任务分配的主要研究方法可分为固定分配方法和综合评估方法两种。固定分配方法中，开发人员在进行系统开发时，按要求设置好每个任务的执行用户，但是该方法存在一定的缺点，即不能随着系统和实际任务的变化而改变[1～4]。综合评估方法是在系统开发或业务流转中，通过全面考虑各种因素，综合评估每个时刻可能发生的不同情况和影响因子(如负载、工作能力水平等)，以此来进行任务分配。油田档案管理系统根据工作流程建立面向对象的Petri网模型[5]，但因为人工任务节点存在于不同的子网模型中，并且由多个候选库所和变迁连接着各个节点，所以每一个流程的任务执行路径有多条。因此，为了最优化任务执行路径，需运用适当的方法将任务分配到最佳库所。

近年来，许多研究者将蚁群算法应用到任务分配中[6～8]，但是蚁群算法在初期搜索时由于初期信息素信息积累不足，以至于信息素在初期不能在局部范围内被快速搜索到。自适应人工萤火虫算法能够快速寻找到局部范围内的最优值，有较快的收敛速度。因此，将自适应人工萤火虫算法与蚁群算法相融合，能够弥补蚁群算法初期求解速度慢的缺点，更快求出全局最优解，为解决任务分配问题提供新的思路与方法。

基于以上分析，笔者运用综合评估的思想构建任务分配目标函数，其中需要量化属性值(任务和用户本身固有)，并加入任务对用户的影响因子。通过构建自适应人工萤火虫-蚁群算法，优化Petri网模型中的几组任务分配节点，并确定最优执行路径来实现整个Petri网的运行，最终实现任务的均衡分配。

1 任务分配的数学模型

1.1 问题描述

在油田档案管理系统中通常包含人工任务和自动任务。而在任务分配过程中，会出现任务分配不均衡的现象，这是由系统随机或者固定分配给用户任务而没有总体考虑任务的负荷和用户的工作经验所引起的，这种情况很容易造成任务堆积，降低系统工作效率[1]。

《中国移动互联网发展报告(2017)》蓝皮书调查数据显示，我国移动互联网用户规模连续三年保持11%左右增长率。2016年一季度，移动端阅读人数较桌面电脑端多2 000万人。随着移动通信技术的研发与应用，主流移动手机终端己具备流畅接收与处理图片、音频、视频等多媒体资源的能力。人们可以不受时空限制获取信息，学习形式呈现碎片化特点，移动学习(M-Learning)兴起。移动学习是利用无线网络技术，通过智能手机、个人数字助理PDA等无线移动通信设备获取教育信息、教育资源和教育服务的一种新型数字化学习形式[2]。

油田档案种类繁多，每天申请利用的档案数量较多，单一利用轮转或者累积的任务量审核分配方式虽然能够进行在线审批流转，但是无法配合油田各部门高效率的工作方式。

阿姨，您现在见不到李碧汝，将来会见到的。我们帮您找，但现在您得配合我们。您告诉我，是不是瞄了许武生好长时间了？

任务变迁集合与相应的库所用户集合(以ID号表示)见表1，可以看出，在各节点上都存在不同的用户可以执行此项任务，并且这些用户掌握着不同的审核权限。以任务M0的节点P1为例，此处的4位用户全部拥有审批权限，所以均衡分配在任务分配问题中极其重要。

 

表1 任务变迁集合与相应的库所用户集合

  

任务节点P1P2P3M013001、1300213007、1300814007、1400814009、1401114012、14014131001、13004、131008M111005、1100211004、1100711010、1101223007、2301023009、2301223006131002、13002、131007

1.2 影响任务分配的主要因素分析

温氏股份在投资者互动中表示，公司2019年商品肉猪出栏量预计约2500万头，2020年的出栏量预计是2900万头。公司仍会按照自己的既定计划进行生产。未来是否对部分受非洲猪瘟影响严重的地区进行调整，需要进一步的调研和论证分析再做决定。

任务可以用一个七元组{ID，c,tdo，tend,e,Sk,Rs}进行定义。其中，ID为任务编号；c为任务类型；tdo为完成任务所消耗的时间；tend为完成任务的最大延迟时间，即使用者完成规定任务必须在最大延迟时间内；e为任务的影响因子，该值与任务的重要性成正比关系，即e值越大任务相对越重要；Sk为用户完成任务所必备的技能；Rs为用户完成任务所需要的角色与权限。

随着教育领域的持续发展，课堂优化的愈加深入，分层教学模式成为当今学科教育备受推崇的教学方式。在初中政治教学中应用分层教学模式可以充分发挥学生的主体地位，并可有效地调动学生学习的积极性。同时分层教学也是因材施教的有力体现，是符合教改理念的有效措施，对于提升政治课堂的教学效率有很大的帮助。

用户可以用一个五元组{ID,R,J,S,Exps}进行定义。其中，ID为用户编号；R={R1,R2,…,Ri}为使用者所拥有的一个角色权限集合；J={J1,J2,…,Jj}为使用者当前没有完成的任务信息集合；S={S1,S2，…,St}为用户的技能集合；Exps为用户执行完各类任务后所获得的经验值。

1.3 构建任务分配的目标函数

设有m个用户U={U1,U2,…,Um}，有n个由某种任务分解形成的子任务J={J1,J2,…,Jn}需要分配。则任务分配矩阵Xn×m的元素为：

 

(1)

为了提高油田档案管理系统的工作效率，使之达到最高，需构造可以让任务分配均衡度达到最好的目标分配矩阵Xn×m，因此构造任务分配总体最优目标函数是必要的。

现行支农贷款利率与支农成本不相对称。当前，银行支农贷款的成本较高，利润空间较小，特别是农户贷款户数多、额度小、手续繁、相当零散，在办理贷款时，需要信贷员对每一贷款人的经济背景、贷款使用和还贷前景作全面的了解，使工作量成倍增加，这势必增加相应的人力、物力和财力，从而提高了管理成本和运作成本。加之农户贷款受自然、市场等诸多因素影响较大，使银行面临的风险也较大。

其中，r取随机向量。如果当前位置比未更新时的好，则保留；反之，则保持未更新前的位置。

M(Ui)=

 

(2)

当个体i的邻域集合为空(|Ni(t)=0|)时[12]，则i按下式进行移动更新：

F={min(M(Ui))}

(3)

2 自适应人工萤火虫-蚁群算法

自适应人工萤火虫-蚁群算法(AGSO-ACO)融合了自适应萤火虫优化算法和蚁群算法，能够更快地求取全局最优解。融合后的新智能算法分为自适应萤火虫优化算法局部寻优和蚁群算法全局寻优两步。

设计意图：教师介绍科学家实验的初衷，带领学生回顾科学家的“提出问题、设计实验、解决问题”的实验流程，训练学生提出假说的能力。

第1步，自适应萤火虫优化算法局部寻优。将n个萤火虫个体分布在m维空间中，每一个萤火虫个体拥有不固定的位置和任意的初始荧光亮度。萤火虫在运动过程中，按照下式更新荧光素：

li(t+1)=(1-ρ)li(t)+γf(xi(t))

(4)

其中，li(t)为第i只萤火虫在t时刻的荧光素，ρ∈(0,1)为荧光素的挥发系数，γ为荧光素的更新率，xi(t)为第i只萤火虫在t时刻的位置，f(xi(t))为目标函数[10]。

“自我”处于“本我”和“超我”之间，位于人格金字塔的中间层，对于“本我”和“超我”起着调节作用，换句话说“自我”是“本我”和“超我”的平衡者，是自己意识的存在和觉醒。玛丽有着支离破碎的“本我”和病态发展的“超我”，导致其在各个阶段表现出来的都是迷失的“自我”。

设为t时刻第i只萤火虫的动态决策范围，在这个范围内，个体i在t时刻决策域范围内的邻域集合为：

 

(5)

其中，为萤火虫感知范围。在t时刻个体i移向领域集合Ni(t)内个体j的概率Pij(t)为：

 

(6)

位置更新公式为：

 

(7)

其中，s为移动步长，当s小于个体i与个体j之间的距离时，定义荧光因子Hi为[11]：

 

(8)

其中，Xi为个体i的空间位置，Xm为荧光亮度最强的个体的空间位置，dmax为最优个体到其他每个个体的空间距离中的最大距离。

萤火虫的自适应移动步长si为：

在油田档案管理中，任务和用户及其相关属性是任务分配的中心影响因素。由于任务和用户本身具有不同的属性值，因此在油田档案管理系统任务分配问题中，通常用元组来定义这两个因素。

si=smin+(smax-smin)Hi

(9)

其中，smax、smin分别为个体移动步长的最大值和最小值。

其中，ω1、ω2和ω3均为大于0的常数，且满足ω1+ω2+ω3=1。由上述分析可以定义油田档案管理系统中的任务分配总体最优目标函数为：

 

(10)

当任务Jnew需要进行分配时，根据文献[9]分别计算出每位候选用户的相对总负载相对局部负载和经验值然后通过添加权重来完成用户负载量的综合评估。即：

动态决策域范围更新公式为：

其中，τ为信息素浓度。

 

(11)

为了验证上述方法的均衡性，选择任务M0中P1库所的4个用户，将笔者提出的AGSO-ACO算法与轮询调度方法进行实验对比分析。

第2步，蚁群算法全局寻优。将自适应萤火虫优化算法精准局部寻优的较优结果作为蚂蚁初始种群信息，并同时放出信息素，信息素经由路径的改变不断积累、更新。则转移概率计算式如下：

 

(12)

上述实验研究表明，实验组巨大儿、新生儿高胆红素血症等并发症发生率低于对照组，差异有统计学意义（P<0.05）。实验组新生儿低血糖、低胎龄儿、呼吸窘迫综合征等并发症发生率与对照组相比，差异无统计学意义（P＞0.05）。实验组妊娠期高血压、产程异常、产后感染以及胎膜早破等并发症发生率低于对照组，孕期体重增长少于对照组，差异有统计学意义（P<0.05）。实验组引产率、剖宫产率、早产率与对照组相比，差异无统计学意义（P＞0.05）。

3 任务分配流程

笔者将任务分配库所看作一个个萤火虫个体，将它们放入N维向量中，运用AGSO-ACO算法优化任务分配目标函数，即利用自适应萤火虫优化算法局部寻找每个任务库所的最优分配值，利用蚁群算法寻找整体模型的最优分配值，结合Petri网模型，在节点间寻找最优路线，确保由每条被寻找到的最优路径所组成的Petri网模型为整体最优模型。任务分配流程如图1所示。

  

图1 任务分配流程

4 实验结果分析

其中，β为调整萤火虫动态感知范围的参数，nt为调整萤火虫邻域集合大小的参数。

4.1 用户总负载

两种方法的用户总负载对比结果如图2所示。从图2a可以看出，4个实验用户的任务增长个数与时间虽然是正比关系，但并没有保持一致，造成用户负载不均衡；从图2b可以看出，4个实验用户的任务增长速度基本保持一致，因此AGSO-ACO算法可以使用户总负载均衡增长。

  

图2 用户总负载对比

4.2 用户所获各类别任务比例

两种方法的用户所获各类别任务比例如图3所示。从图3a可以看出，对于不同的任务，4个实验用户分配到的数量基本一致；从图3b可以看出，根据不同的任务类型，4个实验用户分配到的任务数量完全不同，用户此类任务的经验值越多，被分配的任务量越多，并且随着其他一些任务或用户属性的影响，任务量与经验值之间的关系还会产生动态变化。说明AGSO-ACO算法可以使用户的任务与经验值基本保持一致。

  

图3 用户所获各类别任务比例

4.3 用户在时间上的负载分布情况

用户在时间上的负载分布情况如图4所示。从图4a可以看出，用户1的负载量很大，用户4的负载量很小，4个实验用户在不同的时间段内的任务分配不均匀，导致用户1由于任务负载量大而产生工作堆积、用户4有大量的空闲时间而没有任务可做；从图4b可以看出，4个实验用户在不同的时间段内任务分配较平均。说明AGSO-ACO算法可以使用户在局部时间段内达到负载均衡。

  

图4 用户在时间上的负载分布情况

5 结束语

笔者通过系统地分析任务分配问题的特点，提出了油田档案管理系统中任务分配问题的数学描述，创建了任务分配数学模型和相应的目标函数。采用自适应人工萤火虫-蚁群算法优化求解了基于Petri网的任务分配问题。该算法综合了自适应人工萤火虫算法和蚁群算法的优点，利用前者收敛速度快的优点，很好地弥补了后者初期求解速度慢的缺点。实验结果表明，该方法提高了搜索速度，适用于油田档案管理系统，且在性能上优于传统的任务分配方法。

参 考 文 献

[1] 钱鹰,王寸涛,韦庆杰.一种用于工作流引擎的任务预测与分配算法[J].计算机应用与软件,2014,31(8):75～78.

[2] Tomur E,Erten Y M.Application of Temporal and Spatial Role Based Access Control in 802.11 Wireless Networks[J]. Elsevier Advanced Technology Publications,2006,25(6):452～458.

[3] 宋俊辉,冯岩.负载均衡的分布式系统任务调度优化算法[J].吉林大学学报(理学版),2017,55(2):383～387.

[4] 张焕青,张学平,王海涛,等.基于负载均衡蚁群优化算法的云计算任务调度[J].微电子学与计算机,2015,32(5):31～35.

[5] 任伟建,朱珊,霍凤财.基于Petri网和定制技术的油田档案管理系统设计[J].吉林大学学报(信息科学版),2016,34(5): 635～644.

[6] 张春艳,刘清林,孟珂.基于蚁群优化算法的云计算任务分配[J].计算机应用,2012,32(5):1418～1420.

[7] 覃志东,侯颖,肖芳雄.基于蚁群优化算法的同构多核任务分配与调度[J].江苏大学学报(自然科学版),2014,35(6):679～684.

[8] 王辉,钱锋.群体智能优化算法[J].化工自动化及仪表,2007,34(5):7～13.

[9] 姜劲松,杨波,缪志敏,等.基于任务和用户属性的工作流任务分配算法[J].计算机仿真,2015,32(12):222～225.

[10] Krishnanand K N,Ghose D.Glowworm Swarm Optimisation:A New Method for Optimising Multi-modal Functions[J]. Inderscience Publishers,2009,1(1):93～119.

[11] 欧阳喆,周永权.自适应步长萤火虫优化算法[J].计算机应用,2011,31(7):1804～1807.

[12] 亢少将.萤火虫优化算法的研究与改进[D].广州:广东工业大学,2013.

水稻早穗是指水稻主茎在秧田期间，幼穗已经开始分化或形成，移栽大田后过早抽穗或由于外界条件影响或栽培管理不当，引起同块田中的部分稻株比正常年份抽穗时间过早的现象。发生早穗的稻田，早的在移栽后10多天，迟的不到30天就开始抽穗，植株变矮，高矮不齐，剑叶特长，株叶形态大变，同一穴的的水稻植株表现生育期极为不一致，有的抽穗，有的孕穗，有的正在长蘖。

1.3.3 记录入室安静5 min（T0）、椎管内穿刺时（T1）、穿刺完成平卧位时（T2）、给静脉药后20（T3）、40（T4）、60（T5）s、手术开始后 2（T6）、4（T7）、6（T8）、8（T9）、10（T10）、40（T11）min患者的MBP、HR、SpO2、OAA/S、WLi、ANXi、CFi和Pi。