动态任务分配就是将合适的任务实时地分配给合适的成员,以充分利用系统的资源,提高任务的完成绩效。在一个不确定性系统中,任务到达的时间是随机的、不确定的,到达的任务类型是多样的、变化的,外界环境的变化会增加系统的不确定性,同时人员受外界以及自身状态的影响其处理任务的能力也是波动的。随着人工智能的发展,动态任务分配理论成果越来越成熟,其应用领域也更加广泛,但仍缺乏对不确定性人机系统中的任务-人员动态分配的研究。现有的任务-人员动态分配研究中,多集中于对外界不确定性的研究,而忽略人员能力波动性也会导致人机系统的不确定性。借鉴多Agent系统在不确定环境下智能体决策理论,建立马尔科夫决策过程(Markov Decision Processes,MDP)模型解决不确定性人机系统中任务-人员动态分配问题,丰富任务-人员动态分配理论,解决实际不确定性任务-人员动态分配问题、人员合作模式选择问题,从而降低不确定事件对系统的不良影响,提高系统的运作效率。论文完成的主要工作如下:(1)针对人机系统外界环境不确定和作业者能力波动,建立了基于MDP的人员能力与任务不确定性分配模型,并对MDP模型中的每个参数给出具体定义和说明,论证了其解的存在性,使用改进的策略迭代算法对模型进行了求解。(2)以MATB(Multi-Attribute Task Battery,多属性任务组)动态任务环境为应用背景,对MATB中任务-人员分配以及人员合作方式的选择问题进行了深入地分析,通过构建合理的人因实验设计,有效解决了 MDP模型求解所需的脑力负荷值、处理速度概率值、人员差异性等参数的获取问题。(3)采用MATLAB仿真,对随机任务-人员分配策略和基于MDP的分配策略进行了比较,验证了基于MDP分配策略的有效性和优越性,并对两种不同人员合作模式的分配策略进行了对比分析,证明了能力均等的合作方式优于能力差异的组合方式。
