是则进入步骤九；步骤八选择、交叉、变异，生成新的种群A;步骤九将最优个体a,的适应值作为R中相应个体的适应值；步骤十判断是否满足资源总数配置方案优化结束的条件，如果结果为否进入步骤十一， 结果为是则进入步骤十二；步骤十一选择、交叉、变异，生成新的种群R;步骤十二将最优个体所表示的资源配置方案作为优化结果输出。流程如附图所示。本发明方法中分两层采用遗传算法，在算法中采用自然数编码方案， 一条染色体编码为
一个自然数序列(Xl,X2,-x )。其中外层遗传算法中种群R根据资源总数配置方案生成，每 条染色体表示一种资源总数配置方案。针对R中的个体ri取舍活动执行所需资源的配置方案， 如果所需资源数量超出^中相应资源的数量则舍弃该方案，由此构造内层遗传算法的种群A, 从而避免优化时对无效资源配置组合方案的分析计算。
附图是本发明的流程示意图。
具体实施方式
基于本发明方法开发了原型系统，该系统包括用户提供企业过程模型的接口、资源配置 信息提取模块、资源总数配置方案优化模块、活动资源配置方案分析处理模块、活动资源配 置方案优化模块、过程模型仿真分析模块以及优化结果显示模块。以下对本发明的具体实施作进一步的描述-步骤一设定遗传算法所需的初始参数， 一般将最大迭代次数设定于200代 1000代之间， 种群规模设定于20 100之间，联赛选择规模设定于2 10之间，交叉概率设定于0. 6 1. 00 之间，变异概率设定于0.005 0.01之间。实施优化时需要根据业务过程模型的规模和优化 精度要求的不同来取值；步骤二由用户通过人机接口提供需要优化处理的过程模型，模型信息存储于XML文件当中， 进而由资源配置信息提取模块提取业务过程模型中各类资源的总数及各个活动的持续时间与 所需资源的配置情况作为模型资源配置优化的参数;采用活动持续时间矩阵C来表示每个活动的持续时间与所需资源的配置情况之间的关 系。活动持续时间矩阵C-C^ ^…其中n表示配置方案的个数，持续时间向量 A,.=(aj … a战 ara+2 flm+3)，其中n^max(m！, m2,…nO ， nii表示该活动执行所需资源配置方案中的资源类型的数量，a广ev表示所需相应资源的数量，am+1表示持续时间所满足的 概率分布类型，a +2、 a^表示该分布对应的参数；步骤三通过资源总数配置方案优化模块分析资源总数配置参数，生成表示资源总数配置方 案的种群R;步骤四循环选择R中的个体n，针对R中的个体ri通过活动资源配置方案分析处理模块来 取舍活动执行所需资源的配置方案，如果所需资源数量超出ri中相应资源的数量则舍弃该方 案，由此避免优化时对无效资源配置组合方案的分析计算，并且构造内层遗传算法的种群A; 步骤五由活动资源配置方案优化模块循环选择A中的个体a"
步骤六由过程模型仿真分析模块计算个体&的适应值；个体适应值的计算通过对采用每个个体所表示的资源配置方案的过程模型进行仿真得 到。由于企业业务模型的优化目标是改善模型业务过程运行成本、产品生成效率、资源利用 率、活动等待队列长度与等待时间等多项性能指标，因此利用线性加权的办法将多目标优化 问题转换为单目标优化问题。优化目标函数确定为<formula>formula see original document page 7</formula>
其中Q(X)表示总目标的效用值，X是n维决策变量，表示模型的资源配置优化参数；％表示各指标的权重系数，由企业决策人员进行设置，满足Sw,-l; ra为指标的数量，f为通 过仿真得到的各指标值。步骤七判断是否满足活动所需资源配置方案优化结束的条件，如果结果为否进入步骤八， 结果为是则进入步骤九。结束条件包括有到达最大遗传代数、目前最优个体适应值已满足 优化目标等；步骤八选择、交叉、变异，生成新的种群A;采用联赛选择作为选择方式。假设种群P^ai， a2,…，aj，并且满足个体适应值降序排 列/(^)2/(^)^'^/"),在规模为q的选择过程中，排序不超过j的个体被选择的概率为<formula>formula see original document page 7</formula>
，排序不超过j _ 1的个体被选择的概率为
<formula>formula see original document page 7</formula>
么个体aj的选择概率为
<formula>formula see original document page 7</formula>
调节参数q在优化过程中动态控制种群选择压力，避免算法的早熟。 交叉操作遵循以下方法1)依次遍历种群中的每个个体，按照式(1)计算其交叉概率p。，生成随机数ra，如果 ra〈 p"则将该个体放入交配池中。
<formula>formula see original document page 7</formula>式中^"表示初始设定的交叉概率，ymw表示当代种群中的最大适应值，/表示该个体的适应值，7表示当代种群的平均适应值；2)将交配池中的个体进行随机配对，每对个体按式(2)进行带偏置概率的一致交叉。式中""和""分别表示所选两个父代染色体中的第i位基因，""和""分别表示两个新生成子代染色体中的第i位基因，力和力分别表示两个父代个体的适应值，ra是在进行每一个基因位交叉时生成的随机数，^x为偏置概率，"''则表示从该基因位的取值范围中随机选取的 一个合法值。这种方法首先能够动态调整交叉概率，适应值大于种群平均适应值的个体对应于较低的 交叉率，该个体得以保护进入下一代，而低于平均适应值的个体则对应于较高的交叉率，该 个体容易被淘汰。其次，当进行基因交叉时既能够保留高适应值个体的相应基因，也能够重 新生成合法基因替代低适应值个体的相应基因。这样既维持了种群的多样性和算法的收敛性， 又保证了交叉后个体的合法性，有效提高了本文所要解决的问题优化能力。变异操作遵循以下方法1) 进行个体层次的变异发生的概率判断，即以原始的P-为基础计算出种群中个体&发生变异的概率^附(^):1—(1 — /^)1(其中L为个体位串长度)，若随机数"^"")则对该个体进行变异；2) 实施基因层次上的变异操作，即遍历被选择个体的基因位，按照式(3)计算每位基 因的变异概率^ ，若随机数X ^ P;则对该基因进行变异。采用从该基因位的取值范围中随机选取一个合法值的方式进行变异。步骤九将最优个体ai的适应值作为R中相应个体的适应值；步骤十判断是否满足资源总数配置方案优化结束的条件，如果结果为否进入步骤十一，结 果为是则进入步骤十二。结束条件包括有到达最大遗传代数、目前最优个体适应值己满足 优化目标等；% ra > &
步骤十一选择、交叉、变异，生成新的种群R。其中各个遗传操作遵循步骤八中所述方式 进行；步骤十二由优化结果显示模块将最优个体所表示的资源配置方案作为优化结果输出。本发明方法具有可行性和高效性，能够有效解决企业为经营过程分配资源的合理性问题 以及在有限资源条件下活动执行的资源合理性利用问题，从而更好地协助企业决策者进行有 效的业务建模管理和分析。特别是分级遗传优化的方法借鉴了大系统优化的分解一协调思想， 有效避免了优化时对无效资源配置组合方案的分析计算，降低了优化的复杂度，有效提高了 企业业务模型优化的效率，为进一步的全局、多类参数优化提供了新的思路。
权利要求
1.一种基于遗传算法的业务过程模型资源配置优化方法，其特征在于它通过如下步骤实现(01)设定遗传算法所需的初始参数，包括最大迭代次数、种群规模、联赛选择规模、交叉概率、变异概率等；(02)提取业务过程模型中各类资源的总数及各个活动的持续时间与所需资源的配置情况作为模型资源配置优化的参数；(03)根据模型信息，生成表示资源总数配置方案的种群R；(04)循环选择R中的个体ri，根据活动资源配置信息生成初始种群A；(05)循环选择A中的个体ai；(06)计算个体ai的适应值；(07)判断是否满足活动所需资源配置方案优化结束的条件，如果结果为否进入步骤(08)，结果为是则进入步骤(09)；(08)选择、交叉、变异，生成新的种群A；(09)将最优个体ai的适应值作为R中相应个体的适应值；(10)判断是否满足资源总数配置方案优化结束的条件，如果结果为否进入步骤(11)，结果为是则进入步骤(12)；(11)选择、交叉、变异，生成新的种群R；(12)将最优个体所表示的资源配置方案作为优化结果输出。
2. 根据权利要求1所述的基于遗传算法的业务过程模型资源配置优化方法，其特征在于 在步骤(01)中采用活动持续时间矩阵C来表示每个活动的持续时间与所需资源的配置情况之间的关系。活动持续时间矩阵0 = (4 ^…j f ，其中n表示配置方案的个p，持续时间向量A,… am am+i am+2 "針3)'其中m=max(恥，m2,…mj , mi表7K该活动执4亍所需资源配置方案中的资源类型的数量，a广a^表示所需相应资源的数量，^"表示持续时间 所满足的概率分布类型，a +2、 a,^表示该分布对应的参数；
3. 根据权利要求1所述的基于遗传算法的业务过程模型资源配置优化方法，其特征在于 在歩骤(04) (11)中分两层采用了遗传算法，在算法中采用自然数编码方案， 一条染色 体编码为一个自然数序列(U2,…)0。其中外层遗传算法中种群R根据资源总数配置方案 生成，每条染色体表示一种资源总数配置方案。针对R中的个体ri取舍活动执行所需资源的 配置方案，所需资源数量超出r,中相应资源的数量则舍弃该方案，由此构造内层遗传算法的 种群A，从而避免优化时对无效资源配置组合方案的分析计算；
4. 根据权利要求1所述的基于遗传算法的业务过程模型资源配置优化方法，其特征在于 在步骤(06)中个体适应值的计算通过对采用每个个体所表示的资源配置方案的过程模型进 行仿真得到；
5. 根据权利要求1所述的基于遗传算法的业务过程模型资源配置优化方法，其特征在于 在步骤(08)、 (11)中进行交叉操作时遵循以下方法1)依次遍历种群中的每个个体，按照式(1)计算其交叉概率p。，生成随机数ra，如果r"p。， 则将该个体放入交配池中。<formula>formula see original document page 3</formula>式中^Q表示初始设定的交叉概率，Zmax表示当代种群中的最大适应值，/表示该个体的适应值，7表示当代种群的平均适应值；2)将交配池中的个体进行随机配对，每对个体按式(2)进行带偏置概率的一致交叉。式中"D和"a分别表示所选两个父代染色体中的第i位基因，""和"2'分别表示两个新生成子代染色体中的第i位基因，力和^分别表示两个父代个体的适应值，ra是在进行每一个基因位交叉时生成的随机数，Ax为偏置概率，"'，则表示从该基因位的取值范围中随机选取的 一个合法值。
6.根据权利要求1所述的基于遗传算法的业务过程模型资源配置优化方法，其特征在于在步骤(08)、 (11)中按以下方式进行变异操作1) 进行个体层次的变异发生的概率判断，即以原始的"为基础计算出种群中个体ai发生变异的概率P' (fl') = 1 —(1 —(其中L为个体位串长度)，若随机数"^'""")则对该个 体进行变异；2) 实施基因层次上的变异操作，即遍历被选择个体的基因位，按照式(3)计算每位基因的 变异概率^、，若随机数X《^、则对该基因进行变异。<formula>formula see original document page 3</formula>(3)采用从该基因位的取值范围中随机选取一个合法值的方式进行变异。
全文摘要
一种信息技术与企业工程领域的基于遗传算法的业务过程模型资源配置优化方法，主要用于解决企业为经营过程分配资源的合理性问题以及在有限资源条件下活动执行的资源合理性利用问题。技术方案要点如下1.提取业务过程模型中各类资源的总数及各个活动的持续时间与所需资源的配置情况作为模型资源配置优化的参数；2.分两层采用遗传算法，其中外层循环的种群R根据资源总数配置方案生成，针对R中的个体取舍活动执行所需资源的配置方案，由此构造内层循环的种群A；3.个体适应值的计算通过对采用每个个体所表示的资源配置方案的过程模型进行仿真得到。本发明避免了优化时对无效资源配置组合方案的分析计算，有效提高了企业业务模型优化的效率。
文档编号G06Q10/00GK101118611SQ20071012148
公开日2008年2月6日 申请日期2007年9月7日 优先权日2007年9月7日
发明者莉 张, 博 王 申请人:北京航空航天大学