基于模糊理论的工作流调度模型研究

基于模糊控制的能量管理策略研究概述：能源管理是当今社会可持续发展的关键问题之一。

随着能源需求的增加和能源资源的日益稀缺，如何高效地利用能源资源成为了亟待解决的问题。

基于模糊控制的能量管理策略是一种有效的方法，通过模糊逻辑的方式对能源系统进行控制和优化，以实现能源的高效利用。

一、模糊控制理论的基本原理模糊控制是一种基于模糊逻辑的控制方法，它模拟了人类的思维方式，在处理模糊、不确定或者不完全的信息时表现出了良好的性能。

模糊控制系统包括模糊化、模糊推理和去模糊化三个主要步骤，通过将输入和输出转化为模糊集合，利用模糊规则进行推理，并最终将模糊输出转化为确定性的输出。

二、基于模糊控制的能量管理策略基于模糊控制的能量管理策略主要应用于能源系统中，旨在实现能量的高效利用和优化。

其核心思想是根据能源系统的实时状态和需求，采取相应的控制策略，以达到节能和降低能源浪费的目的。

1. 模糊控制在能源供给方面的应用在能源供给方面，模糊控制可以根据能源需求的变化，动态调整能源的供应量。

通过建立模糊控制规则，根据能源需求的大小、时间、环境等因素，控制能源供给设备的运行状态和输出功率，以实现能源的高效利用。

2. 模糊控制在能源消耗方面的应用在能源消耗方面，模糊控制可以根据能源系统的实时状态和需求，优化能源的消耗策略。

通过建立模糊控制规则，根据能源系统的负荷情况、运行状态等因素，控制能源消耗设备的运行状态和功率输出，以达到节能和降低能源浪费的目的。

3. 模糊控制在能源转换方面的应用在能源转换方面，模糊控制可以根据能源的转换效率和需求，优化能源转换设备的运行状态和效率。

通过建立模糊控制规则，根据能源转换设备的输入功率、输出功率和效率等因素，控制能源转换设备的运行状态和输出功率，以实现能源的高效转换。

三、基于模糊控制的能量管理策略的优势1. 适应性强：模糊控制可以根据能源系统的实时状态和需求进行动态调整，适应不同的工况和需求。

2. 鲁棒性好：模糊控制可以处理模糊、不确定或者不完全的信息，对于能源系统中存在的噪声和扰动具有较好的鲁棒性。

模糊控制理论及工程应用模糊控制理论是一种能够处理非线性和模糊问题的控制方法。

它通过建立模糊规则和使用模糊推理来实现对系统的控制。

本文将介绍模糊控制理论的基本原理，以及其在工程应用中的重要性。

一、模糊控制理论的基本原理模糊控制理论是由扬·托东（Lotfi Zadeh）于1965年提出的。

其基本原理是通过建立模糊规则，对系统的输入和输出进行模糊化处理，然后利用模糊推理来确定系统的控制策略。

模糊规则是一种类似于“如果...那么...”的表达式，用于描述输入和输出之间的关系。

模糊推理则是模糊控制系统的核心，它通过将模糊规则应用于模糊化的输入和输出，来确定控制的动作。

二、模糊控制理论的工程应用模糊控制理论在工程应用中具有广泛的应用价值。

下面将分别介绍其在机械控制和电力系统控制中的应用。

1. 机械控制模糊控制理论在机械控制领域有着重要的应用。

其优势在于能处理非线性和模糊问题，使得控制系统更加鲁棒和稳定。

例如，在机器人控制中，模糊控制可实现对复杂环境的适应性和灵活性控制，使机器人能够自主感知和决策。

此外，模糊控制还可以应用于精密仪器的控制，通过建立模糊规则和模糊推理，实现对仪器位置和姿态的精确控制。

2. 电力系统控制模糊控制理论在电力系统控制领域也有着重要的应用。

电力系统是一个复杂的非线性系统，模糊控制通过建立模糊规则和模糊推理，可以实现对电力系统的稳定性和性能进行优化。

例如，在电力系统调度中，模糊控制可以根据不同的负荷需求和发电能力，实现对发电机组的出力控制，保持电力系统的稳定运行。

此外，模糊控制还可以应用于电力系统中的故障诊断和故障恢复，通过模糊推理，快速准确地定位和修复故障。

三、总结模糊控制理论是一种处理非线性和模糊问题的有效方法。

其基本原理是通过建立模糊规则和使用模糊推理来实现对系统的控制。

模糊控制理论在机械控制和电力系统控制等工程领域有着广泛的应用。

它能够提高控制系统的鲁棒性和稳定性，并且能够适应复杂的环境和变化，具有良好的控制效果。

模糊控制理论及应用模糊控制是一种基于模糊逻辑的控制方法，它能够应对现实世界的不确定性和模糊性。

本文将介绍模糊控制的基本原理、应用领域以及未来的发展趋势。

一、模糊控制的基本原理模糊控制的基本原理是基于模糊逻辑的推理和模糊集合的运算。

在传统的控制理论中，输入和输出之间的关系是通过精确的数学模型描述的，而在模糊控制中，输入和输出之间的关系是通过模糊规则来描述的。

模糊规则由模糊的IF-THEN语句组成，模糊推理通过模糊规则进行，从而得到输出的模糊集合。

最后，通过去模糊化操作将模糊集合转化为具体的输出值。

二、模糊控制的应用领域模糊控制具有广泛的应用领域，包括自动化控制、机器人控制、交通控制、电力系统、工业过程控制等。

1. 自动化控制：模糊控制在自动化控制领域中起到了重要作用。

它可以处理一些非线性和模糊性较强的系统，使系统更加稳定和鲁棒。

2. 机器人控制：在机器人控制领域，模糊控制可以处理环境的不确定性和模糊性。

通过模糊控制，机器人可以对复杂的环境做出智能响应。

3. 交通控制：模糊控制在交通控制领域中有重要的应用。

通过模糊控制，交通信号可以根据实际情况进行动态调整，提高交通的效率和安全性。

4. 电力系统：在电力系统中，模糊控制可以应对电力系统的不确定性和复杂性。

通过模糊控制，电力系统可以实现优化运行，提高供电的可靠性。

5. 工业过程控制：在工业生产中，许多过程具有非线性和不确定性特点。

模糊控制可以应对这些问题，提高生产过程的稳定性和质量。

三、模糊控制的发展趋势随着人工智能技术的发展，模糊控制也在不断演进和创新。

未来的发展趋势主要体现在以下几个方面：1. 混合控制：将模糊控制与其他控制方法相结合，形成混合控制方法。

通过混合控制，可以充分发挥各种控制方法的优势，提高系统的性能。

2. 智能化：利用人工智能技术，使模糊控制系统更加智能化。

例如，引入神经网络等技术，提高模糊控制系统的学习和适应能力。

3. 自适应控制：模糊控制可以根据系统的变化自适应地调整模糊规则和参数。

基于模糊逻辑的智能决策模型设计第一章课题背景随着信息技术的飞速发展，人工智能技术在各个领域得到了广泛应用。

在现代社会中，决策是一项非常重要的任务。

有效的决策可以帮助我们在繁琐和重复的任务中节省时间和精力，使我们更专注于创造性和创新性的工作。

因此，设计一种基于模糊逻辑的智能决策模型可以帮助我们更好地应对实际问题。

第二章模糊逻辑的基本原理模糊逻辑理论是一种特殊的数学理论，它的主要作用是处理模糊的不确定性和不精确性问题。

相比于传统的二分逻辑系统，模糊逻辑可以将不明确或不完整的信息表示成一个程度上的概率，从而更好地处理决策。

模糊逻辑的基本原理是将命题的真假程度表示为[0,1]区间之间的数值。

其数值可以解释为模糊命题的可信度或者说是概率。

这样，对一个判断结果的描述不再是"是"或"否"，而是一组可能性的表示。

模糊逻辑也可以使用模糊集合和模糊控制的概念来构造决策模型。

第三章智能决策模型的构建智能决策模型的设计需要将模型拆分成三个组成部分：输入、处理和输出。

输入阶段负责将决策问题表示成可操作的形式，处理阶段负责生成模糊规则集，输出阶段则应用模糊规则并产生决策结果。

因此，模糊逻辑智能决策模型的基本构成部分如图1所示。

图1. 模糊逻辑智能决策模型的基本构成部分第四章模糊规则的生成及应用在模糊逻辑智能决策模型中，模糊规则的生成是最重要的步骤。

模糊规则的本质是将直觉性的命题转换成可以计算的数学公式。

例如：当百分之50的顾客购买商品时，我们可以采用以下模糊规则：当购买率是百分之50时，建议进行促销活动。

当购买率是百分之40时，建议增加广告宣传。

当购买率是百分之30时，建议降价。

在应用模糊规则时，我们需要先将模糊命题转换成模糊集合，并利用模糊逻辑进行计算。

然后，我们可以通过模糊推理算法得出最终的决策结果。

第五章实验结果分析我们通过对一个现实生活中的问题进行模拟实验，对本模型进行了验证。

多目标列车节能调度模型及模糊优化算法王德春;李克平;李想【摘要】在保证行车安全、满足乘客需求的基础上,以节能为目标的列车调度模型及算法得到了广泛研究与应用.伴随着欧盟制定了全球首个碳排放交易体系,碳排放指标交易费用受到越来越多的重视,并逐步成为列车运营成本的重要组成部分.建立了以能耗成本、碳排放成本、列车运行时间为优化目标的单线列车调度模型,并采用多目标模糊优化算法进行求解.算例以一条铁路线路为研究对象,在Lingo下对算例进行求解分析,结果表明了多目标模糊优化算法具有很好的优化能力,并能达到节能减排的效果.%The train scheduling model and algorithm for energy-saving target are extensively researched and applied on the basis of traffic safety and passenger demands. As the ELJ has developed the world's first carbon emission trading scheme, the expenses for buying/selling the carbon emission allowances are paid more and more attention. A multi-objective train scheduling model on single-track railways by minimizing the total running time as well as the energy and carbon emission cost is propose. The model is solved by a fuzzy multi-objective optimization algorithm to obtain a non-dominated solution. Numerical example is given to illustrate the model and solution methodology on a small network. The result shows that the fuzzy multi-objective optimization algorithm can find better results and achieve the effect of energy saving and emission reduction.【期刊名称】《科学技术与工程》【年(卷),期】2012(012)012【总页数】5页(P2869-2873)【关键词】列车调度;能量消耗;碳排放;多目标优化【作者】王德春;李克平;李想【作者单位】北京交通大学轨道交通控制与安全国家重点实验室,北京100044;北京交通大学轨道交通控制与安全国家重点实验室,北京100044;北京交通大学轨道交通控制与安全国家重点实验室,北京100044【正文语种】中文【中图分类】U292.4列车调度是一个多变量、多约束、多目标的大规模组合优化问题。

基于模糊Petri网的智能制造调度研究智能制造与工业4.0的兴起，让人们对制造调度的研究和应用提出了更高的要求。

现代制造中的调度问题主要涉及到生产的灵活性、资源的协调性以及制造过程的优化问题。

在这一背景下，基于模糊Petri网的智能制造调度逐渐成为了制造领域中备受关注的研究方向。

1、模糊Petri网Petri网是一种用于描述系统行为、分析系统性能、建立控制策略和在计算机环境下设计、仿真和实现离散事件动态系统的工具。

模糊Petri网是Petri网与模糊理论的结合。

它将Petri网的离散性和确定性与模糊理论的模糊描述相结合，解决了传统Petri网的局限性，增加了系统的灵活性和可行性。

在模糊Petri网中，各要素之间的关系分为输入、输出和变迁。

变迁代表了系统内部的事件或活动，输入和输出表示了变迁能够获得或消耗资源。

同时，模糊Petri网允许在变迁的运行过程中引入模糊因素，使得系统的运行更加灵活和适应性强。

2、智能制造调度制造调度是在制造系统中合理安排生产任务，协调生产资源使用，实现生产计划的重要手段。

传统的制造调度大多采取规则运算和优化算法等方法来进行。

然而，随着制造业的复杂化和多样化，规则运算和优化算法已无法完全适用于整个制造系统。

而基于模糊Petri网的智能制造调度则能够更好地应对生产过程中多样化的问题。

智能制造调度的核心是通过模型建立实际生产环境的模型，预测生产过程的某些状态或事件，以便对生产流程进行调整和优化。

利用模糊Petri网，智能调度可以建立一个包含所有生产环节的动态模型。

该模型可以准确记录生产过程中的各种事件和资源变化，并通过激活可能的资源分配策略对系统进行调整和优化。

模糊Petri网可以有效地解决非确定性因素和不确定性因素的问题，为智能制造调度提供了良好的理论基础。

3、基于模糊Petri网的智能制造调度应用利用模糊Petri网进行智能制造调度应用已经在实际生产中得到了广泛应用。

例如，在智能制造调度中，制定生产计划和生产排程是非常关键的。

过程视图是工作流模型的核心视图。

它描述企业的业务流程，定义业务过程中包含的活动以及这些活动之间的逻辑关系。

活动和活动间以连接弧表示控制关系。

通过描述活动的基本属性，如活动由谁执行，有哪些人员、组织或盟员企业负责执行，活动执行需要的软件(如应用程序)和硬件(如机床设备)资源，以及活动的触发条件、执行状态等，可以建立过程视图、资源视图和组织视图的关系。

过程视图是本文研究的主要内容，本文通过ECA规则来表达过程视图。

基于ECA规则和元操作的工作流建模原理3.1 工作流模型的结构图：工作流模型的结构1.1.1过程视图过程视图是工作流模型的核心视图。

它描述企业的业务流程，定义业务过程中包含的活动以及这些活动之间的逻辑关系。

活动和活动间以连接弧表示控制关系。

通过描述活动的基本属性，如活动由谁执行，有哪些人员、组织或盟员企业负责执行，活动执行需要的软件(如应用程序)和硬件(如机床设备)资源，以及活动的触发条件、执行状态等，可以建立过程视图、资源视图和组织视图的关系。

过程视图是本文研究的主要内容，本文通过ECA规则来表达过程视图。

1.1.2组织视图组织视图描述企业中的组织单元和组织单元间的关系。

组织单元是具有一定功能和责任的组织实体，一般会承担过程模型产生的各种任务。

组织单元之间往往存在从属或协作关系，形成一定的对应关系。

本文对组织视图描述中，采用一种面向对象的关系模型，不同于传统的层次结构。

是在组织模型中引入类的概念(如角色类、组织类、人员类、职位类等)，建立类之间的关系模型，支持层次化的查找和匹配规则，便于工作流的任务分配和执行者绑定。

1.1.3资源视图资源视图描述企业中资源的类型以及资源实体的属性。

资源是工作流模型中非常重要的一个概念，是活动可以执行的必备条件。

资源类型可以是执行活动所需的软件和硬件设施等，或者是活动执行后产生的新的物理实体。

组织视图和资源视图之间存在着映射关系，即每一个资源实体都有与其对应的责任组织单元，该组织单元负责对此资源实体的使用和维护。

《基于工作要求-控制模型的知识型员工工作倦怠前因组态研究》篇一一、引言随着社会的发展，知识型员工逐渐成为组织的核心力量。

他们凭借专业知识和技能，为企业创造价值，但在面对工作压力和工作倦怠问题时，却成为企业管理的重要难题。

本文基于工作要求-控制模型，对知识型员工工作倦怠的前因进行组态研究，以期为企业提供有效的管理策略和解决方案。

二、工作要求-控制模型概述工作要求-控制模型是一种描述工作特性的理论框架，其中工作要求指工作任务的压力和难度，而控制则指员工对工作的自主权和影响力。

模型指出，当工作要求过高、控制权不足时，员工容易产生工作倦怠，进而影响工作效率和满意度。

对于知识型员工而言，这一模型尤为重要，因为其工作内容和方式具有特殊性。

三、知识型员工工作倦怠前因分析1. 工作要求因素（1）任务复杂性：知识型员工的工作往往涉及高度专业化的知识和技能，任务复杂性高，需要不断学习和适应。

当任务超出个人能力范围时，会产生压力和挫败感。

（2）角色模糊性：知识型员工的工作职责和角色往往不够明确，导致他们对自己的工作职责和期望产生困惑，从而产生工作压力。

（3）组织要求：组织对知识型员工的绩效期望较高，同时要求他们具备创新能力和快速学习能力。

这些要求可能导致员工长时间处于高压力状态，从而产生倦怠。

2. 控制因素（1）缺乏决策参与：知识型员工渴望在工作中发挥自己的专业知识和技能，但当他们缺乏决策参与和自主权时，会感到自己的努力无法得到认可和尊重，从而产生消极情绪。

（2）资源不足：当组织在资源分配上存在不公或不足时，知识型员工可能因缺乏必要的支持和资源而无法有效完成工作，从而产生挫败感。

（3）工作压力与支持不匹配：当工作压力超过员工的承受能力时，如果组织未能提供有效的支持和帮助，员工可能会感到无助和绝望，进而产生倦怠。

四、组态研究方法与结果针对知识型员工工作倦怠的前因组态研究，本文采用定性和定量研究方法相结合的方式。

首先通过文献综述和访谈收集数据，然后运用结构方程模型等统计方法进行分析。

《基于工作要求-控制模型的知识型员工工作倦怠前因组态研究》篇一一、引言在当今快速发展的知识经济时代，知识型员工已成为企业发展的重要驱动力。

然而，随着工作要求的不断提高，知识型员工的工作压力也逐渐增大，导致工作倦怠现象频发。

工作倦怠不仅影响知识型员工的工作效率和绩效，还可能对组织的整体运行和发展造成不利影响。

因此，对知识型员工工作倦怠前因的组态研究具有重要的现实意义。

本文基于工作要求-控制模型，对知识型员工工作倦怠的前因进行深入探讨。

二、工作要求-控制模型概述工作要求-控制模型是一种用于解释工作压力和工作倦怠的理论框架。

该模型认为，工作要求（如工作量、时间压力、角色模糊等）与工作控制（如决策参与、资源获取等）是影响员工工作倦怠的关键因素。

高工作要求和低工作控制往往导致员工面临较大的工作压力，进而产生工作倦怠。

三、知识型员工的特点及工作倦怠前因分析知识型员工通常具有较高的知识水平和专业技能，他们在工作中需要不断学习新知识、掌握新技能，以适应快速变化的工作环境。

知识型员工的工作倦怠前因主要包括以下几个方面：1. 高强度的工作要求：知识型员工面临的工作要求通常较高，如需要处理大量的信息、完成复杂的任务等。

这些高强度的工作要求可能导致员工长时间处于紧张状态，从而产生工作倦怠。

2. 缺乏工作控制感：知识型员工在工作中往往需要自主决策和独立执行任务。

然而，当他们感到缺乏决策参与和资源获取的机会时，可能会感到无助和沮丧，进而产生工作倦怠。

3. 组织支持不足：组织对知识型员工的支持和认可程度较低，如缺乏培训机会、晋升渠道不畅等，可能导致员工感到缺乏成长空间和职业发展机会，从而产生工作倦怠。

4. 角色冲突与模糊：知识型员工在工作中可能面临角色冲突和角色模糊的问题。

角色冲突指的是员工在多个角色之间难以权衡和协调，而角色模糊则是指员工对自身职责和期望不明确。

这些问题可能导致员工感到无所适从，从而产生工作倦怠。

四、知识型员工工作倦怠前因组态研究基于工作要求-控制模型，本文对知识型员工工作倦怠的前因进行组态研究。

计算机研究与发展ISSN 100021239ΠCN 1121777ΠTPJournal of Computer Research and Development 44(2):302～309,2007　收稿日期:2005-11-26;修回日期:2006-05-16模糊环境中工作流任务分配的多级模型肖郑进　何钦铭　陈　奇(浙江大学计算机科学与技术学院　杭州　310027)(xiaozj1976@1631com )A Multilevel Model of T ask Assignment in Fuzzy Situations of WorkflowXiao Zhengjin ,He Qinming ,and Chen Qi(College of Com puter Science and Technology ,Zhejiang U niversity ,Hangz hou 310027)Abstract The automatic assignment of user task is a key technology for increasing the running efficiency of workflow management system 1Workflow engines are always obliged to assess a complex and confusing situ 2ation ,identify the complex relationship of candidates and tasks ,decide to assign a special task to the most appropriate candidates ,and ensure workflow system executes efficiently 1The effectiveness depends largely on the evaluation of the influencing factors 1After systematically analyzing the influencing factors and their linguistic fuzziness of user task assignment ,a sectional multilevel model of task assignment and a task as 2signment method corresponding to the multilevel model are put forward 1Furthermore ,the design method of all adaptive weighting factors in the task assignment model is also discussed briefly 1Finally ,the perfor 2mance of the multilevel model for task assignment is given by comparing the simulation result of the multi 2level model and other two task assignment methods 1K ey w ords workflow ;task assignment ;fuzzy theory摘　要　对工作流实例中各用户型任务进行自动优化分配是提高工作流管理系统运行效率的关键技术之一1在详细分析了影响用户型任务分配的多种因素及其语意模糊性后,提出了一个可组合的任务分配多级模型以及相应的任务分配方法,详细讨论了具有自适应能力的影响因素权重设计方法1最后,通过与其他任务分配方法对比,分析了该任务分配方法的性能1关键词　工作流;任务分配;模糊理论中图法分类号　TP311 实施工作流管理的主要目的是通过合理地调用和分配与活动有关的资源以实现业务过程的高效、自动化执行1各活动的参与者定义是活动与其执行者间的一种抽象,工作流引擎计算这些抽象定义,并根据计算结果把任务分配给具体的人或程序执行[1]1基于规则的参与者定义减小了因组织模型变化对过程模型产生的影响,提高过程模型的重用度[2]1一旦组织模型中满足参与者抽象定义要求的资源不惟一时,必须有合适的分配策略来把任务分配其中的一个或一组候选人来完成,从而实现工作流管理系统“把任务分配给合适的人执行”的功能1根据参与者类型不同,任务可以分为两种:由人完成的用户型任务和由应用程序或机器自动完成的自动型任务1与自动型任务分配研究成果相比[324],目前对用户型任务分配策略的研究还比较少1Aalst 提出了团队参与者工作流模型[5],对需要多人协作完成的任务进行分析和建模;张晓光等人提出了一种面向角色与团队的混合任务分配方法[6],以支持任务动态分配;为解决参与者使能问题,唐达等人提出了一种基于Petri 网的参与者建模方法[7]1但这些方法都没对候选人多于1人时,如何把任务分配给最适合的候选人这个问题进行研究1传统的基于角色的任务分配只考虑权限的匹配[2],没有考虑如任务重要性、员工经验等因素的影响1另一方面,传统的人力资源配置研究都采用精确值来评价任务及候选人的属性与状态,而实际应用中对于任务或候选人属性与状态的描述多具有模糊性,比如,很少采用类似于018这样的精确数值来评估一个任务的重要性,而多采用“非常重要”或“不重要”等具有模糊语意的语言变量来形容任务的重要性1所以用户型任务分配是一个模糊环境下多影响因素的决策问题1Liang与Wang采用模糊理论来解决人力资源评估的不确定性问题,但他们只考虑候选人的能力是否匹配,没有考虑其他因素[8]1Yaakob等人在Liang的基础上考虑了任务需要由团队完成时会受候选人私人间关系好坏的影响[9],但员工私人间关系作为一种个人隐私,通常无法从组织模型中得到相关数据,所以这种扩展不具有可行性1Shen等人提出了一种多目标下的任务分配方法(multi2critera task assignment,MCTA)[10],对候选者的能力、负载和员工间社会关系进行简单加权,并没考虑任务重要性等的影响,也起不到相应的负载平衡作用1本文在Shen等人提出的任务分配方法的基础上,对任务的重要性、类型以及候选人的负载、经验、能力等因素进行全面考虑,提出了一个任务分配多级模型(multilevel model of task assignment,MM2 TA),很好地解决了模糊语义环境中且受多因素影响的用户型任务分配问题11　影响任务分配的因素及其语意模糊性实现用户型任务的自动分配需要考虑的因素比较多,包括待分配任务和候选人的属性与状态1对于待分配任务而言,主要考虑以下原则:待分配任务的执行可能需要多种技能,但对于每种技能要求的权重不同,最合适的参与者应该是技能既能满足任务要求,以免影响任务的执行效果,又不超出任务的技能要求1不同任务具有不同的重要性,重要任务应该分配给完成高可靠性候选人,低重要性任务可分配给低可靠性候选人,以免低可靠性员工一直处于饥饿状态1分配任务时还要考虑任务的类型1经验型任务应该分配给有经验候选者,能耗型任务分配给谁就无所谓1任务的执行需要团队时,紧密配合型任务应该分配给配合密切的团队,团队成员间配合的好坏对执行效果影响不大,对团队配合水平的影响可以少考虑一些1影响任务分配的另一个重要因素就是各候选人的属性与当前状态:为平衡候选人负载,减少任务的平均等待时间,候选人的负载越轻任务分配给他的可能性越大1候选人完成这类任务的平均成功率越高,任务分配给他的可能性就越大,而且任务重要性越高,对候选人的平均成功率就越重视1经验型任务应该分配给经验水平高的候选人1任务分配时可能要考虑的因素还有候选人的弹性程度,一个候选者往往不止担任一个角色,候选者所担任的角色越多其通用性越好,弹性程度越大1在任务分配时尽量让通用性好的候选人空闲着,为将来尽可能预留弹性资源1如果任务执行需要一个团队,那么团队内各参与者间的关系对任务的执行效果就有影响,对于这种情况,任务分配最好还应该考虑各候选团队成员间的关系,包括各候选人间是否合作过、个人关系好坏等1上述这些影响任务分配的因素间关系如图1所示:Fig11　The factors affect the task assignment and their re2 lations1图1　影响任务分配的各因素及各因素间关系要将模糊情境用传统的量化方法加以合理地陈述是相当复杂且难以定义的,因此人造的语言变量在模糊情境中是相当必要的,Zadeh首先探讨了模糊环境中的决策问题[11],使用语言变量如“不重要、非常重要”等来表示一些因素的要求或绩效1这种表示完全依靠建模者的直观感受来给出1例如,将任务重要性表示成“不重要、重要、很重要”等1采用语言变量来形容模糊情境中的因素不仅合理而且易于理解交流12　基于模糊理论的任务属性与参与者状态描述211　模糊理论与三角模糊数Dubois等人用模糊数来评估语言变量(linguistic variable)[12]1三角模糊数 A=(l,m,r)是一模糊集合, A的隶属函数μ A(x):R→(0,1)表示x属于集合 A的程度1μ A(x)定义如下:303肖郑进等:模糊环境中工作流任务分配的多级模型μ A(x)=(x-1)Π(m-1),1≤x≤m, (r-x)Π(r-m),m≤x≤r, 0,其他1(1) 设 A1=(l1,m1,r1), A2=(l2,m2,r2),k是任意实数1三角模糊数的代数运算定义如下:加法: A1 A2=(l1+l2,m1+m2,r1+r2)1减法: A1Θ A2=(l1-l2,m1-m2,r1-r2)1乘法: A1 A2=(l1l2,m1m2,r1r2),k A1= (kl1,km1,kr1)1除法: A1 A2=(l1Πr2,m1Πm2,r1Πl2),其中, l2≠0,m2≠0,r2≠01本文用三角模糊数来表示描述任务属性与员工状态的语言变量,则各员工或团队对于某一任务的适配度,可以通过该任务的属性和员工状态的模糊数运算得到,得到的每个适配度仍是三角模糊数,要比较三角模糊数则必须对三角模糊数进行解模糊1解模糊的过程即是求最佳非模糊效用值(best non2 fuzzy performance value,BNP)1使用中央区域(cen2 ter of area,COA)法来找B N P是最简易可行的方法,且不包含任意衡量值的偏好1下面给出三角模糊数 A=(l,m,r)的B N P值:B N P=l+(m-l+r-l)Π31(2) 根据各候选人或候选团队适配度的B N P值,可以得到各候选人或候选团队对于任务的适配度,从而根据适配度排序把任务分配给最适合执行任务的候选人或团队1212　各语言变量的三角模糊数在任务分配中需要直接定义的语言变量分两类:一是任务的属性,包括任务技能要求权重、任务重要性、任务类型和任务配合类型;二是员工的状态与属性,主要指员工的技能水平1语言变量具体定义结合应用领域进行设计1下面,分别根据各语言变量的“可能性”及“可理解性”,给出这几个语言变量及其对应的三角模糊数定义,对于每个因素,本文都采用五级语言变量来表示其可能的值1语言变量任务的技能要求及任务的重要性都具有5个可能的值,分别为“不重要、些许重要、中等重要、比较重要、非常重要”,对应的三角模糊数分别为(0,0,011),(0,013,015),(013,015,017),(015, 017,019),(017,019,1)1相应的隶属函数如图2所示1任务类型也有5个可能值,分别为“耗时型、侧重耗时型、混合型、侧重经验型、经验型”,对应的三角模糊数与技能要求对应的档位相同1任务的配合类型也有5个可能值,分别为“简单合作、松散配合、一般配合、侧重配合、密切配合”,对应的三角模糊数也与技能要求对应的档位相同1Fig12　The membership function of linguistic values capability1图2　技能要求语言变量的隶属函数而语言变量员工的技能水平也有5个可能值,分别为“空白、低水平、中等、高水平、专家级”,对应的三角模糊数分别为(0,0,0),(0,012,014),(012,014, 016),(014,016,018),(016,018,1)1其他属性或状态可由上述语言变量和相关数据计算得到,具体计算公式如文章第312节所示1由于员工的负载情况、成功率、弹性程度等是由相关数据计算得到,其结果都表示成一个具有不确定性的数值,为了评价这种带有不确定性的数值,需要将这个数值转换成一个三角模糊数,转换方法如下:设属性B可以表示一个带有不确定性的数值a,则B所对应的三角模糊数可记为 B= (a,a,a)13　任务分配模型311　任务分配多级模型由上节的各语言变量定义可以得到模糊环境下影响任务分配各因素的三角模糊数表示1下面根据各语言变量的三角模糊数给出任务分配问题的形式化定义1定义11记待分配的任务为J new,完成J new需要具有k种技能(C t,t=1,…,k),且对技能C t的要求为w～(J new,C t),任务重要性记为w～imp,任务类型记为w～kind,任务共需要由m(≥1)个参与者组成的团队完成,若m>1,记任务的配合类型为w～coo1任务分配问题就是根据这些任务属性及候选人状态把任务分配给最适合的候选人1记任务J new的候选集合为U={U1,…,U n},根据第1节所分析的任务分配原则及任务分配问题定义,可以得到图3所示的任务分配多级模型1图3所示的多级模型可以用式(3)表示:S(U i,J new)= W D5×n1(3)403计算机研究与发展　2007,44(2)Fig 13　Multilevel m odel of task assignment 1图3　任务分配多级模型式(3)中, W =(w ～cap ,w ～exp ,w ～rel ,w ～load ,w ～flex )是图3中5种二级影响因素的权重向量1矩阵 D 5×n 表示各候选人的5项二级影响因素值1注意,权重向量与矩阵 D 5×n 中的每个元素都为一个三角模糊数1如果任务只需要一个参与者,只要对由式(3)得到的各候选人U i 的适配度 S (U i ,J new )按式(2)计算其BN P ,根据各候选人适配度的BN P ,把任务J new 分配给BN P 最大的候选人1如果任务需要团队来完成,即定义1中的m >1,则必须对团队的适配度进行计算,根据参考文献[10],可以通过对团队内成员两两间的关系进行评价从而得到整个团队的关系评价,由此可以求得由m 个人组成的团队对任务J new 的适配度为S (team ,J new )=w ～coop∑q ,pr ～(U q ,U p )m (m -1)Π2+∑mi =1S(U i,J new )1(4) n 个候选人总共可以组成C m n 个候选团队,按式(4)分别计算得到C m n 个候选团队适配度 S (team ,J new )的BN P 值并进行比较,把任务J new 分配给BN P值最大的候选团队就完成了任务分配1其中团队关系权重w ～coop =w ～coo 1图3中的任务分配多级模型并不是铁板一块,可以根据使用环境需要对模型进行简化,只考虑5项二级因素中的某几项,不影响模型在所选择影响因素上的综合匹配效果1312　各影响因素的计算由图3可以知道影响任务分配的主要因素包括技能、经验、成功率、负载和弹性1下面,分别给出各适配度的计算方法1候选人U i 的技能C t 水平记为h ～(U i ,C t )1对于候选人U i 来说,其对任务J new 的适配度 S cap (U i ,J new )可由式(5)计算得到技能适配度 S cap (U i ,J new ):S cap (U i ,J new )=1k∑kt =1[h ～(U i ,C t ) w ～(J new ,C t )]1(5) 为了计算U i 相对任务J new 而言的经验值,必须对U i 执行过的历史数据和当前正在等待执行的数据进行统计,考虑到很早前执行过的任务对U i 可能影响不大,所以只对U i 最近一个时间段内的数据进行统计1设J j 是U i 在这时间段内执行的第j 个任务(包括已分配给U i 但还没执行的任务),任务J j 对技能C t 的要求记为w ～(J j ,C t )1当J j 对技能C t 的要求高于J new 对技能C t 的要求时,可以认为就技能C t 而言,U i 执行J j 的经验相对J new 而言是完全适用的,所以经验值为11而J j 对技能C t 的要求低于J new 对技能C t 的要求时,就技能C t 而言,U i 执行J j 的经验相对J new 而言是由w ～(J j ,C t )和w ～(J new ,C t )对应的两个三角形交集部分的面积与并集部分的面积之比值决定的,当两者交集为空时经验值为01综上所述,记w ～(J new ,C t )=(l 1,m 1,r 1),w ～(J j ,C t )=(l 2,m 2,r 2),就技能C t 而言,U i 执行J j 相对J new 的经验s (J j ,J new ,C t )可表示为s (J j ,J new ,C t )=1,r l ≤l 2,∫min (w ～(J j ,C t ),w ～(J new ,C t ))∫max (w ～(J j,C t),w ～(J new,C t )),otherwise 0,r 2≤l 11,(6) 由此可得U i 执行J j 相对J new 的经验s ～(J j ,J new )为s ～(J j ,J new )=1k∑kt =1s～(J j ,J new ,C t )1(7) 若U i 在这时间段内共执行过z 个任务,则U i 相对于J new 的经验值 S ′e xp (U i )为503肖郑进等:模糊环境中工作流任务分配的多级模型S′e xp(U i)=1z ∑zj=1s(J j,J new)1(8) 对n个候选人的经验值进行归一化处理后,得到候选人U i的经验适配度 S exp(U i,J new)为S exp(U i,J new)= S′e xp(U i)Π∑ni=1S′e xp(U i)1(9) 分配任务给候选人时需要考虑候选人成功率,记候选人U i总共执行过tc i次这类任务,而成功次数为sc i次,各候选人平均成功率为s-=1n×∑ni=1s i,平均执行次数为tc=1n×∑ni=1tc i1则成功率适配度 S rel(U i)计算采用式(10):S rel(U i)=s i,tc i>tc,(min(s-,s i),s i,max(s i,s-)),tc i<tc1(10) 同样任务对于不同候选人而言所需要时间不同,,必须以候选人的执行时间为负载平衡指标1对于待执行任务J j而言,其所需要的执行时间由其执行过的这类任务的平均执行时间来计算1若U i共有l个待执行任务,则U i当前绝对负载为L oad(U i)=∑1j=1T aver(U i,J j),(11)其中 T aver(U i,J j)表示U i执行与J j同类任务的平均处理时间,该时间由历史数据得到1 L oad(U i)是个绝对负载,对绝对负载进行归一化处理得到U i的相对负载 S load(U i), S load(U i)越大表示U i的负载越轻:S load(U i)=∑nj=1L(U j)- L oad(U i)∑nj=1L oad(U j)1(12) 若候选人U i所担任的角色数目为r(U i),由于U i的弹性适配度越大任务分配给他的可能性越小,类似求 S load(U i),Ui的弹性适配度 S flex(U i)可由式(13)计算得到, S flex(U i)越大表示U i的资源弹性越差:S flex(U i)=∑nj=1r(U j)-r(U i)∑nj=1r(U j)1(13)313　各影响因素的权重计算由式(5)～(13)可以分别求得各候选人的能力、经验、成功率、负载指标和弹性适配度等,仅仅由这些适配度指标还无法完成任务分配,还要考虑这些适配度的权重1技能、经验和成功率适配度权重比较简单,由于越重要的任务越注重技能、成功率,所以技能及成功率指标的权重可以由任务的重要性来决定,而由任务类型定义可知,经验指标的权重就由任务类型决定1即w～capability=w～imp,w～reliability=w～imp,w～experience=w～kind1负载适配度权重比较复杂,如果负载指标的权重太大则可能导致能力、经验和成功率指标被淹没,而如果负载指标的权重太小,当在某段时间内到达的任务对能力要求较高,任务也比较重要时,就会导致能力强的候选人负载远远高于能力弱的候选人,结果导致每个任务的等待时间过长,使得任务的平均完成时间急剧上升1负载权重需要考虑两方面因素,一方面,确定负载权重实际上就是给出一个精确值或一个模糊数来衡量各候选人负载的离散程度,当负载不平衡比较大时,负载权重应该大一些,以平衡各候选人负载;另一方面,当任务比较重要时,允许负载不平衡程度大一些,即负载权重应该小一些1基于此,本文提出了一种动态负载权重,动态负载权重随着候选人负载的波动加大而增加,随着任务的重要性升高而减小1如果候选人集合为U={U1,…,U n},候选人U i的绝对负载 L oad(U i)可由式(11)得到1因此,负载的权重w～load可以式(14)计算得到:w～load=w～impn×∑ni=1L oad(U i)-1n×∑ni=1L oad(U i)1(14) 此时,负载权重w～load将随着负载不平衡的增加而加大,从而增加式(12)计算得到的相对负载在最终适配度中的比重,从而自动平衡各候选人负载1如果负载的计量单位比较大,比如“小时”,由式(12)得到的相对负载 S load(U i)本身就比较小,当候选人间负载相差几十个单位,影响也比较大,此时,可以在式(14)计算得到的权重w～load基础上适当加大负载权重,反之亦然1对于弹性适,配度而言,如果负载不平衡程度比较大或任务比较重要时,则首先应该考虑尽量让负载平衡,以减小各任务的平均等待时间,当负载比较平衡时或任务不怎么重要时,可以适当加大弹性适配度的权重w～flex,以保持资源的弹性1基于此,得到弹性适配度的权重计算公式:w～flex=min(1Πw～load,1)1(15) 603计算机研究与发展　2007,44(2)4　算法结果分析为了评价本文提出了任务分配模型性能,我们在一个工作流原型系统上实现了MM TA ,MCTA 以及Round 2Robin 任务分配算法,并对这3种算法的性能进行比较分析1仿真环境设置如下:工作流模式如图4所示,此测试工作流模型在或分支C 1处选择活动T 2的概率为013,选择活动T 3的概率为0171流程实例到达速率为“1个Π时间单位”,到达任务选择T 2或T 3是完全随机的,各参与者对分配到任务的处理顺序是按先进先出(FIFO )原则进行,不进行任何优化调度1Fig 14　The workflow model of test 1图4　测试工作流模型 活动T 2,T 3的参与者候选人都为A ,B ,C 1T 2和T 3的技能要求与3个候选的技能水平如表1所示1T 2重要级别为中等重要,T 3的重要级别为非常重要1因缺少经验数值,本测试例子没有考虑经验值和弹性程度的影响13个候选人处理T 2,T 3的时间与成功率如表2所示1T able 1　C apability R equirements of T asks and Skill Level of C andid ates表1　各活动的技能要求与各候选人的技能水平Capability RequirementsTask T 2Task T 3Level of SkillCandidate A Candidate BCandidate C write extremely no write normal good expert compute barely extremely compute expert good low project moderately extremely project expert normal normal designverybarelydesigngoodnormalnormalT able 2　The I ncidence of Success and Time 2Consuming ofC andid ates for T asks表2　各候选人处理任务的成功率与时间Candidates Time 2Consuming Incidence of Success Task T 2Task T 3Task T 2Task T 3Candidate A 5301930199Candidate B 6701920190Candidate C7801990160 根据上述测试环境设置,MM TA ,MCTA 以及Round 2Robin 运行负载结果如图5所示1图中所示负载均表示各候选人当前绝对负载1而各算法的成功率、平均处理时间等如表3所示:T able 3　The Perform ance I ndex of Three Algorithms表3　各算法的性能指标Algorithms OverallIncidence of Success Incidence of Success for Importance Task Average Complete Time of TasksMM TA 0197701980315100MCTA 0197701989390104Round 2Robin0187901851501187 Round 2Robin 算法的负载非常不平衡1相对T 2,T 3而言,C 的能力最差,A 的能力最高,B 的能力中等1虽然每个参与者都分配相同任务数,但能力弱的候选人处理速度慢,其负载一直高于能力强的候选人,这种差别随着到达任务的增加而不断加大1MCTA 算法的负载更加不平衡,虽然该算法是综合能力与负载的情况来分配任务,但从实际效果来看并没起到负载平衡作用1T 3由C 来执行效果最好,因此T 3几乎100%被分配给C 执行,由于T 3在总任务中大约占70%,所以C 的负载远远超出A 和B ,这种不平衡还将随着T 3所占比例增加而增加1MM TA 算法在绝大多数时间内,各候选人的负载都相差不大,基本交叉在一起1其中能力较高的候选人A 的负载会略高于其他两个候选人的负载1这是因为适合A 执行的任务T 3所占比例比较大,所以分配给他的任务比其他两个会略多一些1再比较3种算法的其他性能,从表3中可以看出,Round 2Robin 效果最差,不仅平均完成时间长,而且任务总成功与重要任务T 3的成功率都远低于其他两种方法1而MCTA 算法的成功率略高于MM TA 方法,但其平均完成时间大于MM TA 方法1MCTA 和Round 2Robin 算法平均完成时间长的原因是因为负载不平衡而引起任务的等待时间增加1MCTA 算法因为总把任务分配给技能最适合的参与者来完成,当技能水平与成功率成正比时,MCTA 算法的成功率要高于其他两种方法1而MM TA 算法综合考虑了技能、负载与成功率等因素,具有良好的综合效果1703肖郑进等:模糊环境中工作流任务分配的多级模型Fig15　The candidates load of the three task assignment algorithms1(a)The candidates load of the task assignment algorithm Round2Robin;(b)The candidates load of the task assignment algorithm MCTA;and(c)The candidates load of the task assign2 ment algorithm MM TA1图5　三种算法的候选人负载曲线1(a)Round2Robin算法的参与者负载曲线;(b)MCTA算法的参与者负载曲线;(c) MM TA算法的参与者负载曲线 我们重复修改测试环境配置,测试3种算法效果,发现Round2Robin与MCTA的算法性能完全取决于测试环境中的资源配置1所以这两种方法只适用于资源配置非常合理的情况,而MMT A无论在什么样的资源配置环境下都具有非常好的综合性能15　总 结实施工作流管理的重要目标之一是把组成业务过程的各任务分配给合适的人或设备来完成1本文提出了一个基于模糊环境和多因素的任务分配模型,该模型对影响任务分配的各种具有不确定性的因素进行综合考虑,从而计算得到各候选人执行待分配任务的适配程度并根据适配度排序,完成任务的自动分配1该任务分配方法在各种资源配置环境下都具有非常好的综合性能,可以有效地优化任务分配过程、平衡资源负载,提高任务的成功率1虽然该任务分配模型比较复杂,但并不是铁板一块,可以根据使用环境需要对模型进行简化,简化后的模型依然具有良好的综合效果1参　考　文　献[1]Workflow Management Coalition1Process definition interface2XML process definition language[R]1Tech Rep:TC1025,2002[2]Y2N Huang,M2C Shan1Policies in a resource manager of work2flow systems:Modelling,enforcement and management[R]1Hewlett Packard,Tech Rep:HPL2982156,1998[3]Prasant Mohapatra1Dynamic real2time task scheduling on hy2percubes[J]1Journal Algorithms,1997,46(1):91-100 [4]Li2jie Jin,Fabio Casati,Mehmet Sayal,et al1Load balancingin distributed workflow management system[C]1The ACMSymp on Applied computing,Las Vegas,Nevada,USA,2001803计算机研究与发展　2007,44(2)[5]W M P van der Aalst ,A Kumar 1A reference model for team 2enbled workflow management systems [J ]1Data and Knowledge Engineering ,2001,38(3):335-363[6]Zhang Xiaoguang ,Cao Jian ,Zhang Shensheng 1Team 2and 2role 2enabled task distribution under policy constraints in adaptive WFMS [J ]1Journal of Computer Research and Development ,2002,39(12):1156-1163(in Chinese )(张晓光,曹健,张申生1策略约束面向角色和团队关系的工作流任务分配管理[J ]1计算机研究与发展,2002,39(12):1156-1163)[7]Tang Da ,Yang Yuan 2sheng 1Research on workflow participant mechanism and dynamic characteristic based on hierarchically re 2fined petri nets [J ]1Journal of Computer Research and Develop 2ment ,2004,41(9):1545-1553(in Chinese )(唐达,杨元生1基于层次细化Petri 网的工作流参与者机制与动态特性研究[J ]1计算机研究与发展,2004,41(19):1545-1553)[8]G in 2Shuh Liang ,Mao 2Jiun J Wang 1Personnel placement in a fuzzy environment [J ]1Computers and Operations Research ,1992,19(2):1072121[9]S B Yaakob ,S Kawata 1Worker ’s placement in an industrial en 2vironment [J ]1Fuzzy Set and Systems ,1999,106(3):289-297[10]Minxin Shen ,Gwo 2Hshiung Tzeng ,Duen 2Ren Liu 1Multi 2Cri 2teria task assignment in workflow management systems [C]1Hawaii Int ’l Conf on System Sciences ,Hawaii ,USA ,2003[11]L Zadeh 1The concept of a linguistic variable and its application to approximate reasoning [J ]1Information Sciences ,1975,8(3):43-80[12]D Dubois ,H Prade 1Operating on fuzzy numbers [J ]1Interna 2tional Journal of Systems Science ,1978,9(6):613-629Xiao Zhengjin ,born in 19761Ph 1D 1His main research interests include Workflow ,artificial intelligence ,etc 1肖郑进,1976年生,博士,主要研究方向为工作流、人工智能等1H e Q inming ,born in 1965,Professor and Ph 1D 1supervisor in Zhejiang University ,Hangzhou ,China 1His main research inter 2ests include machine learning ,artificial intel 2ligence ,Web information retrieval ,etc 1何钦铭,1965年生,教授,博士生导师,主要研究方向为机器学习、人工智能、网络信息搜索等1Chen Q i ,born in 19631Associate professor in Zhejiang University ,Hangzhou ,China 1His main research interests include intelligent decision support system ,GIS ,framework for software architecture ,etc 1陈　奇,1963年生,副教授,主要研究方向为智能决策支持系统、GIS 、软件架构技术等1R esearch B ackgroundThe primary purpose of workflow application involves realizing the business process executed automatically and efficiently by scheduling and assigning the resource and information reasonably 1For that reason ,the automatic optimize assignment of user task is one of the important functions of workflow management system (WfMS ),and the key of improving the efficiency of WfMS as well 1Traditional task assignment only considers with respect to the matching of role rather than the effect of other factors ,such as impor 2tance of task ,skill level of worker ,etc 1Once the number of the qualified workers is more than one ,it can ’t evaluate the suitability of the candidates 1Furthermore ,traditional study on human resources makes use of precise value to evaluate the attributes and the state of tasks and candidates which ignore fuzziness of the parameters 1Therefore ,based on the task assignment method presented by Minxin ,this paper analyzes in detail all the influencing factors and their linguistic fuzziness of user task assignment and puts forward a multilevel model of the task assignment that can be combined and the corres ponding task assignment measure 1After then ,the de 2sign method of the weight with self 2adapt ability of the affect factors also are discussed in the paper 1The comparison in the experi 2ment proves that the multilevel model has very good comprehensive performance under the circumstances of different resource configu 2rations 1903肖郑进等:模糊环境中工作流任务分配的多级模型。