基于GWO-SVR和改進(jìn)SA算法的知識(shí)-業(yè)務(wù)配置

葉 晨,戰(zhàn)洪飛,余軍合,王 瑞

(寧波大學(xué) 機(jī)械工程與力學(xué)學(xué)院,浙江 寧波 315211)

0 引言

隨著知識(shí)經(jīng)濟(jì)的到來(lái),知識(shí)資源作為企業(yè)獲取長(zhǎng)久市場(chǎng)競(jìng)爭(zhēng)力的重要戰(zhàn)略資源日益受到企業(yè)的重視[1]。在企業(yè)已有知識(shí)資源和經(jīng)驗(yàn)的基礎(chǔ)上,如何通過知識(shí)資源的優(yōu)化配置實(shí)現(xiàn)產(chǎn)品的快速開發(fā)、設(shè)計(jì)、加工和創(chuàng)新,已成為提升企業(yè)核心競(jìng)爭(zhēng)力的關(guān)鍵。雖然多數(shù)企業(yè)已廣泛采用產(chǎn)品數(shù)據(jù)管理、企業(yè)資源管理等應(yīng)用系統(tǒng)[2],企業(yè)積累的知識(shí)與經(jīng)驗(yàn)在這些系統(tǒng)、圖檔資料及業(yè)務(wù)人員的頭腦中都得到沉淀,但企業(yè)現(xiàn)有系統(tǒng)并不支持業(yè)務(wù)執(zhí)行中的知識(shí)重用,業(yè)務(wù)與知識(shí)匹配的理論方法也比較欠缺。因此,迫切需要將知識(shí)資源與業(yè)務(wù)任務(wù)進(jìn)行整合,并將其包裝成基于知識(shí)的業(yè)務(wù)服務(wù),建立規(guī)范化的指導(dǎo)機(jī)制,幫助用戶正確使用知識(shí)服務(wù),提高產(chǎn)品設(shè)計(jì)、加工等業(yè)務(wù)執(zhí)行的績(jī)效。

本文將業(yè)務(wù)任務(wù)下小范圍、高密度知識(shí)資源聚集的、具有重用功能的知識(shí)組合體稱為“知識(shí)模塊”[3]。一個(gè)知識(shí)模塊代表某種業(yè)務(wù)解決的能力,在業(yè)務(wù)求解過程中,只有當(dāng)知識(shí)模塊滿足業(yè)務(wù)任務(wù)下的功能需求,即知識(shí)與業(yè)務(wù)相匹配時(shí),知識(shí)模塊才會(huì)發(fā)揮最直接有效的作用。知識(shí)模塊中封裝著各種知識(shí)資源和知識(shí)單元,其有效重用可加快系統(tǒng)的開發(fā)進(jìn)度,提升系統(tǒng)的開發(fā)效率。

目前,對(duì)知識(shí)服務(wù)組合問題的研究主要集中在服務(wù)組合策略和求解方法兩方面。傳統(tǒng)的服務(wù)組合策略研究主要基于本體、流程、規(guī)則等,如SHEN[4]提出一種基于本體的方法解決復(fù)雜Web服務(wù)組合中的異構(gòu)性問題;CHEN等[5]提出一種新的基于事件—條件—?jiǎng)幼?Event-Condition-Action,ECA)規(guī)則的方法,對(duì)知識(shí)服務(wù)組合的工作流進(jìn)行建模和實(shí)現(xiàn)。但上述方法也有局限性,難以實(shí)現(xiàn)知識(shí)的有效重用。為解決該問題,有學(xué)者基于知識(shí)語(yǔ)義進(jìn)行研究,如ESHUIS等[6]從關(guān)于單個(gè)服務(wù)組件語(yǔ)義的聲明性知識(shí)出發(fā),以靈活的方式構(gòu)建復(fù)雜的、可執(zhí)行的語(yǔ)義服務(wù)組合,并通過語(yǔ)義鏈接網(wǎng)絡(luò)實(shí)現(xiàn)知識(shí)的有效重用;也有學(xué)者基于服務(wù)質(zhì)量?jī)?yōu)化進(jìn)行研究,如蔡安江等[7]基于服務(wù)質(zhì)量感知的知識(shí)組合服務(wù),構(gòu)建多目標(biāo)組合優(yōu)化模型,并采用聚類分析、關(guān)聯(lián)規(guī)則挖掘和優(yōu)化算法實(shí)現(xiàn)知識(shí)資源的高效重用。而在求解方法方面,傳統(tǒng)的研究聚焦于遺傳算法、模擬退火算法、蟻群算法、粒子群算法等智能優(yōu)化算法的使用和改進(jìn),如CANFORA等[8]采用遺傳算法對(duì)服務(wù)質(zhì)量感知組合進(jìn)行優(yōu)化設(shè)計(jì);倪志偉等[9]采用一種改進(jìn)的云和聲搜索算法對(duì)云環(huán)境下的知識(shí)服務(wù)進(jìn)行組合優(yōu)化;YIN等[2]提出一種基于柔性跟隨粒子群算法的知識(shí)服務(wù)組件的優(yōu)化組合服務(wù),并以維修資源服務(wù)組件為例進(jìn)行了分析驗(yàn)證。近年來(lái),關(guān)于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法的研究成為熱門,如WANG等[10]提出一種新的基于深度強(qiáng)化學(xué)習(xí)的自適應(yīng)、大規(guī)模服務(wù)組合方案,使服務(wù)組合方案適應(yīng)于動(dòng)態(tài)環(huán)境變化;LIU等[11]結(jié)合多目標(biāo)偏好分析 (Multi-objective Preference Analysis,MPA)模型、螢火蟲優(yōu)化 (Glowworm Swarm Optimization,GSO)算法和深度神經(jīng)網(wǎng)絡(luò) (Deep Neural Network,DNN)方法,提出一種混合MPA-GSO-DNN模型,解決服務(wù)組合的個(gè)性化推薦問題。以上研究在不同情景下有效解決了組合優(yōu)化問題,但業(yè)務(wù)流程下的知識(shí)資源服務(wù)組合具有新特點(diǎn)和新需求,比如業(yè)務(wù)求解過程中知識(shí)資源的離散性、業(yè)務(wù)單元與知識(shí)資源配置間的關(guān)聯(lián)性建立、業(yè)務(wù)單元與知識(shí)資源間的配置情景。針對(duì)業(yè)務(wù)求解過程中知識(shí)資源的離散性問題,本文提出的知識(shí)模塊理論方法可實(shí)現(xiàn)知識(shí)資源的合理、高效封裝,促進(jìn)知識(shí)的重用;將封裝好的知識(shí)模塊與業(yè)務(wù)單元配置為一個(gè)整體,可建立業(yè)務(wù)單元與知識(shí)資源配置間的關(guān)聯(lián)性,并為業(yè)務(wù)單元問題求解提供精準(zhǔn)的知識(shí)服務(wù);對(duì)于業(yè)務(wù)單元與知識(shí)資源間的配置情景問題,以工效學(xué)、工業(yè)心理學(xué)、馬斯洛層次需求理論等理論方法及實(shí)際企業(yè)調(diào)研結(jié)果為基礎(chǔ),可有效完成業(yè)務(wù)單元和知識(shí)資源間的配置情景要素分析?；谂渲们榫耙胤治鼋Y(jié)果,選擇合適的評(píng)價(jià)指標(biāo),能夠?yàn)橹R(shí)-業(yè)務(wù)間的配置評(píng)價(jià)與優(yōu)化奠定良好的基礎(chǔ)。此外,將智能優(yōu)化算法、機(jī)器學(xué)習(xí)技術(shù)和知識(shí)重用理論應(yīng)用相結(jié)合來(lái)解決知識(shí)服務(wù)組合問題已成為大勢(shì)所趨。

綜上,本文將知識(shí)資源調(diào)度與業(yè)務(wù)過程緊密結(jié)合,并基于業(yè)務(wù)單元細(xì)化和知識(shí)模塊模型方法,分別構(gòu)建業(yè)務(wù)單元池與知識(shí)模塊池,通過配置器下的關(guān)聯(lián)規(guī)則挖掘和Q-learning法,對(duì)業(yè)務(wù)單元和知識(shí)模塊進(jìn)行初步關(guān)聯(lián)配置;提出一種結(jié)合灰狼優(yōu)化支持向量回歸(Grey Wolf Optimizer—Support Vector Regression,GWO-SVR)算法和改進(jìn)模擬退火(Simulated Annealing,SA)算法的知識(shí)-業(yè)務(wù)優(yōu)化配置組合方法,不僅能依據(jù)小樣本數(shù)據(jù)的訓(xùn)練,實(shí)現(xiàn)從已有組合結(jié)果到新組合方案的智能化綜合評(píng)價(jià)的預(yù)測(cè),還能經(jīng)尋優(yōu)迭代找到當(dāng)前問題下的最優(yōu)綜合評(píng)價(jià)值,并輸出最優(yōu)組合方案。其中,灰狼算法主要起到優(yōu)化SVR中核心參數(shù)C、g的作用,提升了評(píng)價(jià)模型的性能,同時(shí)SA算法的改進(jìn)也提升了尋優(yōu)結(jié)果的可行性、高效性和準(zhǔn)確性。

1 基于用戶需求和業(yè)務(wù)情景分析的知識(shí)模塊模型

在整體業(yè)務(wù)流程中,不同業(yè)務(wù)任務(wù)節(jié)點(diǎn)下所需的知識(shí)資源并不相同,選擇合適的知識(shí)單元和求解資源進(jìn)行配置封裝,并與知識(shí)求解的能力單位相匹配,形成可重用的知識(shí)模塊,是提升業(yè)務(wù)求解效率,促進(jìn)知識(shí)-業(yè)務(wù)配置組合的關(guān)鍵。通過業(yè)務(wù)情景分析、用戶需求分析及與知識(shí)資源的配合融合,可得到滿足各個(gè)業(yè)務(wù)任務(wù)單元功能需求的知識(shí)模塊集。詳細(xì)的知識(shí)模塊模型如圖1所示。

圖1 知識(shí)模塊模型

(1)需求、情景分析及知識(shí)融合層

為更好地用知識(shí)服務(wù)用戶,需詳細(xì)分析業(yè)務(wù)求解情景和用戶潛在需求。業(yè)務(wù)情景要素構(gòu)成中,以人員、資源、目標(biāo)、經(jīng)費(fèi)、工作氛圍、時(shí)間和地點(diǎn)等為基礎(chǔ),其中人員是最核心的組成要素。通過工效學(xué)、工業(yè)心理學(xué)和馬斯洛層次需求理論等方法,細(xì)化包括業(yè)務(wù)問題所處的環(huán)境狀態(tài)、限制條件、所需人員和涉及的資料數(shù)據(jù)等基本內(nèi)容。經(jīng)情景特征庫(kù)的匹配確認(rèn),融合分析好的用戶需求、知識(shí)體系,并與對(duì)應(yīng)的求解資源相結(jié)合,從而實(shí)現(xiàn)知識(shí)模塊的配置封裝。該情景特征庫(kù)有具體類別、屬性和實(shí)例特征的劃分,可靈活擴(kuò)充、更新、完善。

采用Web挖掘法[12],即Web內(nèi)容、結(jié)構(gòu)和使用模式挖掘的方式,獲取用戶對(duì)某類業(yè)務(wù)問題的信息檢索、評(píng)論、瀏覽時(shí)長(zhǎng)、訪問頻率及收藏等個(gè)人日志記錄,可初步確定用戶的潛在需求。之后,從業(yè)務(wù)具體問題范疇和業(yè)務(wù)上下游涉及領(lǐng)域進(jìn)行拓展分析,最終確認(rèn)用戶潛在需求,并在用戶需求庫(kù)中進(jìn)行匹配或更新。用戶顯性需求一般由用戶直接提出,直接采納即可。與情景特征庫(kù)類似,用戶需求庫(kù)也有具體、細(xì)化的功能結(jié)構(gòu)。

大數(shù)據(jù)背景下的知識(shí)具有海量、多元、異構(gòu)的特征,如何搭建一種統(tǒng)一的知識(shí)模式框架是實(shí)現(xiàn)知識(shí)有效融合的重要基礎(chǔ)。知識(shí)單元是指具有單位性、獨(dú)立意義和可表達(dá)性的知識(shí)內(nèi)容[13],可作為知識(shí)體系構(gòu)建的基本單位,但由于知識(shí)內(nèi)容相對(duì)范圍較廣,難以作為領(lǐng)域本體知識(shí)庫(kù)中的基本知識(shí)結(jié)構(gòu)。元知識(shí)則是比知識(shí)單元更小、不可再分解的知識(shí)組成,是知識(shí)控制的最小單位[14],可作為知識(shí)模式框架構(gòu)建的基礎(chǔ),存儲(chǔ)在領(lǐng)域本體知識(shí)庫(kù)中。以圖書為例,書中的每個(gè)章節(jié)都是知識(shí)單元,單個(gè)章節(jié)下的每個(gè)定義、原理、實(shí)例等也是知識(shí)單元,而細(xì)分每個(gè)定義、原理所得的公式、變量、關(guān)鍵詞等更小的、不可再分解的知識(shí)組成,即為元知識(shí)。

基于上述分析,以元知識(shí)集為基礎(chǔ),通過知識(shí)關(guān)聯(lián)可構(gòu)建統(tǒng)一的知識(shí)模式框架。元知識(shí)(Meta-Knowledge,MK)可看作通過有向弧連接的知識(shí)源、知識(shí)、知識(shí)接受者的元素集合[15],且以特征屬性和屬性值進(jìn)行描述,即定義元知識(shí)MK=(C,V),C為元知識(shí)的特征屬性,V為C的屬性值。采用語(yǔ)義熵方法對(duì)領(lǐng)域本體知識(shí)庫(kù)中的元知識(shí)集進(jìn)行知識(shí)有效性測(cè)度后,得到有效元知識(shí)集合。經(jīng)融合規(guī)則[16]與貝葉斯、Dempster-Shafer(D-S)證據(jù)理論方法,元知識(shí)集實(shí)現(xiàn)知識(shí)融合,并上升為知識(shí)單元,從而形成以知識(shí)單元為基本單位的知識(shí)體系。將分析好的業(yè)務(wù)情景、用戶需求與該知識(shí)體系相結(jié)合,找到合適的求解資源并進(jìn)行封裝,最終得到滿足業(yè)務(wù)功能需求的知識(shí)模塊。

(2)知識(shí)模塊層

知識(shí)模塊是由一個(gè)或若干個(gè)知識(shí)單元和知識(shí)資源配置封裝成的知識(shí)聚集體,其實(shí)質(zhì)表示某種業(yè)務(wù)的解決能力。知識(shí)模塊的合理配置封裝是實(shí)現(xiàn)知識(shí)資源高度聚合,促進(jìn)知識(shí)重用,提升面向業(yè)務(wù)問題求解的知識(shí)服務(wù)效率的關(guān)鍵環(huán)節(jié)。其中,基于知識(shí)單元的概念及企業(yè)知識(shí)管理理論,業(yè)務(wù)背景下的知識(shí)單元可定義為對(duì)應(yīng)編號(hào)下知識(shí)類別、簡(jiǎn)要內(nèi)容、知識(shí)信息及所屬載體的結(jié)構(gòu)化、單位化知識(shí)集合。在知識(shí)單元模型視圖中,采用時(shí)序流圖呈現(xiàn)與各個(gè)子業(yè)務(wù)活動(dòng)單元相匹配的知識(shí)單元使用情況,并輔助說(shuō)明知識(shí)單元的定義內(nèi)容。求解資源則是服務(wù)知識(shí)單元的具體資源表現(xiàn),與知識(shí)單元間存在強(qiáng)耦合關(guān)系。通常,在業(yè)務(wù)求解過程中,人員通過運(yùn)作軟硬件設(shè)備,結(jié)合圖文資料、計(jì)算機(jī)資源(如電子文檔)的使用,能有效解決具體問題。求解資源模型也以時(shí)序流圖的方式表示,并輔助說(shuō)明相關(guān)資源屬性信息。

此外,為凸顯知識(shí)模塊的實(shí)質(zhì)特點(diǎn),在知識(shí)模塊中引入能力單位,并與知識(shí)單元相匹配。依據(jù)計(jì)算機(jī)運(yùn)算處理中對(duì)能力單位的定義,知識(shí)模塊內(nèi)的能力單位可看作衡量求解知識(shí)的性能指標(biāo),包括穩(wěn)定性和可靠性這兩個(gè)最通用、最基本的維度。穩(wěn)定性維度下又包含知識(shí)聯(lián)系的穩(wěn)定性和知識(shí)響應(yīng)的穩(wěn)定性,可靠性維度則主要體現(xiàn)在知識(shí)單元的邏輯必然性和事實(shí)的可預(yù)見性這兩方面。經(jīng)能力單位的形式化表示,知識(shí)模塊的實(shí)質(zhì)特點(diǎn)得以凸顯,從而更好地解釋“一個(gè)知識(shí)模塊代表某種業(yè)務(wù)的解決能力”這一重要概念。

2 知識(shí)-業(yè)務(wù)優(yōu)化配置服務(wù)

目前有關(guān)知識(shí)服務(wù)方法的研究多假設(shè)知識(shí)資源和業(yè)務(wù)流程是分離的,很少研究如何將資源和業(yè)務(wù)流程封裝為一個(gè)服務(wù),并根據(jù)任務(wù)的需求推送與業(yè)務(wù)流程相關(guān)的知識(shí)資源,且評(píng)價(jià)模型智能化不足、設(shè)計(jì)優(yōu)化適用性較弱等問題突出?；谏鲜鲋R(shí)模塊模型,參照業(yè)務(wù)流程特點(diǎn),細(xì)化具體的業(yè)務(wù)單元,經(jīng)知識(shí)模塊與業(yè)務(wù)單元的配置作用,得到滿足各個(gè)子業(yè)務(wù)活動(dòng)單元需求的多個(gè)可選知識(shí)模塊。通過構(gòu)建的綜合評(píng)價(jià)指標(biāo)參數(shù)體系和CRITIC(criteria importance though intercriteria correlation)-模糊綜合評(píng)估法,算得模塊的評(píng)價(jià)值和模塊組成方案的綜合評(píng)價(jià)值,構(gòu)建評(píng)價(jià)量表。最后,基于GWO-SVR的動(dòng)態(tài)評(píng)價(jià)模型和改進(jìn)SA算法的知識(shí)-業(yè)務(wù)配置組合優(yōu)化模型,得到最優(yōu)知識(shí)-業(yè)務(wù)配置組合方案。整體的優(yōu)化配置流程如圖2所示。

圖2 知識(shí)-業(yè)務(wù)優(yōu)化配置組合流程

2.1 業(yè)務(wù)分解細(xì)化下的知識(shí)-業(yè)務(wù)配置過程

通過梳理企業(yè)業(yè)務(wù)流程,按時(shí)序關(guān)系將業(yè)務(wù)流程中典型的固化知識(shí)資源服務(wù)所對(duì)應(yīng)的子業(yè)務(wù)活動(dòng)排列好,結(jié)合場(chǎng)景分析[17]思想,分別從業(yè)務(wù)任務(wù)和完成任務(wù)的資源調(diào)度這兩個(gè)主要維度展開分析。業(yè)務(wù)任務(wù)維度下,依據(jù)業(yè)務(wù)任務(wù)的基本信息、相關(guān)知識(shí)、任務(wù)關(guān)系及任務(wù)穩(wěn)定性等屬性差異,將業(yè)務(wù)任務(wù)按時(shí)序關(guān)系分解細(xì)化為業(yè)務(wù)單元,并在業(yè)務(wù)單元池中按照分類規(guī)則、適用標(biāo)準(zhǔn)和分類方法進(jìn)行管理、存儲(chǔ)。而在完成任務(wù)的資源調(diào)度維度中,需考慮人員的基本信息、知識(shí)水平和技能水平,知識(shí)元素所涉及的軟、硬件設(shè)備,以及圖文資料、電子文檔等資源屬性。基于知識(shí)模塊模型和既定求解資源,配置封裝好所有的知識(shí)模塊,并按照業(yè)務(wù)階段、模塊結(jié)構(gòu)屬性和功能屬性差異對(duì)知識(shí)模塊進(jìn)行分類管理,形成規(guī)范化的知識(shí)模塊池。

業(yè)務(wù)單元與知識(shí)模塊經(jīng)配置器作用,達(dá)到正式配置處理狀態(tài)。通過一種基于關(guān)聯(lián)規(guī)則挖掘[18]的方法,從業(yè)務(wù)日志、物料清單(Bill of Material,BOM)表等內(nèi)容中有效提取和發(fā)現(xiàn)配置規(guī)則。在此基礎(chǔ)上,結(jié)合Q-learning法[19]對(duì)知識(shí)模塊與業(yè)務(wù)單元間的有序相關(guān)性進(jìn)行學(xué)習(xí)和評(píng)估,并使用基于Q值的隊(duì)列排序?qū)崿F(xiàn)知識(shí)模塊與業(yè)務(wù)單元間的正確配置組合。圖2中的Bi(i=1,2,...,m)表示業(yè)務(wù)單元集,Kj(j=1,2,...,n)表示知識(shí)模塊集,與單個(gè)業(yè)務(wù)單元相匹配的知識(shí)模塊集中的每個(gè)知識(shí)模塊都能滿足基本業(yè)務(wù)功能需求。

2.2 基于CRITIC-模糊綜合評(píng)估法的知識(shí)-業(yè)務(wù)配置組合評(píng)估模型

該評(píng)估模型是智能化組合評(píng)價(jià)模型的第一個(gè)環(huán)節(jié),旨在通過科學(xué)的方法得到不同配置方案下組成模塊的評(píng)價(jià)值和組合方案的綜合評(píng)價(jià)值,構(gòu)造知識(shí)-業(yè)務(wù)配置組合的評(píng)價(jià)量表,最終目的是為基于GWO-SVR的知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)價(jià)模型提供所需的樣本集。其中,評(píng)價(jià)指標(biāo)參數(shù)體系的構(gòu)建是當(dāng)前環(huán)節(jié)下的重要組成部分,是發(fā)揮評(píng)估模型作用的基礎(chǔ)。

2.2.1 評(píng)價(jià)指標(biāo)參數(shù)體系構(gòu)建

基于整體性、通用性和可行性三原則,評(píng)價(jià)指標(biāo)參數(shù)體系需反映知識(shí)模塊整體性能,盡可能涵蓋其內(nèi)部的基本要素和主要特征,且選取的指標(biāo)可量化處理。

由于面向業(yè)務(wù)問題求解的知識(shí)資源配置涉及因素較多,本文以業(yè)務(wù)活動(dòng)的“5W1H”、質(zhì)量管理的“4M1E”、工效學(xué)、工業(yè)心理學(xué)及馬斯洛層次需求理論為基礎(chǔ),結(jié)合實(shí)際企業(yè)調(diào)研分析,得到如圖3所示的人員、資源、環(huán)境、目標(biāo)等配置情景要素分析結(jié)果。然后,以配置情景中的時(shí)間、成本、目標(biāo)要素分析為基礎(chǔ),結(jié)合朱家饒等[20]對(duì)制造績(jī)效評(píng)估指標(biāo)的研究和項(xiàng)目管理三要素(時(shí)間、成本、質(zhì)量),可構(gòu)建包含時(shí)間、成本、質(zhì)量3個(gè)核心指標(biāo)的知識(shí)-業(yè)務(wù)配置求解績(jī)效考核指標(biāo),并將此求解績(jī)效考核指標(biāo)作為效果屬性納入綜合評(píng)價(jià)指標(biāo)參數(shù)體系中。而在影響求解績(jī)效的關(guān)鍵因素中的定量指標(biāo)部分,人員的學(xué)歷、知識(shí)水平、技能水平高低,設(shè)備的自動(dòng)化水平和故障率差異,以及資源的類型和使用概率不同,都會(huì)對(duì)求解績(jī)效產(chǎn)生重大影響,因此將人員屬性、設(shè)備屬性和資源屬性也納入綜合評(píng)價(jià)指標(biāo)參數(shù)體系中。綜上,構(gòu)建了包含業(yè)務(wù)層、模塊層、指標(biāo)層和因子層的知識(shí)-業(yè)務(wù)配置評(píng)價(jià)指標(biāo)參數(shù)體系,如圖4所示。其中,單個(gè)知識(shí)模塊的評(píng)價(jià)分析均從人員屬性、設(shè)備屬性、資源屬性和效果屬性4個(gè)指標(biāo)維度展開。

圖3 基于配置情景分析的評(píng)價(jià)指標(biāo)選擇

圖4 綜合評(píng)價(jià)指標(biāo)參數(shù)體系

2.2.2 CRITIC-模糊綜合評(píng)估法

在業(yè)務(wù)求解過程中,采用一種結(jié)合隸屬函數(shù)[21]、判斷矩陣[22]和CRITIC法[23]的CRITIC-模糊綜合評(píng)估法衡量知識(shí)與業(yè)務(wù)間的配置組合評(píng)價(jià)值,使指標(biāo)權(quán)重能同時(shí)反映主觀經(jīng)驗(yàn)和客觀數(shù)據(jù)。該評(píng)估方法的有效性在鄧文洲等[24]對(duì)山區(qū)公路風(fēng)險(xiǎn)管理的研究中得到了證實(shí)。

(1)隸屬函數(shù)

依據(jù)相關(guān)行業(yè)標(biāo)準(zhǔn)和專家經(jīng)驗(yàn),結(jié)合上述評(píng)價(jià)指標(biāo)體系及各個(gè)知識(shí)模塊內(nèi)的樣本數(shù)據(jù),采用二元對(duì)比排序法[25],經(jīng)分析推理,建立業(yè)務(wù)單元下知識(shí)模塊的各評(píng)價(jià)因素的隸屬函數(shù)表。如表1所示。其中,總耗時(shí)相對(duì)占比等于完成當(dāng)前業(yè)務(wù)單元任務(wù)的耗時(shí)與整個(gè)業(yè)務(wù)過程總耗時(shí)的比值。工時(shí)費(fèi)相對(duì)值等于當(dāng)前業(yè)務(wù)單元下的工時(shí)費(fèi)與整個(gè)業(yè)務(wù)流程內(nèi)單個(gè)業(yè)務(wù)單元下的最大工時(shí)費(fèi)的比值。

表1 隸屬函數(shù)

(2)判斷矩陣

為獲得業(yè)務(wù)層的各業(yè)務(wù)單元間及知識(shí)模塊指標(biāo)層的4個(gè)屬性指標(biāo)間的相對(duì)權(quán)重,結(jié)合相關(guān)領(lǐng)域?qū)＜乙庖?采用一致矩陣法及Santy的1-9標(biāo)度法,分配指標(biāo)間的重要程度。

(3)CRITIC法

為更好地反映知識(shí)模塊評(píng)價(jià)指標(biāo)權(quán)重的客觀性,采用CRITIC這一客觀賦權(quán)法對(duì)人員屬性、設(shè)備屬性、資源屬性和效果屬性分別計(jì)算。以人員屬性為例,構(gòu)造含有10個(gè)樣本,3個(gè)指標(biāo)的元矩陣:

首先對(duì)元矩陣中的元素作正向無(wú)量綱化處理,并用Xuv表示,然后通過式(1)和式(2)分別計(jì)算第v個(gè)指標(biāo)下的標(biāo)準(zhǔn)差值Sv和指標(biāo)間的相關(guān)系數(shù)Rv:

(1)

(2)

其中ruv表示指標(biāo)u與指標(biāo)v間的相關(guān)系數(shù)值。綜上,運(yùn)用式(3)計(jì)算得到信息量Cv:

Cv=Sv×Rv。

(3)

最后,得到第v個(gè)指標(biāo)客觀權(quán)重值Wv:

(4)

2.3 基于GWO-SVR的知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)價(jià)模型

基于灰狼算法優(yōu)化支持向量回歸的知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)價(jià)模型是智能化組合評(píng)價(jià)模型的第二個(gè)環(huán)節(jié),經(jīng)模型訓(xùn)練和測(cè)試集驗(yàn)證證明了該方法在預(yù)測(cè)評(píng)價(jià)方面的良好性能,可用于與業(yè)務(wù)單元相匹配的知識(shí)模塊組合評(píng)價(jià)。在整體體系中,將該訓(xùn)練好的GWO-SVR模型的函數(shù)關(guān)系式作為改進(jìn)SA算法優(yōu)化的目標(biāo)函數(shù),經(jīng)尋優(yōu)迭代可得最優(yōu)解對(duì)應(yīng)的最優(yōu)模塊組合方案。

因?yàn)椴捎肅RITIC-模糊綜合評(píng)估法得到的是各組成模塊的評(píng)價(jià)值與綜合評(píng)價(jià)值間的映射關(guān)系,且在分析權(quán)重時(shí)主觀經(jīng)驗(yàn)占比略高,但在實(shí)際應(yīng)用時(shí),企業(yè)更多地想直接獲得模塊的編號(hào)索引與綜合評(píng)價(jià)值間的映射關(guān)系,而SVR具有良好的泛化能力,能巧妙解決小樣本、非線性、過學(xué)習(xí)等問題,所以在第一個(gè)評(píng)價(jià)環(huán)節(jié)的基礎(chǔ)上,可采用SVR方法來(lái)實(shí)現(xiàn)這一目標(biāo)。同時(shí),相比于其他方法,采用灰狼算法對(duì)SVR進(jìn)行參數(shù)尋優(yōu)時(shí),擬合效果較好,預(yù)測(cè)誤差較小,因而本文采用灰狼算法對(duì)支持向量回歸的參數(shù)C、g進(jìn)行優(yōu)化。該方法的有效性在陳穎等[26]對(duì)土壤中鎘元素含量預(yù)測(cè)和含水率校正研究中得到驗(yàn)證。此外,SVR作為一種機(jī)器學(xué)習(xí)方法,提升了評(píng)價(jià)結(jié)果的客觀性,實(shí)現(xiàn)了對(duì)配置組合方案的智能化評(píng)價(jià)。

2.3.1 組合核函數(shù)SVR

支持向量回歸(SVR)是由AT&T BELL實(shí)驗(yàn)室的Vapanik所提出的,一種使結(jié)構(gòu)風(fēng)險(xiǎn)最小化的新的機(jī)器學(xué)習(xí)方法,具備很好的數(shù)據(jù)擬合性能[27]。在樣本數(shù)據(jù)集不大的情況下,基于SVR作回歸預(yù)測(cè),所得結(jié)果往往優(yōu)于其它機(jī)器學(xué)習(xí)算法。針對(duì)當(dāng)前知識(shí)-業(yè)務(wù)配置組合評(píng)價(jià)問題,需要選擇合適的核函數(shù)和標(biāo)準(zhǔn)化方法,以及最優(yōu)的核心參數(shù)C、g值,以獲得較理想的評(píng)價(jià)擬合效果。

(1)支持向量回歸模型

D1={(xi,yi)}是一個(gè)訓(xùn)練樣本集,其中:x表示業(yè)務(wù)流程下的知識(shí)模塊組合方案,y表示綜合評(píng)價(jià)值,i=1,2,...,n,xi∈Rd,yi∈R,d表示xi的維度。支持向量回歸的任務(wù)是在輸入變量xi和輸出變量yi間建立可靠關(guān)系,其基礎(chǔ)關(guān)系表達(dá)式為:f(x)=ωT·φ(x)+b。

結(jié)合KKT(Karush-Kuhn-Tucker)最優(yōu)化條件,可得知識(shí)模塊組合方案和預(yù)測(cè)綜合評(píng)價(jià)值間的非線性SVR回歸函數(shù)為:

(5)

(2)組合核函數(shù)構(gòu)建

核函數(shù)主要分為全局核函數(shù)和局部核函數(shù),其中全局核函數(shù)泛化性強(qiáng),但學(xué)習(xí)能力較差;局部核函數(shù)學(xué)習(xí)能力強(qiáng),但泛化性較弱[28]。因此,可構(gòu)建一種包含這兩類核函數(shù)的組合核函數(shù),使其兼具良好的泛化性和良好的學(xué)習(xí)能力。由于現(xiàn)有研究中,結(jié)合多項(xiàng)式核和徑向基(RBF)核的組合核函數(shù)的優(yōu)越效果已得到廣泛證明,故將多項(xiàng)式核、徑向基核進(jìn)行線性組合,構(gòu)建以下形式的組合核函數(shù):

K(xi,x)=ρ[(x·xi)+1]q+

(1-ρ)exp(-‖x-xi‖2/(2σ2))。

(6)

式中:等號(hào)右側(cè)的第1項(xiàng)為多項(xiàng)式核函數(shù),q為冪指數(shù);第2項(xiàng)為徑向基核函數(shù),σ為寬度系數(shù),ρ為函數(shù)權(quán)重,且0<ρ<1。

2.3.2 灰狼算法

灰狼算法(GWO)最早由MIRJALILI等[29]提出,是一種受自然界灰狼生活習(xí)慣啟發(fā)的智能優(yōu)化算法。該算法包括社會(huì)等級(jí)、獵物跟蹤、包圍及攻擊獵物等步驟過程。根據(jù)等級(jí)由上到下分層,狼群可分為α,β,δ和ω四個(gè)部分。α狼負(fù)責(zé)做狩獵、睡覺地點(diǎn)等決策,β狼是協(xié)助α狼做決策的下屬狼,δ狼必須服從其他更占優(yōu)勢(shì)的狼,ω狼是最底層的提醒狼。該算法的使用旨在尋找知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)價(jià)問題下SVR評(píng)價(jià)模型的最優(yōu)核心參數(shù)C、g值,從而提升SVR模型的評(píng)價(jià)性能。

灰狼算法的具體數(shù)學(xué)模型如下:

步驟1包圍行為。為捕捉獵物,灰狼圈地包圍。該行為的數(shù)學(xué)模型表示為:

(7)

其中:A和C為系數(shù)向量,A=2a·r1-a,C=2r2;ɑ在迭代過程中從2線性下降到0;r1與r2為[0,1]內(nèi)的隨機(jī)向量;Xp、X分別為獵物和灰狼當(dāng)前位置的向量表示;t是當(dāng)前迭代次數(shù)。

步驟2狩獵行為。每次迭代時(shí),ω的位置都可通過更高級(jí)灰狼(α,β,δ)位置的最優(yōu)解來(lái)更新,位置更新過程的數(shù)學(xué)模型表示如下:

(8)

(9)

X(t+1)=(X1+X2+X3)/3。

(10)

步驟3攻擊行為。攻擊行為是最終的狩獵行為,目標(biāo)為確定獵物的最佳位置。|A|值決定狼的行動(dòng),且當(dāng)|A|≤1時(shí),狼只能攻擊獵物。當(dāng)A在[-1,1]區(qū)間時(shí),將實(shí)現(xiàn)GWO的搜索迭代優(yōu)化。

實(shí)際上,獵物位置就對(duì)應(yīng)SVR模型中的最優(yōu)參數(shù)C、g。搜索過程始于隨機(jī)生成的灰狼位置,經(jīng)計(jì)算適應(yīng)度函數(shù)獲得α,β和δ的位置。當(dāng)找到α,β和δ的3個(gè)最佳位置后,用式(10)可估算獵物(C,g)的位置。

2.3.3 灰狼算法優(yōu)化支持向量回歸的具體執(zhí)行過程

GWO-SVR模型的實(shí)施步驟如下:首先,建立樣本數(shù)據(jù)集。接著,對(duì)數(shù)據(jù)集進(jìn)行從0～1線性縮放的預(yù)處理,并按比例分配,將預(yù)處理后的數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集。然后,基于GWO算法尋找適用于訓(xùn)練當(dāng)前SVR模型的最優(yōu)參數(shù)C、g。最后,利用最優(yōu)參數(shù)C、g建立當(dāng)前問題下的SVR評(píng)價(jià)模型,并通過測(cè)試集評(píng)估,驗(yàn)證當(dāng)前模型的高效性和精準(zhǔn)性。具體的算法流程如圖2所示。

2.4 基于改進(jìn)SA算法的知識(shí)-業(yè)務(wù)配置組合優(yōu)化

由于訓(xùn)練好的GWO-SVR模型實(shí)質(zhì)表示為ω、b已知的函數(shù)關(guān)系式f(x)=ωT·φ(x)+b,且優(yōu)化階段下的輸入變量xi和輸出變量y不變,因此可將訓(xùn)練好的GWO-SVR模型作為基于改進(jìn)SA算法的優(yōu)化模型的目標(biāo)函數(shù)輸入,經(jīng)尋優(yōu)迭代找到最優(yōu)解y和最優(yōu)解對(duì)應(yīng)的最優(yōu)模塊組合方案xi,從而實(shí)現(xiàn)知識(shí)與業(yè)務(wù)間的最優(yōu)配置組合。

2.4.1 模擬退火算法

模擬退火算法(SA)是一種基于迭代自適應(yīng)啟發(fā)式概率性搜索的智能優(yōu)化算法,能以較大概率求得全局優(yōu)化解,具有較強(qiáng)的魯棒性、全局收斂性、并行性和廣泛的適應(yīng)性,已被運(yùn)用于各個(gè)領(lǐng)域中求解組合優(yōu)化的問題[30]。選擇合適的退火溫度初值和末值,選擇適當(dāng)?shù)乃p函數(shù)來(lái)控制退火速度,以及用好Metropolis準(zhǔn)則是保證SA算法在不同的優(yōu)化問題中展現(xiàn)強(qiáng)大競(jìng)爭(zhēng)性的關(guān)鍵因素。

2.4.2 改進(jìn)的模擬退火算法

與傳統(tǒng)的模擬退火算法相比,當(dāng)前算法的改進(jìn)主要體現(xiàn)在以下3個(gè)方面:①由于采用的樣本集中綜合評(píng)價(jià)值y間的差值較小,尋找最優(yōu)解較困難,因此為保證尋優(yōu)迭代的可行性,在用模擬退火優(yōu)化支持向量回歸前,首先對(duì)訓(xùn)練樣本集中的y值進(jìn)行100倍的放大預(yù)處理;②基于尋優(yōu)迭代的高效性原則,對(duì)SA算法結(jié)構(gòu)的Metropolis準(zhǔn)則作出適當(dāng)調(diào)整,引入一個(gè)較大的系數(shù)k,調(diào)整不滿足ΔT≤0條件時(shí)接收差解的概率,使迭代過程大部分時(shí)間保持梯度上升,提升算法的效率;③為避免錯(cuò)過全局最優(yōu)解,通過記錄算法迭代過程中獲得的較優(yōu)解,并與迭代終止得到的最后解進(jìn)行比較,確定最終的全局最優(yōu)解,提升結(jié)果的準(zhǔn)確性。

本文采用改進(jìn)SA算法優(yōu)化知識(shí)-業(yè)務(wù)配置組合,將訓(xùn)練好的GWO-SVR模型作為改進(jìn)SA算法的評(píng)價(jià)目標(biāo)函數(shù)。先分析并確定好退火結(jié)束的溫度、冷卻率及步長(zhǎng),不斷調(diào)整和比較初始溫度,并對(duì)算法結(jié)構(gòu)中的Metropolis準(zhǔn)則作微調(diào),引入一個(gè)較大的系數(shù)k,記錄迭代過程中的較優(yōu)解和最后解,最終在后續(xù)實(shí)例研究中取得了預(yù)期的目標(biāo)效果。算法實(shí)現(xiàn)的具體流程如圖2所示。

步驟1選定初始控制溫度T0,退火終止溫度Tp,冷卻率α,步長(zhǎng)l(Markov鏈長(zhǎng)度)這幾個(gè)主要參數(shù)。

步驟2設(shè)隨機(jī)初始業(yè)務(wù)流程下的知識(shí)模塊組合方案解為S,溫度變量的初值為T=T0。其中,S=(X1,X2,…,X10),Xi是在定義域中隨機(jī)生成的值。經(jīng)Xi的編碼位置組合,于狀態(tài)空間中形成初始模塊組合方案的解向量S。

步驟3將訓(xùn)練樣本中的綜合評(píng)價(jià)值y放大100倍,再進(jìn)行訓(xùn)練,調(diào)用訓(xùn)練好的GWO-SVR模型作為目標(biāo)函數(shù)f,算得初始模塊組合方案的解向量S下的預(yù)測(cè)綜合評(píng)價(jià)值,即目標(biāo)函數(shù)f(S)的值。

步驟4根據(jù)初始模塊組合方案下解向量S的編碼,隨機(jī)選擇其中一個(gè)模塊的編碼位置Xi,按照步長(zhǎng)l隨機(jī)增加或減少,產(chǎn)生新的解向量S′,但不能超過各個(gè)Xi下的最大編碼和最小編碼限制。若按步長(zhǎng)迭代變化后,某個(gè)位置的模塊編碼Xi超過最大編碼(或低于最小編碼),則將最大編碼(或最小編碼)賦值給該Xi。然后,同樣調(diào)用訓(xùn)練好的GWO-SVR模型算得新的解向量S′下的預(yù)測(cè)綜合評(píng)價(jià)值,即目標(biāo)函數(shù)f(S′)的值。

步驟5計(jì)算增量ΔT=f(S)-f(S′),其中f(S)為模塊組合方案的評(píng)價(jià)函數(shù),f(S)=SVR(S),f(S′)=SVR(S′)。

步驟6當(dāng)ΔT≤0時(shí),將新的模塊組合方案解S′賦給S;否則,根據(jù)調(diào)整后的Metropolis準(zhǔn)則,按照概率exp(-ΔT×k/T)接受S′作為新的狀態(tài)解,其中k為可修改的正實(shí)數(shù)。

步驟7通過對(duì)比最后返回解和迭代過程中所記錄的較優(yōu)解,將最高解值作為最優(yōu)解輸出,并打印最優(yōu)解所對(duì)應(yīng)的模塊組合編號(hào),即最優(yōu)知識(shí)-業(yè)務(wù)配置組合方案。

3 實(shí)例分析驗(yàn)證

為驗(yàn)證本文所用模型和算法的有效性,以減速器箱體加工為例進(jìn)行分析。通過對(duì)比GWO-SVR和其它SVR優(yōu)化模型在擬合效果、預(yù)測(cè)誤差和迭代次數(shù)方面的結(jié)果,證明采用灰狼算法進(jìn)行參數(shù)尋優(yōu)的SVR模型最佳。同時(shí),通過對(duì)比選擇較優(yōu)的核函數(shù)和標(biāo)準(zhǔn)化方法,證明了本文采用的穩(wěn)健標(biāo)準(zhǔn)化下的多項(xiàng)式和徑向基組合核函數(shù)SVR模型在解決知識(shí)-業(yè)務(wù)配置組合評(píng)價(jià)問題中的優(yōu)越性。將訓(xùn)練好的最優(yōu)SVR模型的函數(shù)關(guān)系式作為模擬退火優(yōu)化的目標(biāo)函數(shù)輸入,通過對(duì)比原始SA算法和改進(jìn)SA算法下的尋優(yōu)迭代效果,驗(yàn)證了本文提出的改進(jìn)SA算法在尋找最優(yōu)知識(shí)-業(yè)務(wù)配置組合方案上的可行性和準(zhǔn)確性。最后,通過知識(shí)-業(yè)務(wù)優(yōu)化配置組合服務(wù)功能實(shí)現(xiàn)及拓展性應(yīng)用分析,進(jìn)一步說(shuō)明了文中所用模型、方法在實(shí)際問題下的良好應(yīng)用效果及重要意義。

3.1 數(shù)據(jù)來(lái)源

針對(duì)從事減速器箱體生產(chǎn)加工的某公司進(jìn)行企業(yè)調(diào)研,主要調(diào)研對(duì)象為某生產(chǎn)車間的工作小組中的部分工位人員。通過對(duì)當(dāng)前一級(jí)分離式減速器箱體加工過程的 10個(gè)工位下的10位工作人員的問卷調(diào)研記錄分析,對(duì)包含工序卡片、工藝手冊(cè)、金屬工藝學(xué)、文獻(xiàn)等大量相關(guān)資料的收集整理,以及對(duì)滿足當(dāng)前業(yè)務(wù)需求下企業(yè)內(nèi)固有知識(shí)模塊的分析推理,結(jié)合相關(guān)公式計(jì)算,構(gòu)建了如圖5所示的內(nèi)容。

圖5 某型號(hào)減速器箱體加工優(yōu)化配置工位提取及對(duì)應(yīng)知識(shí)模塊的封裝組合

其中,有以下3點(diǎn)需要強(qiáng)調(diào):

(1)假設(shè)每個(gè)工位都需要1個(gè)掌握該工位下工序的基本技能要求的員工,且從開始到結(jié)束的過程中員工不可替換,員工工作態(tài)度保持良好;該生產(chǎn)車間內(nèi)的所有設(shè)備工具和員工都被使用。

(2)為增強(qiáng)員工對(duì)整個(gè)加工業(yè)務(wù)流程的熟悉度,提升員工的業(yè)務(wù)能力,隨著加工時(shí)間和加工次數(shù)不斷的增大,各個(gè)工種內(nèi)的人員會(huì)在工序位置上進(jìn)行細(xì)微的調(diào)整變動(dòng)。

表2 操作時(shí)間因子記錄表

3.2 協(xié)同進(jìn)化配置組合模式

當(dāng)某個(gè)工位上的人員、資源發(fā)生變換,業(yè)務(wù)環(huán)境也發(fā)生相應(yīng)的變動(dòng),體現(xiàn)在空間環(huán)境下的布局方式改變。而布局方式的變化很有可能會(huì)削弱原有知識(shí)-業(yè)務(wù)配置下資源間的協(xié)同互補(bǔ)作用。因此,如何盡可能降低工位變動(dòng)對(duì)知識(shí)-業(yè)務(wù)配置的不良影響,是有效分析工位變動(dòng)產(chǎn)生新的知識(shí)模塊后,求解減速器箱體加工流程下最優(yōu)模塊組合方案的重要基礎(chǔ)。

結(jié)合外在勞動(dòng)報(bào)酬的激勵(lì)機(jī)制,采用戰(zhàn)略項(xiàng)目化管理研究中的協(xié)同進(jìn)化配置組合模式[33],能有效消除情景變化對(duì)知識(shí)-業(yè)務(wù)配置的不良影響。以戰(zhàn)略層面的知識(shí)資源充分利用為前提,通過相同人員、資源在不同工位上的作用,帶動(dòng)其他人員、資源在工位間協(xié)同流動(dòng),形成良好的協(xié)作工作氛圍,促進(jìn)知識(shí)-業(yè)務(wù)配置向戰(zhàn)略高點(diǎn)的協(xié)同進(jìn)化,從而得到新情景下新的有效知識(shí)模塊集合。

3.3 知識(shí)模塊加權(quán)評(píng)價(jià)值

關(guān)于知識(shí)模塊加權(quán)評(píng)價(jià)值的計(jì)算,首先,依據(jù)判斷矩陣方法,運(yùn)用MATLAB R2017a軟件工具,采用逐層計(jì)算的方式對(duì)這10個(gè)工位及知識(shí)模塊中的人員、設(shè)備、資源、效果這4個(gè)屬性指標(biāo)維度進(jìn)行排序,并進(jìn)行一致性檢驗(yàn),結(jié)果如表3所示。

表3 判斷矩陣及評(píng)估參數(shù)

然后,采用PyCharm 2019軟件,Python 3.7環(huán)境對(duì)以人員屬性為代表的元數(shù)據(jù)矩陣進(jìn)行無(wú)量綱化處理,并運(yùn)用CRITIC法得到如表4所示的權(quán)重結(jié)果。

表4 屬性因子層權(quán)重

基于以上,構(gòu)建箱體加工優(yōu)化配置工位下的知識(shí)模塊加權(quán)評(píng)價(jià)模型,如表5所示。

表5 知識(shí)模塊的加權(quán)評(píng)價(jià)模型

最后,得出各個(gè)工位(Xi)下所對(duì)應(yīng)的可選知識(shí)模塊集及模塊的加權(quán)評(píng)價(jià)值,如表6所示。

表6 可選知識(shí)模塊集及Uij(A)值記錄表

3.4 知識(shí)-業(yè)務(wù)配置組合評(píng)價(jià)量表

根據(jù)上述內(nèi)容可知,共存在3 456種可能的組合情況,交叉抽取其中的600種情況作為樣本集。利用2.2節(jié)的CRITIC-模糊綜合評(píng)估模型,及表3、表6內(nèi)的相關(guān)內(nèi)容,得到減速器箱體加工問題下知識(shí)-業(yè)務(wù)配置組合的綜合評(píng)價(jià)值y。結(jié)果如表7所示,可用于訓(xùn)練基于GWO-SVR的知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)估模型。

表7 知識(shí)-業(yè)務(wù)配置組合評(píng)價(jià)量表

3.5 基于GWO-SVR的知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)估仿真結(jié)果分析

由于支持向量回歸模型的核函數(shù)、標(biāo)準(zhǔn)化方法及C值、g值的選擇會(huì)對(duì)模型的預(yù)測(cè)評(píng)價(jià)結(jié)果產(chǎn)生影響,本文首先選擇多項(xiàng)式和徑向基組合核函數(shù),并經(jīng)網(wǎng)格搜索法確定組合核函數(shù)的權(quán)重系數(shù)ρ=0.3,冪指數(shù)q=3。之后,采用灰狼算法對(duì)SVR模型中的C值和g值進(jìn)行優(yōu)化選擇。擬用穩(wěn)健標(biāo)準(zhǔn)化(RobustScaler)方法對(duì)樣本數(shù)據(jù)集進(jìn)行[0,1]縮放預(yù)處理后,采用K折交叉驗(yàn)證,抽取98%的樣本數(shù)據(jù)作為訓(xùn)練集,剩下的2%作為測(cè)試集。設(shè)置GWO下的初始尋優(yōu)參數(shù)為2,參數(shù)取值下界lb=0.01,上界ub=2 000,經(jīng)程序運(yùn)行測(cè)試,確定狼的個(gè)數(shù)為20,最大迭代次數(shù)T=50。在邊界問題方面,若迭代循環(huán)過程中搜索位置越過搜索空間,則重回搜索空間;若狼的位置介于最大值ub和最小值lb之間,則位置不做調(diào)整;若越過最大(最小)值,則回到最大(最小)邊界上。適應(yīng)度函數(shù)是判定目標(biāo)參數(shù)值是否達(dá)到最優(yōu)的評(píng)判標(biāo)準(zhǔn),本文以準(zhǔn)確性最大化(即錯(cuò)誤率最小化)為參數(shù)優(yōu)化過程的適應(yīng)度函數(shù)。當(dāng)準(zhǔn)確性(Accuracy)達(dá)到最大值時(shí),參數(shù)C和g達(dá)到最優(yōu)標(biāo)準(zhǔn)。在該實(shí)例問題中,經(jīng)迭代8次,得到最大的準(zhǔn)確性值-0.315,所找到的最優(yōu)C值為1 035.045,最優(yōu)g值為0.012,尋優(yōu)迭代過程如圖6所示。

圖6 GWO-SVR參數(shù)C和g的尋優(yōu)迭代過程

為驗(yàn)證GWO-SVR模型的參數(shù)尋優(yōu)效果,以評(píng)價(jià)參數(shù)R2(R-square,決定系數(shù))、均方誤差(MSE)和最小迭代次數(shù)為基準(zhǔn),與具有代表性的其他兩種模型GA-SVR、PSO-SVR進(jìn)行比較,結(jié)果如表8所示。其中,GWO-SVR模型在R2、MSE和最小迭代次數(shù)上均優(yōu)于其他兩種模型,即GWO-SVR模型的擬合效果最好,誤差水平最低,迭代速度最快。

表8 SVR優(yōu)化模型性能比較

接著,通過分析比較不同數(shù)據(jù)集標(biāo)準(zhǔn)化方法下SVR模型的曲線擬合效果和MSE值,確定最優(yōu)的標(biāo)準(zhǔn)化方法。其中,初始化參數(shù)C=1 035.045,g=0.012,epsilon=0.01,核函數(shù)仍選擇多項(xiàng)式和徑向基組合核函數(shù),適應(yīng)度函數(shù)為MSE。如圖7a～圖7c分別為穩(wěn)健標(biāo)準(zhǔn)化(RobustScaler)、極差標(biāo)準(zhǔn)化(MinMaxScaler)和標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化(StandardScaler)的測(cè)試集評(píng)估圖。經(jīng)比較發(fā)現(xiàn),采用極差標(biāo)準(zhǔn)化的SVR曲線兩種線形貼合程度較差,擬合效果一般,初步進(jìn)行排除。進(jìn)一步比較穩(wěn)健標(biāo)準(zhǔn)化和標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化下的MSE值,前者算得為0.015,后者為0.028,從而確定采用穩(wěn)健標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理。

圖7 不同標(biāo)準(zhǔn)化方法下的仿真結(jié)果對(duì)比

最后,在上述最優(yōu)SVR模型中的標(biāo)準(zhǔn)化方法及C值、g值已定的基礎(chǔ)上,尋找知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)估問題下的最優(yōu)核函數(shù)。在單一核函數(shù)比較方面,繪制了基于線性核的SVR模型、基于徑向基核的SVR模型和基于多項(xiàng)式核的SVR模型,且由圖8a中的結(jié)果易知,基于徑向基核的綠色SVR模型曲線與真實(shí)值所在的藍(lán)色虛線間的擬合效果最好,預(yù)測(cè)值與實(shí)際值更接近。在組合核函數(shù)比較方面,繪制了基于多項(xiàng)式和徑向基組合核函數(shù)的SVR模型以及基于線性和徑向基組合核函數(shù)的SVR模型,且由圖8b中的結(jié)果易知,基于多項(xiàng)式和徑向基組合核函數(shù)的橙色SVR模型的曲線擬合效果更優(yōu)。同時(shí),依據(jù)表9中不同核函數(shù)SVR的MSE和MAPE值可知,多項(xiàng)式和徑向基組合核函數(shù)SVR的MSE值小,僅略高于徑向基核函數(shù)SVR的MSE值,且其MAPE值為最低,擬合效果和泛化能力均較優(yōu)。因此,確定采用多項(xiàng)式和徑向基組合核函數(shù)的SVR模型。

表9 不同核函數(shù)SVR下的知識(shí)-業(yè)務(wù)配置組合動(dòng)態(tài)評(píng)價(jià)的性能比較

圖8 不同核函數(shù)下的仿真結(jié)果對(duì)比

3.6 基于改進(jìn)SA算法的知識(shí)-業(yè)務(wù)配置組合的優(yōu)化仿真結(jié)果分析

采用Python語(yǔ)言對(duì)改進(jìn)SA算法進(jìn)行編程和仿真,將訓(xùn)練好的最優(yōu)SVR模型作為改進(jìn)SA算法優(yōu)化的目標(biāo)函數(shù)輸入。改進(jìn)SA算法的初始溫度T0設(shè)為10 000,退火終止溫度Tp設(shè)為0.01,冷卻率α為0.95,步長(zhǎng)l為1,k取1 000。初始狀態(tài)解S=(X1,X2,X3,X4,X5,X6,X7,X8,X9,X10)是在定義域內(nèi)隨機(jī)生成的,其中X1∈[1,4],X2∈[1,4],X3∈[1,9],X4∈[1,3],X5∈[1,3],X6∈[1,4],X7∈[1,4],X8∈[1,9],X9∈[1,9],X10∈[1,3],X為正整數(shù)。在邊界問題方面,若迭代循環(huán)過程中Xi的編號(hào)索引在當(dāng)前定義域內(nèi),則向下執(zhí)行產(chǎn)生新解S′和判定的過程;若按照步長(zhǎng)值1隨機(jī)地增加或減少當(dāng)前Xi的編號(hào)索引后,索引超出Xi定義域上界(下界),則回到最大(最小)定義域邊界上;隨著溫度的下降,退火跳動(dòng)的范圍逐漸減小。此外,X1與X7,X2與X6,X3、X8與X9,以及X4、X5與X10間存在相互制約的限制條件。以X1為例,當(dāng)X1的編號(hào)索引為1時(shí),X7的編號(hào)索引相應(yīng)地變?yōu)?;當(dāng)X1的編號(hào)索引為2時(shí),X7的編號(hào)索引相應(yīng)地變?yōu)?;以此類推,反之亦然。以X3為例,當(dāng)X3的編號(hào)索引為1時(shí),X8、X9的編號(hào)索引相應(yīng)地隨機(jī)變?yōu)閧(X8,X9)|(5,9),(9,5),(6,8),(8,6)}這4種情況下的一種;當(dāng)X3的編號(hào)索引為2時(shí),X8、X9的編號(hào)索引相應(yīng)地隨機(jī)變?yōu)閧(X8,X9)|(4,9),9,4),(6,7),(7,6)}這4種情況下的一種;按此變化準(zhǔn)則直至X3的編號(hào)索引為9時(shí),X8、X9的編號(hào)索引相應(yīng)地隨機(jī)變?yōu)閧(X8,X9)|(1,5),(5,1),(2,4),(4,2)}這4種情況下的一種;反之亦然。

由于X1～X10這10個(gè)特征表示下實(shí)際數(shù)值的極差較小,在數(shù)值更新時(shí)結(jié)果很容易越界,采用原始的模擬退火算法進(jìn)行更新時(shí),會(huì)出現(xiàn)以下問題:更新的情況小于最小值或大于最大值時(shí),不采納更新的數(shù)值結(jié)果,導(dǎo)致目標(biāo)預(yù)測(cè)值一直為初始場(chǎng)景下的預(yù)測(cè)值,最終呈現(xiàn)如圖9所示的一條直線。

圖9 原始SA算法下的尋優(yōu)迭代曲線

為解決該問題,采用擴(kuò)大SVR初始訓(xùn)練目標(biāo)值的方式增大結(jié)果間的差異,將訓(xùn)練過程中的y_train值乘以100,而尋優(yōu)曲線y軸所表示的組合分值也相應(yīng)地變?yōu)樵碱A(yù)測(cè)值的100倍,提升了尋優(yōu)結(jié)果的精準(zhǔn)性。

迭代過程中,通過計(jì)算增量ΔT來(lái)確定是否替換當(dāng)前解S。當(dāng)不滿足ΔT≤0時(shí),接收差解的概率為exp(-ΔT×1 000/T)。T按照Tk+1=0.95Tk的函數(shù)式逐步減小,接收差解的概率也不斷降低,直至T

依據(jù)圖10分析,改進(jìn)SA算法下的尋優(yōu)曲線在迭代過程中逐漸趨于穩(wěn)定,最終收斂到接近60的一個(gè)穩(wěn)定值,整個(gè)過程迭代200多次,迭代次數(shù)少,效率高,且兩個(gè)方案圖所對(duì)應(yīng)的表10中的最優(yōu)編碼組合方案與真實(shí)情況相符合。因此判斷,當(dāng)前問題下的改進(jìn)SA算法具有不錯(cuò)的漸進(jìn)收斂性和較好的組合優(yōu)化效果,可通過尋優(yōu)迭代找到最優(yōu)的知識(shí)-業(yè)務(wù)配置組合方案。

表10 最優(yōu)值對(duì)應(yīng)的最優(yōu)組合方案列表

圖10 改進(jìn)SA算法下的尋優(yōu)迭代曲線

3.7 知識(shí)-業(yè)務(wù)優(yōu)化配置服務(wù)功能實(shí)現(xiàn)及應(yīng)用效果分析

以GWO-SVR評(píng)價(jià)模型和改進(jìn)SA優(yōu)化模型為基礎(chǔ),設(shè)計(jì)如圖11所示的具備以下功能的知識(shí)-業(yè)務(wù)配置組合方案推薦系統(tǒng),為減速器箱體加工問題提供最優(yōu)決策方案:①基于GWO-SVR和改進(jìn)SA算法的最優(yōu)知識(shí)-業(yè)務(wù)配置組合方案推薦:通過初始狀態(tài)解的輸入以及評(píng)價(jià)模型、優(yōu)化模型的調(diào)用,可獲得最優(yōu)解編碼,并輸出相應(yīng)的最優(yōu)配置組合方案;②基于知識(shí)組件的知識(shí)模塊管理:將人員、設(shè)備、資源分別作為獨(dú)立的知識(shí)組件,通過知識(shí)組件的合理調(diào)用及配置封裝,生成并保存為知識(shí)模塊,知識(shí)模塊的更新可通過知識(shí)組件的更新實(shí)現(xiàn);③資源組件下圖文資料、電子文檔的查詢:基于加工業(yè)務(wù)需求,可獲取所需的資料、文檔資源,如電子工序卡片、夾具三維視圖等。

圖11 知識(shí)-業(yè)務(wù)配置組合方案推薦

綜合上述分析內(nèi)容可判斷,本文所提出的基于GWO-SVR和改進(jìn)SA算法的知識(shí)-業(yè)務(wù)優(yōu)化配置組合策略不但能以模塊化的形式實(shí)現(xiàn)業(yè)務(wù)流程下知識(shí)資源的高效聚合和快速重用,而且能對(duì)當(dāng)前業(yè)務(wù)流程和可用知識(shí)資源下的知識(shí)-業(yè)務(wù)配置組合方案進(jìn)行準(zhǔn)確評(píng)價(jià),并獲得最優(yōu)的配置組合方案推薦,進(jìn)而實(shí)現(xiàn)減速器箱體加工問題下的最優(yōu)知識(shí)資源調(diào)配。此外,當(dāng)業(yè)務(wù)過程調(diào)整或人員、設(shè)備等資源變動(dòng)時(shí),采用GWO-SVR與改進(jìn)SA算法相結(jié)合的方法還可實(shí)現(xiàn)新的業(yè)務(wù)過程(或新的人員、設(shè)備等資源組成)下知識(shí)-業(yè)務(wù)的最優(yōu)配置組合,具體的拓展性應(yīng)用流程如圖12所示。

圖12 實(shí)際問題下的拓展性應(yīng)用流程

該拓展性應(yīng)用流程以知識(shí)-業(yè)務(wù)優(yōu)化配置組合流程為基礎(chǔ),主要從老員工離崗、新員工加入帶來(lái)的知識(shí)模塊重組和滿足特定產(chǎn)品需求的新業(yè)務(wù)過程這兩個(gè)視角進(jìn)行延伸性分析。根據(jù)圖12中的內(nèi)容可知,即使人員發(fā)生變動(dòng),或業(yè)務(wù)流程進(jìn)行了調(diào)整,本文所采用的模型、方法依然奏效,仍能得到最優(yōu)的知識(shí)-業(yè)務(wù)配置組合方案,因此,在實(shí)際應(yīng)用中具有重大的現(xiàn)實(shí)意義:

(1)輔助企業(yè)合理調(diào)配人員,尤其是中小型的新企業(yè)和新的員工班組,同時(shí)有助于培養(yǎng)多能工;

(2)通過人員調(diào)配,提升員工工作的積極性,減少員工離崗帶來(lái)的業(yè)務(wù)風(fēng)險(xiǎn),同時(shí)在新員工加入時(shí)有利于新員工快速熟悉整體業(yè)務(wù)流程,并結(jié)合培訓(xùn)找到適合自己的位置;

(3)面向用戶的定制化產(chǎn)品需求,業(yè)務(wù)流程會(huì)進(jìn)行適當(dāng)調(diào)整,結(jié)合本文提出的優(yōu)化配置模型和方法,能夠得到新業(yè)務(wù)流程下的最優(yōu)知識(shí)-業(yè)務(wù)配置組合方案,從而提升業(yè)務(wù)求解的績(jī)效。

4 結(jié)束語(yǔ)

本文研究圍繞知識(shí)模塊理論,對(duì)各種知識(shí)資源進(jìn)行合理的封裝,實(shí)現(xiàn)知識(shí)的高效重用,同時(shí)將封裝好的知識(shí)模塊和對(duì)應(yīng)的業(yè)務(wù)單元配置為一個(gè)整體,形成知識(shí)-業(yè)務(wù)配置服務(wù),為產(chǎn)品設(shè)計(jì)、加工等業(yè)務(wù)過程提供智能化最優(yōu)資源調(diào)配方案,主要工作如下:

(1)提出一種基于用戶需求、業(yè)務(wù)情景分析及知識(shí)資源融合的知識(shí)模塊模型,快速、合理地整合現(xiàn)有知識(shí)資源,并以模塊化的形式進(jìn)行存儲(chǔ)和調(diào)用,知識(shí)重用效率高;封裝好的知識(shí)模塊集與細(xì)化的業(yè)務(wù)單元經(jīng)配置器作用,可實(shí)現(xiàn)初步關(guān)聯(lián)配置。

(2)以結(jié)合評(píng)價(jià)指標(biāo)參數(shù)體系和CRITIC-模糊綜合評(píng)估法所得的知識(shí)-業(yè)務(wù)配置評(píng)價(jià)量表為基礎(chǔ),提出一種基于GWO-SVR和改進(jìn)SA算法的知識(shí)-業(yè)務(wù)優(yōu)化配置方法,經(jīng)減速器箱體加工這一實(shí)例,驗(yàn)證了GWO-SVR模型在獲得知識(shí)模塊編號(hào)索引與綜合評(píng)價(jià)值之間映射關(guān)系的有效性,可用于知識(shí)-業(yè)務(wù)配置組合方案的智能化評(píng)價(jià)。

(3)將訓(xùn)練好的最優(yōu)SVR模型的函數(shù)關(guān)系式作為目標(biāo)函數(shù),代入基于改進(jìn)SA算法的優(yōu)化模型,可獲得最優(yōu)解及對(duì)應(yīng)的最優(yōu)知識(shí)-業(yè)務(wù)配置組合方案,且尋優(yōu)效果好,收斂快,展現(xiàn)了該算法的優(yōu)越性。

下一步的研究工作將從配置過程中可能存在的多種業(yè)務(wù)場(chǎng)景交叉及特殊偏好影響這一視角展開,進(jìn)一步探討復(fù)雜情況下的配置服務(wù)方法。