联合后勤保障效能评价模型研究

周庆忠，田　野，熊　彪

（后勤工程学院，重庆　401311）



联合后勤保障效能评价模型研究

周庆忠，田野，熊彪

（后勤工程学院，重庆401311）

为了解决分布动态联合后勤保障环境中多个保障决策者和保障实体处于“多对多”设定下协同交互，致使后勤保障受众多因素制约，调运计划生成难度加大这一问题，提出了基于Agent的联合后勤保障效能评价模型。从后勤保障军事和经济广义效能视角，对请领任务的保障实体，计算其保障调运效能，以便优化配置保障资源，为优化后勤保障调运计划提供量化决策依据。以联合作战后勤保障为仿真实例来验证模型的有效性，仿真结果表明该模型的研究对于快速实现联合后勤保障总体目标具有实际意义。

联合后勤保障；调运；效能；决策者；保障实体

1　引言

随着军事后勤保障信息化全面推进，军地融合后勤保障模式的实施，后勤保障联盟已逐渐形成。在联合后勤保障中，决策者Agent DMA（Decision Maker Agent，DMA）远距离调运后勤保障资源。由于所涉及的保障物资数量庞大、种类繁多、运输路程遥远，DMA需获取和配置来自于不同保障实体Agent UA（Unit Agent，UA）的后勤保障调运服务资源，来实现联合后勤保障总体目标［1］。

在分布开放、动态复杂的联合后勤保障环境中，所有DMA和UA均处于“多对多”设定下协同交互。如何评价联合后勤保障调运效能，合理动态分配保障实体的调运任务，实现优化配置保障资源，是迫切需要解决的问题［2，3］。因此，本文对基于Agent的联合后勤保障效能评价模型进行研究。虽然所提出的模型以军事后勤保障领域为研究背景，但其所论述的模型方法，同样适用于民用商业部门，具有较为广泛的应用前景。

2　分布式油料保障问题域

将基于Agent的联合后勤保障系统应用于具有分布开发、动态变化特点的复杂环境中，所有决策者DMA和保障实体UA均在一个“多对多”设定场景中实时交互，如图1所示。

决策者DMA根据保障实体UA的请领任务书效能值E，来评估其执行后勤保障任务的能力。效能值E取决于执行保障任务的军事和经济范畴内的广义成本和后勤保障时间。若某请领任务书的效能值E越高，则意味着该请领任务书所对应的保障实体UA越适合于被选择来执行特定保障任务。决策者DMA和保障实体UA对效能值E的计算方法不同。决策者DMA根据在搜索树和引导其路径的特定分支，来计算效能值E。命名根节点中的任务为根保障调运任务，则存在比根保障调运任务多的任务，每个根任务有一个相关的效能值E［4，5］。UA认为效能值E只是所接收任务和正考虑的请领任务书的函数。

由决策者DMA的评估函数fE来确定效能值E。fE是较为复杂的通用评估函数，适用于许多决策者DMA用于其后勤保障任务。对于每个后勤保障任务，评估函数的大部分组成项是相同的。向各保障实体UA发布每一个保障调运任务时，若均提交完整的函数fE，将可能造成浪费交互信息。相反，假设保障实体UA已具有关于函数fE的知识，决策者DMA则在每次发布保障调运任务时，只须提供计算效能值E的fE函数所需的少量细节，不必提交完整的fE，只需曾经向UA传达过完整的fE函数即可。换言之，向每个任务提交的评估函数fE，指的是用于计算效能值E的评估函数细节，而不是完整函数。为了以示区别，将计算效能值E的评估函数fE记为fE_d（）。

图1　联合后勤保障Agent交互

3　模型构建

记bi是搜索树的一个分支，它与任务task（bi）=t的请领任务书apply（bi）=a相关联，而task（bi）=t又与根节点任务root（bi）=trζ相对应。φ（tr）是返回决策者DMA位于特定根任务tr的加权因子函数。如果φ（tr）＞φ（tr'），则表示根任务tr比根任务tr'更为重要。决策者DMA对于请领任务的保障实体，评估其保障调运效能的函数fE_d（）为：

每个保障调运根任务的效能E包括：（1）从该根任务已授予请领任务书所得到的当前效能E'；（2）为了完成已授予请领书所没有实现的根调运任务的剩余调运任务集所产生的预期效能E”。

每个分支bi的执行后勤保障调运任务效能E是在该分支上的每个调运根任务的效能E之和。在分支bi上一个根任务trj的效能为：

式（3）fpd（）和ftd（）为保障调运效率函数和时间函数，其返回值与决策者Agent对后勤调运效能和时间的不满意度成正比；ω（）为加权因子，允许决策者DMA为根任务trj的后勤保障调运计划，设置保障调运效率和时间的优先级。

记fapp（trj，bi）是返回所有为根任务trj所选择的请领任务书的函数，这些任务书在决策者DMA的搜索树从根节点到分支并且包括分支的路径上。如果root（bi）=trj，则apply（bi）∈fab（trj，bi）；否则apply（bi）∉fab（trj,bi）。fdif（t，b）函数返回请领任务书apply*被选择用于后勤保障调运任务t，仍需完成的剩余后勤保障调运任务集，它由一个或多个任务所组成。当选择从根节点直到分支bi，并且包含分支bi的所有分支（即请领任务书）后，ftst（trj，bi）返回仍需完成的剩余任务集Φ，即返回与bi子节点相关的任务集。则有：

在决策者DMA的根任务trk的搜索树中的一个特定分支bi为：

式（4）中，φ1（）和θ1（）函数用于完全或部分地生成保障调运任务tr，其输入变量为根任务tr和请领任务书集ΩA。对于完成tr的请领任务书a'，φ1（tr，a'）和θ1（tr，a'）返回值分别与决策者DMA对执行后勤调运成本和时间不满意度成正比。φ2（）和θ2（）函数采用启发式算法来估计预期成本和所需时间，以便实现对根任务tr的剩余未完成任务的搜索。其输入变量为根任务tr和为了完成tr仍需完成的任务集ΩT，函数返回值分别与决策者DMA对执行后勤保障调运成本和时间的预期不满意度成正比。

对于相关联的根任务tr，保障实体UA从决策者DMA接收到保障调运任务t，提交请领任务书a来完全或部分实现调运任务t。

所发布的任务task（bi）包含保障实体Agent UA的fE_d（）函数使用的请领任务书评估函数f，以便允许UA计算其潜在请领任务书的效能E，以最高值Emax提交请领任务书apply（bi）。

请领任务书评估函数fE_UA（）被定义为：

保障实体UA使用式（5）计算请领任务书apply（bi）的效能E，而不是计算分支bi的效能E。

对于保障实体UA，计算关于所发布任务的相关联根任务root（bi），而不是task（bi）本身的fE_d（）元素，关于根任务所需要的信息包含在task（bi）（in f）内。对于UA，定义fφ（）和fθ（）为：

请领任务书评估函数fE_d（）的2个条件为：

条件I：如果UA认为，对于特定后勤保障调运任务，决策者DMA偏好请领书apply（b1）胜过请领书apply（b2），那么，决策者DMA实际上是偏好分支b1胜过分支b2：

条件II：如果用于相同任务的相同请领任务书与DMA搜索树的不同节点相关联，则使用式（7）。这意味着，决策者DMA不需要向保障实体UA重新发布任务来让UA请求任务，当创建一个新节点时，它包含了这个任务，如图2所示，这节省了决策者DMA与保障实体UA之间的交互信息量和运算时间。

定义请领任务书a1=apply（b1）=apply（b3），a2=apply（b2）=apply（b4）。式中：br1≠br3，br2≠br4，Taskp（b1）=Taskp（b2）=task（b1）=task（b2）= task（b3）=task（b4）=t。若UA认为，对于特定后勤保障调运任务，DMA偏好请领任务书a1胜过请领任务书a2，那么，决策者DMA偏好分支b1胜过分支b2，偏好分支b3胜过分支b4。

图2　请领任务搜索树示意图

函数φ1（）、φ2（）、θ1（）、θ2（）分别是线性函数，则式（7）和（8）均满足于请领任务书评估函数fE_d（）。

有两种情况将使UA请求任务变得复杂。

（1）允许保障实体UA对保障任务只请求执行部分调运物资，或只执行全里程的一部分路程的运输任务。这类请领任务书，像任何请求执行任务的请领书一样，须满足保障调运任务的约束，部分地实现调运任务计划。例如，对于一个从起始地Pstart与目的地Pend之间运送油料的任务，在Pstart与Pend之间，从Pa到Pb运送油料的部分请领任务书可能是可行运输调度计划的一部分。但通常不会考虑这样的选择，除非它是唯一的或最好的选择。

（2）对保障实体UA已临时授予的请领任务书，过后却很可能由于后勤保障需求变化（如需求量、保障区域、保障运输能力、保障资源分布等变化），需重新更改调运指令。保障实体UA难于决定哪个请领任务书（即其路径、时间和运力容量）最有可能是适合于完成任务的请领任务书。这需花费运算时间来计算执行保障调运任务的效能值，以便形成和检查各请领任务书的适合性［6］。因此，必须限制请领任务书的搜索域，以便在限定时间表内形成合适的请领任务书集。

4　应用实例

在某联合作战中，后方指挥部组织了后勤保障实体UAi（i=1，2，…，12）向前线作战部队调运后勤物资。保障任务是从地点Pstart调运后勤物资到Pend，表示为T（Pstart，Pend）。决策者DMA向保障实体UA，以任务公告形式发布后勤保障任务t0=T（Pstart，Pend），任务公告内含后勤保障任务分配效能评价函数f，它是后勤保障军事和经济广义效能的隐函数。将与请领任务书a相关的效能评价函数值记为fE_d（a），将其简写为fEff，即决策者DMA偏好于具有fEff最大值的请领任务书。决策者DMA希望以最大化评价函数fEff为优化目标，进行后勤保障任务分配。

该后勤保障包括多个保障决策者DMA、保障实体UA，设置专用Agent，感知后勤保障环境变化，如向DMA和UA提供物资运输地点之间的距离等。UA可行驶130条路线，运输任务是运送多种物资，物资数量大，运输距离较长。保障实体Agent UA只运行一次，因为在时间上计算资源有限。

在最恶劣情况下，单一决策者DMA具有两个大规模的后勤保障运输任务，要求后勤保障运输调度计划树的深度超过60，需要4个保障实体UA，因此，有限的可用调运服务导致大量回溯。请领任务截止时间设定为2min。适当延长请领任务时间，以确保在DMA制定后勤保障调运计划之前，保障实体UA有足够时间使用有限计算资源，按照对请求调运任务的约束条件，检查其管辖区域的所有调运路线，核查后勤调运运输能力，制作请领任务书。保障实体UA所提交的请领任务书见表1，请领任务书所涉及的后勤保障调运行径如图3所示。

表1　后勤保障请领任务书清单

各保障实体Agent UA，在请领任务截止时间之内，向决策者DMA提交自认为最为理想的请领任务书。到请领任务截止时间后，决策者DMA汇总所接收到的所有请领任务书，计算请领任务书所对应UA执行保障任务的效能，作为优先任务分配次序的依据。

图3　后勤保障调运行径示意图

搜索可行的调运路线构成保障调运计划集：

计算各调运计划总体效能，如图4所示，确定出最优后勤保障调运计划：PlanEmax→Plan4。

图4　调运计划总体效能

理想情况下，每个保障实体UA将具有自己的处理器和较宽松后勤保障运输调度约束条件，允许它快速地计算执行某项物资运输任务的成本等项目，请领任务的截止时间设定表示为多少秒，对这一后勤保障运输调度虚拟场景，正如所预期的那样，大约在多少分钟内提供一份后勤保障运输调度计划。若以人工方式来制定一个这样详细的完整计划，并且要具有关于运输单位Agent UA可用的所有信息（如运输容量、运输成本、运输路径等），只花费多少分钟来完成计划制定工作，是难于做到的。

在军事后勤保障运输调度实际工作中，现实情况不同于上述虚拟场景。保障实体UA可能远不止10个，例如就油料保障系统而言，成员单位可能多达几十个，甚至上百个。决策者DMA借助信息技术工具，从后勤保障系统中，挑选和提取执行某项后勤物资调运任务的候选保障运输单位UA。这样便增加了完成后勤保障运输计划所需要的时间，以及增加决策者DMA寻找一个后勤保障运输计划的复杂度，因为决策者DMA必须先根据后勤调运任务的规模和要求，优选候选的保障实体UA。

所生成的后勤保障运输调度计划与预计生成的计划相似，存在一些微小差异。保障实体UA偶尔采用出人意料的路线，主要是因为保障实体UA在其局部计划中有一个间隔，例如，它可执行一个低成本的部分路径运输任务，在请领任务书中，路线与直接路线稍有偏差。在一些保障调运计划中，保障实体UA可能需要两个或两个以上行程来运输后勤物资，而并非一个完整行程［7］。可通过在效能评估函数fE_d（）中，增设预期运输成本来考虑这种情况。

5　结束语

后勤保障调运虚拟场景仿真表明，所提出的基于Agent的联合后勤保障效能评价模型，缩短了响应后勤保障时间，提高了后勤保障调运计划生成效率，由此而生成的计划质量远比传统手工方法要好。通过对后勤保障调运效能的量化评估，有利于实现后勤保障运输调度过程的自动化，使得后勤保障决策人员从复杂和繁琐的后勤保障物资调度工作解放出来，应用计算机和信息技术，由各类Agent替代各级后勤保障管理人员通过网络交互沟通，获取后勤保障调运相关信息，从联合后勤保障系统的各种运输组织机构中提取和调配运输服务，更为敏捷快速地实现后勤保障目标。

［1］周庆忠.军队油料勤务学［M］.北京：国防出版社，2015.

［2］周庆忠，曾慧娥.基于多智能体的装备动态优化调拨系统研究［J］.机械工程学报，2005，41（2）：97-101.

［3］Biltgen P.A Methodology for Capability Based Technology Evaluation for System of Systems［D］.Georgia Institute of Technology，2007.

［4］Montana D，J Herrero.A Multi-Agent Society for Military Transportation Scheduling［J］.Journal of Scheduling，2000，13（4）：324-341.

［5］Bitinas E，Henscheid Z，Truong L.Pythagoras：A New Agent-Bases Simulation System［J］.Technology Review Journal，2003，（Spring/Summer）.

［6］李必鑫，李永红.基于Agent的油料保障资源发现模型［J］.物流技术，2011，30（11）：129-131.

［7］周庆忠，孙涛，王冰.基于全能Agent的分布式优化油料保障模型［J］.物流技术，2015，34（19）：267-269.

Study on Efficacy Evaluation Model of Joint Logistical Support Operations

Zhou Qingzhong， Tian Ye， Xiong Biao
（Logistical Engineering University， Chongqing 401311， China）

In this paper， in view of the problems existing in the dynamic joint logistical support environment， we proposed an agentbasedjoint logistical support efficacy evaluation model， from the perspective of military logistical support and general military utility，calculated the support scheduling efficacy of the task- demand support entities so as to optimize their resource allocation， and at the end，through a simulated example， demonstrated the practical significance of the model.

joint logistical support； scheduling； efficacy； decision-maker； support entity

E233

A

1005-152X（2016）01-0173-05

10.3969/j.issn.1005-152X.2016.01.046

2015-12-20

国防重大攻关项目（2014ZB00088）；重庆市重大科技项目（CQF20150709）；重庆市社科基金项目（2014YBGL009）

周庆忠（1961-），男，重庆人，教授，博士生导师，研究方向：后勤保障、人工智能和信息工程等。