一种产品维修资源调度方法和系统

1.本发明涉及维修资源调度技术领域，尤其涉及一种产品维修资源调度方法、系统、电子设备和计算机可读存储介质。


背景技术：

2.随着科技的发展，大多数产品具有结构复杂、部件数量多、设计制造技术复杂、产品生命周期长等特点，这使得维修服务面临着一系列问题：复杂的结构和多源化的零部件会导致大量资源和库存占用；客户离散分布导致技术服务成本高、服务效率难以提升；要求维修服务人员具备一定的技能水平和宽泛的技能范围等，这些特征均大大増加了调度问题建模和求解的难度。如何对维修服务资源的调度做出科学正确的决策，对提高企业维修效率、维护客户的满意度具有重要意义。
3.近年来，众多研究者针对资源调度领域开展了广泛研究，并取得了许多成果。但是现有涉及服务人员的调度模型大多只考虑了多技能人员调度，调度对象单一，没有考虑辅助工具及设备零件的调度；也没有考虑人员工作效率的动态性，在多技能人力资源的调度中，由于员工长期执行服务任务，累计作业时间将产生服务任务的学习效应，从而提高执行效率。此外，协同执行环节众多，会产生的很多不确定性，对于不确定因素的忽略可能会抵消协同服务模式的优势。而现有技术中并没有合适的调度模型，对上述多种动态变化因素和不确定因素加以考虑，在进行调度决策时存在调度效率低、调度不准确的问题。
4.因此，有必要设计一种在考虑多种变化因素下，多技能人力资源和物资资源的维修调度方法，为多种动态因素和不确定因素情况下的多技能人力资源和物资资源的一体化维修资源调度提供解决方案，提升维修调度的准确性，提高维修调度的效率，降低产品的维修成本，节省企业开支。


技术实现要素：

5.有鉴于此，有必要提供种一种产品维修资源调度方法、系统、电子设备和计算机存储介质，用以解决现有技术中涉及多技能人力资源和物资资源的维修调度中，存在维修资源调度不准确、调度效率低的问题。
6.为了解决上述问题，本发明提供一种产品维修资源调度方法，包括：
7.获取产品维修任务，确定所述产品维修任务的人员技能需求信息和资源需求信息；
8.获取候选服务人员信息和资源供应信息；
9.根据所述人员技能需求信息、资源需求信息、资源供应信息和候选服务人员信息，建立维修调度模型，并确定所述维修调度模型的约束条件和目标函数；
10.计算所述目标函数在所述约束条件下的最优解，根据所述目标函数的最优解确定维修调度方案。
11.进一步地，建立维修调度模型，包括：根据所述人员技能需求信息、资源需求信息、
资源供应信息和候选服务人员信息，确定维修任务完成时间、候选服务人员冗余量和资源性能成本比。
12.进一步地，所述调度模型包括人员匹配度模型、资源性能模型和随机规划模型；
13.所述人员匹配度模型，用于根据所述候选服务人员信息和所述人员技能需求信息，确定人员服务时间和候选人员冗余量；
14.所述资源性能模型，用于根据所述资源需求信息和所述资源供应信息，确定资源性能成本比和资源到位时间；
15.所述随机规划模型，用于根据所述人员技能需求信息、资源需求信息、资源供应信息和候选服务人员信息，得到机动时间；
16.所述维修任务完成时间为所述人员服务时间、所述资源到位时间和所述机动时间的总和。
17.进一步地，所述调度模型的目标函数包括：最小化维修任务完成时间、最小化候选服务人员冗余量和最大化资源性能成本比。
18.进一步地，计算所述目标函数在所述约束条件下的最优解，包括：
19.根据所述约束条件，生成所述调度模型目标函数的初始解集；
20.利用第一预设算法对所述初始解集进行优化，得到候选解集；
21.根据所述候选解集，得到符合预设条件的最优解。
22.进一步地，利用第一预设算法对所述初始解集进行优化，得到候选解集，包括：
23.利用第二预设算法计算所述初始解集的特征值，根据所述特征值生成所述候选解集。
24.进一步地，根据所述候选解集，得到符合预设条件的最优解，包括：
25.计算所述候选解集的非支配排序和拥挤度；
26.根据所述非支配排序和拥挤度，得到符合预设条件的最优解。
27.本发明还提供一种产品维修资源调度系统，包括：
28.任务信息获取模块，用于获取产品维修任务，确定所述产品维修任务的人员技能需求信息和资源需求信息；
29.供应信息获取模块，用于获取资源供应信息和候选服务人员信息；
30.模型建立模块，用于根据所述人员技能需求信息、资源需求信息、资源供应信息和候选服务人员信息，建立约束条件和维修调度模型，并确定所述维修调度模型的目标函数；
31.优化模块，用于计算所述目标函数在所述约束条件下的最优解，根据所述目标函数的最优解确定维修调度方案。
32.本发明还提供一种电子设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的一种产品维修资源调度方法。
33.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的一种产品维修资源调度方法。
34.与现有技术相比，本发明的有益效果包括：首先，获取产品维修任务，确定产品维修任务的人员技能需求信息和资源需求信息；其次，获取多技能人力资源和物资资源供应信息；再次，根据人员技能需求信息、资源需求信息、资源供应信息和人力资源信息建立约
束条件和维修调度模型；最后，计算所述维修调度模型的目标函数的最优解，确定维修调度方案。本发明考虑了维修资源调度过程中存在的多种动态因素和不确定因素，建立了更符合实际情况的维修调度模型，为提高调度准确率提供了基础；通过创建优化算法，求出维修调度模型的最优解，具有计算速度快、精度高、鲁棒性好的优势；根据最优解确定最终的资源调度方案，提高了维修服务的效率，降低了调度成本，提升了客户满意度，具有较强的实用性。
附图说明
35.图1为本发明提供的一种产品维修资源调度方法一实施例的流程示意图；
36.图2为本发明提供的子任务执行逻辑一实施例的示意图；
37.图3为本发明提供的对初始解集进行优化算法一实施例的流程示意图；
38.图4为本发明提供的初始解集编码一实施例的示意图；
39.图5为本发明提供的pareto最优解集空间分布一实施例的示意图
40.图6为本发明提供的一种产品维修资源调度系统一实施例的结构示意图；
41.图7为本发明提供的电子设备一实施例的结构框图。
具体实施方式
42.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
43.本发明提供了一种产品维修资源调度方法、系统、电子设备及计算机可读存储介质，以下分别进行详细说明。
44.本发明实施例提供了一种产品维修资源调度方法，其流程示意图如图1所示，具体包括：
45.步骤s101、获取产品维修任务，确定所述产品维修任务的人员技能需求信息和资源需求信息；
46.步骤s102、获取资源供应信息和候选服务人员信息；
47.步骤s103、根据所述人员技能需求信息、资源需求信息、资源供应信息和候选服务人员信息，建立维修调度模型，并确定所述维修调度模型的约束条件和目标函数；
48.步骤s104：计算所述目标函数在所述约束条件下的最优解，根据所述目标函数的最优解确定维修调度方案。
49.与现有技术相比，本实施例提供的一种产品维修资源调度方法，首先，获取产品维修任务，确定人员技能需求信息和资源需求信息；其次，获取多技能人力资源和物资资源供应信息；再次，根据人员技能需求信息、资源需求信息、资源供应信息和人力资源信息建立约束条件和维修调度模型；最后，利用优化算法计算所述维修调度模型的目标函数的最优解，确定维修调度方案。本发明考虑了维修资源调度过程中存在的多种动态因素和不确定因素，建立了更符合实际情况的维修调度模型，为提高调度准确率提供了基础；通过创建优化算法，求出维修调度模型的最优解，具有计算速度快、精度高、鲁棒性好的优势；根据最优解确定最终的资源调度方案，提高了维修服务的效率，降低了调度成本，提升了客户满意度，具有较强的实用性。
50.作为一个具体的实施例，步骤s101包括：获取产品维修任务的地点、子任务划分的基本信息、所需资源种类和所需人员技能水平。在后面的调度过程中，根据维修任务的具体地点，确定距离最近的资源供应商和候选服务人员，减少资源到位时间和人员到位时间的花销，提高维修效率。
51.作为一个具体的实施例，步骤s102中，获取资源供应信息和候选服务人员信息，包括：获取资源候选供应商所提供资源属性信息，候选服务人员属性信息。根据资源属性信息，确定资源供应商所在地、资源品质情况是否符合维修需求等信息；根据候选服务人员属性信息，确定候选服务人员技能水平、累积工作时间、候选服务人员所在地等信息，为后续的调度提供数据基础。
52.作为优选的实施例，步骤s103中，建立维修调度模型，包括：根据所述人员技能需求信息、资源需求信息、资源供应信息和候选服务人员信息，确定维修任务完成时间、候选服务人员冗余量和资源性能成本比。
53.为了在维修服务调度的过程中，在保证维修质量的同时，使维修成本最小、维修效率最高，作为优选的实施例，所述调度模型的目标函数包括：
54.最小化维修任务完成时间、最小化候选服务人员冗余量和最大化资源性能成本比。
55.作为优选的实施例，所述调度模型包括人员匹配度模型、资源性能模型和随机规划模型；
56.所述人员匹配度模型，用于根据所述候选服务人员信息和所述人员技能需求信息，确定人员服务时间和候选人员冗余量；
57.所述资源性能模型，用于根据所述资源需求信息和所述资源供应信息，确定资源性能成本比和资源到位时间；
58.所述随机规划模型，用于根据所述人员技能需求信息、资源需求信息、资源供应信息和候选服务人员信息，得到机动时间；
59.所述维修任务完成时间为所述人员服务时间、所述资源到位时间和所述机动时间的总和。
60.作为一个具体的实施例，所述人员匹配度模型包括学习效率匹配度模型和技能水平匹配度模型。通过对候选服务人员的学习效率和实际技能水平进行评估，使人员匹配度的计算更准确，提高调度模型的实用性。
61.所述学习效率匹配度模型，用于分析学习效应对所述候选服务人员匹配度的影响，通过候选服务人员累积工作时间和所述维修任务需要的额定人员累积工作时间的比值，来确定学习效率匹配度模型；所述技能水平匹配度模型，用于分析所述候选服务人员的技能水平对所述候选人员匹配度的影响，通过候选服务人员实际的技能水平值和所述维修任务的技能需求值的比值，确定技能水平匹配度模型。
62.对所述学习效应匹配度模型和所述技能水平匹配度模型取权重，得到人员匹配度模型。
63.作为一个具体的实施例，所述学习效率匹配度模型的建立包括：
64.确定完成各子任务所需的人员额定累积工作需求时间；
65.获取各候选服务人员的实际累积工作时间；
66.以所述候选服务人员实际累积工作时间与所述人员额定累积工作需求时间的比值，作为学习效率匹配度。
67.作为一个具体的实施例，所述技能水平匹配度模型的建立包括：
68.确定各子任务的人员技能水平需求最小值；
69.获取各候选服务人员技能水平实际值；
70.根据候选服务人员技能水平实际值与所述人员技能水平需求最小值，得到技能水平匹配度模型。
71.下面用一个具体实施例，进一步对所述人员匹配度模型进行说明。
72.将所述人员匹配度模型通过下面的公式来表示：
73.pz
ij
＝ω1*mh
ij
ω2*tp
ij
74.式中，pz
ij
表示候选服务人员mi对子任务taskj的人员匹配度；ω1，ω2为权重值；mh
ij
表示候选服务人员mi和子任务taskj的学习效率匹配度；tp
ij
表示候选服务人员mi和子任务taskj的技能水平匹配度；
75.其中，所述学习效率匹配度为：
[0076][0077]
式中，atj为预设时间段内候选服务人员mi的累计工作时间；xtj表示执行子任务taskj时，达到其完成标准所需的人员额定累积工作需求时间。
[0078]
所述技能水平匹配度为：
[0079][0080]
式中，g
ij
表示taskj所需技能中，由候选服务人员mi所负责的技能；g
ij
表示g
ij
的长度；表示候选服务人员mi和子任务taskj对于技能k的匹配度，满足：
[0081][0082]
其中，表示子任务taskj对技能k的需求值；表示候选服务人员mi的技能k的实际水平；x、y为技能水平取值的下限和上限。
[0083]
作为优选的实施例，建立所述随机规划模型包括：
[0084]
确定所述维修任务的不确定因素；
[0085]
对所述不确定因素进行量化；
[0086]
根据量化结果，利用预设的置信水平和概率分布建立随机规划模型。
[0087]
在步骤s201中，首先确定不确定因素的来源。在产品维修协同服务链中，不确定性不仅产生于参与协同个体单元的内部，也可能产生于协同关系的实施过程中。对于各协同单元，不确定性主要表现在环境、组织管理、运输能力、资源及人员状态等；对于服务过程中的不确定性，主要表现在服务需求的描述与量化、服务执行时间窗口，任务规划等。
[0088]
在步骤s202中，量化服务过程中的不确定性，主要表现在时间的不确定性上。使用
随机变量描述不确定的时间变量，近似认为变量服从一定的概率分布。取预设的置信水平，建立随机规划模型。
[0089]
作为一个具体的实施例，所述随机规划模型如下所示：
[0090][0091][0092]
pr{gj(x,ξ)≤0,j＝1,2,...,p}≥α
[0093]
式中，gj(χ，ξ)为不确定函数，α、β表示置信水平，pr表示求得时间小于β乐观值的概率，χ、ξ分别表示决策、随机向量，表示目标函数t(χ，ξ)在置信水平至少为β时所取的最小值。
[0094]
作为一个具体的实施例，如图2所示，所述约束条件包括：子任务之间具有先后或并行的执行逻辑关系；资源至少被一个子任务使用；子任务至少需要一个服务人员来完成；在子任务在执行时，各资源及人员互相不影响，也相互不冲突；服务人员团队的技能水平不能低于服务任务所需的技能水平；子任务只有在所需的资源及服务人员到达并且前序子任务全部完成后才能开始执行。
[0095]
作为优选的实施例，步骤s104中，计算所述目标函数在所述约束条件下的最优解，包括：
[0096]
根据所述约束条件，生成所述调度模型目标函数的初始解集；
[0097]
利用第一预设算法对所述初始解集进行优化，得到候选解集；
[0098]
根据所述候选解集，得到符合预设条件的最优解。
[0099]
作为一个具体的实施例，所述第一预设算法为基于改进nsga-ii的优化算法。具体步骤包括：
[0100]
步骤s301：采用一维数组的方式编码初始解，根据需求随机生成初始解；
[0101]
步骤s302：对解集进行选择、交叉、变异操作，得到候选解集；
[0102]
步骤s303：判断候选解集是否达到预设的终止条件，如达到终止条件则结束；如未达到则进入步骤s302。
[0103]
作为优选的实施例，利用第一预设算法对所述初始解集进行优化，得到候选解集，包括：
[0104]
利用第二预设算法计算所述初始解集的特征值，根据所述特征值生成所述候选解集。
[0105]
作为一个具体的实施例，在步骤s302之前，利用第二预设算法计算所述初始解集的特征值，其中，第二预设算法为神经网络拟合，特征值为时间的适应度。
[0106]
作为优选的实施例，根据所述候选解集，得到符合预设条件的最优解，包括：
[0107]
计算所述候选解集的非支配排序和拥挤度；
[0108]
根据所述非支配排序和拥挤度，得到符合预设条件的最优解。
[0109]
下面结合一个具体的维修服务任务，对上述技术方案进行更详细地说明：
[0110]
一次完整的维修服务任务需要h种资源，资源需求向量为r＝[r1,r2,...,ri]，ri表示第i种资源，资源ri可以由其对应供应商sri＝[sr
i1
,sr
i2
,...,sr
ij
]提供，sr
ij
表示第i个资源对应的第j个供应商，供应商将资源供应至维修服务的地点。
[0111]
维修任务可以由n个子任务[task1,task2,...,taskn]表示，taski表示第i个子任务，子任务技能需求向量为xi＝[x
i1
,x
i2
,...,x
ij
]，x
ij
表示子任务taskj对第j个技能的需求等级，则完整服务任务技能需求向量s＝[s1,s2,...,sj]，sj表示完整服务对第j个技能等级需求的最大值，sj＝max(x
ij
)，j∈(1,s)，s为技能数；
[0112]
候选服务人员技能向量am＝[a
m1
,a
m2
,...,a
mj
]，a
mj
为第m个候选服务人员的第j个技能等级。根据向量s及向量am可以得到可选服务人员向量di＝[d
i1
,d
i2
,...,d
ij
]，d
ij
为完整服务所需的第i个技能所对应的第j个可选服务人员。由可选服务人员向量可以得到服务人员团队向量p＝[p1,p2,...,pi]，pi为第i个技能在向量di中对应的服务人员序号。
[0113]
因此通过资源供应商和服务人员团队的组合即可生成不同的调度方案。
[0114]
调度方案的约束条件包括：
[0115]
约束条件1：任务完成置信水平的约束：
[0116][0117]
式(1)表示求使得服务完成时间的置信水平不小于β的乐观值其中，pr表示求得时间小于β乐观值的概率；表示维修任务完成时间目标值的乐观值。
[0118]
约束条件2：每个子任务之间具有先后或并行的执行逻辑关系，且每个子任务只有在所需的资源及服务人员到达并且前序子任务全部完成后才能开始执行，可以用以下公式表示：
[0119]
t＝max(tei)
ꢀꢀ
(2)
[0120]
式(2)表示维修服务完成时间等于子任务完成时间中的最大值，tei表示子任务taski的完成时间，t表示维修服务任务完成时间。
[0121]
tei＝tsi triꢀꢀ
(3)
[0122]
式(3)表示子任务完成时间为其开始执行时间与执行时间的和，tsi表示子任务taski的开始执行时间，tri表示子任务taski的执行时间。
[0123]
tsi＝max(max(y
ij
*ptj)，max(tz*o
iz
)，mi)
ꢀꢀ
(4)
[0124]
式(4)表示子任务的开始执行时间为资源和人员到位时间以及前序子任务完成时间的最大值。
[0125][0126]
式(5)表示子任务的执行时间，为基础执行时间和匹配度的比值；bti表示子任务taski的基础执行时间，pzi表示执行子任务taski的服务人员的平均技能匹配度。
[0127]
j∈(1，m),z∈(1,h),i∈(1,n)
ꢀꢀ
(6)
[0128]
式(6)中，j为服务人员人数、z为所需资源数目、n为子任务数目。
[0129]
mi＝max[te1q
1i
,te2q
1i
,...,te
nqni
]
ꢀꢀ
(7)
[0130]
式(7)表示子任务前序子任务完成时间的最大值。q
ij
表示为子任务逻辑关系判断参数，q
ij
等于1或0时，分别表示子任务taski是或不是子任务taski的前序子任务。
[0131]
约束条件3：子任务至少有一个前序子任务：
[0132][0133]
约束条件4：资源至少被一个子任务使用：
[0134][0135]
约束条件5：子任务至少需要一个服务人员；
[0136][0137]
式中，y
ij
为子任务需求工程师判断参数，由工程师团队组成的不同而动态确定，y
ij
等于1或0时，分别表示子任务taski需要或不需要第j个服务人员。
[0138]
约束条件6：服务人员团队的技能水平不能低于服务任务所需的技能水平：
[0139]
spg
i-si≥0
ꢀꢀ
(11)
[0140]
式中，spgi表示服务工程师团队中第i个技能水平的最大值。
[0141]
所述调度模型的目标函数包括：
[0142][0143][0144][0145]
式(12)表示目标1：维修服务完成时间最小，表示时间目标值的乐观值。
[0146]
式(13)表示目标2：维修服务任务的性能成本比最大；其中，r表示维修服务任务所需资源的总性能成本比，v
ij
表示资源i从路径j调度时的性能成本比，ωi表示资源i的权重值。
[0147]
式(14)表示目标3：候选服务人员冗余度最小。pe表示人员冗余度，q表示服务人员团队的人数，s表示所需资源数目，spgi表示服务人员团队中第i个技能水平的最大值，si表示服务任务所需的第i个技能水平的最大值。
[0148]
作为一个具体的实施例，所述第一预设算法为基于改进nsga-ii的优化算法。由上述的分析可知，在一项维修服务任务中，各个优化目标之间的相互竞争和冲突关系，多目标优化的解是一组均衡解，即pareto最优解集。nsga-ii采用快速非支配排序方法，同时引入拥挤度的概念，使得pareto解集更具均匀性和多样性，降低了算法的时间复杂性；同时，由于带有精英策略，可以在迭代过程中较好的保存最优解，在多目标优化中有广泛的应用。鉴于此，本实施例利用基于改进nsga-ii的优化算法对维修服务调度问题中的三个目标进行多目标优化。
[0149]
如图3所示，利用第一预设算法对所述初始解集进行优化，得到符合预设条件的最优解，包括：
[0150]
步骤s401：采用一维数组的方式编码初始解，根据需求随机生成初始解；
[0151]
步骤s402：计算所述初始解的适应度，其中时间的适应度由神经网络拟合确定，性能成本比、人员冗余量的适应度由公式(13)、(14)确定；
[0152]
步骤s403：对初始解集进行快速非支配排序和拥挤度计算；对初始解进行非支配排序和拥挤度计算；
[0153]
步骤s404：对解集进行选择、交叉、变异操作，得到新一代种群；
[0154]
步骤s405：计算新一代种群的适应度；
[0155]
步骤s406：对新种群进行非支配排序和拥挤度计算操作，根据个体的序值和拥挤度选出新的种群；
[0156]
步骤s407：判断是否达到终止条件，如未达到则进入步骤s404；如达到终止条件，则结束运算。
[0157]
步骤s401中，由于维修服务所需资源的调度路径及服务人员团队的组成是影响本发明三个目标的重要因素，在染色体编码时，每个资源的调度路径以及团队中服务人员的编号是需要突出表现的特征。本实施例采用整数编码的方式，染色体由两部分组成[l，p]，如图4所示。第一部分l表示资源的调度路径向量，长度为所需资源数h，li的大小等于1到第i种资源的供应商数；第二部分p为服务人员团队向量，长度为服务所需技能等级数s，pj的大小为1到第j个技能的可选人员数量，因此，染色体长度为h s。解码时前五位表示所需的五种资源为分别从对应调配。后五位表示以对应编号结合可选人员向量d确定服务人员。
[0158]
在所述步骤s402中，计算各初始解的适应度，时间目标值通过bp神经网络进行拟合求出，其中神经网络的训练步骤为：
[0159]
步骤s501：随机生成k条不重复的可行解；
[0160]
步骤s502：选择一条可行解，根据实际概率分布随机产生n组随机参数样本；
[0161]
步骤s503：计算每个样本的完成时间，并从小到大排序；
[0162]
步骤s504：根据给定的置信水平α，取第αn大时间为该可行解的时间目标值；
[0163]
步骤s505：重复步骤s502-s504 k次，即可获得k组数据；
[0164]
步骤s506：训练bp神经网络，
[0165]
步骤s507：得到训练完成的bp神经网络，用于优化算法，降低算法复杂度。
[0166]
所述步骤s403中，快速非支配排序具体步骤如下：
[0167]
第一步：设i＝1；
[0168]
第二步：对于所有的j＝1.2.....n，且j≠i，按照以上定义，比较个体x_i和个体x_j之间的支配与非支配关系；
[0169]
第三步：如果不存在任何一个个体x_j优于x_i，则x_i标记为非支配个体；
[0170]
第四步：令i＝i 1，转到第二步，直到找到所有的非支配个体。
[0171]
通过上述步骤得到的非支配个体集是种群的第一级非支配层，然后，忽略这些已经标记的非支配个体(即这些个体不再进行下一轮比较)，再遵循步骤s601-s604，就会得到第二级非支配层；依此类推，直到整个种群被分层。
[0172]
所述步骤s403中，拥挤度计算的具体步骤如下：
[0173]
每个点的拥挤度i_d为0；
[0174]
针对每个目标，对种群进行非支配排序，令边界的两个个体拥挤度为无穷，即i_d＝∞；
[0175]
对其他个体进行拥挤度的计算:对其他个体进行拥挤度的计算:
[0176]
其中：i_d表示i点的拥挤度，f_j^(i 1)表示i 1点的第j个目标函数，f_j^(i-1)表示i-1点的第j个目标函数值。
[0177]
选择过程使优化朝着帕累托最优解的方向进行。选择算子可以避免有效基因的丢失，提高高性能个体的生存概率。经过非支配排序和拥挤度计算，每个个体得到非支配排序等级和拥挤度两个属性。
[0178]
所述步骤s405中，采用二元锦标赛选择个体，对解集进行选择、交叉、变异操作，得到新一代种群。具体步骤如下：
[0179]
从种群中随机选择个体i和个体j；
[0180]
首先比较两个体的非支配排序等级，如果不相等，则选择较小的值；如果两个值相等，比较两个拥挤度，优先考虑较不拥挤的个体。
[0181]
交叉和变异操作相互配合完成对空间的全局和局部搜索，以一定概率发生，产生新的个体以提高算法的搜索能力。
[0182]
本实施例采用两点交叉和单点位变异。
[0183]
下面结合仿真实验的结果，进一步说明本发明达到的技术效果。设置种群大小为200，迭代次数为200，交叉概率为0.9；变异概率为0.1；各运行参数如表1所示，迭代200次后所得pareto最优解集结果空间分布如图5所示(为便于观察对目标二取负值)，其中f(1)、f(2)、f(3)分别为目标一、二、三的适应度。
[0184]
由图可见，本发明所提出的优化方法能够有效的解决此类问题，为工程实际提供良好的理论指导，具有很强的实用性。
[0185]
表1
[0186]
[0187][0188]
本实施例还提供了一种产品维修资源调度系统，其结构框图如图6所示，所述一种产品维修资源调度系统600，包括：
[0189]
任务信息获取模块601，用于获取产品维修任务，确定所述产品维修任务的人员技能需求信息和资源需求信息；
[0190]
供应信息获取模块602，用于获取资源供应信息和候选服务人员信息；
[0191]
模型建立模块603，用于根据所述任务需求信息、资源供应信息和候选服务人员信息，建立约束条件和维修调度模型，并确定所述维修调度模型的目标函数；
[0192]
优化模块604，用于计算所述目标函数在所述约束条件下的最优解，根据所述目标函数的最优解确定维修调度方案。
[0193]
如图7所示，上述的一种产品维修资源调度方法，本发明还相应提供了一种电子设备700，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器701、存储器702及显示器703。
[0194]
存储器702在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器702在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器702还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器702用于存储安装于计算机设备的应用软件及
各类数据，例如安装计算机设备的程序代码等。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器702上存储有一种产品维修资源调度方法程序704，该一种产品维修资源调度方法程序704可被处理器701所执行，从而实现本发明各实施例的一种产品维修资源调度方法。
[0195]
处理器701在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器702中存储的程序代码或处理数据，例如执行一种产品维修资源调度程序等。
[0196]
显示器703在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器703用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件701-703通过系统总线相互通信。
[0197]
本实施例还提供了一种计算机可读存储介质，其上存储有一种产品维修资源调度方法的程序，处理器执行程序时，实现如上所述的一种产品维修资源调度方法。
[0198]
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的一种产品维修资源调度方法具体描述的内容实现，并具有与如上所述的一种产品维修资源调度方法类似的有益效果，在此不再赘述。
[0199]
本发明公开的一种产品维修资源调度方法、系统、电子设备及计算机可读存储介质，首先，获取产品维修任务，确定任务需求信息；其次，获取多技能人力资源和物资资源供应信息；再次，根据任务需求信息、资源供应信息和人力资源信息建立约束条件和维修调度模型；最后，利用优化算法计算所述维修调度模型的目标函数的最优解，确定维修调度方案。
[0200]
本发明考虑了维修资源调度过程中存在的多种动态因素和不确定因素，建立了更符合实际情况的维修调度模型，为提高调度准确率提供了基础；通过创建优化算法，求出维修调度模型的最优解，具有计算速度快、精度高、鲁棒性好的优势；根据最优解确定最终的资源调度方案，提高了维修服务的效率，降低了调度成本，提升了客户满意度。为工程实际提供良好的理论指导，具有很强的实用性。
[0201]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。