一种基于多目标优化算法的民机研制需求排序方法

1.本发明涉及民用飞机研制需求开发领域，尤其是一种民机研制需求排序方法。


背景技术：

2.新时代下民机研制向着复杂化、高度集成化的趋势发展，民机研制需求的种类和数量都大大增加。在民机实际研制过程中，关于需求的开发面临着许多问题，存在着很多难题和挑战，主要体现在以下两个方面：
3.一方面，民机研制涉及的利益相关方众多，涉及多部门、多行业、以及需求上下游供应商等等，各利益相关方都是从自身角度出发，希望所提需求得到最大化满足，在众多来自不同利益相关方的需求描述中，往往会出现冲突甚至相互矛盾的现象。另一方面，受到民机研制周期、研发成本、人员投入等条件的限制，迫切需要在现有条件下以行之有效的方法协助需求工程师在有限的成本约束条件下对需求进行优选，产生可行的需求子集及需求实现优先级排序。
4.传统的方法中，由需求工程师设置需求的优先级，没有很好地将民机研制的利益相关方和研制需求直接关联起来，且没有形成可量化计算的排序方法，在面向大规模研制需求的排序时难以发挥有效作用。现有的需求排序方法的探索实践是在软件工程领域开展的，但是大多是针对单目标优化问题，对于民机研制这类涉及多利益相关方的问题，难以迁移使用以解决现有问题，且求解结果对各方的兼顾程度不足。


技术实现要素：

5.为了克服现有技术的不足，本发明提供一种基于多目标优化算法的民机研制需求排序方法。
6.本发明解决其技术问题所采用的技术方案包括以下步骤：
7.(1)建立民机研制需求实现优先级排序数学模型；
8.利益相关方集合为s，且满足s＝{s1,s2,
…
,sn}，其中s1,s2,
…
,sn依次表示n个与民用飞机研制需求相关的利益相关方；设需求集合为r，且满足r＝{r1,r2,
…
,rm}，其中r1,r2,
…
,rm依次表示参与实现优先级排序的m条需求；设需求实现代价集为c＝{c1,c2,
…
,cm}，其中ci对应表示实现需求ri所需要的代价；定义v(ri,sj)为利益相关方sj对需求ri的期望实现程度，0≤v(ri,sj)≤5且v(ri,sj)∈n，数值越小表示利益相关方sj对需求ri的期望实现程度越小，反之则越大；定义需求决策变量x＝{x1,x2,
…
,xm}，其中xi∈{0,1}，xi＝1时表示优先实现需求ri，xi＝0时表示不优先实现需求ri；
9.(2)初始化种群：
10.最大进化代数为g
max
，种群规模为n，则初始种群中的n个个体均包含一条染色体，一条染色体上有m个基因，与步骤(1)中m条需求一一对应；染色体上的任意一个基因编码都是初始随机生成的整数0或1，其中0表示不优先选择该基因对应的需求，1则表示优先选择该基因对应的需求，由此生成初始种群；
11.(3)构造适应度函数：
12.取步骤(1)中利益相关方sj的期望实现函数和总体期望实现函数fs(x)作为适应度函数；
13.(4)计算个体适应度并划分后代种群：
14.依照步骤(3)中构造的适应度函数计算个体适应度函数数值，并设定两个存档集ca和da来存放，其中ca为面向收敛性的存档，da为面向多样性的存档，且存档集ca和da的容量是人为设定的，旨在有效地平衡种群的收敛性和多样性；
15.每代种群fn平均划分成两个存档集can和dan，种群f
n-1
和fn首先全部加入can，在更新存档集ca的过程中引入质量指标i
ε
作为更新原则，通过不断删减最不能够支配其他个体的个体来满足存档集的容量要求；i
ε
是描述在种群进化的目标空间中某个体x1支配另一个个体x2所需的最小距离的指标，如公式(5)所示：
16.i
ε
(x1,x2)＝min
ε
(fi(x1)-fi(x2)≥ε)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
17.其中，1≤i≤m且i∈n，m是优化目标的数目，n代表自然数；ε是目标空间中某个体x1支配另一个个体x2所需的最小距离，且满足0≤ε《1；
18.当个体x1被移除，种群整体适应度的损失度量如公式(6)所示：
[0019][0020]
当个体x
*
被移除，则can中的个体适应度值会被更新为如公式(7)所示：
[0021][0022]
在更新存档集can的过程中，均从can中移除i
ε
损失最小的个体，并更新can其余个体的i
ε
值；最后获得具有指定数量个体的can；
[0023]
存档集da的更新基于帕累托最优，通过不断逐一添加与当前存档集da中的个体相似性最低的个体，来满足存档集da的容量限制；在更新存档集dan的过程中，首先从种群f
n-1
和fn中选择边界个体加入，边界个体为单个目标值最大或最小的个体；然后进入迭代过程，在每次迭代中注意将与当前da中差异性最大的个体添加到存档集dan中；在衡量个体间的相似性时，基于lp范数(0《p《1)的距离体现个体间的相似性，个体间距离越大则表示个体间相似性越低，越会被优先加入dan；根据优化目标函数的个数m将p设置为p＝1/m，如公式(8)所示：
[0024][0025]
在对初始种群f0进行划分时，存档集ca0仅从初始种群f0中选择，并将剩下的个体作为存档集da0，当种群代数n不为0时，根据适应度函数数值和个体间相似性度量，将每代种群fn均等划分成can和dan；
[0026]
(5)基因选择、交叉和变异
[0027]
染色体交叉概率为pc，以交叉概率pc从存档集ca和da中随机地选出需要进行交叉的个体，对随机选出的个体随机进行两两分配，随机确定交叉发生的基因点位，将两两配对的个体上该点位的基因进行交换，得到交叉后种群；
[0028]
(6)判断是否满足终止条件；
[0029]
针对步骤(5)中进行了交叉和变异后的种群，若进化代数小于g
max
，则返回步骤(4)，且进化代数加1；若进化代数等于g
max
，则进入步骤(7)；
[0030]
(7)选取最终决策变量并生成需求实现优先级排序清单；
[0031]
计算最后一代种群中每个个体的总体期望实现函数值，并按照总体期望实现函数值fs(x)的数值大小由大到小进行排序，选出总体期望实现函数值排序的前10个个体作为待选个体集，采用方差法进行筛选分析，计算待选个体集中个体的n个利益相关方需求实现程度的平均值，如公式(9)所示：
[0032][0033]
计算选取个体的利益相关方期望实现函数值的方差，如公式(10)所示：
[0034][0035]
定义个体排序算子s(x)，如公式(11)所示：
[0036][0037]
排序算子s(x)越大时，则表示在该决策变量x下，需求的总体期望实现程度越高，且对各利益相关方的兼顾程度越高。
[0038]
计算待选个体集中每个个体的排序算子数值，选出排序算子数值最大的个体对应的决策变量x
end
作为最终决策变量。对照需求与基因点位的一一对应关系，将决策变量x
end
基因编码为1的点位对应的需求解码为优先实现的需求，基因编码为0的点位对应的需求则解码为不优先实现的需求；
[0039]
计算每条需求对应的期望实现程度总和，如公式(12)所示：
[0040][0041]
按照公式(12)计算每条需求的期望实现程度总和。先将优先实现的需求按照期望实现程度总和的数值大小从大到小进行排列，再将不优先实现的需求按照期望实现程度总和的数值大小从大到小进行排列，优先实现的需求全部排列在不优先实现的需求之前，最终得出需求实现优先级的排序结果。
[0042]
所述利益相关方sj的期望实现函数如公式(1)所示：
[0043][0044]
实现需求的代价函数如公式(2)所示：
[0045][0046]
定义总体期望实现函数fs(x)如公式(3)所示：
[0047][0048]
其中，αj表示第j个利益相关方的权重，可由层次分析法获得。
[0049]
所述步骤(3)中，利益相关方sj的期望实现函数和总体期望实现函数fs(x)的公式如下)所示：
[0050][0051]
步骤(5)的基因选择、交叉和变异中，染色体变异概率为pm，对交叉后种群以变异概率pm随机地从中选出个体，对单个个体进行变异操作，随机确定变异发生的点位，将该点位上的基因变成0或1，如果原基因点位是1，则变为0，反之亦然，得到新的种群；其中，交叉行为发生在ca和da之间，而变异只发生在ca内部。
[0052]
本发明的有益效果在于通过定量化的方法，在有限的成本资源的约束下，对涉及多个利益相关方的民用飞机研制需求的实现优先级进行了排序。本发明能够在有限的成本资源下，保证在民机研制过程中，综合考量民机设计涉及的多个利益相关方对不同需求的期望实现程度，在确保需求总体期望实现最大的基础上，尽可能充分地兼顾并满足各利益相关方的需求实现期望，生成的需求实现优先级排序结果能够为民机研制需求工程师提供决策辅助，为民机需求开发的后续工作提供参考。
附图说明
[0053]
图1是本发明two_arch2算法流程图
[0054]
图2是本发明染色体交叉及变异示意图。
具体实施方式
[0055]
下面结合附图和实施例对本发明进一步说明。
[0056]
(1)建立民机研制需求实现优先级排序数学模型
[0057]
现有需求条目共计58条，则利益相关方sj的期望实现函数为如公式(13)所示：
[0058][0059]
实现需求的代价函数(约束)如公式(14)所示：
[0060][0061]
总体期望实现函数fs(x)如公式(15)所示：
[0062][0063]
设置供应商、投资方、政府(监管方)、企业(主制造商)、客户和运营保障等共计6个利益相关方作为实例实施的背景对象，则仿真实验中利益相关方数量n＝6。在更新面向多样性的存档集da时，采用lp范数计算个体距离时，取m＝6 1＝7。
[0064]
总体期望实现函数fs(x)中权重α＝(0.038,0.219,0.128,0.389,0.161,0.065)，由层次分析法获得；
[0065]
设置需求实现代价阈值为需求实现总代价的70％，则
[0066]
实施实例中采用的需求样例如表1所示。
[0067]
表1需求样例表
[0068]
[0069]
[0070]
[0071]
[0072][0073]
(2)初始化种群
[0074]
取种群规模n＝200，最大代数g
max
＝500，则种群中共包含200个个体，每个个体中包含一条染色体，一个染色体上分布有58个基因。染色体中每个基因初始是随机生成的整数0或1，由此形成初始种群；
[0075]
(3)构造适应度函数
[0076]
取步骤(1)中利益相关方sj的期望实现函数和总体期望实现函数fs(x)作为适应度函数，如公式(16)所示：
[0077][0078]
(4)计算个体适应度并划分后代群体
[0079]
da更新时，将p设置为p＝1/m＝1/7，如公式(17)所示。
[0080]
[0081]
其中，表示决策变量xi的第l个基因点位的数值。
[0082]
(5)基因选择、交叉和变异
[0083]
设染色体交叉概率pc＝0.8，对选择后种群以交叉概率pc＝0.8从选择后种群中随机地选出需要进行交叉的个体，对这些个体随机地两两分配，随机确定交叉发生的基因点位，将两两配对的个体上该点位的基因进行交换，得到交叉后种群；设染色体变异概率为pm＝0.01，对交叉后种群以变异概率pm＝0.01随机地从中选出个体，对单个个体进行变异操作，随机确定变异发生的点位，将该点位上的基因变成0或1(如果原基因点位是1，则变为0，反之亦然)，得到新的种群。其中，交叉行为发生在ca和da之间，而变异只发生在ca内部。
[0084]
(6)判断是否满足终止条件
[0085]
设置g
max
＝500，针对步骤(5)中进行了交叉和变异的新种群，若进化代数小于500，则返回步骤(4)且进化代数 1；若进化代数等于500，则进入步骤(7)。
[0086]
经过计算，得出在决策变量x
end
下，方差s2(x
end
)＝5.3769
×
10-4
，排序算子s(x
end
)＝1180.7292。各利益相关方的需求期望实现程度分别为0.8125、0.8051、0.8017、0.8182、0.7525、0.7742，总体需求实现程度为0.7996。最终计算产生的决策变量x
end
为1
×
58的单行向量，向量对应位置上的编码如表2所示。
[0087]
表2计算产生的决策变量x
end
及对应的期望实现程度总和v
sum
(ri)
[0088][0089][0090]
表2中，位置项的数字与表1中id对应，编码为1时表示优先实现该需求，编码为0时表示不优先实现该需求；v
sum
(ri)项的数值表示该需求对应的期望实现程度总和。
[0091]
先将优先实现的需求按照期望实现程度总和的数值大小从大到小进行排列，再将
不优先实现的需求按照期望实现程度总和的数值大小从大到小进行排列，得出需求实现优先级的排序结果，排序结果如表3所示。
[0092]
表3需求实现优先级排序结果
[0093]
[0094][0095]
由表3的排序结果可知，本发明能够有效地将利益相关方对需求的实现期望纳入到民机研制过程中，能够综合考虑不同利益相关方的诉求，同时通过多目标优化方法对成本、资源等约束下的民机研制需求实现优先级进行了排序，避免了人工确定需求优先级所带来的过多主观因素影响，为需求工程师清晰地展示了在约束下大量需求条目的实现优先级，同时能够兼顾多个利益相关方，为需求工程师在民机研制的需求分析阶段的工作提供
参考，确保当下基于需求驱动的民机研制流程能够更好地实施与开展。
[0096]
本发明能够有效地将利益相关方对需求的实现期望纳入到民机研制过程中，能够综合考虑不同利益相关方的诉求，同时通过多目标优化方法对成本、资源等约束下的民机研制需求实现优先级进行了排序，避免了人工确定需求优先级所带来的过多主观因素影响，为需求工程师清晰地展示了在约束下大量需求条目的实现优先级，同时能够兼顾多个利益相关方，为需求工程师在民机研制的需求分析阶段的工作提供参考，确保当下基于需求驱动的民机研制流程能够更好地实施与开展。