动态多数据源范文

动态多数据源范文（精选9篇）

动态多数据源 第1篇

数据库技术的成熟与运用, 为各类应用系统的建立奠定了数据管理基础。随着网络技术的发展, 数据库应用系统和用户规模都得到了空前的发展, 如何有效地实现用户访问必须数据资源、限制非法访问数据资源, 成为建立数据库应用系统的首要问题。数据库连接池是解决该问题的有效技术, 通过连接池方法可以减少数据库物理连接建立与撤销的次数, 提高数据访问速度, 进而改善数据库应用的性能。一经提出, 该方法被广泛应用于各种应用服务器 (Application Server) 建设, 成为各种应用服务器连接数据库的标准配置。当前, 连接池的特点是:①单一连接池:一个系统中连接池只有一个;②静态配置:连接池参数在系统启动之前确定, 系统运行期间不允许调整;③访问权限限制不严密;④无法支持多数据库源连接与访问。

近年来, 数据库连接池实现、性能分析、优化等方面受到应用研究的广泛关注, 但是, 实现方案的扩充、改进方面的研究却很少。本文提出了一种动态多连接池实现方案 (Database Multi-Connection Pools with Dynamic Configuration and Rigorous Access Control) , 其目的在于实现一个多连接池共存、连接池参数动态自动配置、数据库访问权限的严格控制、多数据源的连接, 为建立高效的网络数据库系统奠定基础。

2问题的提出

由于基于Web的数据库应用系统的广泛建立, 引起了对数据库连接池技术重视, 研究工作主要集中在连接池技术的模型[1,2,3]、设计实现[4,5,6]、性能分析[7,8,9,10]、应用[6,10]等方面, 而对于多连接池、连接池的安全性、连接的动态配置等问题很少涉及。本节首先介绍连接池模型, 然后分析现有连接池技术所存在的问题。

2.1数据库连接池的基本原理

传统的数据库访问方式是:应用程序需要访问数据库时, 首先通过接口 (JDBC、ODBC或者数据库提供的接口) 建立与数据库的连接, 然后访问数据库, 最后断开与数据库的连接。显然, 多次建立与断开数据库连接, 严重影响了应用程序的效率, 为此, 提出了数据库连接池技术, 图1是数据库连接池技术的基本原理。数据库连接持技术在系统启动时自动建立初始数目 (由最少连接数参数MinConnections控制) 的数据库连接;当应用程序发出数据库连接请求时, 连接池管理部件从连接池中找一个空闲的连接进行分配;如果没有空闲连接, 而且还没有达到最大连接数据 (由参数MaxConnections控制) , 则建立一个新的连接并分配;当无法分配连接时, 应用程序等待一定的时间 (由参数WaitConnectionTime控制) 之后, 被告知无法建立连接;一个连接建立之后, 一定的时机 (由参数最多使用次数ConnectionUsedCount或释放前等待时间WaitReleaseTime决定) 会将其关闭, 以便保持系统开销尽可能小;最后, 系统停机时, 将所有的连接关闭, 以释放资源。数据库连接池技术是通过应用程序共享预先建立的连接而到达减少数据库连接物理建立、撤销的次数, 进而实现提高系统数据访问效率的目的。我们将这种数据库连接池技术称为基本连接池。

2.2存在的问题分析

由其工作的基本原理可以看出, 数据库连接池存在着如下几个方面的问题:

(1) 单一连接池:所有连接建立的参数都是一致的, 因此, 都是同一种连接, 很难适应业务处理的多样性需求;

(2) 连接参数的静态配置:各种连接参数的设置都是在系统启动之前已经固定, 在系统的执行周期内不会发生变化。然而系统的实际运行情况是:运行周期内, 不同的时间阶段, 对各参数的要求是不同的, 基本连接池无法满足系统对连接池参数动态调整的要求。虽然, 以前的文献中也尝试采取每次系统启动时调整参数的解决方法[10], 但是, 现在越来越多的系统要求7X24服务, 因此, 实际上仍然是静态的参数配置方案;

(3) 无法支持多数据源的连接问题:由于连接池的单一性, 所连接的数据源是唯一的, 不可能实现多种数据源的连接。而在当前企业中存在着异构数据源 (不同的DBMS、数据仓库、文本信息等等) , 对于复杂的企业应用, 基本连接池无法满足数据访问的需求;

(4) 基本连接池的可靠性较低:尽管可以采取硬件冗余的方法提高系统的可靠性, 但是, 在基本连接池方案下, 数据库服务器一旦出现故障, 整个系统将陷入瘫痪, 因此存在着可靠性较低的问题;

(5) 访问控制权限限制不够严格:假设对于应用程序A, 所需的访问权限集合为{P1, P2, P3, P4 }, 应用程序B所需的访问权限集合为{ P1, P5, P6, P7}, 则在设置连接池参数时, 为了使两个运用都能够正常处理业务, 则设置的权限集合至少应该为{P1, P2, P3, P4, P5, P6, P7 }, 超出了任何一个应用的实际需求, 因此, 基本连接池配置中访问控制限制不够严谨。

基于以上的问题分析, 可以得出:基本连接池由于存在着诸多限制, 很难适应当前企业复杂的业务处理需求。本文所提出的动态多连接池方案可以解决以上问题, 以适应企业复杂业务处理、电子商务的需求。

2.3相关研究

鉴于连接池对网络数据库的重要性, 连接池技术的研究受到关注, 今年来, 先后独立的在连接池的模型[1,2,7]、设计实现[4,8,10]、性能优化[5,6,9,10]等方面进行了探讨, 主要还是围绕着基本连接池而开展的。虽然, 也曾涉及多连接池[1,8]技术, 但是, 主要目的在于公共接口 (Common API) 和数据分布式 (Distributed Databases) 问题, 而各基本连接池是完全不相干的, 对于连接池的动态参数配置、可靠性、安全性问题没有进行探讨。

3动态多连接池解决方案

本文所提出的动态多连接池方案其基本思想是采取多个相对独立的连接池、动态配置连接池参数、支持多数据源、对外提供统一接口。

3.1多连接池方案

为了克服单一连接池存在的问题, 采用多个相对独立的基本连接池, 统一由一个连接池管理器进行管理, 不同的连接池由不同的参数控制和管理, 如图2是多连接池模型。每个连接池都对应一个数据库服务器, 两个不同的连接池可以连接到一个数据库服务器, 如连接池2与连接池N都连接到数据库服务器B, 但是同一个连接池的不同连接不允许连接到多个服务器。应用程序对连接的请求则没有限制, 一个应用程序甚至可以同时拥有不同连接池的两个连接, 如应用程序1。

为了标识所请求的连接池, 应用程序在发出连接请求时以连接池标识符作为请求参数。与业务处理相关的连接池标识符唯一标识一个连接池。另外, 为了能够解决可能的数据库连接对象争用问题, 为连接池分配优先级, 优先级由业务处理的优先级决定。因此, 连接池数据结构包含的信息有:标识符 (ID) 、优先级 (Priority) 、连接对象信息 (URL、Account、Password) 、连接池管理信息 (MinConnections、MaxConnections、WaitConnectionTime、ConnectionUsedCount、 WaitReleaseTime) 。连接池之间相对独立的含义是:每个连接池有独立的参数控制和管理, 但当发生数据库连接对象争用时, 高优先级的连接池可以剥夺低优先级连接池的连接对象, 使得高优先级的应用程序可以优先获得访问数据库的资源。

多连接池模型中的“跟踪管理控制器”的主要作用是负责收集各连接池的状态、产生连接池动态配置的参数, 并实施动态控制, 是多连接池的职能部件。

3.2公共接口

各连接池的管理、维护统一由连接池管理器负责, 对外提供统一的访问接口, 连接池管理器所提供的主要公共接口分为三类:访问类、控制类和状态报告类。

(1) 访问类:访问类接口是为应用程序提供的连接请求、释放的接口, 包括连接请求GetConnection (ConnectionID) 和释放连接FreeConnection (conn) 两个。其中请求参数ConnectionID连接池标识符, 成功时返回一个连接;释放参数conn为要释放的连接, 连接池管理器自动根据连接的标识放入对应的连接池。

(2) 控制类:通过该类接口可以完成对连接池的控制, 动态地创建、撤销某个连接池、动态调整连接池的参数, 包括七个接口:创建连接池CreateConnectionPool (ConnectionPoolStruct) 、删除连接池DeleteConnectionPool (ConnectionID) 、打开连接池OpenConnection (ConnectionID) 、关闭连接池CloseConnection (ConnectionID) 、设置最少连接数SetMinConnection (Number) 、最大连接数MaxConnections (Number) 、请求连接等待时间SetWaitConnectionTime (WaitTime) 、连接使用次数SetConnectionUsedCount (Number) 、 连接空闲等待时间SetWaitReleaseTime (WaitTime) 。其中打开连接池OpenConnection (ConnectionID) 根据连接池的参数, 建立指定连接池的连接, 设置状态供应用程序访问, 关闭连接池CloseConnection (ConnectionID) 则是关闭指定连接池所有连接, 设置状态禁止应用程序的请求。

(3) 状态报告类:状态报告类接口主要完成个连接池的状态报告, 以便于跟踪各连接池的运行状态, 为连接池动态控制奠定基础, 包括一个接口:GetConnectionStatus (ConnectID) , 返回指定标识符的连接池当前的状态。

在三类接口中, 连接池的请求比较复杂, 请求算法如图3所示, 整个算法分为两部分:连接池管理器查找对应的连接池 (01～05行) 和连接池中的连接分配 (06～25行) 。图3中03行判断连接池是否处于打开状态, 只有打开状态才允许访问, 否则, 直接返回空连接;04行将连接分配任务交给对应的连接池CP;08～09行分配一个空闲连接;当没有空闲连接而且连接数还没有达到最大数限制时, 12～13行创建一个新的连接并分配, 创建的过程可能剥夺其它连接池的数据库连接对象;以上条件都不满足时, 执行15～21行:等待一定的时间间隔, 然后查看有无空闲连接, 如果存在则分配, 否则设置无法分配。

3.3实现细粒度的访问控制

在多连接池方案中, 每个连接池相对独立, 通过约束不同数据库连接账户的权限可以实现严格的访问控制, 可以实现三种粒度级别的安全性:职责岗位级、业务级和业务操作级。一般, 一个职责岗位可能负责多个业务处理, 而一个业务处理又由若干各业务操作步骤完成。职责岗位级依据岗位设计连接池, 业务粒度级别的访问控制方法按照每个业务设置一个连接池, 而业务操作级别则按照每个业务操作来设置连接池。职责岗位级和业务级的优点是连接池的数目相对少一些, 但是访问控制仍然限制不严密。业务操作级别权限限制较为严格, 而且实现了动态权限控制, 但是, 可能的连接池数目较多。建议事务处理类的业务, 建立业务级别的访问控制, 而对于流程类的业务, 则建立业务操作级别的访问控制, 在数据安全不是特别严格要求的场合, 则可以采用职责岗位级别的访问控制。

因此, 在实现多连接池的细粒度访问控制时, 设计的基本步骤是:①建立职责岗位、业务与业务操作之间的对应关系;②选择合适粒度级别的访问控制;③依据粒度级别建立数据库账户及对应的权限;④建立各连接池的配置信息。

另外, 通过控制接口CloseConnection (ConnnectionID) 还可以动态地实现部分连接池的关闭, 例如非工作日时间关闭所有的修改类权限连接池, 仅保留只读类权限连接池, 可以进一步提高系统的安全性。

3.4参数的动态确立与调整

文献[5]中提出了一种基于负荷预测理论的动态连接池参数配置方案:以Web日志作为原始数据, 利用电力负荷预测理论预测下一阶段连接池的参数, 再次重新启动系统时利用新的参数设置连接池。借鉴该思想, 我们实现了一种多粒度、在线实施调整连接池参数的方法, 由于运算量较大, 预测的工作由“跟踪管理控制器”实现, 并将预测结果通过控制接口调控各连接池。首先, 根据需要进行小时预测、日预测、周预测等多粒度预测, 以满足多种情况的需要。在预测算法的选择方面以短期预测方法 (如灰色预测) 为主, 结合专家经验, 实施连接池参数的预测。其次, 对连接池的控制是实时在线进行的, 不需要系统停机。

4实验结果与分析

为验证提出的动态多连接池的性能, 对单一连接池参数和多连接池整体性能进行实验。实验环境为Pentium 4 CPU 1.7GHz PC (512MB内存) 、Windows 2003 Server、Oracle 9iR2、JDK 1.4.2。利用Java多线程模拟应用程序, 每个应用程序的连接请求、连接保持时间由固定范围随机数决定。根据连接池原理分析和文献[3,5]可知影响系统性能的主要因素是连接池的最大连接数 (MaxConnections) , 称为连接池的大小, 因此, 在实验过程中主要考察连接请求的响应时间与连接池大小、并发用户量、连接池个数等因素之间的关系。

4.1单一连接池性能实验

首先, 对单一连接池的性能进行实验, 分别以100、200、400个线程模拟并发用户发出连接请求, 而连接池的大小以用户量的10%递增, 记录每个用户请求的平均响应时间。为了避免随机数、系统并发调度的干扰, 每次实验时, 每个用户多次发出请求, 计算所有用户多次请求的平均响应时间, 实验结果如图4所示。图4 (a) 显示了请求响应时间随连接池大小的变化趋势, 图4 (b) 显示了请求响应时间随连接池大小变化的速率 (用户量为400) 。

由图4不难看出:①随着连接池大小的变化, 请求响应时间迅速下降 (由3500ms下降到40ms) , 但是, 当连接池大小达到用户量的40%以上时, 请求响应时间变化不明显;②在不同的并发用户量情况下, 请求响应时间变化趋势基本一致, 随着用户量的增加, 请求响应时间略有增加。

实验结果分析:当连接池大小占用户量40%以下时, 连接请求碰撞的概率比较大, 因此, 多数请求都要挂起等其他用户释放待连接, 因此, 挂起等待时间成为整个请求时间的主要部分, 导致请求响应时间较大。而随着连接池大小的增加, 碰撞概率减小, 当提高到50%时碰撞基本不会发生, 此时连接池的管理时间占请求响应的主要部分, 因此变化比较平缓。

4.2多连接池整体性能实验

其次, 对多连接池的性能进行实验, 同样, 分别以100、200、400个线程模拟用户的并发连接请求, 总的连接数量在各连接池之间平均分配, 每个用户发出多次请求, 记录平均响应时间。为了考察连接池数量对响应时间的影响, 在5、10个连接池的情况下分别进行了测试, 实验结果如图5所示。图 (a) 为响应时间随连接池大小的变化曲线 (5个连接池) , (b) 为5、10个连接池的响应时间对比 (200用户) 。由实验结果可以得出: (1) 多连接池情况下响应时间的变化趋势与单连接池相似, 连接数量较少时迅速下降, 随着连接数量的增加, 变化比较缓慢; (2) 5、10连接池的响应时间基本一致, 10连接池时略有增加。

实验结果分析:由于连接池之间平均分配连接, 相对与每个连接池, 其请求碰撞的概率与单连接池的情况相似, 从而整体变化曲线与单连接池的情况应该基本一致。连接池数量的变化, 没有引起请求碰撞概率的变化, 因此, 在10连接池时略微增减的响应时间是管理成本的增加。

5结束语

连接池技术是提高数据库访问效率的重要手段, 本文分析了现有连接池技术, 提出了一种动态的多连接池方案。该方案通过多连接池的不同配置, 实现严格的访问权限控制;多连接池采取统一管理, 发生请求碰撞时, 在不同的连接池挂起等待, 实现多用户并行连接池访问;依据连接池运行的历史数据, 作为进一步连接池配置的参数, 从而实现连接池配置管理动态化、自动化。在实现动态多连接池管理的同时, 也加强了数据库访问的安全控制, 同时还实现了异构数据库管理系统 (DBMS) 的统一访问。实验结果表明:该方案的访问效率与单连接池相当, 而且实现了数据库严格的访问控制、连接池动态配置和多数据源的访问。

6致谢

本项目得到了兰州大学中央高校基本科研业务费专项资金资助 (资助项目编号lzujbky-2010-92) 。

参考文献

[1]V.M.Batra, C.Hill, et.al.Connection Pool Management for Backend Servers Using Common Interface:United States, 6105067[P], 2000-8-15.

[2]S.Visveswaran.Connection pools[OL].IBM developerWorks, 2000-11-21.http://www.ibm.com/developerworks/java/li-brary/j-pool/.

[3]孙叶枫, 宋中山.JSP中基于连接池的数据库访问技术[J].计算机应用, 2004, 24 (6) :80-82

[4]黄文, 谢寄石.基于J2EE的数据库连接服务[J].电子科技大学学报, 2002, 31 (1) :67-71

[5]谭波, 谢汶.多种数据库并存环境下的瘦客户机数据访问模式[J].计算机应用研究, 2004 (8) :232-233

[6]魏常辉, 夏克俭, 曾德华.基于XM L的自优化数据库连接池的设计与实现[J].计算机应用研究, 2005 (7) :206-209

[7]李运莉.基于负荷预测的数据库连接池设计与实现[J].计算机与数字工程, 2006, 34 (9) :144-146

[8]宋善德, 郭飞.基于JAVA的WEB数据库连接池技术的研究[J].计算机工程与应用, 2002 (8) :201-203

[9]王峰, 顾啊, 李丽.基于J2EE应用的数据库访问的性能优化[J].计算机工程, 2003, 29 (1) :278-279

动态问题多变化，动静结合巧分类 第2篇

（2015·河北）平面上，矩形ABCD与直径为QP的半圆K如图1摆放，分别延长DA和QP交于点O，且∠DOQ=60°，OQ=OD=3，OP=2，OA=AB=1，让线段OD及矩形ABCD位置固定，将线段OQ连带着半圆K一起绕着点O按逆时针方向开始旋转，设旋转角为α（0°≤α≤60°）.

发现：

（1） 当α=0°，即初始位置时，点P_____直线AB上. （填“在”或“不在”）

求当α是多少时，OQ经过点B.

（2） 在OQ旋转过程中，简要说明α是多少时，点P，A间的距离最小？并指出这个最小值.

（3） 如图2，当点P恰好落在BC边上时，求α及S阴影.

拓展：如图3，当线段OQ与CB边交于点M，与BA边交于点N时，设BM=x（x>0），用含x的代数式表示BN的长，并求x的取值范围.

探究：当半圆K与矩形ABCD的边相切时，求sinα的值.

【思路突破】

发现（1）思路突破：

延长AB交直线OP于E，因为OA=1，∠O为60°，可求OE的长度等于2，即点E与点P重合，所以点P在直线AB上；当OQ经过点B时，如图4，由△AOB是等腰直角三角形，可知∠AOB为45°，所以旋转角α为15°.

发现（2）思路突破：

拓展思路突破：

如图3，由∠ANO=∠BNM，则tan∠ANO=tan∠BNM，=，BN=.如图6，因为OC>OD=OQ，所以当OQ转到Q点在BC上时，BM即为x所取最大值.作QF⊥OD，在直角三角形FQO中，由勾股定理得：

探究思路突破：

【解后反思】

1. 关键步骤是哪几步？

拓展的关键步骤是利用三角函数或三角形相似将BN用字母x表示，而求x的取值范围时，只有OQ转到Q点在BC上时，BM最大；另外，探究中的关键步骤是分类讨论，半圆K与BC、AD相切容易想到，由于OQ=OD，半圆K与DC相切容易漏掉，构造直角三角形将∠α放在直角三角形中也是关键.

2. 有什么值得一学？

动态多数据源 第3篇

PB开发的应用程序要实现数据查询,基本的操作方法主要有2种。一是在数据窗口对象设计环节事先定义相关检索参数,然后在程序中调用数据窗口控件的Retrieve()函数并给出具体检索参数的值,更可实现数据查询。该种查询方法实现较简单,但功能单一,在程序运行过程中不能更改查询的关键字,无法实现动态查询。二是通过数据窗口对象的Query Mode属性,使相关数据窗口处于查询模式,在查询模式下用户可以输入查询条件,之后调用Retrieve()函数实现数据查询。该种方法可实现在程序运行过程中按需查询数据,但要求用户具有一定的SQL语法知识,在实现使用过程中也并非是最好的方法。如何兼故上述两种方法的优点,实现数据的动态查询,笔者认为可以利用数据窗口列(Column)对象的Tag属性,结合自行设计的一个更改Select语句中的Where子句的全局函数,实现应用程序多表数据的动态查询,使之兼顾定义检索参数查询数据操作的方便性和通过QueryMode属性查询数据的灵活性。

2 定义全局函数处理数据窗口列对象的Tag属性

数据窗口列对象的Tag属性用于指定与该列相关的任何文本。在程序运行过程中可以通过Modify()函数或点表达式进行修改。为方便给数据窗口列对象的Tag属性设置列的表名和列名信息,笔者定义一个全局函数f_set_column_tag(),函数相关参数说明:参数dwname,参数类型datawindow,传递方式Value。

函数代码为:

3 定义全局函数更改SELECT语句的Where子句

为方便修改数据窗口对象的SELECT语句,笔者定义了一个全局函数f_change_where(),函数返回类型为Integer。函数相关参数说明:参数adw_main,类型datawindow,传递方式Value,参数as_where,类型string,传递方式Value。

函数代码为:

4 具体应用

下面笔者结合上面所述简单介绍一下如何实现应用程序多表数据的动态查询,模拟界面如图1所示。

在窗口的Open事件中,调用f_set_column_tag()函数,为相关数据窗口列对象预处理Tag属性,并将数据窗口各列的列名以“列号”+“中文列名”的形式装载入查询条件设置中的列名项,具体代码为:

在查询按钮的Clicked事件中,调用f_change_where()函数,进行相关数据查询,具体代码为:

5 结语

在上述论述中,笔者的设计思想实现了查询代码和被查询的数据窗口对象的无关性。在具体实现环境中,所设计的模拟界面可作为通用查询窗口使用。使用在不同的查询环境中,只需要在窗口的Open事件中为dw_1设置数据窗口对象便可。文中提出的这种实现多表查询的方法,可快速实现相关系统的查询模块构建,笔者已将该方法应用于相关软件设计中并取得较好效果。

参考文献

[1]王彤,王良.案例教学法在数据库原理课程中的应用[J].计算机教育,2006,02.

[2]武蕴华,王鹏,夏红霞.提高PB数据库开发中软件重用性两例[J].湖北工学院学报,2001,02.

动态多数据源 第4篇

飞机进港排序是提高终端机场吞吐量、减少能源消耗、减少航班延误的有效措施, 在优化航班终端管理体制中发挥重要作用。面对越来越复杂、多元化的航空发展形式, 国内外专家学者对优化进港排序问题的研究在逐步深入, 呈现百家争鸣的状态, 但是纵观其结果, 主要针对但跑道, 单目标进行。随着计算机技术的不断发展, 飞机进港排序应该实现质的飞跃, 实现多目标动态式的规划模式。因此, 作者针对“基于多目标动态规划的多跑道进港排序”具有现实意义, 希望通过文章的阐述, 能够为航空运输事业的发展注入新鲜血液。

1 问题描述

由于各机场的具体状况不同, 所以无法全面涵盖所有状况进行进港排序的设计, 作者现针对特定条件下进行多目标动态规划的多跑道进港排序, 现将各部分限定条件阐述如下:

1.1 飞机降落时间窗

机场终端服务区内的飞机必须满足一定的限定速度条件, 那么根据飞机在机场各节点的飞行速度可以计算飞机最早的降落时间、最晚降落期限、预计降落时间等信息。现令飞机降落时间参数为ETi;飞机最早的降落时间设定为LTi;飞机最晚的降落时间表示为ETAi;飞机的预计降落时间表示为STAi;根据上述设定条件, 飞机的降落时间窗即为[ETi, LTi]。

1.2 FCFS序列

FCFS序列是建立在飞机最晚降落时间的基础之上的一种具有一般性特征的系列, FCFS序列一般根据飞机的具体位置进行命名, 现规定以下涉及到的FCFS系列按照终端服务区最大吞吐量产生[1]。

1.3 最大位置平偏移

最大位置偏移量是指序列进行成功优化之后产生的FCFS序列中飞机位置的变化程度, 设定优化后的序列为A, 最大位置偏移为k, 那么会的结论。

1.4 降落时间间隔

同一跑道的两架不同飞机实现先后降落, 中间必须间隔一定的时间, 而且时间间隔必须满足特定的安全范围, 现规定以下方案设计中必须满足国际航空组织对于不同类型飞机在统一跑道上实现降落的间隔时间标准。最小尾流间隔标准:重型飞机与重型飞机之间必须满足尾流为94;重型飞机与中型飞机间隔尾流为114;重型飞机与轻型飞机尾流间隔为167。

1.5 平行跑道

作者限定研究的机场类型为平行跑道模式, 是指飞机降落的跑道与跑道之间处于平行的状态, 而且能够达到距离较近的要求。那么可以理解为飞机在到达两条跑道需要的时间基本不会有太大差别, 而且相邻跑道上降落的飞机能够保证安全的时间差。令双跑道同时运行过程中的安全时间间隔为40 秒。

1.6 优化目标

飞机进港排序进行优化升级的总体目标是一致的, 都是为实现吞吐量达到最大化、飞机延误时间降到最低、消耗的燃料成本尽可能减少。作者进行的设计方案规定进港飞机均可以早于最晚降落时间实现降落, 用公式可以描述为:

ETi<ETAi<LTi

那么此时吞吐量最大化可以表示为:

上述公式中, STAAn表示最晚实现降落的飞机降落时间;t0表示规定的调度时间, 如果t0的值是0, 那么实现吞吐量最大的方式是保证最后降落飞机的降落时间最小化[2]。

降落消耗最小化的公式:

上述公式中, ci (STAi) 表示第i各飞机实现降落过程中的多余消耗部分;额外消耗部分会根据不同类型的飞机发生变化, 现规定ci (STAi) =|STAi-ETAi|。

1.7 结果权重

在进行多目标动态规划进港排序优化的过程中, 根据优化目标往往能够产生多个Pareto个优化结论。作者现设定结果权重为:首先要求对Pareto曲线上的多个节点进行统一化的处理;然后抽取Pareto曲线上凸出优化点;最后以抽取的凸点与其相邻的两个凸点进行连线并取其平均值。

1.8 离港排序

在进行飞机进港排序设计的同时, 需要对机场离港飞机进行有效考虑, 文章中将离港飞机的花费与进港飞机的花费按照同一时段同一跑道状况下相同予以考虑。

2 优化策略

2.1 CPS动态规划算法

动态规划算法主要由两类方式实现:一是深度优先搜索, 主要是通过对每条路径进行不同的规划, 然后因公剪枝等手法寻求最优解决途径的搜索方式;而是宽度有限搜索方式, 是指按照不同路径的具体特征进行逐步深入式的搜索方式。在进港排序优化设计中, 由于不尽相同的路径之间存在一定的交叉节点, 所以, 深度有限搜索在运用过程中将产生诸多重复性的工作。因此, 规划方法的选择上应该运用宽度有限搜索的方式[3]。

2.2 优化CPS动态规划算法

为达到多跑道动态的进港排序, 递推过程中的各个层级结点上飞机数量应该降到最低限度, 能够达到掌握有效信息的目的视为成功。在进行进港排序的过程中, 已经实现降落的飞机和具体跑道上最后需要降落的飞机类型是其关键因素, 所以应该在飞机节点后面标注没条跑道最后一架飞机的类型信息。针对飞机的飞机的降落时间信息, 应该在以往r维矩阵进行有效有效的优化和升级, 将以往的r维时间矩阵进行离散化处理, 让其功能更加全面, 进而有效的提高运算的速度和准确率。

2.3 贪心策略

在进行算法优化的过程中, 需要融入一定的贪心操作。在优化的CPS动态规划算法中, 递推矩阵已经实现了三元组化, 有利于进行三元组的选择工作, 为贪心操作提供了可能性。融入贪心策略的总体指导思想是将每一个f|m|s|type1| type2|下设的某个三元组进行分析和优化, 产生一种侧重于未排序飞机的最优化状态。如果通过一定的运算程序已经判定了一个或者一类三元组属于等同状态, 那么可以将其进行处理之后进行删除, 有效的节约解空间, 提高运算效率[4]。

3 结束语

实现多目标动态规划的多跑道进港排序是航空运输业长足发展需求, 是提高航空和运输效率的要求, 是继续推动现代化建设有序进行的要求。希望通过文章的阐述, 能够引发相关部门航空工作者针对优化飞机进港排序的共同关注, 变革传统观念, 优化算法, 整合国际范围内的高级技术成果, 全面优化升级飞机进港排序, 促进航空运输事业的稳固发展, 使航空运输业为社会发展贡献更多的力量。

摘要：伴随社会的全面发展, 现代化的交通事业得到关注与发展, 航空运输作为现代交通工具的典型代表, 对促进社会的发展起着重要的作用。伴随航空运输行业的发展, 航班出现晚点、延误的情况越来越多, 除去气象等自然原因的影响, 飞机进港排序是影响航班正常运行的关键因素。由于多跑道进港排序是一项复杂的工程, 所以现阶段针对此问题没有形成长效的解决方案。文章以多跑道进港排序为研究视角, 以实现多目标动态规划为出发点炸开讨论, 旨在为飞机进港排序优化升级提供意见。

关键词：进港排序,多跑道调度,多目标优化

参考文献

[1]张启钱, 胡明华, 张洪海.基于RHC-GA的多跑道进离场航班多目标动态优化模型[J].交通运输工程学报, 2015, 10 (2) :70-78.

[2]冯翔, 杨红雨.进港飞机调度多目标优化问题的改进NSGA-II算法[J].电子科技大学学报, 2014, 9 (1) :66-70.

[3]梁曼, 马兰, 邹飞.基于混合动态规划算法的进场航班排序[J].广西师范大学学报 (自然科学版) , 2014, 5 (1) :44-50.

多车型动态车辆调度及其遗传算法 第5篇

当有多种车型可用时,对同一项运输业务来说,使用不同车型的车时、可载量常不一样,所需的空车数也不相同。本文所研究的VRP是以容量不同来划分不同车型的。目前,国内外关于多车型车辆调配问题的研究都很少。文献[1]、[2]采用模拟退火算法和改进的节约算法(modified saving algorithm)对多车型配送车辆调度问题进行了研究;文献[3]考虑到任务的特性和车辆的专用性,任务类型与车型的匹配问题;文献[4,5,6,7]分别从不同的侧面不同车型对线路的影响:车型的标定的载重量、车型的运输价格、车型固定成本。综合来看目前的多车型车辆调度研究中的不足:①在进行车型选择时,在处理车型对线路的影响以及线路对车型的需求时,人为的限定了解的范围,可能丢失最优解;②一般以运输距离作为优化目标,没有反映出运输成本中另外重要影响因素:运输量、车辆利用率。

总之,多车型车辆调度的关键在于解决好车型对线路的影响以及线路对车型的需求,使总成本最低。本文研究的多车型车辆调度问题,首先,以路径最短为目标,允许多种车型同时调用,先给定可能的路径,然后匹配车辆,再检验成本大小,进行动态车辆调度优化,并给出相应遗传算法;然后,以油耗成本为目标,考虑到车型的载重量的不同,并且考虑线路中载重量的动态变化,进行动态车辆调度优化。后者不仅考虑了不同车型的容量不同,而且考虑了动态载重量的油耗的成本,所以更加符合实际情况,因此其优化结果更加合理。

2 问题的分析

多车型动态车辆调度问题是指在管理由一定数量不同型号的运输车辆所组成的车队,面对多个顾客点确定的运输任务需求,允许不同车型同时调用,在一定的约束条件下制定出合理的车辆选择和路径安排方案,以满足完成各顾客点的运输任务需求,从而达到调度的总成本最小的目标。

问题的实质就是在任务需求分布已知的情况下制定出服务各顾客点的车辆调配方案。由于车队中有多种不同型号的车辆,车型对路径的影响以及路径对车型的要求,进行动态的车型选择和路径安排。

问题一般描述为:有一车场,拥有w种不同的车型,容量为qv的车辆,现有l项货物运输任务,以1,,l表示,已知任务i的货运量为gi(i=1,,l),且0giqv, m为所需总的车辆数,求满足货运要求的费用最小的车辆行驶路线。车场可以是泛指车辆发出地,也可以是车库、货场、仓库或配送中心等。

3 以距离成本为目标的动态优化

3.1 确定所需车辆数量

车型对路径安排有影响,车型容量大则需要的车辆少(假设一辆车对应一条支线)。所以事先并不能确定需要多少辆车,只能得到一个范围:

$\left[\frac{{\displaystyle \sum _{i}g}{}_i}{q{}_v^{\max }}\right]+1m\left[\frac{{\displaystyle \sum _{i}g}{}_i}{q{}_v^{\min }}\right]+1,\forall i=1,2,\cdots ,l(1)$

其中,qmaxv是最大车型容量,qminv是最小车型容量。但在算法设计中取m的最大可能值。

3.2 遗传算法设计

(1)编码及初始群体

这里采用序数编码,用1到l表示l个城市,l+1到l+o表示车场。 需要注意我们在个体的编码里车场数o=m-1,在解码的时候整个线路两端分别加入一个车场,构成m条支线。这样的编码允许车场与车场相邻,当车场与车场相邻时,距离为零,算法会自动选择合适的车辆数量。

那么对于任意一个给定的个体,找到车场编码位置,并按顺序放置在一维数组b[o]中,则线路的第一个任务点到车场b[1]构成一条支线,中间b[1]到b[2]之间构成第二个支线,依次类推,到最后b[o]到最后一个任务点构成第m条支线。并且通过设定车场到车场之间的距离为极大值,避免车场编码相邻的情况。

(2)确定目标函数值

①判断是否符合车辆容量约束。先求出线路中各支线的送货量gk,若gk>qmaxv,则线路不可行; 可以在程序中使用惩罚因子来实现这个约束条件,如式(2)所示。

$\begin{array}{l}\min z={\displaystyle \sum _{i=0}^l{\displaystyle \sum _{j=0}^l{\displaystyle \sum _{k=1}^{m}c}}}{}_{ij}x{}_{ijk}\\ +{\rm M}{\displaystyle \sum _{i=1}^l{\displaystyle \sum _{j=1}^l\text{m}}}\text{a}\text{x}\left|{\displaystyle \sum _{i=1}^{l}g}{}_{i}y{}_{ki}-q{}_v^{\max },0\right|(2)\end{array}$

式中,${\rm M}{\displaystyle \sum _{i=1}^l{\displaystyle \sum _{j=1}^l\max }}\left|{\displaystyle \sum _{i=1}^{l}g}{}_{i}y{}_{ki}-q{}_v,0\right|$表示若解违反容量约束处以的惩罚值。为严格满足容量约束,应有M∞,但考虑计算机处理的方便,M可取适当大的正数。

②为个体的各个支线匹配车型。求出所有车场之间的送货量gk;根据车场之间的送货量确定该车场之间的运输车型,将车型按容量从小到大排序。若支线的容量等于零,则是车场与车场相邻,取车型0;若支线容量gkqminv,则该支线配备最小容量车型;若支线容量在两种车型之间,则该支线取较大车型。

③求各支线距离,加总得个体总距离。

(3)遗传操作

①选择。

使用的适配值函数为:

$f{}_{i^{\prime }}=1-\frac{f{}_i-f{}_{\min }}{f{}_{\max }-f{}_{\min }+0.0001}(3)$

其中,fi为个体的目标函数值,fmax、fmin为群中最大和最小个体的目标函数值,利用fi′>rand选择个体,将较小目标值的路径(适应度较大)个体选择下来。

②交叉。

采用部分匹配交叉策略,其基本实现的步骤是:随机选取两个交叉点;将两交叉点中间的基因段互换;将互换的基因段以外的部分中与互换后基因段中元素冲突的用另一父代的相应位置代替,直到没有冲突。

③变异。

使用互换操作算子(SWAP),即随机交换染色体中两个不同基因编码的位置,SWAP相对于INV(逆序操作)和INS(插入操作)更有利于算法的大范围搜索。

④群体的跟新和终止条件。

为保证计算随迭代次数的增加,最优解越来越好,每次变异后将每次的上次迭代最优解加入群体,防止因交叉或变异而是最优解失去,出现退化现象。为保持群体数目不变,变异后产生随机解加入群体(本算法群体数目选择中可能发生减少)。终止条件最常用的有事先给定一个最大进化步数。

4 以油耗成本为目标的动态优化

不同车型容量不一样,其耗油水平也不一样,为了更好的反映不同车型对路径成本的影响,本小节提出以油耗成本作为目标函数,进行多车型的动态优化。

4.1 目标函数分析

在车辆运输业中,车辆有效利用程度的一个重要指标就是实载率。实载率可以综合表明车辆行程和载重量两方面的利用程度,是里程利用率与载重量利用率之乘积。它较全面地评价车辆结构和企业运输组织不同时,车辆有效利用程度。对于非满载车辆调度问题,线路中车辆的载重是不断变化的,所以其实载率也是不断变化的。在运输线路的第i段运输中,我们用ri表示车辆的实载率,gi表示车辆实际载重,q表示车辆标定载重。则车辆的的实载率可以用式(4)表示:

$r{}_i=\frac{g{}_i}{q}(4)$

一般在给定车型的情况下,车辆的油耗与车辆的载重有一定的联系,本文假定其成正比关系。若给出h1为车辆的空载单位距离油耗,h2为车辆的满载单位距离油耗,ri为车辆实载率,可以用式(5)表示线路中第i段运输中车辆的单位油耗hi′.

$h{}_{i^{\prime }}=h{}_1+r{}_i(h{}_2-h{}_1)(5)$

当已知车辆载重gi时的运距li,可以根据式(4)、式(5)得到车辆运输过程中的总油耗表达式:

$c=l{}_i[h{}_1+r{}_i(h{}_2-h{}_1)]=h{}_{1}l{}_i+l{}_{i}r{}_i(h{}_2-h{}_1)(6)$

依据式(6)可以得到考虑油耗成本的多车型动态车辆调度的目标函数为:

$\begin{array}{l}\min z={\displaystyle \sum _{i=1}^l{\displaystyle \sum _{j=1}^l{\displaystyle \sum _{k=1}^m{\displaystyle \sum _{v=1}^{w}d}}}}{}_{ij}x{}_{ijk}h{}_{v1}\\ +{\displaystyle \sum _{i=1}^l{\displaystyle \sum _{j=1}^l{\displaystyle \sum _{k=1}^m{\displaystyle \sum _{v=1}^{w}d}}}}{}_{ij}r{}_{ijk}(h{}_{v2}-h{}_{v1})x{}_{ijk}(7)\end{array}$

其中,

$r{}_{ijk}=\frac{{\displaystyle \sum _{i=1}^{t}g}{}_i-{\displaystyle \sum _{i=0}^{j-1}g}{}_i}{q{}_v}(8)$

hv1为车辆k是车型v时空载时单位油耗;hv2为车辆实载时单位油耗。rij表示线路中支线的车辆k从i到j的运输实载率,且该支线的城市数为t(包括两端的车场)。

4.2 求解方法调整

在第3节以距离最小为目标的遗传求解过程中,加入一条求线路中支线的油耗成本:在支线中从车场到第一个任务点是满载,从第一个任务点到第二个任务点的载重量是总载重减去第一个任务点的货运量,后面依此类推,到最后回到车场的运输是空载。

依据式(6)得支线的油耗成本,其中t为各支线的任务点个数(包括车场):

$c{}_k={\displaystyle \sum _{i=1}^{t}d}{}_{i(i+1)}[h{}_{v1}+\frac{{\displaystyle \sum _{i=1}^{t}g}{}_i-{\displaystyle \sum _{j=0}^{i-1}g}{}_j}{q}(h{}_{v2}-h{}_{v1})](9)$

通过式(9)求得线路中k条支线的油耗,然后加总就可以得到整个线路的总油耗成本。

5 实例

为方便比较,取一个实例:有9个城市,1个车场,其坐标及任务量如表1,给定3种车型,车辆容量分别为5、10、15。车辆空载时单位油耗分别为15、20、25,车辆满载时单位油耗为20、25、30。

5.1 以距离为目标的动态求解

本文利用MATLAB进行来实现上述的遗传算法:

①确定车辆数量,也可以看作是线路的支线数量,依据式(5)求得2m6,取m=6,则编码会对应6条支线;

②进行编码:1,2,,9表示任务点; 10,11,,14表示车场;

③利用遗传算子求解,在给定选择概率pc=0.9和变异概率pm=0.2,迭代200次,最后收敛于最优解。

最优线路为(11,12,9,3,7,4,6,8,2,10,13,5,1,14),车型(0,0,2,0,2,0),成本为393.22;解码去掉车场与车场之间的0线路,可得两条支线(见图1):0-9-3-7-4-6-8-2-0,对应车型为2;0-5-1-0,对应车型为2。

5.2 以油耗为目标的动态求解

以油耗成本为目标函数,利用MATLAB进行路径优化的遗传算法求解(计算过程同上):

最优线路为(13,2,8,6,4,7,10,11,1,5,3,12,14),车型(0,2,0,2,0,0),成本为9070.9;解码去掉车场与车场之间的0线路,可得两条支线(见图2):0-2-8-6-4-7-0,对应车型为2;0-1-5-3-0,对应车型为2。

另外,可以计算出以油耗为目标求得最优解的运输总路程为443.3; 而5.1小节中,以距离为目标的最优解的线路油耗为9977.7。

可见,虽然从路程上来看,以距离为目标优化的路径要短,但实际上其所消耗的燃油成本更高,而优化之后求得的结果能够节约油耗成本706.8。这说明通过对运输成本的进一步的分析,综合考虑运输距离和运输量对油耗量的影响,更加科学合理。

6 结论

本文研究了允许多种车型同时调用的动态车辆调度问题。首先,以路径最短为目标,考虑车型与路径需求的相互影响,进行动态车辆调度优化,并给出相应遗传算法;然后,以油耗成本为目标,考虑到车型的载重量的不同,并且在线路中车辆载重量的动态变化,进行动态车辆调度优化,并给出了遗传算法。后者不仅考虑了不同车型的容量不同,而且考虑了动态载重量的油耗的成本,所以更加符合实际情况,因此其优化结果更加合理。

摘要：研究了允许多种车型同时调用的动态车辆调度问题:分别以路径最短为目标和以油耗成本最少为目标进行动态车辆调度优化,并设计了相应的遗传算法。本文最后的实例进行了验证,发现以油耗最少为目标,不仅考虑了不同车型的容量限制,而且考虑了动态载重量的油耗影响,更加符合实际情况,因此其优化结果更加合理。

关键词：多车型,动态车辆调度,遗传算法

参考文献

[1]Ferland J A,Michelon P.The vehicle schedulingproblem with multiple vehicle types[J].Journal ofthe Operation Research Society,1988,39:577~583.

[2]Blanton J L,et al.Multiple vehicle routing withtime and capacity constraints using geneticalgorithms[A].Proceedings of the FifthInternational Conference on Genetic Algorithms[C].LosAltas,CA,1993:452~459.

[3]李冰.多车型确定性动态车辆调配问题[J].管理工程学报,2006,3:52~56.

[4]石洪波,郎茂祥.JD多车型配送车辆调度问题的模型及其禁忌搜索算法研究[J].长沙交通学院学报,2005,3:73~77.

[5]经怀明,张立军.多车型车辆调度问题的建模与仿真[J].计算机仿真,2006,4:261~264.

[6]钟石泉,贺国光.多车场有时间窗的多车型车辆调度及其禁忌算法研究[J].运筹学报,2005,12:67~72.

从多阶段动态博弈探讨信息安全技术 第6篇

1概述

1.1研究背景

网络可生存性起源于军事领域,是继可靠性、可用性安全性可依赖性之后对网络性能进行评价的又一新指标【1】。生存概念融合了传统的安全理念,又经进一步延伸而包含了新内容,强调网络业务的持续性,即系统在遭受攻击、故障及意外事件时依然能及时完成关键任务的能力【2-5】。网络入侵行为的简单化和智能化使得信息所有方和信息使用方的所有权关系发生了改变,而且这一转变似乎具有不可逆转的趋势,由此产生的信息安全问题成为了当前的关注焦点。

1.2国内外研究不足

在处理不完全信息要素时,通过将某些参与人“类型”的不确定性作为信息不完全性的一种表征,这种方法将继续得以采用,即博弈中参与人面临的信息不完全性(无论它是指何种信息)将完全由某些参与人的“类型”的不确定性加以刻画【6-8】。同时,作为动态博弈,“序贯理性”的思想将一直得到贯彻。在不完全信息动态博弈中将信息不完全程度削减到零,则不完全信息动态博弈就自然应退化成一种完全信息动态博弈,其相应的精炼均衡概念就由精炼贝叶斯回到子博弈精炼均衡【9】。传统的信息安全技术中,运用战略式表述动态博弈,其缺陷表现在:看不出行动的先后顺序;对于描述2 人以上的博弈较不方便。在本次研究中将会针对不足做出算法改进,确保信息安全。

1.3研究意义

本文研究中,提出一种基于多阶段动态博弈的信息安全技术,对提升信息安全性发挥积极影响。在现阶段,很少有研究注重实证分析。本次研究中,优化信息安全技术模型,建立主动的防御安全体系,通过态势感知、风险评估、安全检测等手段来实施主动防御成为了本次信息安全技术的研究战略目标;并通过设计实现,分析该信息安全技术应用效益,使得本研究具有实用价值。

2多阶段动态博弈技术

2.1需求分析

对于当前信息安全技术中,其对于信息的安全需求,以及实际安全是有相对性的。只有在某种信息安全的水平条件下,以及在某种特定情况下,信息安全技术才可被认为是最安全的,超出这个情况,不一定是安全的【10】。对于信息安全技术中,进行多阶段动态博弈,可以针对每一个阶段情况进行分析,确保提升信息安全技术水平【11】。信息网络节点越多信息网络越脆弱【12】。随着当前我国信息化水平技术的提高,以及国家互联网技术的发展,信息网络结点越多,对于信息安全技术的需求也会越大。

2.2多阶段动态博弈的原理

对于多阶段动态博弈之中,其参与人进行的安全行动,也有先后的顺序,对于后行动参与人,可以观测先行动人的行动,特别是能根据先行动的参与人的行动调整或做出自己的战略选择。多阶段动态博弈树的基本材料如图1所示:

对于网络信息安全技术中,基于多阶段动态博弈,当信息安全技术提升,那么该技术下层面客户以及合作伙伴就会越安全。

2.2避免信息混淆

某参与一个战略的表述是,将其在每一个信息集选择的行动依次排列;为了避免表述的混乱,不同信息集,同样行动应应采用不一样的标识【13-15】。例如,在上例中,“坦白,抵赖”,和“抵赖,坦白”容易产生混淆,因此,最好将决策点c的行动表述为“也坦白”和“也抵赖”。这时,参与人2 的四个战略就分别为:“坦白,也坦白”,“坦白,也抵赖”,“抵赖,也坦白”,“抵赖,也抵赖”。

2.3逆向归纳法重复剔出劣战略

运用逆行归纳法,可以多阶段的在扩展式博弈上重复剔出劣战略:从最后一个决策结开始,依次剔除掉每个子博弈的劣战略,最后保留下来的战略构成精炼纳什均衡【16】。两个参与人都是理性的,如果参与人1不认为参与人2是理性的,参与人1在第一阶段可能会选择D,期望在第二阶段参与人2 可能选择R,从而自己(参与人1)在第三阶段有选择U的机会。或者,即使参与人2 知道参与人1 是理性的,但如果参与人1 不认为参与人2 知道参与人1 是理性的,参与人1 在第一阶段选择D,期待参与人2 认为自己(参与人1)不理性,因而在第二阶段选择选择R,期待自己(参与人1)在第三阶段选择D'。

例如,图2。

可以应用纳什均衡支付向量,以此来代替子博弈,一旦参与1的第二个信息集开始的子博弈被它的纳什均衡结果取代,就可提升信息安全。

3基于多阶段动态博弈的信息安全技术

对于某网络企业发展中,设网关遭受病毒侵害时,其损坏概率为p,且p>O;网关成本是c,且c>0[8]。如下图3中描述的就是该网络信息安全技术的模型。

在网络中,有A1企业和A2企业,且每个企业目标都为实现利润的最大化,在其设计实现信息安全技术决策中。实验网络的攻防博弈粗糙图可以用弧目录形式来表示。通过对攻防博弈下近似粗糙图的分析可以得到Eve的攻击路径有3 条。第1 条攻击路径序列为( a1或a2,a5,a4) ,即Eve通过管理员用户或者正常用户登录后,假冒USER2 使用Apache Chunk进行攻击进而控制Apache,再通过Ftp. rhost漏洞的专用工具取得File的访问权限; 第2 条攻击路径序列为( a1,a5,a4) ,即Eve通过正常用户登录后,假冒USER1 使用Apache Chunk进行攻击控制Apache,再通过Ftp. rhost漏洞的专用工具取得File的访问权限; 第3 条攻击路径序列为( a1,a3,a4)即Eve通过正常用户登录后,假冒USER1 使用溢出攻击来对DB服务器的攻击。

1)当2个A1企业和A2企业在同时投资,都不会感染到信息病毒,也不需要负担信息安全中的网关损失,企业受益是Yi-ci(见图4中所述)。

2)对于两个企业,A1企业投资,而A2企业不投资,A2传染给企业概率是p21,A1收益为Y1-c1-p21L1。A2没有投资的成本,也承担网关、病毒侵入损失,收益期望为Y2-P2L2-pc(见图5中)。

3)同理可以得出,当A2企业投资,而企业A1不投资时,就可推出A1企业的期望收益是Y1-p1L1-pc ,而A2期望的收益就是Y2- c2- p12L2(见图6)。

4)当对于这2 个企业都不进行投资时,那么对于每个企业,病毒或者是直接的侵入信息安全数据中,要么是间接的侵入。因此,就需要两企业来共同的负担网络安全技术方面的损失。因此,对于其网络安全技术的多阶段动态博弈中,其A1感染病毒概率是1-(1-p1)(1-p21)= p1+p21-p1p21,A2感染的概率则是:1-(1-p2)(1-p12)= p2+ p12- p2p12。MTD (f) 算法:

因此,对于这2 个企业中,A1 的期望收益是Y1- ( p1+ p21-p1p21)L1-pc /2,A2的受益为Y2-(p2+ p12-p2p12) L2-pc/2(见图7)。

在网络资源的分配模型中, 使用的网络安全技术资源比例,也就会相对的较多, 多阶段动态博弈中,对每个用户网络安全可以向技术资源提交出价,并能够获得资源的份额,在进行资源的分配过程中,必须要遵循正比例出价共享的原则,对于所占份额x (b)以及出价b,需要满足下面关系式:

式中,可以表示所有网络信息安全技术用户出价之和。 因此,对于第i个用户中,其所可以获得k类信息安全资源的份额,为该用户出价和所有用户出价的总和比。 当时第i个网络用户,主要是完成类型k任务而选择的资源能力。.Bk为网络资源从用户集合AM中接收总的用户出价, 并且得出:

第i个网络用户中,其可以分到资源数量就是

针对信息安全中的多阶段动态博弈问题,进行求解,可以设计在网络资源分配合作博弈均衡算法下。对其中每个网络的资源根据其计算执行能力,采取降序的排列( μ1≥μ2≥ …≥μn)

依据上述算法实现过程, 可计算出以λ的代价换取网络计算资源。

由商表1中可知,对于A1企业,由于应用信息安全技术,占一个优策略,当以下两个公式成立。

根据公式得出:C1< p1L1+pc

上式中的含义就是:针对A1来说,在实际上投资成本比期望损失小的时候,A企业才进行对网络信息安全采取技术措施方面的投资。由公式可知:

比较能够得出,在A2不投资时,A1可能会传染A2,并且有A2、A1共同去负担网关安全技术损失,这样就会使得A1企业投资过程中的约束条件变紧,降低其投资信息安全技术方面的动机。

4应用效益分析

在信息安全技术中,运用多阶段动态博弈,应用信息安全标准,基于访问控制以及入侵检测方面,计算其效益,公式为:

( B为收益,C为成本,K则为折现率,t是时间周期,n表示思考所用时间周期的数量),根据这个净现值模型,评估多阶段动态博弈中信息安全技术的应用效益。同时,优化设计多阶段动态博弈策略选择算法,有助于积极积极记录、分析、量化攻击方式、目标、数量及类型,优化配置信息网络,将有效提高信息安全技术应用性能,提升达8.0%。基于多阶段动态博弈的信息安全算法,最终可使网络上各个用户的利益最大化,发挥应用效能。

4 结论

动态多数据源 第7篇

空中交通流量的迅速增长,使得空中拥挤问题越来越严重。目前解决空中拥挤问题最常用的方法是采用地面等待策略(ground-holding policy,GHP),即当空中拥挤时通过地面等待策略将可能产生的空中等待转化为地面等待,这样不仅能有效地减少延误成本,更能增加安全保障。

国外对多机场地面等待问题(MAGHP)研究的比较早,文献[1,2]首次提出了多机场地面等待问题,并研究了地面等待策略的实时性问题和多机场受限的地面等待问题。文献[3,4]对多机场地面等待问题作了进一步研究,对已提出的三种模型进行了计算机评估。文献[5]又把受限元扩展到航路上,首次提出考虑扇区容量限制的多机场地面等待问题稳态模型,并进行了详细地分析。文献[6]对该模型的随机情况进行了分析并求解。但文献[5,6]由于对每个飞机在每个扇区的出现时间都设了0～1变量,使得求解规模相当大,不易求出实时解。国内,对多机场地面等待问题研究的比较晚。文献[7]建立了确定容量下的多元受限地面等待模型,并将启发式和专家系统算法相结合对模型进行了求解。文献[8]又对多机场地面等待模型进行了进一步研究,提出了简化的多机场地面等待模型。文献[9]在确定型多机场地面等待问题的基础上建立了多元受限航班时刻优化模型并提出了前推后推的启发式算法。

本文建立了考虑扇区容量限制的多机场地面等待动态模型,并提出了一种基于航班优先次序的启发式算法,求解时还考虑了目的机场的容量变化以及不同航班单位延迟费用的不同,仿真结果表明了算法的有效性。

1考虑扇区容量限制的多机场地面等待静态模型

考虑一系列的航班F={1,,F},一系列的机场K={1,,K},一系列的时间周期T={1,,T},一系列的扇区J={1,,J}和一系列成对的连续航班ξ={(f′,f):f′ 是航班 f 的后航班},给出以下的参数变量:

Nf:航班f航路上经过的扇区数,Nf∈J;

$\begin{array}{l}{\rm P}(f,i)=\\ \{\begin{array}{l}\text{如}\text{果}i=1,\text{表}\text{示}\text{是}\text{航}\text{班}f\text{的}\text{起}\text{机}\text{场}\\ \text{如}\text{果}1<i<{\rm N}{}_f,\text{表}\text{示}\text{是}\text{航}\text{班}f\text{的}\text{第}(i-1)\\ \text{个}\text{扇}\text{区}\\ \text{如}\text{果}i={\rm N}{}_f,\text{表}\text{示}\text{航}\text{班}f\text{的}\text{目}\text{的}\text{机}\text{场}；\end{array}\end{array}$

Pf=(P(f,i):1iNf);

Dk(t)为机场k在时间t时的离去容量;

Ak(t)为机场k在时间t时的到达容量;

Sj(t)为扇区j在时间t时的容量;

df为航班f的计划起飞时间;

rf为航班f的计划到达时间;

sf为航班f完成后,航班准备下一航班的必需时间;

cgf为航班f在地面等待一个单位时间的花费;

caf为航班f在空中等待一个单位时间的花费;

lfj为航班f通过扇区j必须花费的时间;

tf′,f为连续航班间的松弛时间。

定义决策变量

$\omega {}_{f,t}^j=\{\begin{array}{c}1,\text{航}\text{班}f\text{在}t\text{时}\text{或}t\text{时}\text{前}\text{经}\text{过}j\text{扇}\text{区}；\hfill \\ 0,\text{其}\text{他}。\hfill \end{array}$

该变量是一个阶跃函数,即飞机在某一时刻到达扇区后,该值变为1,并一直是1。

定义决策变量

$u{}_{f,t}^j=\{\begin{array}{c}1,\text{飞}\text{机}f\text{在}t\text{时}\text{达}\text{到}j\text{扇}\text{区}；\hfill \\ 0,\text{其}\text{他}。\hfill \end{array}$

该变量是一个脉冲函数,决策变量u${}_{f,t}^j$实际表示飞机从一个扇区进入另一个扇区的转折时间点,于是可以得到如下的关系式

u${}_{f,t}^j$=ω${}_{f,t}^j$-ω${}_{f,t-1}^j$。

定义决策变量

$v{}_{f,t}^j=\{\begin{array}{c}1,\text{飞}\text{机}f\text{在}t\text{时}\text{在}j\text{扇}\text{区}\text{内}；\hfill \\ 0,\text{飞}\text{机}f\text{在}t\text{时}\text{不}\text{在}j\text{扇}\text{区}\text{内}。\hfill \end{array}$

该变量是一个独立方波函数,v${}_{f,t}^j$表示了飞机在扇区j的停留时间,于是可以得到如下的关系式

v${}_{f,t}^j$=ω${}_{f,t}^j$-ωj′f,t。

j′扇区是飞机f航路上扇区j后紧跟的扇区。

航班f地面等待时间等于其分配离场时间减去计划起飞时间,为

$g{}_f={\displaystyle \sum _{t}u}{}_{f,t}^{k}t-d{}_f={\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_f$;k∈P(f,1)。

航班f的空中等待时间为飞机的实际到达时间减去飞机的计划到达时间再减去飞机的地面等待时间,为

$\begin{array}{l}a{}_f={\displaystyle \sum _{t}u}{}_{f,t}^{k}t-r{}_f-g{}_f=\\ {\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_f-g{}_f；k\in {\rm P}(f,{\rm N}{}_f)。\end{array}$

目标函数取总的延迟费用最小,为地面延迟和空中延迟费用之和,目标函数化简得

$\text{Μ}\text{i}\text{n}z={\displaystyle \sum _{f\in F}[}c{}_f^{\text{g}}g{}_f+c{}_f^{\text{a}}a{}_f]$=

$\begin{array}{l}{\displaystyle \sum _{f\in F}[}(c{}_f^{\text{g}}-c{}_f^{\text{a}}){\displaystyle \sum _{t,k={\rm P}(f,1)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t+\\ c{}_f^{\text{a}}{\displaystyle \sum _{t,k={\rm P}(f,{\rm N}{}_f)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t+\\ (c{}_f^{\text{a}}-c{}_f^{\text{g}})d{}_f-c{}_f^{\text{a}}r{}_f]。\end{array}$

飞机有最大地面等待延迟时间限制,最大空中延迟时间限制,即0gfdg,0afda,也就是

$0{\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_{f}d{}_g$;k∈P(f,1);

f∈F。

$0{\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_f-g{}_{f}d{}_a$; k∈P(f,

Nf);f∈F。

起飞机场容量限制

${\displaystyle \sum _{f,k={\rm P}(f,1)}(}w{}_{ft}^k-w{}_{f,t-1}^k)D{}_k(t)$;∀k∈K,t∈T。

目的机场容量限制

${\displaystyle \sum _{f,k={\rm P}(f,{\rm N}{}_f)}(}w{}_{ft}^k-w{}_{f,t-1}^k)A{}_k(t)$;∀k∈K,t∈T。

扇区容量限制

${\displaystyle \sum _{f,1<j<{\rm N}{}_f}v}{}_{ft}^j={\displaystyle \sum _{f,j={\rm P}(f,i),j{}^{´}={\rm P}(f,i+1),i<{\rm N}{}_f}(}w{}_{ft}^j-w{}^j{}_{ft}^{´})$

Cj(t);∀j∈J,t∈T。

Cj(t)是t时j扇区的容量限制。

扇区连续性约束条件

ωj′f,t+lfj-ω${}_{f,t}^j$0 ∀f∈F,t∈T,j=P(f,i),j′=P(f,i+1),i<Nf 。

航班连续性约束条件

ω${}_{f,t}^k$-ω${}_{f{}^{´},t-t{}_{f{}^{´},f}}^k$0 ∀(f′,f)∈ξ;t∈T,k=P(f,1)=P(f′,Nf)。

时间连续性约束条件

ω${}_{f,t-1}^j$-ω${}_{f,t}^j$0 ∀f∈F,t∈T,j∈J。

时间连续性约束条件间接保证了每个航班只能起飞一次的唯一性约束条件。对悬挂飞机,由于会在某个扇区两次进入,为保证模型的成立对该扇区依次序编两个不同的序号。

2考虑扇区容量约束的多机场地面等待动态模型

动态模型在一天里会根据容量的变化对航班的起飞和着陆时间进行调整。在每一次调整时,航班有三种情况,该次航班还未起飞,该次航班在空中,该次航班已降落。对第三种情况直接从程序数据库中删除就可以了,动态模型对前两种情况要分别处理。对航班还未起飞情况,其起飞,进入各扇区和下降时间都可以重新分配,对已起飞航班,其地面延迟时间已是一个常量,航班将不能改变目前时间之前的状态。还要注意两点,一是已起飞的航班由于空中延迟费用肯定大于地面延迟费用,所以相对于未起飞的飞机在容量分配上有优先权,这样处理可以缩小求解规模;二是对已起飞的飞机必须保证其降落,所以可分配容量是剩余容量,即要剔除掉将被已起飞飞机占用的容量。

假设在τ时,系统根据外界环境的变化重新进行优化。设此时的航班集合分成两类,Fa表示在航路上的航班集合,Fg表示还未起飞的航班集合,Fa∩Fg=φ,Fa∪Fg⊆F,Gf表示已起飞航班的地面等待时间,该时间是一个确定值。首先来看延迟费用

$\begin{array}{l}z={\displaystyle \sum _{f\in F{}^a}[}c{}_f^{\text{g}}G{}_f+c{}_f^{\text{a}}a{}_f]+{\displaystyle \sum _{f\in F{}^g}[}c{}_f^{\text{g}}g{}_f+c{}_f^{\text{a}}a{}_f]=\\ {\displaystyle \sum _{f\in F{}^a}c}{}_f^{\text{g}}G{}_f+{\displaystyle \sum _{f\in F{}^a}c}{}_f^{\text{a}}[{\displaystyle \sum _{t,k={\rm P}(f,{\rm N}{}_f)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_f-\end{array}$

$G{}_f]+{\displaystyle \sum _{f\in F{}^g}[}c{}_f^{\text{a}}$${\displaystyle \sum _{t,k={\rm P}(f,{\rm N}{}_f)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_f-$

(${\displaystyle \sum _{t,k={\rm P}(f,1)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_f$+

cgf${\displaystyle \sum _{t,k={\rm P}(f,1)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_f)$。

通过化简可以得到

$\begin{array}{l}z={\displaystyle \sum _{f\in F{}^a}(}c{}_f^{\text{g}}-c{}_f^{\text{a}})G{}_f+{\displaystyle \sum _{f\in F{}^g}(}c{}_f^{\text{g}}-c{}_f^{\text{a}})[{\displaystyle \sum _{t,k={\rm P}(f,1)}(}\omega {}_{f,t}^k)t-\\ \omega {}_{f,t-1}^k-d{}_f\end{array}$

$+{\displaystyle \sum _{f\in F}c}{}_f^{\text{a}}$${\displaystyle \sum _{t,k={\rm P}(f,{\rm N}{}_f)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_f$。

由于在τ时,${\displaystyle \sum _{f\in F{}^a}(}c{}_f^{\text{g}}-c{}_f^{\text{a}})G{}_f$是已知常数,所以在目标函数中将其省去,最终得目标函数为

$\min z={\displaystyle \sum _{f\in F{}^g}}$$c{}_f^{\text{g}}-c{}_f^{\text{a}})({\displaystyle \sum _{t,k={\rm P}(f,1)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_f$

$\begin{array}{l}+\\ {\displaystyle \sum _{f\in F}c}{}_f^{\text{a}}\end{array}$

${\displaystyle \sum _{t,k={\rm P}(f,{\rm N}{}_f)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_f$。

将地面、空中延迟时间限制可改写为

$0{\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_{f}d{}_g,k\in {\rm P}(f,1),f\in F{}^{\text{g}},t\in [\tau ,{\rm T}]$;

$0{\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_{f}d{}_a+G{}_f,k\in {\rm P}(f,{\rm N}{}_f),f\in F,t\in [\tau ,{\rm T}]$。

起飞机场容量限制改写为下式,着陆容量限制只要修改时间范围即可。

${\displaystyle \sum _{f,k={\rm P}(f,1)}(}w{}_{ft}^k-w{}_{f,t-1}^k)D{}_k(t)$;∀k∈K,t∈[τ,T],f∈Fg

假设航班f,f∈Fa在τ时位于扇区i,于是得容量限制表达式为

$\begin{array}{l}{\displaystyle \sum _{f,j={\rm P}(f,i),j{}^{´}={\rm P}(f,i+1),i<{\rm N}{}_f}(}W{}_{f\tau }^j-\omega {}^j{}_{ft}^{´})+\\ {\displaystyle \sum _{f,j={\rm P}(f,i),j{}^{´}={\rm P}(f,i+1),i<{\rm N}{}_f}(}w{}_{ft}^j-w{}^j{}_{ft}^{´})C{}_j(t)\\ \forall j\in J,t\in (\tau ,{\rm T}]。\end{array}$

W${}_{f\tau }^j$表示在空中的航班f在τ时的状态,当j=i时,W${}_{f\tau }^i$=1。

综上所述,考虑航路容量限制的多机场地面等待动态模型整体如下

$\text{Μ}\text{i}\text{n}z={\displaystyle \sum _{f\in F{}^g}(}c{}_f^{\text{g}}-c{}_f^{\text{a}})$${\displaystyle \sum _{t,k={\rm P}(f,1)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_f$

$\begin{array}{l}+\\ {\displaystyle \sum _{f\in F}c}{}_f^{\text{a}}({\displaystyle \sum _{t,k={\rm P}(f,{\rm N}{}_f)}(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_f)；\end{array}$

$0{\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-d{}_{f}d{}_g$;

k∈P(f,1),f∈Fg,t∈[τ,T]。

$0{\displaystyle \sum _t(}\omega {}_{f,t}^k-\omega {}_{f,t-1}^k)t-r{}_{f}d{}_{\text{a}}+G{}_f,$

k∈P(f,Nf),f∈F,t∈[τ,T]。

${\displaystyle \sum _{f,k={\rm P}(f,1)}(}w{}_{ft}^k-w{}_{f,t-1}^k)D{}_k(t)\forall k\in {\rm K},t\in [\tau ,{\rm T}],f\in F{}^{\text{g}}$;

${\displaystyle \sum _{f,k={\rm P}(f,{\rm N}{}_f)}(}w{}_{ft}^k-w{}_{f,t-1}^k)A{}_k(t)\forall k\in {\rm K},t\in {\rm T}$。

$\begin{array}{l}{\displaystyle \sum _{f,j={\rm P}(f,i),j{}^{´}={\rm P}(f,i+1),i<{\rm N}{}_f}(}W{}_{f\tau }^j-\omega {}^j{}_{ft}^{´})+\\ {\displaystyle \sum _{f,j={\rm P}(f,i),j{}^{´}={\rm P}(f,i+1),i<{\rm N}{}_f}(}w{}_{ft}^j-w{}^j{}_{ft}^{´})C{}_j(t)\\ \forall j\in J,t\in (\tau ,{\rm T}]。\end{array}$

ωj′f,t+lfj-ω${}_{f,t}^j$0 ∀f∈F,t∈[τ,T],j=P(f,i),j′=P(f,i+1),i<Nf;

ω${}_{f,t}^k$-ω${}_{f{}^{´},t-s}^k$0 ∀(f′,f)∈ξ,t∈[τ,T],k=P(f,1)=P(f′,Nf);

ω${}_{f,t}^j$-ω${}_{f,t-1}^j$≥0∀f∈F,t∈[τ,T],j∈J;

ω${}_{f,t}^j$ft∈{0,1}。

3以航班为核心的多机场地面等待问题的启发式算法的思想和步骤

多机场地面等待问题由于飞机的架次很多,本身是一个很难求解的NP问题。在求解模型时综合考虑了连续航班以及不同机型的地面等待的单位延迟费用的不同以及机场容量的变化。为了求出模型的满意实时解,设计了一种以航班优先顺序为基础的多机场地面等待启发式算法。

算法的基本思想是:从安全和经济的角度考虑,飞机地面等待要优于空中等待,所以应将可预测到的空中等待时间全部转化成地面等待时间。由于每个航班的航路飞行时间是已知,所以每个航班的落地时间减去航路飞行时间就是该飞机的分配起飞时间,该分配起飞时间减去计划起飞时间就是空中和地面的延误时间之和。通过此转换将地面起飞时间排序问题转化成了飞机着陆时间排序问题。算法以每一架飞机作为转换点,按是否连续航班、预计到达时间、单位延迟费用三条将飞机排好序,对每一个机场按容量分好时间段,按飞机的预计到达时间分配时间段,检测是否满足所有容量约束条件,如不满足以一定规则调整,最终得到一个满足所有容量约束的较好的满意解。

对飞机排序的原则是:首先,考虑航班是否为连续航班,连续航班具有最高优先级,即在同一时段有多架飞机着陆时,连续航班优先着陆。其次,考虑航班计划到达时间,以先到先降原则安排飞机着陆。最后,在同一时间段内有多架飞机着陆时,其优先级一样时,根据其的延迟费用比安排着陆次序。延迟费用高的先着陆,低的后着陆。

启发式算法的具体步骤如图1。

4多机场地面等待优化算法算例

取30架飞机,分别飞往3个机场的数据,按排序原则进行排列。将飞机着陆的时间间隔表示为一个集合{300,225,180,150},单位为s,随机选取时间间隔,每个时间间隔被选取的概率分别为{0.2,0.3,0.3,0.2}。根据飞机是否为连续航班以及机型的不同设其地面等待单位费用cgf=c1+c2,其中c1={连续航班,非连续航班}={0.5,0.1},c2={H,L,S}={0.5,0.3,0.1}。飞机在空中等待单位费用为地面等待的8倍费用设计计算其的总延迟费用比。通过仿真可以看到,问题得到了满意实时解,计算速度大大提高。

计算求解出采用了多机场地面等待优化算法的总延迟费用为19 912个单位费用,而未采用地面等待算法的总的延迟费用为157 170个单位费用。使用MTALAB自动生成图形,对3个机场,30架飞机的仿真得到采用多机场地面等待优化算法与未采用地面等待算法的总延迟费用对比如图2所示,可以看出采用了多机场地面等待策略比不采用地面等待可以更加有效地减少的总延迟费用,而且随着航班数量的增加,优化的结果越明显。

5小结

建立了考虑扇区容量限制的多机场地面等待动态模型,并设计了以航班为优先权的启发式算法,求解时考虑了目的机场的容量变化以及不同航班单位延迟费用的不同。通过仿真计算,可以看到采用地面等待策略能够有效地减少延误损失。

从实际应用来讲,相比于长时间求出一个最优精确解,能迅速求出一个满意优化解更有意义。以航班优先权为核心的启发式求解算法简单易行,它实际上是为了寻找到一个满足各约束条件的可行解,所以它也可以作为一种前置算法。由于本算法在优化之前已经按延迟费用和预计到达时间排好序,所以其结果很接近最优解。

摘要：随着我国民航事业的快速发展,空中交通流量迅速增长,使得空中交通拥挤问题日益严重,因此建立科学合理的空中交通管理系统变得十分迫切,而管理系统的核心-流量管理优化算法的研究就十分重要了。给出了考虑扇区容量限制的多机场地面等待问题的动态模型,并设计了一种以航班优先级别为核心的多机场地面等待启发式优化算法。详细地给出了算法的设计思想和步骤,求解时还考虑了目的机场容量的变化以及不同航班单位延迟费用的不同。最后仿真验证了其可行性。算法可求出符合各容量约束条件的满意实时解。

关键词：空中交通管理,多机场地面等待问题,航班优先级,启发式算法

参考文献

[1]Vranas P B,Bertsimas D J,Odoni A R.The multi-airport ground holding problem in air traffic control.Operation Res,1994;42:249—261

[2]Vranas P B,Bertsimas D J,Odoni A R.Dynamic ground-holding policies for a network of airports.Transportation Science,1994;26(4):275—290

[3]Andreatta G,Brunetta L,Guastalla G.The flow management problem:recent computational algorithms.Contro Eng Practice,1998;6:727—733

[4]Andreatta G,Brunetta L.Multi-airport ground holding problem:a computational evaluation of exact algorithms.Operation.Res,1998;46:57—64

[5]Bertsimas D,Patterson S S.The air traffic flow management problem with enroute capacities.Operation Res,1998;46:406—422

[6]Alonso A,Escudero L F,Ortuno M T.A stochastic0—1program based approach for the air traffic flow management problem.European Journal of Operational Research,2000;120:47—62

[7]胡明华,徐肖豪,陈爱民,等.空中交通流量管理中的多元受限的地面等待策略问题研究.航空学报,1998;19(1):78—82

[8]胡明华,钱爱东,苏兰根.多机场地面等待问题模型研究.南京航空航天大学学报,2000;32(5):586—590

预警／动态／数据 第8篇

美国·柠檬酸及柠檬酸盐

美对我柠檬及柠檬酸盐提出反倾销反补贴调查申请

4月14日，美3家企业代表其国内产业向美商务部和国际贸易委员会提出申请，要求就中国的柠檬酸及柠檬酸盐产品进行反倾销反补贴合并调查。该产品包括柠檬酸、柠檬酸钠、柠檬酸钾和柠檬酸钙。

欧盟·食用色素

欧洲消费者保护组织敦促禁用6种食品色素

欧洲多个消费者保护组织4月10日敦促欧盟全面禁止使用6种食品色素，因为研究报结果显示，它们可能会引起儿童过度亢奋。这6种食品色素分别是晚霞黄、蓝光酸性红、柠檬黄、胭脂红、喹啉黄和艳红。据称，在欧洲市场上，这些人工色素已被广泛使用于糖果和软饮料中。

巴西·塑料注射器

巴企业申请对我国一次性塑料注射器进行反倾销调查

4月1日，巴西发展工业外贸部贸易保护局发布公告，对原产于中国的容量为1ml、3ml、5ml、10ml和20ml有或无针头一次性塑料注射器进行反倾销调查。涉案产品南方共同体市场共同对外关税号为90183111和90183119，在我国的海关税则号为90183100。

以色列·管件接口

以色列对我国管件接口产品发起反倾销调查

4月7日，以色列工贸部贸易征管司称，应以色列Modgal Metal Ltd.公司申请，根据《以色列1991年贸易征管法》有关规定，决定于3月30日开始对从中国进口的管件接口展开反倾销调查，我国相关企业可在收到通知后30天内提交答卷。

沙特·禽类食品

沙特禁止从28个国家和地区进口禽类食品

沙特商工部日前发布决议，禁止从28个国家和地区进口鸡肉和鸡蛋等禽类制品。包括：阿塞拜疆、保加利亚、斯洛文尼亚、意大利、希腊、德国、印度、伊朗、尼日利亚、伊拉克、埃及、越南、日本、韩国、印度尼西亚、巴基斯坦、中国大陆、泰国、柬埔寨、中国香港、老挝、马来西亚、俄罗斯、哈萨克斯坦、蒙古、土耳其、罗马尼亚和克罗地亚。

俄罗斯·原木

俄罗斯将减少原木出口

俄罗斯驻华商务代表齐普拉科夫日前透露，“2008年下半年俄罗斯原木出口关税将大幅度提升，达80欧元/m。”尽管这一巨幅提升尚未得到最终确认，但2009起俄罗斯原木出口关税提高80%，不低于50欧元/m³的消息早已在业内传开。

韩国·小家电

韩国禁售动物模样小家电

由于动物模样的小家电产品有被儿童误认为是玩具的可能，韩国技术标准院近日已向流通业者和海关提出停止销售和进口的要求，同时通过相关协会展开查禁。此举将影响我国输韩家电产品，部分产品如不符合韩国的此项规定，则意味着将丧失这个重要市场。

印度·电力设备

印度政府将限制电力设备进口

印政府将可能把使用本土制造的电力设备作为外国公司参与印度电力项目招标的前提。印电力部的这一提议已经得到总理办公室的批准，有可能近日公布。上述计划一旦生效，电力项目投标商将不再有权自主选择设备供应商，而必须在印度本地采购或者专门在印度投资建厂生产相关设备。

厄瓜多尔·陶瓷产品

厄瓜多尔对我国陶瓷产品展开反倾销调查

厄瓜多尔工业部贸易投资副部于近日对中国陶瓷产品启动配额限制特别保护调查。涉案产品是未经涂漆、未上釉和涂漆的平板地瓷砖和瓷地板以及家用陶瓷厨具、陶瓷卫生洁具，瓷器除外。这是中国的卫生洁具首次遭受反倾销和特保调查。

动态

俄罗斯零部件需求不断增长

俄罗斯对螺栓、螺帽、螺丝钉和其他紧固件的需求不断增长。尤其是现在，俄罗斯正经历着建筑业发展的黄金时期，而俄本国的紧固件产量每年减少10%～15%，剩下的市场份额渐渐地被中国的紧固件生产企业所掌控。

日本改变检疫类商品进口申请程序

日本近日发出G/SPS/N/JPN/207号通报，拟对检疫类商品的进口制定标准申请程序。该通报概括了当前具有动物健康风险的产品的进口申请程序，以确保其透明度。通报内容包括有关术语定义、申请和必要信息的提交、对申请的考虑、制定动物健康要求的规定等。

越南2009年将禁止钛矿出口

越南政府副总理黄中海指示各省市政府组织有关部门对本地区矿产开采、加工、销售和出口情况进行检查，要求越工贸部制定金属类矿产、煤炭和其他一些矿产的开采量方案，同时提出将限制原矿出口，而钛矿只允许出口到2008年底，从2009年起，钛矿只能用于国内加工使用。

我国与新西兰签署全面自贸协定

4月7日，我国与新西兰签署了《中华人民共和国政府和新西兰政府自由贸易协定》。根据《协定》规定，在货物贸易方面，新西兰将在2016年1月1日前取消全部自华进口产品关税；我国将在2019年1月1日前取消绝大部分自新进口关税。这是我国与发达国家签署的第一个自由贸易协定。

未经注册登记的竹木制品不允许出口

为提高出境竹木草制品质量安全水平，避免我国相关产品出口受到更大损害，国家质检总局规定从4月1日起未经注册登记企业生产的竹木草制品将不允许出口。确因特殊原因未及注册登记的企业，经国家质检总局同意，可延期至6月30日。

过磷酸钙和钾肥征30%出口税

海关总署发布公告，规定自4月1日～12月31日，对过磷酸钙和钾肥将征收30%的出口暂定关税。此次关税调整，旨在进一步实施限制资源性产品出口、优先保障国内农业生产供应战略。

上海打造国际农产品口岸物流交易平台

上海已决定在浦东航空枢纽和洋山深水港之间打造一个大型国际农产品口岸物流交易平台。此次建设的上海国际农产品口岸物流交易平台将专设国内省市合作、亚太交易、非洲交易、欧盟交易、北美交易等交易区间。一期工程将在2009年年底竣工投入运营，预计经过3年后，此地农产品年交易配送量可超过200万t。

2008国际贸易形势分析会在京召开

4月9日，由中国工业经济联合会主办的2008年国际贸易形势分析会在北京铁道大厦隆重开幕，商务部副部长高虎城出席会议并讲话。会议对当前国际贸易形势作了深入分析，并对国内企业在进出口贸易中遇到的国际贸易壁垒问题进行了深入探讨，与会专家纷纷献计献策，参会企业收获颇多。

DHL中国增设3个分公司

DHL4月9日宣布，其旗下的货运部门——DHL全球货运物流，在中国地区新建的3个分公司正式成立，在提供更好的客户服务的同时，为出入中国内陆地区的货物提供更为优化的运输解决方案。这3个分公司分别位于湖南省的长沙、安徽省的合肥以及吉林省的长春。

欧委会延长多项产品环保标签有效期

欧盟在《官方公报》上刊登了第2008/63/EC号欧委会决议，延长了5种产品类别的现行环保生态标准的有效期，包括鞋、纺织品、电视、硬地板及洗涤剂。纺织品的环保标签有效期延长至2009年5月31日，鞋延长至2010年3月31日，电视延长至2009年3月31日，硬地板延长至2010年3月31日，洗涤剂延长至2010年2月28日。

印度政府或削减棉花进口税至5%

印度政府正准备将棉花的进口税从10%削减到5%，取消4.5%的特别追加关税。印度政府还可能取消出口激励，例如1%的包装材料的退税。印度政府将允许从非洲的不发达国家零关税进口棉花。不发达国家的名单将扩展到其他地区。

出口集装箱运输市场回暖

经过了3月份市场的低迷态势之后，4月7～11日我国出口集装箱运输市场开始出现回暖迹象，其中欧洲、北美航线出口货量均出现不同程度的上升，市场运价止跌回稳。

第103届广交会成交额达250亿美元

本届广交会上，机电产品成交活跃。成交累计160亿美元，占总成交额的62.9%，比去年秋交会增长8.5%。电子、电工产品、机械及设备、建材、金属制品、家电及消费类电子产品成交都有较大幅度的增长；但服装及衣着附件、纺织纱线、织物及制品成交与去年秋交会相比有不同程度下降。

泰国将简化小型投资申请手续

泰国总理兼工业部长素威表示，泰国政府将简化投资额在7亿泰铢（约2300万美元）以下的投资申请手续。如果这类小型投资满足投资委员会的要求，同时也不会对环境和社会产生影响，泰国政府将在15天内批准此项投资。

数据

我国对外劳务合作统计

2007年，我国对外劳务合作完成营业额67.7亿美元，同比增长26%；新签合同额67亿美元，同比增长28.1%；派出各类劳务人员37.2万人，较上年同期增加2.1万人。2007年末，在外各类劳务人员74.3万人，较上年同期增加6.8万人。

动态多数据源 第9篇

关键词：多属性拍卖,随机动态博弈,马尔科夫完美均衡,随机算法

多属性拍卖 (Multi-attribute) 作为采购拍卖的一种, 在政府采购的实践中得到了广泛的应用。和单一属性的拍卖形式不同, 多属性拍卖的投标中除了价格维度之外还包括诸如质量、物流、服务水平之类的非价格维度。投标维度的增加使得双方的策略变得更为复杂, 多属性拍卖中招标人和投标人的最优策略在学术界也得到广泛的研究, 其中最为经典的当属Che (1993) [1]和Branco (1997) [2], 两文都讨论了质量和价格两属性拍卖中买方效用最大化的拍卖机制设计。Che (1993) 假定政府采购中投标方的成本是相互独立的, 采用一种衡量买方效用的计分函数来计算每个投标的得分, 最后证明了二维属性拍卖中的收入等价原理。Branco (1997) 改进了Che的模型, 允许各投标方的成本具有相关性, 与Che的独立成本模型不同的是:Branco建议采用两阶段拍卖模型, 在第一阶段, 拍卖者选择中标方;在第二阶段, 拍卖者与中标方讨价还价确定提供的质量水平。在Che (1993) 和Branco (1997) 之后, 相当多的文献对基本模型进行了拓展, 例如Beil&Wein (2003) [3]探讨了一种公开叫价的多轮升级拍卖形式;黄河 (2008) [4]设计了一种让投标者直接对物品组合进行“价格-质量”投标的多因素采购组合拍卖机制;Karakaya&Kksalan (2011) [5]提供了一种交互式方法来帮助投标者识别采购方的偏好;Ray, Jenamani&Mohapatra (2011) [6]采用了平行马尔科夫过程来评估投标者行为的不确定性;Rao, Zhao&Ma (2012) [7]探讨了可分货物的多源采购和多属性拍卖机制;Liu, Li&Liu (2012) [8]发现在供应商风险厌恶情形下, 买方更偏爱第一得分的拍卖机制。

在经典的多属性拍卖文献中大多仅考虑一个阶段的拍卖, 且通常假定质量水平和成本之间的关系为确定性的。现实中逆向拍卖很多情况下是多期的, 且随着拍卖的推进和投标人不断增加R&D投入, 投标产品的质量水平不断得到提高。例如某些政府部门和公共事业部门为支持国内企业的自主创新, 加大对创新性产品的政府采购, 例如新能源汽车[9]。而对新能源汽车等创新产品的政府采购不是一蹴而就的, 而是分多次进行, 且会持续相当长的时间, 而随着时间的推移, 新能源汽车的节能性和环境友好性等指标会不断的改善。本文研究这样一个连续进行多个阶段的多属性拍卖, 且考虑到投标人的R&D结果的不确定性以及不同阶段之间R&D结果的相关性, 探讨投标人的研发投入策略。

多阶段多属性拍卖中投标人的最优策略可以通过构建一个离散时间的动态随机博弈模型来解决。动态随机博弈是一个动态系统, 在不同的时期处于不同的状态, 动态随机博弈模型中参与者通过自己的行动影响到状态的演化[10]。动态随机博弈中标准的解概念是马尔科夫完美均衡 (Markov perfect equilibrium) , 即子博弈的完美均衡中博弈者的均衡战略仅仅依赖于所有博弈者当前的状态, 而与之前各个阶段的状态无关[11]。当博弈参与者的数量非常庞大时, 要发现动态随机博弈的马尔科夫完美均衡就会不可避免的面临着“维度的诅咒”[12,13]。为了解决这一难题, 多个学者提出了不同的算法, 例如Borkovsky, Doraszelski&Kryukov (2010, 2012) [14,15]提出了一种解决动态随机博弈的同伦算法;Weintraub, Benkard, Roy (2010) [16]提出了一个算法来计算逼近马尔科夫完美均衡的“健忘均衡”;Farias, Saure&Weintraub (2012) [17]采用了近似动态规划算法。本文借鉴Pakes&Mcguire (2001) [12]提出的随机算法来发现多属性多阶段拍卖中投标者的近似均衡战略。

1 问题描述与假设

假设某机构例如某政府部门, 以多属性逆向拍卖的方式将某项研发任务外包出去或者采购某种创新性的产品。采购方不限定投标者所要达到的质量水平, 由于是多属性拍卖, 质量水平较差的供应方也可以通过报一个较低的价格而战胜竞争对手获得采购合同。假设有多个公司能够承接该研发任务或能提供满足采购方需要的产品, 但这些产品在质量水平上存在差异。用q∈N来表示投标者的质量水平, q∈{1, 2, 3, , K}, sq表示质量水平能够达到q的公司数量。向量S= (S1, S2, , SK) ∈S表示投标者的状态, 因此 (q, s) 可以刻画整个市场的状态及投标者在其中的位置。

假设投标者参与投标的成本为0, 即不存在着进入成本, 由于研发过程存在随机性, 每一位潜在的投标者都有获胜的可能, 因此也不会有潜在的投标者永久性的退出博弈过程。为市场中所有潜在投标者的数量。不考虑潜在投标者的进入和退出, 因此M值是固定的。

本文考虑的多阶段模型中任一阶段的多属性拍卖机制和经典模型一致。各潜在的投标者密封投标 (q, p) , 招标采购方的效用函数为U=w (q) -p, 其中w (q) 为质量水平q带给招标方的效用。招标方采用的计分函数就是他真实的效用函数, 招标方利用计分函数计算各投标的得分, 得分最高的投标者中标, 最后按其投标中的质量和报价交付创新性的产品或完成研发任务。

在经典的多属性拍卖模型中通常隐含的假设是潜在的投标者在理论上可以任意选择投标中的质量水平。和经典模型不同的是, 本文考虑的多属性拍卖中, 公司投标的质量属性受到自身研发能力和技术水平的制约, 即投标中的质量属性不能超越投标者所能够提供的最高质量水平。根据David, Schwartz&Sarit Kraus (2006) [18]的结论, 虽然在投标中质量属性只要不超过自身可提供最高质量水平皆可, 但是投标者的最优策略是选择自己所能够提供的最高质量水平。

和EP模型类似, 假设逆向拍卖分阶段进行且能无限期的持续下去[19,20]。在每一阶段的招投标结束之后, 竞争的状态为公共知识, 即每一位潜在投标者的状态都能被其他投标者所观察到。在下一阶段开始后, 所有潜在投标者需要决定是否要投入以及投入多少来提高自身产品的质量, 新的质量水平在研发投入实际发生后实现。所有投标者的研发投入是同时进行的, 且不能被其他投标者所观察到。用t表示不同的各个阶段, t=0, 1, 2, 3, 。假设qt+1=qt+ζt, 其中ζt∈{0, 1}。若研发失败, 则ζt=0, 表示产品质量没有得到任何的提升;若研发成功则ζt=1, 产品质量在上一阶段的基础上提升1。研发成功的概率, 是研发投入水平x的函数, α为常数。研发投入的成本为c (x) =dx, d为单位研发投入的成本。且有P (ζ=0|x=0) =1, 即如果公司在研发上没有做任何投入则产品质量上不会发生任何的改进。

用π (q, s) 表示在任一阶段研发投入发生后投标者的期望收益。每一个参与这一动态随机博弈的投标者的目标为

其中β∈ (0, 1) 为折现率。投标者的决策问题为在每一阶段要投入多少用来进行研发使得自己的累计收益现值最大, 即确定x* (q, s) :NSR使得

2 多属性拍卖中的投标策略与投入策略

首先考虑在任一阶段投标者的最优投标策略。和大多数文献一样, 本文仅考虑纯策略均衡, 且投标者的策略是对称的[12,21]。Doraszelski&Escobar (2010) [10]证明了此类模型中纯策略均衡的存在性。投标活动在研发投入实际发生且研发成果出现后进行。

命题1在任一阶段投标者的最优报价必须使得本期自身的期望支付最大。

证明:在给定研发投入以及研发成果质量水平的情况下, 必定有。由此可以看出, 在任一阶段投标者的最优报价正是使得本期期望支付最大的价格, 投标者若偏离此价格报价对自身并无任何益处。证毕。

由于最优投标中质量属性为公司自身可提供的最高质量水平, 因此投标公司i的投标策略为确定自己的最优报价p* (qi) :

其中q-i为公司的竞争对手即i之外所有其他潜在投标者的质量水平。用ω (qi, q-i) 表示公司i在多属性拍卖中的期望收益, 则有

命题2在多阶段多属性逆向拍卖中投标者有动力去增加研发投入以提高质量水平。

这一命题的存在意味着各投标者有进行研发投入的动力, 而不是仅仅依靠投出低价来赢得合同, 避免了投标者的质量水准停滞不前, 这对采购方来说无疑是有益的。

定义V (q, s) 为投标公司在当前状态为 (q, s) 时的累计期望净现值, 则此随机动态博弈的Bellman方程为

其中P (q', s'|q, s;x) 为研发投入水平为x时状态由 (q, s) 转变为 (q', s') 的概率。π (q, s) 为期初状态为 (q, s) 时本期期望收益, 即投入水平为x, 参与逆向拍卖之后的期望收益, 可写为

其中s-i为公司的竞争对手即之外所有其他潜在投标者的状态。P (q'|q;x) =Pr (ζ=q'-q|x) 表示在研发投入为x后状态由q转为q'的概率, P (s'-i|s-i;x-i) 表示对下一阶段竞争对手的状态由s-i转为s'-i的预期概率。

投标者在本阶段的决策问题为确定x* (q, s) :

所有潜在投标者按式 (8) 确定的x* (q, s) 行动即构成了随机动态博弈的马尔科夫完美均衡。容易证明如果其他的博弈者采用马尔科夫战略, 则自身的最优反应也是马尔科夫战略。

3 马尔科夫完美均衡的近似算法

由于面临“维度的诅咒”, 通常采用一些近似算法来求解随机动态博弈的马尔科夫完美均衡。为求得多阶段多属性拍卖中在质量水准为q和市场竞争状态为s时投标者的研发投入策略, 可采用如下的迭代算法[17]。

(1) x0:=x

(2) t:=0

(3) 选择x*以最大化V (q, s)

(5) 重复以上步骤, 直到△ε

如果最后△=0, 则上述算法的解为马尔科夫完美均衡。通常都是取一个比较小的数ε>0, 则解为近似的马尔科夫完美均衡。

就本文所考虑的多阶段多属性拍卖的均衡, 可以将上述近似算法与文献[12]中的随机算法进行结合, 其具体步骤为:

(1) 随机动态博弈的初始状态用表示, 其中 (q0, s0) 为公司q0的质量水平。用上标表示迭代次数。如果要根据式 (8) 求得x1必须知道初始值V (q', s') , 其中q'=q0+ζ0, ζ0∈{0, 1}。尽管初始值可任意取值, 但是用近似计算ω (q'i, q'-i) / (1-β) 来作为初始值可以大大减少迭代的次数。

(3) x1确定后可得研发成功的概率为。在知道成功的概率后可以利用蒙特卡洛方法模拟出ζ1, 然后利用式q1=q0+ζ1可得q1, 利用同样方法可以得出经过一次迭代后的竞争状态 (q1, s1) 和投标者的价值V (q1, s1) 。

(4) 重复步骤2和3。用sj≡ (s1j, s2j, s3j, , sKj) 表示经过第j次迭代后的市场竞争状态。用hj (s) 表示从开始到第j次迭代后状态s所历经的遍数, 例如若h4 (s) =2, 意味着在经过4次迭代后状态s出现了2次。由于在迭代过程中状态s出现了多次, 在s每一次出现时可以得到不同的值V (q, s) , 所以在迭代过程中需要对值V (q, s) 进行更新。用VN (q, s) 表示状态 (q, s) 下公司最新的价值。

如果hj+1 (s) =hj (s) +1, 意味着第j+1次迭代后的市场竞争状态sj+1=s, 按照步骤2和步骤3分别计算出之后, 采用如下的形式对价值函数进行更新:

如果hj+1 (s) =hj (s) , 意味着sj+1≠s, 那么在第j+1次迭代后竞争状态不同于s, 因此不需要对VN (q, s) 进行更新。在后续的计算中必须选用经过更新后的值函数。

(5) 知道VN (q, s) 后根据式 (8) , 计算每一个阶段的x (q, s) 。然后重复步骤 (3) 、 (4) 和 (5) 。

(6) 迭代算法的停止规则。在经过n次迭代后可以分别计算出Vhn (s) (q, s) 和VN (q, s) , 然后计算两者的差别。事先设定一个值ε, 如果△>ε, 重复前面的步骤。直到△ε, 迭代停止。此时的x (q, s) 可视为投标者在状态 (q, s) 下的近似均衡策略。

4 结论

本文考虑一个无限多个阶段的多属性拍卖模型, 在任一阶段投标者必须决定研发投入的数量, 投标者的研发以一定的概率取得成功, 若取得成功则质量水准在上一阶段的基础上得到一定的提升, 因此拍卖市场的竞争状态构成了一个马尔科夫链。本文没有将研究重点放在公司的投标策略上, 而主要是提供一个随机算法来帮助求得该随机动态博弈中的近似马尔科夫完美均衡策略, 即投标者的最优研发投入策略。虽然本文探讨的是无限期的拍卖, 但是这一随机算法同样适用于有限多个阶段的多属性拍卖。