铁路电务生产任务分配模型研究

夏 源,涂 丹,邓晓宇,吕 杨

(四川城市职业学院 轨道交通系，四川 成都 610031)

0 引言

铁路信号设备具有分布点多、跨线长、设置分散、设备种类多、技术密集等特点，而电务信号车间及班组作为铁路信号设备的现场维护管理单位，其生产组织具有设备种类多、设备量大、作业内容繁杂、职工众多、职工能力参差不齐等特点，极大地增加了负责现场设备检修维护工作的车间和班组生产组织的难度，降低了用人效率。在班组传统管理方式中，通常由工区负责人临时性进行主观指派任务，虽然负责人会考虑人员特长、性别、在岗情况以及临时配合等因素，但总体而言该分配具有较大的主观性，分配方案缺乏科学性和合理性，容易导致派工时间长、工作量分配不均、作业组人员搭配不合理等问题。对于人员多、管辖站场多、设备量大的大工区，这些问题显得尤为突出。本文从电务生产现场的实际情况出发，明确日常生产任务分配需要考虑的主要因素，并在对已有的任务分配方法进行分析总结的基础上，构建出适用于电务现场生产组织的任务分配模型，旨在为派工人员提供一种自动高效的辅助决策方案，提高任务分配的效率。

1 铁路电务生产组织特点

1.1 并行性与复杂性

现场信号车间往往具有管辖范围大、管理站场多、设备维护工作量大、人员众多等特点，而其所辖工区(车间一般管辖多个工区)作为信号设备生产维护工作的执行单位，经常会遇到同一天的作业计划(点外修、天窗修及垂停修等)涉及多个车站或区间的多个作业，且项目同时进行的情况，而各个作业项目的具体要求、紧急程度及进度安排往往不尽相同，在制定工作计划、人员安排时必须全面考虑。

1.2 影响因素的多样性和动态性

铁路电务现场生产任务分配应考虑的要素是多方面的，如作业项目的种类(各类技术作业、管理任务等)、任务项的工作量、现场人员的技术能力、人员已承担的工作量、人员的工作意向(兴趣)、既有工作经验(经历)等。另外，在对既有任务进行分配的过程中，有可能随时产生新的任务或项目，从而导致任务的数量和人员要求不断变化，同时站段、车间也可能会根据需要指派工区人员进行跨车间、跨工区的临时支援，因此人员的加入和退出也是动态的。

2 任务分配模型设计

对于电务现场生产组织来说,任务和人员的匹配关系应作为研究的重点。要实现匹配，可分为两个步骤来进行：①根据任务的属性及特点，选出应优先分配的任务；②评估人员的特点，匹配出适合该任务的人员。为实现匹配关系的量化，需要对人员的工作能力、既往经验、方向兴趣及任务主要属性进行专家打分，打分要确保专业性，减小主观随意性。

2.1 评分方案设计

通过对电务现场生产任务的分析，可将电务生产任务分为转辙机检修、信号机检修、轨道电路检修、室内设备检修、区间设备检修、日常管理等任务类别，且用K表示任务类集合。下面分别对任务属性及任务候选人属性进行定义。

2.1.1 任务属性定义

设待分配任务集合K={k1,k2,k3,…,kn}，第kj(j=1,2,…,n)类任务的属性包括任务负载、项目加权、任务优先级、任务综合优先级，分别用Lkj、Pkj、Dkj、Zkj表示，定义如下：

(1)任务负载Lkj：定义任务负载Lkj=Skj·Qkj,其中Skj、Qkj分别为第kj类任务的平均耗时及任务繁重程度。

(2)项目加权Pkj：不同项目的任务项优先级不同，如设备集中修任务较设备养护任务优先级更高，重大设备隐患或重点临时任务也应视情况优先分配，项目优先级应由管理人员进行综合判断。定义项目种类包括信号集中修、隐患处置、日常养护、重点临时任务、一般临时任务等，定义第kj类任务的项目加权为Pkj，0.1≤Pkj≤1.0。

(3)任务优先级Dkj及任务综合优先级Zkj：定义Dkj和Zkj分别为第kj类任务的优先级及综合优先级,且有Zkj=Dkj·(1+Pkj)。

2.1.2 任务候选人属性定义

设任务候选人集合H={h1,h2,…,hm},候选人员hi(i=1，2，…，m)的属性包括负载、能力、兴趣、经验，定义如下：

(1)负载Lhikj：候选人员hi的负载包括人员初始负载Lhi与待分配任务负载Lkj之和，即Lhikj=Lhi+Lkj。

(2)能力Chikj：定义Chikj为人员hi对第kj类任务的能力值。

(3)兴趣Xhikj：定义Xhikj为人员hi对第kj类任务的兴趣值。

(4)经验Ehikj：定义Ehikj为人员hi对第kj类任务的经验值，且有：

(1)

2.1.3 任务和任务候选人属性表

以上定义的任务和候选人属性值可由业内专家采用百分制打分及数值处理得到(兴趣偏好需候选人自评)。根据以上定义设计的属性表见表1、表2。

表1 任务属性表

表2 任务候选人属性表

2.2 基于粗集理论的属性权重计算

粗集理论是一种研究不完整、不确定知识和数据的表达、学习和归纳的理论方法，在专家系统、机器学习和模式识别等领域得到成功的应用。本文应用粗集理论对直接影响任务分配的人员能力、兴趣、经验、负载等人员属性进行权重计算。

为确定各属性的重要度,可通过从决策表中去掉某些属性的方法考察去掉该属性后带来的分配结果变化情况，若去掉某属性会导致分配结果发生变化则说明该属性对分配决策的影响大，反之说明该属性影响较弱，这一点可以采用粗糙集理论中的正域来描述。通过调研统计，可得到人员属性对分配决策的影响结果，即得出任务分配决策表(样本)。设有如表3、表4所示的任务分配决策表和量化后的决策表，其中论域U={1,2,…,6}表示条件属性集F={L,C,X,E}与决策属性D={d}构成的6种任务分配决策样本。

表4 量化后的决策表

对论域U在条件属性集F约束下的不可分辨关系(分类)有6种，即:U/ind(L,C,X,E)={{1},{2},{3},{4},{5},{6}}。条件属性集F的正域POSF(D)={1,2,3,4,5,6},U/D正域中的样本数与总样本数比值为rF(D)=Card(POSF(D))/Card(U)=6/6=1。去掉属性L后,U/ind(C,X,E)={{1},{2},{3},{4},{5},{6}},POSF-L(D)={1,2,3,4,5,6},rF-L(D)=6/6；除去属性C后,U/ind(L,X,E)={{1},{2,6},{3},{4},{5}},POSF-C(D)={1,3,4,5},rF-C(D)=2/3。以此类推，rF-X(D)=2/3,rF-E(D)=1/3。属性E将U/D的正域改变最多,C、X次之,L为无效属性。说明决策表3给出的信息是任务分配较看重员工的相关经验，兴趣、能力次之，对工作负载倾向于忽视。本文将工作负载也纳入考量，与实际情况也更符合。

表3 任务分配决策表

粗集理论中的属性重要度表达了属性对决策的影响,但它不能反映决策者的先验知识。本文将粗集理论与决策者先验知识结合起来,将由大量调研数据确定出的客观属性权重同主观先验知识确定的属性权重结合起来确定综合权重,实现了先验知识与客观情况的统一。设f为条件属性集F中的一个属性,则定义候选人客观属性权重qf为：

(2)

其中：rF(D)-rF-f(D)为属性f的重要度。

根据以上定义，则决策表3中候选人负载、能力、兴趣、经验属性的重要度分别为：rF(D)-rF-L(D)=0，rF(D)-rF-C(D)=1/3，rF(D)-rF-X(D)=1/3，rF(D)-rF-E(D)=2/3，各属性的客观权重分别为：qL=0，qC=0.25，qX=0.25，qE=0.5。

运用粗集理论得到了人员属性的客观权重，而主观经验权重可通过专家经验得到。设候选人各属性的经验权重分别取0.2、0.3、0.1、0.4,客观权重的权为θ,经验权重的权为1-θ，可得到各候选人属性的综合权重分别为：

PL=θ×0+0.2(1-θ)=0.2-0.2θ，

PC=θ×0.25+0.3(1-θ)=0.3-0.05θ，

PX=θ×0.25+0.1(1-θ)=0.1+0.15θ，

PE=θ×0.5+0.4(1-θ)=0.4+0.1θ.

若取θ=0.6,则影响任务分配决策的候选人属性的综合权值为：PL=0.08，PC=0.27，PX=0.19,PE=0.46。

2.3 任务分配模型构建

任务分配可分为两个步骤：一是选择优先分配的任务；二是为该任务匹配优先人选。待分配任务存在分配优先级的概念，即一批待分配的任务，先确定分配的先后顺序，对于优先级高的任务应该优先分配下去，然后选出的任务需要选择评估分值最高的候选人来做。构建的任务分配模型如图1所示。

图1 任务分配模型

其他条件相同的情况下，负载越大的人员分配任务的优先级越低，即任务的匹配度和人员负载成反比，而任务的匹配度和人员的能力、兴趣、经验等属性成正比。对任务候选人hi和待分配任务kj，其匹配度定义如下：

定义人员-任务综合匹配度为:Fit(hi,kj)=LFit(hi,kj)PL+CFit(hi,kj)PC+XFit(hi,kj)PX+EFit(hi,kj)PE=

根据定义，设任务集合K和人员集合H相关属性值分别如表5、表6所示。表5、表6中的一些数据已经过均值处理和归一化处理。

表5 待分配任务相关属性值

对于表5，任务集合K的分配先后顺序为:k5→k2→k1→k3→k4，对任务k5进行优先分配。对表6中人员总负载、能力、经验及兴趣等数据进行匹配度计算，并结合候选人各属性的综合权值:PL=0.08，PC=0.27，PX=0.19,PE=0.46，可算得候选人对任务k5的综合匹配度。从表6可看出，对于任务k5，人员h5的综合匹配度最高，该任务应优先分配给人员h5；负载对综合匹配分值的影响很小，分配结果与人员各属性综合权值保持一致。

表6 待分配人员相关属性值

3 结论

本文在分析铁路电务生产任务及人员特点的基础上,提出了基于粗糙集理论的多维度评价的任务分配模型,充分考虑任务优先级及人员属性,实现任务-人员的合理匹配。通过后期的编程实现，有望成为针对电务现场的科学、高效的任务分配辅助工具。