一种计量实验室任务调配优化方法、系统及电子设备

技术领域

本发明涉及生产调度与任务分配技术领域，并且更具体地，涉及一种计量实验室任务调配优化方法、系统及电子设备。

背景技术

电力计量实验室负责建立、维护电网公司系统的计量标准以及用电信息采集、运维、管理等，其工作业务是维护电网上下安全稳定的重要环节。然而，随着实验设备与实验项目的不断增长，电力计量实验室管理仍处于人工基于经验处理阶段，存在任务需求把握不定、任务堆积、设备与人力资源不能有效利用等问题，同时，实验室工作人员的人因因素对于实验项目的顺利进行也起到了决定性作用。因此，研究实验任务科学分配与人员智能排班方法具有重要的价值与意义。

当前对于任务调配优化的研究多集中于制造业的车间调度领域以及医护、空乘行业的人员排班领域，为本发明提供了一定的技术支撑，然而，目前仍缺少对电力计量实验室任务调配优化的研究。电量实验室与其他行业存在一定差别，如：需要长时间的人员与设备匹配需求，不存在早、中、晚三班倒情况，人因因素影响对实验结果影响较大等。并且，对同时考虑人因风险与预测误差风险的任务调配方法的研究较少。

因此，现有的计量实验室任务调配优化方案存在电力计量实验室任务需求量不确定、不能充分利用实验室人力物力资源的问题。

发明内容

为了解决上述背景技术所述的至少一个问题，本发明提供一种计量实验室任务调配优化方法、系统及电子设备。

根据本发明的一个方面，提供了一种计量实验室任务调配优化方法，包括：

根据实验室的历史任务量信息，预测实验室次日的计量任务量数据，其中计量任务量数据包括多个计量任务；

建立实验室工作人员的非实时因素风险模型、实验室工作人员的实时因素风险模型以及预测误差产生的任务延迟风险模型；

基于非实时因素风险模型、实时因素风险模型以及任务延迟风险模型，以任务完成风险最小化为目标，对多个计量任务建立考虑预测误差风险与人因风险的任务优先级排序优化问题，并基于细菌群体趋药性算法对任务优先级排序优化问题进行求解，得到多个计量任务的最优任务优先级排序；

以最小化任务完成总时间为目标，对按照最优任务优先级排序的多个计量任务建立人力资源配置优化问题，并基于蚁群优化算法对人力资源配置优化问题进行求解，得到多个计量任务的最优任务调配优化方案。

可选地，所述根据实验室的历史任务量信息，预测实验室次日的计量任务量数据，包括：

获取实验室的历史任务量信息；

根据实验室的历史任务量信息，基于高斯过程回归方法实验室次日的计量任务量数据。

可选地，所述建立实验室工作人员的非实时因素风险模型、实验室工作人员的实时因素风险模型，包括：

采集实验室工作人员的人员信息；

根据人员信息，对实验室工作人员的非实时因素风险模型，其中非实时因素风险模型的表达式为：

式中，α

根据人员信息，对实验室工作人员的和实时因素风险模型进行建模，其中实时因素风险模型的表达式为：

式中，β

可选地，所述建立预测误差产生的任务延迟风险模型，包括：

基于计量任务量数据，对预测误差产生的任务延迟风险模型进行建模，其中任务延迟风险模型的表达式为：

Δt(x)＝t

式中，Δt(x)为预测的计量任务量与实际的计量任务量产生误差的任务A的延时时间；t

可选地，所述基于非实时因素风险模型、实时因素风险模型以及任务延迟风险模型，以任务完成风险最小化为目标，对多个计量任务建立考虑预测误差风险与人因风险的任务优先级排序优化问题，包括：

基于非实时因素风险模型、实时因素风险模型以及任务延迟风险模型，建立以任务完成风险最小化为目标的目标函数；

其中，目标函数的表达式为：

式中，γ表示多个计量任务的总数量，f

目标函数的工作量约束条件为：

f

式中，f

目标函数的任务执行顺序约束条件为：

x∈A,x∈B，{A∣PR

式中，A为当前的计量任务，B为计量任务矩阵A后的计量任务，PR用于不同计量任务之间的优先关系，若计量任务i必须在计量任务j之前执行，则PR

目标函数的时间裕度约束条件为：

t

式中，t

可选地，所述基于细菌群体趋药性算法对任务优先级排序优化问题进行求解，得到多个计量任务的最优任务优先级排序，包括：

设定蚁群优化算法的精度ε及初始参数T

T

以移动方向、单位移动距离确定细菌的移动状态，其中细菌的移动状态根据高斯概率密度的分布确定：

其中，n-1维度角度向量

记录细菌移动后的位置L，以L＝(L

基于以任务完成风险最小化为目标的目标函数，计算位置L的风险值，并记位位置L的目标函数值F；

假设某时刻的移动步数为k，则此刻细菌i是否具有相邻更优中心点的判断式表示为：

式中：

细菌向更优中心点移动，记录移动后的位置L’，当细菌向相邻中心点移动时，其移动单位移动距离表示为：

式中，rand(·)为服从(0,2)均匀分布的随机值；

判断目标函数值是否最优，若优于F’则保留位置L’，否则保留位置为L；

式中：

判定是否满足精度条件或最大步数，若满足则输出结果L’，若不满足则保留位置L，并重回蚁群优化算法的精度ε及初始参数T

将蚁群优化算法最终输出的最优位置L＝(L

可选地，所述以最小化任务完成总时间为目标，对按照最优任务优先级排序的多个计量任务建立人力资源配置优化问题，包括：

定义计量实验室工作人员的编号为u

式中，TA

对按照最优任务优先级排序的多个计量任务，建立以任务完成总时间最小化为目标的目标函数：

式中，共有n个工作人员，W

可选地，所述基于蚁群优化算法对人力资源配置优化问题进行求解，得到多个计量任务的最优任务调配优化方案，包括：

流程初始化，将多个计量任务的最优任务优先级排序x＝{o

基于有向无环图G，通过启发式算法获得一组初始解作为暂时最优解TAS

其中，n为工作流中工作人员的数量；

初始化蚁群算法的启发式信息等参数因子，在一次迭代中，每只蚂蚁获得的启发式信息为：

启发式的状态转移概率为：

式中，UA

在迭代中，根据启发式的状态转移概率选择任务的工作人员，将工作人员序列保存，计算每个蚂蚁的工作流总负载，并将工作流总负载与WL_Total

对工作人员序列赋值TAS

其中，ρ是信息挥发因子，1-ρ是残留因子，WL_Total

重复迭代和更新操作，直至迭代全部完成，获得蚁群优化算法最终输出的最优蚂蚁的任务分配的工作人员序列，即为多个计量任务的最优任务调配优化方案。

根据本发明的又一个方面，提供了一种计量实验室任务调配优化系统，包括：

计量任务量预测模块，用于根据实验室的历史任务量信息，预测实验室次日的计量任务量数据，其中计量任务量数据包括多个计量任务；

任务完成风险量化模块，用于建立实验室工作人员的非实时因素风险模型、实验室工作人员的实时因素风险模型以及预测误差产生的任务延迟风险模型；

任务优先级排序模块，用于基于非实时因素风险模型、实时因素风险模型以及任务延迟风险模型，以任务完成风险最小化为目标，对多个计量任务建立考虑预测误差风险与人因风险的任务优先级排序优化问题，并基于细菌群体趋药性算法对任务优先级排序优化问题进行求解，得到多个计量任务的最优任务优先级排序；

人力资源配置模块，用于以最小化任务完成总时间为目标，对按照最优任务优先级排序的多个计量任务建立人力资源配置优化问题，并基于蚁群优化算法对人力资源配置优化问题进行求解，得到多个计量任务的最优任务调配优化方案。

可选地，所述计量任务量预测模块，具体用于：

获取实验室的历史任务量信息；

根据实验室的历史任务量信息，基于高斯过程回归方法实验室次日的计量任务量数据。

可选地，所述任务完成风险量化模块，具体用于：

采集实验室工作人员的人员信息；

根据人员信息，对实验室工作人员的非实时因素风险模型，其中非实时因素风险模型的表达式为：

式中，α

根据人员信息，对实验室工作人员的和实时因素风险模型进行建模，其中实时因素风险模型的表达式为：

式中，β

可选地，所述任务完成风险量化模块，还具体用于：

基于计量任务量数据，对预测误差产生的任务延迟风险模型进行建模，其中任务延迟风险模型的表达式为：

Δt(x)＝t

式中，Δt(x)为预测的计量任务量与实际的计量任务量产生误差的任务A的延时时间；t

根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

本发明根据实验室的历史任务量数据与工作人员信息数据，可以准确地预测实验室次日的计量任务量数据，对预测误差风险与人因风险进行了建模，并进一步考虑预测误差风险与人因风险，提出了基于细菌群体趋药性算法的任务优先级排序方法与基于蚁群优化算法的人力资源配置方法，以得到根据历史任务量数据预测的计量任务量数据的最优任务调配优化方案，以实现实验任务科学分配与人力物力资源的智能调度。本发明不仅明确了电力计量实验室次日的任务需求，还有效提高了实验室的任务完成效率，提升了实验室人力物力资源的利用率。解决了现有的计量实验室任务调配优化方案存在电力计量实验室任务需求量不确定、不能充分利用实验室人力物力资源的问题。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1是本发明一示例性实施例提供的计量实验室任务调配优化方法的流程示意图；

图2是本发明一示例性实施例提供的计量实验室任务调配优化方法对应的具体步骤流程图；

图3是本发明一示例性实施例提供的计量实验室任务调配优化系统的结构示意图；

图4是本发明一示例性实施例提供的电子设备的结构。

具体实施方式

下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

图1示出了本发明所提供的计量实验室任务调配优化方法的流程示意图，图2示出了具体步骤的流程图。如图1和图2所示，计量实验室任务调配优化方法，包括：

步骤S10：根据实验室的历史任务量信息，预测实验室次日的计量任务量数据，其中计量任务量数据包括多个计量任务。

在本发明实施例中，可以先整合数计量实验室先前一段时间内(例如15天)的小时级任务量数据作为高斯过程回归的输入数据：R＝r

其次，基于含噪声的高斯过程回归模型，对输入与输出数据建立回归方程为：

其中，Y＝y

再次，选用径向基(RBF)核函数作为高斯回归过程的协方差函数，以反应数据点之间的关系。

K(r,r′)即为数据点r与集合R中其余不同数据点r′之间的协方差，σ

其中，

根据贝叶斯回归方法，预测的计量任务量数据y*的条件分布P(y

综上所述，通过高斯过程回归预测得到的当日小时级的计量任务量数据y*可以用分布的均值表示：

分布的协方差表示任务量预测值的不确定性：

步骤S20：建立实验室工作人员的非实时因素风险模型、实验室工作人员的实时因素风险模型以及预测误差产生的任务延迟风险模型；

在本发明实施例中，首先，通过查阅员工档案或电网年终考核结果获取相关数据，对实验室工作人员的非实时因素风险建模：

其中，α

式中，N为该实验室工作人员从事工作至今出现工作失误的次数。在先验因素的四项指标中，误操作率的重要性高于其他三项指标，反映了实验室工作人员在实际操作时的准确性。

对工作技能、责任心两个变量采用0.1～0.9表示其程度，其取值可表示如下。

其次，对实验室工作人员的实时因素风险建模：

式中，β

最后，考虑到计量任务量预测存在一定的误差，而预测误差会造成人员配置不足，从而造成计量任务完成时间超过原计划时延，影响后续任务的安排，即产生额外延时风险。因此，对预测误差产生的计量任务完成延时的额外风险进行建模：

Δt(x)＝t

式中：Δt(x)为设预测任务量与实际任务量产生误差的任务A，t

步骤S30：基于非实时因素风险模型、实时因素风险模型以及任务延迟风险模型，以任务完成风险最小化为目标，对多个计量任务建立考虑预测误差风险与人因风险的任务优先级排序优化问题，并基于细菌群体趋药性算法对任务优先级排序优化问题进行求解，得到多个计量任务的最优任务优先级排序；

在本发明实施例中，以任务完成风险最小化为目标，建立考虑预测误差风险与人因风险的任务优先级排序优化问题，并基于细菌群体趋药性算法求解得到最优任务优先级排序：

建立以风险最小化为目标的目标函数为：

约束条件为：

(1)工作量约束

f

式中，f

(2)计量任务执行顺序约束

x∈A,x∈B (14)

{A∣PR

矩阵PR用于不同计量任务之间的优先关系，若计量任务i必须在计量任务j之前执行，则PR

(3)时间裕度约束

t

在实际计量任务操作中，合理的任务顺序安排可以降低由于任务延时对计量工作造成的不利影响，令时间裕度应满足相邻两项任务的操作时间和，尽量减少由任务完成风险因素造成计量任务的延误，式中t

其次，基于细菌群体趋药性算法(BCC)对目标函数进行求解。O＝{o

(1)确定细菌的移动方向和移动步长

设定算法的精度ε及初始参数T

T

以移动方向、单位移动距离确定细菌的移动状态。细菌的移动状态根据高斯概率密度的分布确定：

其中，n-1维度角度向量

(2)记录细菌移动后的位置L

以L＝(L

(3)基于目标函数式，计算位置L的风险值，并记位其目标函数值F

(4)寻找相邻的更优中心点坐标

假设某时刻的移动步数为k，则此刻细菌i是否具有相邻更优中心点的判断式可表示为

式中：

(5)细菌向更优中心点移动，记录移动后的位置L’：

当细菌向相邻中心点移动时，其移动单位移动距离表示

式中，rand(·)为服从(0,2)均匀分布的随机值。

(6)判断目标函数值是否最优，若优于F’则保留位置L’，否则则保留位置为L。

式中：

(7)判定是否满足精度条件或最大步数，若满足则输出结果L’，若不满足则保留位置L，并重回(1)开始新的迭代。

最终算法输出的最优位置L＝(L

步骤S40：以最小化任务完成总时间为目标，对按照最优任务优先级排序的多个计量任务建立人力资源配置优化问题，并基于蚁群优化算法对人力资源配置优化问题进行求解，得到多个计量任务的最优任务调配优化方案。

在本发明实施例中，以最小化任务完成总时间为目标，建立人力资源配置优化问题，并基于蚁群优化算法，求解得到最优任务调配优化方案。

首先，建立以任务完成总时间最小化为目标的目标函数：

定义计量实验室工作人员的编号为u

其中，TA

其中，共有n个工作人员，W

其次，基于蚁群优化算法求解式的优化问题，求解所得的任务调配优化方案TAS

(1)流程初始化，将最优任务排序x＝{o

(2)在步骤(1)的基础上，通过启发式算法获得一组初始解作为暂时最优解TAS

其中，n为工作流中工作人员的数量。

(3)初始化蚁群算法的启发式信息等参数因子，在一次迭代中，每只蚂蚁获得的启发式信息为：

根据的状态转移概率为：

UA

(4)在迭代中，根据公式的状态转移概率选择任务的工作人员，将工作人员序列保存下来，计算每个蚂蚁的工作流总负载，并与WL_Total

(5)对TAS

其中，ρ是信息挥发因子，1-ρ是残留因子，WL_Total

(6)重复步骤(4)和(5)，直至迭代全部完成，获得最优任务调配优化方案TAS

综上所述，本发明根据实验室的历史任务量数据与工作人员信息数据，可以准确地预测实验室次日的计量任务量数据，对预测误差风险与人因风险进行了建模，并进一步考虑预测误差风险与人因风险，提出了基于细菌群体趋药性算法的任务优先级排序方法与基于蚁群优化算法的人力资源配置方法，以得到根据历史任务量数据预测的计量任务量数据的最优任务调配优化方案，以实现实验任务科学分配与人力物力资源的智能调度。本发明不仅明确了电力计量实验室次日的任务需求，还有效提高了实验室的任务完成效率，提升了实验室人力物力资源的利用率。解决了现有的计量实验室任务调配优化方案存在电力计量实验室任务需求量不确定、不能充分利用实验室人力物力资源的问题。

示例性系统

图3是本发明一示例性实施例提供的计量实验室任务调配优化系统的结构示意图。如图3所示，系统300包括：

计量任务量预测模块310，用于根据实验室的历史任务量信息，预测实验室次日的计量任务量数据，其中计量任务量数据包括多个计量任务；

任务完成风险量化模块320，用于建立实验室工作人员的非实时因素风险模型、实验室工作人员的实时因素风险模型以及预测误差产生的任务延迟风险模型；

任务优先级排序模块330，用于基于非实时因素风险模型、实时因素风险模型以及任务延迟风险模型，以任务完成风险最小化为目标，对多个计量任务建立考虑预测误差风险与人因风险的任务优先级排序优化问题，并基于细菌群体趋药性算法对任务优先级排序优化问题进行求解，得到多个计量任务的最优任务优先级排序；

人力资源配置模块340，用于以最小化任务完成总时间为目标，对按照最优任务优先级排序的多个计量任务建立人力资源配置优化问题，并基于蚁群优化算法对人力资源配置优化问题进行求解，得到多个计量任务的最优任务调配优化方案。

可选地，所述计量任务量预测模块310，具体用于：

获取实验室的历史任务量信息；

根据实验室的历史任务量信息，基于高斯过程回归方法实验室次日的计量任务量数据。

可选地，所述任务完成风险量化模块320，具体用于：

采集实验室工作人员的人员信息；

根据人员信息，对实验室工作人员的非实时因素风险模型，其中非实时因素风险模型的表达式为：

式中，α

根据人员信息，对实验室工作人员的和实时因素风险模型进行建模，其中实时因素风险模型的表达式为：

式中，β

可选地，所述任务完成风险量化模块320，还具体用于：

基于计量任务量数据，对预测误差产生的任务延迟风险模型进行建模，其中任务延迟风险模型的表达式为：

Δt(x)＝t

式中，Δt(x)为预测的计量任务量与实际的计量任务量产生误差的任务A的延时时间；t

本发明的实施例的计量实验室任务调配优化系统与本发明的另一个实施例的计量实验室任务调配优化方法相对应，在此不再赘述。

示例性电子设备

图4是本发明一示例性实施例提供的电子设备的结构。如图4所示，电子设备40包括一个或多个处理器41和存储器42。

处理器41可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器42可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器41可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置43和输出装置44，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

此外，该输入装置43还可以包括例如键盘、鼠标等等。

该输出装置44可以向外部输出各种信息。该输出装置44可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图4中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。