协同工作下角色-任务匹配与互动多智能体模拟研(4)

第６期蒋同银等：防同工作下角色一任务匹配与瓦动多智能体模拟研究

５模拟系统及结果

５９

公，如能力高的员工在一次分配任务后，剩余能力仍超过其他员工的工作能力，因此并行分配在非实时性要求严格的环境下，并非是最合理的分配方法。本研究在模型（１）式和定义１的基础上，考虑任务动态调整和员工的协同学习．，设计两种串行匹配算法，即最小匹配度算法和最大匹配度算法。

（１）最小匹配度算法

该算法考虑每次为角色集合中能力最强的角色分配最合适任务，即先找不小于该角色能力的最小能力需求任务为其匹配，计算角色的剩余能力，并对剩余能力用不大于该角色能力的最大能力需求任务为其匹配。

算法步骤如下。步骤ｌ步骤２排序。

步骤３

为当前角色集中最强能力维角色计算对组织０。进行初始化，计算剩余资源。管理者对角色集合中角色多维能力的

本研究探讨动态任务和角色的互动决策问题。如图２所示，当动态任务随机进入系统时，管理员根据员工的能力动态分配任务，员工能力越高，任务执行效率越高，由员工完成工作的行为数据动态凋整员工的各维能力分量。

智能体

剩余量进行排序，对任务集合中任务多维需求进行

任务一角色能力匹配度Ｍａｔｃｈｉｎ—ｋ（７’一Ｒ），从中挑选出最小非负匹配关系任务，若有满足要求的任务，则进行分配操作，否则转步骤４；其中分配操作为，将满足要求的任务分配给该角色，将分配关系记人中间变量，修改该角色对应维剩余能力，并转步骤３。

步骤４

为步骤３中能力最强角色计算角色一

５．１问题描述

通常，组织中角色与任务表现为一种互动关系。员工的能力增加有利于提升任务执行效率，但任务又会对员工能力有所影响，如瓦动学习率的不同、任务量的多少和任务的动态性强度等的影响。本研究将通过模拟实验，试图回答以下问题。’

（１）动态任务环境下，最小匹配度算法是否优于最大匹配度算法。

基于上文提到的模型和算法，假设单项任务可以分解，比较两种算法下各任务中ａｇｅｎｔ通讯费和员工各维能力使用率等指标。

（２）相对任务量、协同学习率与员工能力的关系。

在一定员工数的基础上，动态任务环境中协同学习率与员工能力是否正相关，不同任务量是否会对员工的能力有影响。

（３）任务的动态性对员工学习是否有影响。任务的动态性越强，随机性越高，是否会对员工协同学习造成影响。５．２模拟实验设计

基于上述模型和算法以及Ｒｅｃｕｒｓｉｖｅ

Ｓｉｍｕｌａｔｉｏｎ

ＰｏｒｏｕｓＡｇｅｎｔ

Ｆｉｇｕｒｅ２

图２角色一任务协同工作模型

ＣｏｌｌａｂｏｒａｔｉｖｅＷｏｒｋＭｏｄｅｌｆｏｒＲｏｌｅ－Ｔａｓｋ

任务能力匹配度Ｍａｔｃｈｉｎ重ｋ（Ｒ—ｒ），从中挑选出最小非负匹配关系任务，若有满足要求的任务，则进行分配操作，否则转步骤５；其中分配操作为，将满足要求的任务分配给该角色，修改中间变量和该角色对应维剩余能力，并转步骤４。

步骤５

若所有任务各分量剩余为０或者所有

角色能力剩余为０，则匹配算法结束，否则转步骤２。

步骤６根据当前工作情况，依据（４）式，重新计算角色的各维工作能力剩余值并更新。

步骤７满足结束条件，模拟结束；否则，模拟时钟向后推移，转步骤１。

（２）最大匹配度算法

该算法每次为能力最强的角色分配最大能力需求的任务，对剩余能力分配最小能力需求的任务。

该算法步骤为，将最小匹配度算法中步骤３和步骤４中最小非负匹配关系任务改为挑选最大非负匹配关系任务，其他步骤与最小匹配度算法一样。

虽然上述两算法都是为能力强的员工优先分配任务，计算复杂度相当，但分配细节不同。算法（１）中步骤２、步骤３和步骤４体现了专业化分工优势的原则１２“，步骤３可能一次分配成功，员工剩余能力为０，也有可能第一次找不到合适的任务，或者剩余能力不为０，此时通过步骤４进行续分配。算法（２）中步骤２、步骤３和步骤４体现了局部合作完成任务的原则，与算法（１）一样，步骤３可能一次分配成功，员工剩余能力为０，也有可能第一次找不到合适的任务，或者剩余能力不为０，此时通过步骤４进行续分配。

Ｔｏｏｌｋｉｔ（Ｒｅｐａｓｔ）【２２’框架，在Ｅｃｌｉｐｓｅ上用Ｊａｖａ

实现模拟系统。该系统中有一个管理员ａｇｅｎｔ，多个员工ａｇｅｎｔ（其个数由用户参数ＥｍｐｌｏｙｅｅＣｏｕｎｔ获得，默认值为１５），员工的能力增长连续，任务的到达离散，系统用户界面如图３所示。其中，各任务的能力

要求和员工ａｇｅｎｔ能力维为ａｂｉｌｉｔｙ（ｉ）一ｕｎｉｆｏ糯（１，

５０），ｉ＝１，２，３；员工数为１５。