专利名称：基于遗传算法的企业过程模型多目标参数优化方法
技术领域：
本发明涉及企业工程与信息技术领域，具体地，涉及一种基于遗传算法的多目标企业过 程模型参数优化方法。
背景技术：
企业过程模型是对企业这一复杂对象的简化和抽象，不仅包括组成过程的活动以及活动 之间的逻辑关系，还包括作为活动输入、输出的产品，以及支持活动执行的资源对象。通过 对企业过程模型的仿真分析和优化，可以发现企业存在的业务瓶颈问题，为企业的改造和优 化运行提供科学的依据。企业过程优化分为结构优化和参数优化两项工作，其中参数优化是 指针对结构相对确定的企业过程模型，通过调整模型中的可控参数对过程进行优化，它可以 为进一步的结构优化提供分析数据。参数优化是一项系统的工作，需要充分考虑模型中各类参数对过程运行的综合影响，过 程模型中的参数种类繁多，其中只有那些在建模阶段由建模人员予以设置，在仿真分析阶段 可以由分析人员直接调控，并对过程性能指标产生决定性影响的参数才能作为优化的决策变 量，即优化参数。参数优化的过程如图l所示。一般来说，过程模型优化参数主要包括对象属性参数和资源调度策略两大类，其中前者 包括资源总数配置和活动执行所需资源配置(统称资源配置方案)、产品生成速率方案三种， 对其优化主要解决企业为业务过程分配资源的合理性问题、在有限资源条件下资源的合理性 利用问题，以及产品等待队列控制问题；对后者的研究目前主要集中在如何在过程仿真运行 中统筹调配资源，以提高活动的并行度和资源利用率，即致力于寻找一种或多种资源调度策 略，而鲜见对于多种资源调度策略的组合择优方面的研究。现代企业是一个复杂的社会技术 系统，其参数类型多、数量大，不同类型的优化参数之间往往存在各种约束，改变任一参数， 都可能会影响其他参数的选取，因此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。企业过程模型优化的目标是为适应市场竞争的需要，明显改善和提高反映企业竞争能力 的要素，归结到仿真分析的评价内容，主要涉及运行时间、运行成本、最终产品产量、资源 利用率、队列长度等多项目标。这些目标之间有很大的关联性，例如活动的执行时间在资源 数量一定的情况下越长，活动的成本就会越高，但是縮短活动执行时间不一定能够降低活动的成本，因为縮短活动执行时间是以增加相关资源数为代价的，可能是最终过程的运行成本上升。因此在综合考虑多项评价指标时，企业过程模型优化属于多目标优化问题，其优化结 果并不是单个解，而是一组均衡解，即所谓的Pareto最优解。20世纪80年代中期人工智能的进化算法开始应用于求解多目标优化问题，近年来涌现 出很多种多目标进化算法，其中一些已成功应用到工程实践中，从而形成最近的一个热门研 究和应用领域。大量实例和迹象表明进化算法的机理最适合求解多目标优化问题，因为它们 可以在单轮模拟过程中找到多个Pareto最优解，通过逐代组合寻找具有某些特征的个体。甚 至有学者认为，在多目标优化领域进化算法要优于其他盲目搜索方法。遗传算法作为目前研 究的进化算法中三种典型算法之一，具有通用性和鲁棒性好，搜索能力强等特点，特别是在 解决存在多个冲突目标的多准则优化，以及难以处理的大规模和高度复杂化的搜索空间这两 类较难的典型优化问题方面具有很大的优势。发明内容在企业过程模型参数优化领域，大多数优化方法均沿袭了一条固定模式的技术解决路线， 即使用对策权衡原理对各子目标的相对重要性进行折衷后，再组合成一个单目标来处理，和 这些传统的优化方法不同的，本发明在优化算法方面采用多层次划分问题空间的方法处理各 类优化参数之间的组合约束关系，增加了优化参数选择的灵活性，不仅提高了优化效率，而 且有助于保持群体的多样性；在优化目标方面以综合评价时间、成本、产量、资源利用率、 队列长度等指标为目的，结合决策人员提供的偏好信息，在各子目标之间进行协调权衡和折 衷处理，使各子目标函数尽可能地达到最优。问题空间的划分结构如图2所示。本发明方法主要分为四个部分1. 首先根据需求提取企业过程模型中的优化参数。 一般来说，优化参数主要包括源产品 产生速率、各类资源的总数、各个活动的持续时间与所需资源的配置方案以及可供选 择的资源调度策略等。针对优化参数的类别将问题空间进行划分，使得每类优化参数 对应一层问题空间；2. 根据优化需求以及企业过程模型类别确定各优化子目标，涉及运行时间、运行成本、 最终产品产量、资源利用率、队列长度等，由决策人员根据偏好设定各指标的权重q以及解集大小M，以便后期在对个体选择时进行辅助判断；3. 按照问题空间划分层次执行分层遗传算法进行寻优；4. 寻优结束，输出优化优化解集。 其中第3部分具体描述如下3. 1设定遗传算法所需的初始参数，包括最大迭代次数MaxG、种群规模N、交叉概 率、变异概率等3.2确定第一类优化参数对应的问题空间，并随机选择个体构成初始种群P1;3.3循环选择Pl中的个体Ci(lSi《N)，并据此确定第二类优化参数对应的问题空间，生成其初始种群P2Ci; 3. 4依次类推，直至生成最后 一 类参数对应问题空间的初始种群PnCi—…—yj(l《i《N，Bj《N,"y^N)。当两类优化参数之间存在约束关系时(如对于任何一个活动，选择其执行所需的资源配置方案时，资源数量均不 可超过为相应资源配置的总数)，就可以根据前一类参数的问题空间对后一类参 数的问题空间进行裁剪，从而避免产生无效的参数组合方案。此外，不同类优 化参数还可以根据需求采用不同编码方式3.5循环选择PnCi—…—yJ(l《i《N, 1《j《N,l《ySN)中的个体Ci_..._y —j—m(lSm^N)，并根据各层种群所选个体对应的参数组合，生成相应的过程模型 实例，仿真运行该实例，得到各子指标值； 3.6基于Pareto优胜关系对PnCL…—yJ中的个体Ci—…—y — j—m进行排序，并确定其适应度值fx。具体做法为统计当代种群中劣于CL…—y一j一m的个体的数 目n，令fk-n;3.7将PnCi—…—yJ中的最优个体复制到该群体对应的外部优势集RnCi—…jJ， 并将RnCi—…jJ中的劣解删除(第一代种群复制后不包含劣解，不需执行删 除操作)。如果RnCi-…jJ中个体的数量超过M,则对其进行聚类处理，具体 做法为1) 利用线性加权的办法计算每个个体的综合效用值2(^) = ￡ ,/(义)，其中化为各指标的权重系数，满足￡^=1， m为指标的数量，/(X)为该个体通过仿真得到的各指标值；2) 按照2("的大小对个体由大到小进行排序，并依次赋予序号，删除序号大于M的个体。3.8如果未达到优化设定的迭代次数，则使用联赛竞争机制从当代和上一代种群中 选择优势个体(第一代除外)，生成新的配对池，进而进行交叉、变异，生成新 的种群PnCi—…—yj，转至3.5继续执行；否则转至3. 9;3.9将RnCi—…jJ作为个体Ci—…—y —j的解集；3. 10计算上一层种群P(n-l)Ci—…—y中各个个体的适应度，具体做法为1) 将(RnCL…一y—1) U (RnCi—…j—2) U…U (RnCi_—_y—N)中的最优解复制到 种群P(n-l)CL…j对应的外部优势集R(n-l)CL…j,并将其中的劣解删除；2) 统计R(n-l)Ci—…j中属于个体Ci——yj对应的个体的数量m，并将m作为个 体Ci—…—yj的适应度；3) 如果R(n-l)Ci一…jy中个体的数量超过M，则对其进行聚类处理，方法同3.7;3. 11如果未达到种群P(n-l)C^…j优化设定的迭代次数，则使用联赛竞争机制从种群P(n-l)Ci一…j中选择优势个体(第一代除外)，生成新的配对池，进而进行交叉、变异，生成新的种群P(n-l)Ci— j，转至3.4继续执行。选择过程中如果竞争的两个个体适应度相同，则比较该个体在R(n-l)Ci—…j中所有对应个体 的平均综合效用值AvgQ，选则AvgQ高的个体；否则转至3. 12; 3. 12依此类推，直至种群Pl迭代优化的次数也达到MaxG; 3. 13将R1C作为P1的最优解集。 流程如图3所示。
图l参数优化的过程 图2问题空间的划分结构 图3企业过程模型多目标参数优化流程具体实施方式
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、活动资源配置方案分析处理模块、优化参数提取模块、分层优化模块、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 步骤一由用户通过人机接口提供需要优化处理的过程模型，提取企业过程模型中的优化参 数源产品产生速率、各类资源的总数、各个活动的持续时间与所需资源的配置方案以及可 供选择的资源调度策略；步骤二确定各优化子指标，具体包括运行时间PTU、运行成本效用PCU、资源利用效用 RUU 、综合评价最终产品产量与队列长度的产品堆积效用PHU :<formula>formula see original document page 7</formula>1) <formula>formula see original document page 7</formula> 其中Pr ocessDuration 和Pr ocessDuration + Pr ocessDurationexpectPr ocessDurati0nexpMt分别表示仿真得到的运行时间和期待的运行时间；JprocessCost(t,，ti+At)2) PCU = ^-^-，其中m表示整个过程周期划分为m<formula>formula see original document page 7</formula>表示在时间间隔(1,,、 +At)内的过程成本，通过动态统计仿 真过程中各时刻内所消耗的源产品成本以及各类所用资源成本得到，ProcessCost，。t表示成本期望值;<formula>formula see original document page 7</formula>，其中k表示资源类型数量，<formula>formula see original document page 7</formula>m含义如上，RN(ri)和NumofResUsed(i;,tj)分别表示资源r,的总数和在tj时刻的实际使 用数量，通过仿真过程中的动态统计得到；<formula>formula see original document page 7</formula>，其中n表示产品类型数量，m含义如上，<formula>formula see original document page 7</formula>和L(Pi)分别在tj时刻过程中某一个非最终产品Pj的数量以及Pi期 望的队列极限。步骤三设定各指标的权重、解集大小M以及遗传算法所需的初始参数， 一般M设定于10 30之间，最大迭代次数设定于200代 1000代之间，种群规模设定于20 30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；步骤四确定源产品产生速率对应的问题空间，并随机选择个体构成初始种群P1;步骤五循环选择P1中的个体Ci(l^i《N)，生成各类资源的总数对应的问题空间，随机选择个体构成初始种群P2Ci;步骤五循环选择P2Ci中的个体Ci一X，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Ci —X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，并且构造下一层种群P3Ci—X ; 由活动资源配置方案优化模块循环选择A中的个体a1;步骤六循环选择P3CLy中的个体Ci一yJ，生成资源调度策略对应的问题空间，随机选择 个体构成初始种群P4Cij」，步骤七循环选择P4CijyJ中的个体Ci —y_j —m根据各层种群所选个体对应的参数组合，由 过程模型仿真分析模块计算CijJ—m的子指标值，计算方法如步骤2中所示；步骤八基于Pareto优胜关系对P4CijJ中的个体CijJ一m进行排序，统计当代种群中劣 于CLyJ—m的个体的数目n，令CLyJ—111的适应度值& = 11;步骤九将P4CLyJ中的最优个体复制到该群体对应的外部优势集R4CijyJ，并将R4CijyJ中的劣解删除，如果R4CLyJ中个体的数量超过M，则对其进行聚类处理；步骤十如果未达到优化设定的迭代次数，则使用联赛竞争机制从当代和上一代种群中选择 优势个体(第一代除外)，生成新的配对池，进而进行交叉、变异，生成新的种群P4CijJ， 转至步骤七继续执行；否则转至步骤十一；步骤十一将R4CijJ作为个体CLy —j的解集，按前述方法计算上一层种群P3CLy中各个 个体的适应度；步骤十二如果未达到种群P3Cij优化设定的迭代次数，则继续选择、交叉、变异，生成新的种群P3CLy，转至步骤六继续执行；否则转至步骤十三；步骤十三按照以上步骤，直至种群Pl迭代生成的次数也达到MaxG; 步骤十四由优化结果显示模块将最优个体集R1C作为优化结果输出。本发明方法从多目标优化的角度对企业过程模型进行参数优化，针对源产品产生速率、 各类资源的总数、各个活动的持续时间与所需资源的配置方案以及可供选择的资源调度策略 等多类优化参数，综合评价运行时间、运行成本、最终产品产量、资源利用率、队列长度等 多项指标，为企业决策者进行有效的业务过程管理和分析提供了有力的支持。其中针对优化 参数繁多的特点，基于遗传算法采用多层次划分问题空间的方法来处理各类优化参数之间的 组合约束关系，不仅增加了优化参数选择的灵活性，避免了优化时对无效参数组合方案的分 析计算，而且有助于保持群体的多样性，有效提高了企业业务模型优化的效率。
权利要求
1.一种基于遗传算法的多目标企业过程模型参数优化方法，其特征在于它通过如下步骤实现(01)根据需求提取企业过程模型中的优化参数，针对优化参数的类别将问题空间进行划分，使得每类优化参数对应一层问题空间；(02)根据优化需求以及企业过程模型类别确定各优化子目标，涉及运行时间、运行成本、最终产品产量、资源利用率、队列长度等，由决策人员根据偏好设定各指标的权重以及解集大小M；(03)按照问题空间划分层次执行分层遗传算法进行寻优；(11)寻优结束，输出优化优化解集。
2. 根据权利要求1所述的基于遗传算法的多目标企业过程模型参数优化方法，其特征在 于在步骤(03)中按照问题空间划分层次执行分层遗传算法进行寻优，由上一层问题空间对 应的种群个体来生成下层问题空间对应的种群，当参数之间存在约束关系时，避免生成无效 的参数组合方案。
3. 根据权利要求1所述的基于遗传算法的多目标企业过程模型参数优化方法，其特征在 于在步骤(03)中计算个体适应度时采用如下不同方法1) 在最底层基于Pareto优胜关系对种群中的个体进行排序，并根据当代种群中劣于该 个体的数目确定其适应度；2) 在非最底层计算时，首先取该层种群中每个个体对应的解集的并集R，然后统计R中 属于该个体对应的参数组合方案的数量m，并将m作为该个体的适应度。
4. 根据权利要求1所述的基于遗传算法的多目标企业过程模型参数优化方法，其特征在 于在步骤(03)中当外部辅助优势解集中个体的数量超过初始限定值是，则利用线性加权的办法，借助于用户设置的偏好信息，计算每个个体的综合效用值2(%) = ￡^,/(;0，并据此z=l对优势解集进行聚类处理。
5. 根据权利要求1所述的基于遗传算法的多目标企业过程模型参数优化方法，其特征在 于在步骤(03)中当竞争选择操作所选两个个体适应度值相等时，则利用线性加权的办法，借助于用户设置的偏好信息，计算每个个体的综合效用值2(义)=并据此对优势z=l解集进行聚类处理。
全文摘要
一种企业工程与信息技术领域的基于遗传算法的多目标企业过程模型参数优化方法。在企业过程模型参数优化领域，大多数优化方法均使用对策权衡原理对各子目标组合成一个单目标来处理优化目标，在综合评价过程方面存在一定缺陷的问题。本发明主要针对源产品产生速率、各类资源的总数、各个活动的持续时间与所需资源的配置方案以及可供选择的资源调度策略等多类优化参数，综合评价运行时间、运行成本、最终产品产量、资源利用率、队列长度等多项指标。本发明采用多层次划分问题空间的方法来处理各类优化参数之间的组合约束关系，不仅增加了优化参数选择的灵活性，避免了优化时对无效参数组合方案的分析计算，而且有助于保持群体的多样性。
文档编号G06N3/00GK101231720SQ20081005737
公开日2008年7月30日 申请日期2008年2月1日 优先权日2008年2月1日
发明者莉 张, 博 王 申请人:北京航空航天大学