管理信息系統(tǒng)人機(jī)交互優(yōu)化方法

1、第31卷第12期計(jì)算機(jī)仿真2014年12月文章編號(hào)：1006 - 9348(2014)12 -0350 -05管理信忌、系統(tǒng)人機(jī)交互優(yōu)化方法黃銳(桂林航天工業(yè)學(xué)院信恵工程系廣西桂林541004)播要：由于管理倍息系統(tǒng)的結(jié)構(gòu)越來(lái)越復(fù)雜、影響因索越來(lái)越多根據(jù)人機(jī)交互方法研究管理信息系統(tǒng)具有十分重要的理論 意義和應(yīng)用價(jià)值.針對(duì)背理信息系統(tǒng)人機(jī)交互問(wèn)題提出了一種遺傳神經(jīng)網(wǎng)絡(luò)方法采用具宵高度非線性映射能力的結(jié)構(gòu) 化神經(jīng)網(wǎng)絡(luò)來(lái)擬合管理倍息系統(tǒng)人機(jī)交互模稅的輸入輸出關(guān)系利用具有全局尋優(yōu)能力的遺傳算法來(lái)訓(xùn)練結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò) 的參數(shù)應(yīng)用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化設(shè)計(jì)。上述方法從遺傳算法的優(yōu)化過(guò)程中抽取一些知識(shí)

2、，采用知識(shí)來(lái)指導(dǎo) 遺傳算法的后續(xù)優(yōu)化過(guò)程。關(guān)僅詞:優(yōu)化設(shè)計(jì);遺傳算法;神經(jīng)網(wǎng)絡(luò);知識(shí)中圖分類號(hào):TP18 文Itt標(biāo)識(shí)碼：BA Management Information System Human - ComputerInteraction Analysis ApproachHUANG Rui(Department of Information Engineering,Guilin University of Aerospace Technology tGuilin Guangxi 5410041China) ABSTRACT: In the existing management info

3、rmation system t the structure is more complex t and its influence factors are much rrore than before For this reason t it has an important theoretical significance and application value to study the management information system using interaction approaches Aim to the management information system

4、human computci interaction piublem,a genetic neuial【ittwurk is pfvpu»ctl in this work Because of thr highly non linear reflecting capability jhe structure - based neural network is applied to learn the input - output relationship of management information systems. Due to the overall optimizing

5、ability, the genetic algorithm is employed to training the pa rameters of structure - based neural networks The genetic algorithm is also used to optimize the structure 一 based neural network model. The proposed approach learns from the previous evolution process t and employs the knowledge to guide

6、 the subsequent optimization process.KEYWORDS:Optimal design； Genetic algorithm； Neural network； Knowledge350 _第31卷第12期計(jì)算機(jī)仿真2014年12月# _第31卷第12期計(jì)算機(jī)仿真2014年12月1引言近年來(lái)，各種系統(tǒng)的結(jié)構(gòu)越來(lái)越復(fù)雜、影響因素越來(lái)越 多，對(duì)其進(jìn)行全面優(yōu)化設(shè)計(jì)十分困難'-21o如管理信息系統(tǒng) 的設(shè)計(jì)，是系統(tǒng)總依和設(shè)備間各種技術(shù)信息聯(lián)系反饋及反復(fù) 迭代的過(guò)程，在系統(tǒng)各種性能之間及系統(tǒng)總體、系統(tǒng)和設(shè)備 的性能之間，往往存在著很多矛盾,甚至相互制約，需要不斷 協(xié)

7、調(diào)，求得矛盾的統(tǒng)-13-41 O基于人機(jī)交互分析方法研究對(duì)管理信息系統(tǒng)具有十分 基金項(xiàng)目：2012年度廣西高等學(xué)校優(yōu)秀人才資助計(jì)劃”和廣西特色 專業(yè)及課稈體化建設(shè)項(xiàng)目(CXTSZY279)收稿日期=2014 - 02 -14重要的理論意義和應(yīng)用價(jià)值。在關(guān)鍵時(shí)期，若操作員遇到突 發(fā)情況，他們的個(gè)人能力往往會(huì)急劇下降I5-6,o大部分錯(cuò)誤 信息本身就是突發(fā)的，而且通常會(huì)在意想不到的時(shí)間里發(fā) 生,因此需要操作員能夠作出及時(shí)有效的應(yīng)對(duì)措施。錯(cuò)誤信 息的編輯方式會(huì)影響操作員的反應(yīng)能力。從大量數(shù)據(jù)實(shí)例 中可以發(fā)現(xiàn)系疣發(fā)岀警報(bào)后,若系統(tǒng)的錯(cuò)誤信息能夠指引 操作員進(jìn)行后續(xù)操作時(shí)，操作員的處理能力就會(huì)大大增 強(qiáng)

8、【77)。錯(cuò)誤信息的發(fā)生概率對(duì)操作員的反應(yīng)能力提出了 很高的妄求，從某種程度上說(shuō)明了操作員在處理管理系統(tǒng)的 錯(cuò)誤信息時(shí)面崎著嚴(yán)峻的考驗(yàn)。這也是一種降低培訓(xùn)成本、 提高操作效率、增強(qiáng)安全性能的有效途徑。鑒于此，本文首先采用結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)來(lái)擬合管理信息 系統(tǒng)人機(jī)交互模型的輸入輸出關(guān)系，接著利用遺傳算法來(lái)訓(xùn)# _練結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，最后使用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模 型進(jìn)行優(yōu)化設(shè)計(jì)，取得了非常滿意的實(shí)驗(yàn)結(jié)果。本方法的特 色可總結(jié)為:從遺傳算法的優(yōu)化過(guò)程中抽取一些知識(shí)，然后 采用知識(shí)來(lái)指導(dǎo)遺傳算法的后續(xù)優(yōu)化過(guò)程。2問(wèn)題描述本文研究的問(wèn)題可槪括如下:采用仿真優(yōu)化方法來(lái)研究 管理信息系統(tǒng)人機(jī)交互問(wèn)題，力求通

9、過(guò)較少次數(shù)的系統(tǒng)仿 真，使得待研究系統(tǒng)的輸岀結(jié)果為滿意解，本問(wèn)題的目標(biāo)函 數(shù)可描述如下： (1)這里，幾，表示待研究系統(tǒng)需要笊大化的一些 指標(biāo)Q、QsQ.表示待研究系統(tǒng)需要最小化的一些指 標(biāo),卩表示在優(yōu)化該系統(tǒng)時(shí)進(jìn)行仿真所耗費(fèi)的總時(shí)間。本問(wèn) 題的約束條件可表述為£ = Sim(Sl 9S29 9SJ 9i =Qi = Sim(S$) J = 1s. = SimCx,! ,XQ, = 1,2, ,nE e IJ = 1,2,nJ = 1,2,，&第一個(gè)約束條舛和第二個(gè)約束條件表示將各個(gè)子系統(tǒng) 的仿真輸出作為輸人，然后對(duì)整個(gè)系統(tǒng)進(jìn)行仿真得到待研究 系統(tǒng)各個(gè)指標(biāo)的輸出值;S,( I

10、 WiWn)表示第i個(gè)子系統(tǒng)的仿 真輸出,S,既可為單個(gè)數(shù)值，也可是一個(gè)向量;第三個(gè)約束條 件表示優(yōu)化過(guò)程中進(jìn)行仿真所耗費(fèi)的總時(shí)間比(lWiWn)表 示第i個(gè)子系統(tǒng)單次仿真所盂要的平均時(shí)間兒，表示待研 究系統(tǒng)在進(jìn)行整體仿真時(shí)所需要的平均時(shí)間;c,( 1 WiWn)表 示在優(yōu)化過(guò)程中第i個(gè)子系統(tǒng)的仿真運(yùn)行次數(shù),表示在 優(yōu)化過(guò)程中系統(tǒng)整體的仿真運(yùn)行次數(shù);第四個(gè)約束條件表示 可通過(guò)單獨(dú)運(yùn)行子系統(tǒng)仿真而得到子系統(tǒng)仿真輸出，&(1 Wi W")表示第i個(gè)子系統(tǒng)的輸入變董的數(shù)目；第五個(gè)約束條件 定義了待研究系統(tǒng)輸入變楚的可行域。3遺傳神經(jīng)網(wǎng)絡(luò)在本文的遺傳神經(jīng)網(wǎng)絡(luò)方法中，采用具有高度非線性

11、映 射能力的結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)來(lái)擬合管理信息系統(tǒng)人機(jī)交互模 型的輸入輸岀關(guān)系，利用具有全局尋優(yōu)能力的遺傳算法來(lái)訓(xùn) 練結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，應(yīng)用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn) 行優(yōu)化設(shè)計(jì)。本方法從遺傳算法的優(yōu)化過(guò)程中抽取一些知 識(shí)，然后采用知識(shí)*指導(dǎo)遺傳翼法的后紋優(yōu)化過(guò)程。3.1結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的“黑箱”局限，本文擬采用結(jié)構(gòu) 化神經(jīng)網(wǎng)絡(luò)來(lái)擬合系統(tǒng)優(yōu)化設(shè)計(jì)問(wèn)題的輸入輸出關(guān)系。結(jié) 構(gòu)化神經(jīng)網(wǎng)絡(luò)基于因果關(guān)系理論而構(gòu)建，各個(gè)節(jié)點(diǎn)之間的各 種連接關(guān)系都是根據(jù)真實(shí)系統(tǒng)所存在的因果關(guān)系而建立，具 有比較強(qiáng)的模型解釋能力。結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)建槐方法解決 了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)建模時(shí)存在的諸多缺陷：如模型非結(jié)構(gòu)化、

12、神經(jīng)元個(gè)數(shù)很難確定、收斂速度較慢、局部最小等。結(jié)構(gòu)化 神經(jīng)網(wǎng)絡(luò)為非線性系統(tǒng)，待別是那些大型的、非線性系統(tǒng)的 系統(tǒng)建模和結(jié)構(gòu)參數(shù)優(yōu)化提供了一條嶄新的處理途徑：，-，Jo 與標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)相比較，本文使用的結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)具 備以下優(yōu)點(diǎn):神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與實(shí)際系統(tǒng)的結(jié)枸一一對(duì)應(yīng), 神經(jīng)網(wǎng)絡(luò)神經(jīng)元之間所有的連接都是根據(jù)實(shí)際系統(tǒng)的結(jié)構(gòu) 和組成連接而成;神經(jīng)網(wǎng)絡(luò)模型中各個(gè)連接權(quán)值都具有明確 的物理意義；神經(jīng)網(wǎng)絡(luò)各層中的神經(jīng)元個(gè)數(shù)取決于整個(gè)系統(tǒng) 劃分后得到的子系統(tǒng)數(shù)目；用單個(gè)神經(jīng)元來(lái)模擬現(xiàn)實(shí)中的一 個(gè)子系統(tǒng)，使得子系統(tǒng)的模型結(jié)構(gòu)非常簡(jiǎn)單；，2-，3i 0圖丨結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)樓型采用結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)構(gòu)建的系統(tǒng)優(yōu)化設(shè)計(jì)

13、問(wèn)題的輸入 輸岀關(guān)系模型如圖1。其中衍2,，衍.是第一個(gè)子系統(tǒng) 的輸入;，比，松表示第二個(gè)子系統(tǒng)的輸入;,J表示第m個(gè)子系統(tǒng)的輸入;P, ,P、表示待研究 系統(tǒng)需要最大化的一些指標(biāo)、Q、Qw、Q表示待研究系統(tǒng) 需要最小化的一些指標(biāo)。3.2 化正交遺傳算法1) 種群初始化 根據(jù)下式將待優(yōu)化問(wèn)題的可行空間分割成B 個(gè)子空間uh - L = max - / w '1嚴(yán)=L + (*-1)I(u4-/4)/BH1 i “ 2 . rU, =+-ZJ/fill/1 *，這里和=嗎，幻，叫r分別表 示待優(yōu)化問(wèn)題的“個(gè)自變量的下邊界和上邊界；8為設(shè)計(jì)參 數(shù);1,表示第/位為I,其它位為0的n維列可量

14、池和,分別表示類似于£和的n維列向量;最終將待優(yōu)化問(wèn)題的 可行空間",分割成厶，丄厲，2】，”，-，/】這樣 B個(gè)子空間。 按照下式將每個(gè)子空間內(nèi)的每個(gè)自變量進(jìn)行離散化。 假設(shè)自變重石的定義域?yàn)閆.-.u,根據(jù)設(shè)計(jì)參數(shù)Q,將自變 ffix.員化成Q個(gè)水平5 ,，,具體的叫計(jì)算公式如 下：hj = 1叫=/.+ 0 -OI (u,-ZJ/(Ql)】 2wj<QusJ = Qi 從每個(gè)子空間中挑選出Mi個(gè)染色體；首先構(gòu)造正交表=【5】切沖,N為優(yōu)化問(wèn)題的 維數(shù)冏二e? Ji是滿足條件孚斗M/V的正整數(shù);然后從 這Q：個(gè)組合中選取他個(gè)組合;最后應(yīng)用這他個(gè)組合生成 碼個(gè)染色體

15、。 根據(jù)適應(yīng)度值的優(yōu)劣,從上面產(chǎn)生的臥B個(gè)潛在的 染色體中，選擇其中最優(yōu)的G個(gè)染色體為初始種群，這里的 G是初始種群的大小。2) 交叉操作 按照交叉概率選擇進(jìn)行交叉操作的兩個(gè)父代染色體； 假設(shè)要進(jìn)行交叉操作的兩個(gè)父代個(gè)體為 廠”代，定義求解空間jj為:j/f = min(p” ,p21) ,min(p12 ,p22) , ,min(pw ,p2V) h = I max(pn，p2i),max(pn .Pjj ) , ,max(p, ,p21V) J 將要進(jìn)行交叉操作的兩個(gè)父代個(gè)體的求解空間離散 化;將要進(jìn)行交叉操作的兩個(gè)父代個(gè)體的求解空間離散化成Q2份。 選擇需要進(jìn)行交叉操作的部分自變最；為了

16、避免在交 叉過(guò)程中大規(guī)模地評(píng)價(jià)種群點(diǎn),每對(duì)父代盡可能不要產(chǎn)生太 多的潛在子代。本文交叉操作僅針對(duì)父代染色體上的F個(gè) 基因進(jìn)行操作。將這F個(gè)自變就在每個(gè)子空間內(nèi)進(jìn)行離 散化。 應(yīng)用正交表從父代求解空間中選擇潛在子代點(diǎn)。首 先生成正交表(©)= 心“，此處的©是奇數(shù)“2 = Qfj是滿足條件專斗的繪小正整數(shù)；然后從這QQi 1個(gè)組合中選取“2個(gè)組合;最后應(yīng)用這個(gè)組合生成“2個(gè) 潛在子代。 從這個(gè)潛在子代個(gè)體和兩個(gè)父代個(gè)體中，選擇適 應(yīng)度值最好的兩個(gè)個(gè)體,作為本次交叉操作的結(jié)舉。 如果當(dāng)前已進(jìn)行的交叉操作次數(shù)已達(dá)到預(yù)設(shè)值，則停 止交叉操作;否則,轉(zhuǎn)至步驟。3) 變異操作 按照變異

17、概率隨機(jī)選擇一個(gè)需要進(jìn)行變異操作的父 代染色體； 按照微攝動(dòng)方法,得到變異后的子代染色體;這里的 微攝動(dòng)方法是指,將父代染色體中的已選基因分別微調(diào)為原 來(lái)的1 -2<r、l -“、1 和1 +20，這樣就得到變異后的四個(gè) 子代染色體。這里的"為一設(shè)計(jì)參數(shù)。 從父代染色體和子代染色體中選擇一個(gè)最優(yōu)個(gè)體作 為此次變異的結(jié)果； 如果當(dāng)前已進(jìn)行的變異操作次數(shù)已達(dá)到預(yù)設(shè)值，則停 止變異操作;否則,轉(zhuǎn)至步驟。3.3知識(shí)的抽取和學(xué)習(xí)】)專家經(jīng)驗(yàn)的總結(jié)Ri)*(0圖2專家經(jīng)驗(yàn)的總結(jié)形式專家經(jīng)驗(yàn)的總結(jié)形式如圖2所示。鑒于待研究系統(tǒng)的 結(jié)構(gòu)越來(lái)越復(fù)雜、影響因索越來(lái)越多，因此有必要根據(jù)專家 經(jīng)驗(yàn)來(lái)分

18、析各個(gè)輸入變董對(duì)目標(biāo)的影響程度。圖2(a)表示 目標(biāo)函數(shù)/(%)隨著變重x的增加而增大；圖2(b)表示目標(biāo) 函數(shù)/(切隨著變量x的增加而減小;圖2(c)表示目標(biāo)函數(shù)/ (%)隨著變量的增加先減小再增大;圖2(d)表示目標(biāo)函數(shù) /(“隨著變量x的增加先增大再減小;圖2(e)表示變最x的 變化對(duì)目標(biāo)函數(shù)/匕)的影響不大；圖2(/)表示目標(biāo)函數(shù)/ (%)隨著變量的增加而減小、增大、滅小。2) 優(yōu)化知識(shí)的抽取在本文的知識(shí)羽遺傳神經(jīng)網(wǎng)絡(luò)中.該方快從當(dāng)前種群中 選取若干精英個(gè)體，然后采用靈敏度分析方法從這些精英個(gè) 體中挖掘各變價(jià)對(duì)輸出結(jié)果的敏感程度，最后采用這些靈敏 度知識(shí)來(lái)指導(dǎo)后續(xù)優(yōu)化過(guò)程。本文抽取的優(yōu)

19、化知識(shí)形式如 圖3所示，該圖表示/(X)隨著變量x的增加先增大再滅小。352 _S3優(yōu)化知識(shí)的聶示形式3）專家經(jīng)驗(yàn)和優(yōu)化知識(shí)的應(yīng)用對(duì)于擁有多變址的優(yōu)化問(wèn)題來(lái)講,每個(gè)變駅對(duì)目標(biāo)值的 敏感程度都是不同的；有些變量對(duì)目標(biāo)值非常敏感，即變量 數(shù)值的微小調(diào)整會(huì)導(dǎo)致輸出結(jié)果的較大變動(dòng);有些變就對(duì)于 目標(biāo)值不太敏感即變量數(shù)值的微小調(diào)整不會(huì)導(dǎo)致輸岀結(jié)果 的較大波動(dòng)。在求解復(fù)雜優(yōu)牝問(wèn)題時(shí)變fit靈敏度知識(shí)可輔助智能優(yōu) 化方法來(lái)提高其優(yōu)化績(jī)效。在優(yōu)化問(wèn)題可行空間的某個(gè)區(qū) 域內(nèi)，如果某變最對(duì)目標(biāo)值是比較敏感的，則設(shè)法調(diào)整該變 址的輸入值,來(lái)最大程度地改善目標(biāo)值；如果某變魅對(duì)目標(biāo) 值是不敏感的，則對(duì)該變址的任何微調(diào)基

20、本上都是徒勞的。 從提高智能優(yōu)化方法效率的角度來(lái)講,應(yīng)盡可能對(duì)靈敏度較 高的變呈進(jìn)行微調(diào),以最大程度地改善目標(biāo)值；同時(shí)應(yīng)盡可 能避免對(duì)靈敏度較低的變址進(jìn)行微調(diào).以最大程度地節(jié)約計(jì) 算工作就。4應(yīng)用實(shí)例本實(shí)例的主要研究?jī)?nèi)容是分析應(yīng)對(duì)飛行管理系統(tǒng)錯(cuò)誤 信息的人機(jī)交互界面。分析這些錯(cuò)誤信息，從中找出錯(cuò)誤發(fā) 生的頻率、信息的操作效應(yīng)以及指導(dǎo)飛行員進(jìn)行操作的突出 視覺(jué)線索的存在性。4.1實(shí)驗(yàn)設(shè)計(jì)這些信息被一個(gè)十人的專家小組按照標(biāo)準(zhǔn)進(jìn)行分類和 研究。這些專家包括三名主要航空公司的具有22年飛行經(jīng) 歷的飛行教官兩名具有30年工作經(jīng)驗(yàn)的高級(jí)認(rèn)知科學(xué)家, 三名多引擎噴氣式飛行員和飛行教官、同時(shí)也是具有15年 工

21、作經(jīng)驗(yàn)的人為因素研究者以及兩名具有26年設(shè)計(jì)經(jīng)驗(yàn)的 航空設(shè)計(jì)工程師。所有分類是經(jīng)過(guò)所有專家討論一致通過(guò) 的。當(dāng)然專家彼此之間在個(gè)人評(píng)佔(zhàn)上也會(huì)存在少許差異，這 主要?dú)w因于航空知識(shí)的專業(yè)性。1）錯(cuò)誤信息發(fā)生概率估算?；陲w行員的飛行經(jīng)驗(yàn)對(duì) 錯(cuò)誤信息發(fā)生的概率進(jìn)行估算。主要有以下幾種:極少發(fā)生 （至少毎101次飛行中才會(huì)發(fā)生一次）、很少發(fā)生（每21 100次飛行中發(fā)生一次）、偶爾發(fā)生（每5 20次飛行中發(fā)生 一次）和經(jīng)常發(fā)生（每1 4次飛行中就會(huì)發(fā)生一次）。2）引發(fā)錯(cuò)誤信息帶來(lái)的影響。需要對(duì)引發(fā)錯(cuò)誤信息帶 來(lái)的影響進(jìn)行估算。這個(gè)估算結(jié)果其實(shí)就是導(dǎo)致錯(cuò)誤佰息 跳出的最壞悄況。該估算是基于飛行員的飛行經(jīng)

22、驗(yàn)以及一 些系統(tǒng)設(shè)計(jì)規(guī)則展開(kāi)的。軟件系統(tǒng)中實(shí)際設(shè)計(jì)參數(shù)在這里 并未提及。戢轄的操作影響種類如下所示:阻礙原飛行計(jì)劃 （禁止已申請(qǐng)的飛行計(jì)劃）、妨礙預(yù)期燥作程序（阻止預(yù)計(jì)操 作程序的執(zhí)行）和對(duì)飛行計(jì)劃或程序沒(méi)有任何廉響。如果時(shí) 間允許，飛行員也要對(duì)信息進(jìn)行適當(dāng)處理。3）指導(dǎo)飛行員進(jìn)行后續(xù)操作的突出視覺(jué)線索的存在性。 該方面的分析主要是確定指導(dǎo)飛行員如何應(yīng)對(duì)信息的相關(guān) 線索的類型（“看出”，“推斷”或“回憶”）。如果能從一條信 息的字面意思看出飛行員接下來(lái)如何操作，那么這條信息被 歸類到“看岀”；如果飛行員需要進(jìn)行如下操作或思考活動(dòng)才 能知道如何進(jìn)行后續(xù)操作，那么這條信息被歸類為“推斷/回 憶”。

23、如“已經(jīng)選定的V速度失效”這條倍息具實(shí)說(shuō)明了問(wèn) 題，但是它并沒(méi)有告訴飛行員返回起飛頁(yè)面，確認(rèn)V速度計(jì) 算是否有誤。因此，飛行員必須經(jīng)過(guò)不斷的訓(xùn)練熟練掌握 這條信息的潛在含義：重新進(jìn)入起飛頁(yè)面，再次確認(rèn)飛機(jī)的 起飛速度:，4.2實(shí)驗(yàn)結(jié)果1）信息發(fā)生的槪率估算結(jié)果。結(jié)果顯示條信息 （54%）極少發(fā)生（101次飛行以上才會(huì)發(fā)生一次）1條信 息（16% ）很少發(fā)生（20 100次飛行中才可能岀現(xiàn)一次），19 條信息（28%）偶爾會(huì)發(fā)生（每520次飛行中就會(huì)發(fā)生一 次）。其中，“已經(jīng)選定的V速度失效”這條信息在每次飛行 中都會(huì)岀現(xiàn)因?yàn)楹娇展镜牟僮髁鞒毯惋w行眷理系統(tǒng)要求 的輸入編列通常不兼容。2）事件帶

24、來(lái)的操作影響。本研究對(duì)每條信息會(huì)產(chǎn)生的 最壞情景進(jìn)行了估算。其中,3條信息（5%）岀現(xiàn)是因?yàn)轭A(yù) 計(jì)飛行計(jì)劃被阻止。這些事件的發(fā)生需要飛行員暫停他們 手頭上的工作，對(duì)出現(xiàn)的警示信息進(jìn)行回應(yīng)。40條信息 （60%）出現(xiàn)是因?yàn)轭A(yù)計(jì)飛行程序被阻止。這些事件的發(fā)生 也盂要飛行員背停他們手頭上的工作,對(duì)出現(xiàn)的警示信息進(jìn) 行回應(yīng)。如果飛行員不能立即做出回應(yīng)，并不會(huì)對(duì)原有計(jì)劃 產(chǎn)生太大的影響或違反近期的航空交通管制持令。24條信 息（36%）出現(xiàn)是因?yàn)闆](méi)有對(duì)飛行計(jì)劃和程序產(chǎn)生影響的事 件發(fā)生。這些事件不需要飛行員馬上處理，但是時(shí)間允許的 情況下，飛行員還是要進(jìn)行適當(dāng)處理。3）事件發(fā)生概率與其帶來(lái)的操作形響。郭

25、件的發(fā)生概 率與其帶來(lái)的操作影響之間的關(guān)系總結(jié)如表I所示。38% 的信息極少發(fā)生,它們會(huì)阻止當(dāng)前飛行計(jì)劃的執(zhí)行或預(yù)期操 作程序的執(zhí)行?？偣灿?4%的信息極少或很少發(fā)生,它們會(huì) 阻止當(dāng)前飛行計(jì)劃的執(zhí)行或預(yù)期操作程序的執(zhí)行。這與信 息的措辭方式和進(jìn)行培訓(xùn)的方式有很大的關(guān)炙。設(shè)計(jì)者推 測(cè)，如果飛行員看到一條倍息后，需娶太長(zhǎng)的時(shí)間去思考自 己所看到的信息是什么意思，那么他很可能不徒及時(shí)正確的 把握信息內(nèi)容，以至于不能及時(shí)對(duì)其進(jìn)行回應(yīng)精明的系統(tǒng) 設(shè)計(jì)者在編輯信息時(shí)都會(huì)確保信總能容能夠提示飛行員進(jìn) 行接下來(lái)的操作。事件的發(fā)生概率與其帶來(lái)的1作影響之間的關(guān)系操作形響極少概率很少偶爾總是81止飛行計(jì)劃21妨礙

26、稈序24951沒(méi)有形響91134）指導(dǎo)飛行員進(jìn)行后續(xù)操作的突出視覺(jué)線索的存在性。 接下來(lái)的研究主要評(píng)定信息的內(nèi)容是包含宜接能夠提示飛 行員進(jìn)行接下來(lái)操作的視覺(jué)線索（如“輸入提示”）還是需要 飛行員進(jìn)行推斷或回憶才能決定后續(xù)操作。29條信息 （43%）中包含明顯的視覺(jué)線索,38條信息（57%）不含有視 覺(jué)線索，需要飛行員進(jìn)行推斷或回憶才能決定后續(xù)操作。5）頻率、操作形響以及視覺(jué)提示。上文中描述的這三個(gè) 要索綜合起來(lái)決定了信息設(shè)計(jì)能夠促進(jìn)飛行員學(xué)習(xí)使用系 統(tǒng)的程度。36%的信息（也就是67條信息中的24條）預(yù)計(jì) 極少發(fā)生說(shuō)明飛行員在這些事件上的回應(yīng)操作都是正確 的。信息不包含明顯的視覺(jué)線索

27、6;以上飛行員人機(jī)交互研 究說(shuō)明這些警示信息很可能增加飛行員的工作量并且需要 持久交互。研究結(jié)果對(duì)系統(tǒng)信息的編輯具有麵要的指導(dǎo)意 義，同時(shí)也說(shuō)明有必要對(duì)人機(jī)交互系統(tǒng)進(jìn)行更精細(xì)地設(shè)計(jì), 以確保將來(lái)避免這些信息的編輯。研究結(jié)果顯示，飛行管理系統(tǒng)信息的設(shè)計(jì)并沒(méi)有充分考 慮在面對(duì)突發(fā)緊急狀況時(shí)人類認(rèn)知能力的待性，這玄接導(dǎo)致 飛行員認(rèn)為飛行管理系統(tǒng)很難拿握并且不易使用。倍息的 發(fā)生概率是決定飛行員在處理信息和進(jìn)行后續(xù)操作上熟練 程度的主要因索。信息岀現(xiàn)的越頻繁，飛行員的認(rèn)知能力就 會(huì)被激活到更高的水平,這樣即使有外部因素的干擾，他也 能切實(shí)可靠地去處理相應(yīng)的任務(wù)。而對(duì)于那些很少出現(xiàn)的 信息，飛行員需要從

28、中獲取視覺(jué)線索如標(biāo)簽和輸入提示等, 才能進(jìn)行正確的后續(xù)操作。值得注意的是，視覺(jué)線索有時(shí)也 能為飛行員提供常見(jiàn)任務(wù)的錯(cuò)誤執(zhí)行反饋資料，同時(shí)也提供 了合理學(xué)習(xí)人機(jī)交互的知識(shí)框架。5結(jié)論本文的主要?jiǎng)?chuàng)新點(diǎn):采用具有高度非線性映射能力的結(jié) 構(gòu)化神經(jīng)網(wǎng)絡(luò)來(lái)擬合管理信息系統(tǒng)人機(jī)交互模型的輸入輸 出關(guān)系，利用具有全局尋優(yōu)能力的遺傳算法來(lái)訓(xùn)練結(jié)構(gòu)化神 經(jīng)網(wǎng)絡(luò)的參數(shù)應(yīng)用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化設(shè) 計(jì)。本方法從遺傳算法的優(yōu)化過(guò)程中抽取一些知識(shí)然后采 用知識(shí)來(lái)指導(dǎo)遺傳算法的后續(xù)優(yōu)化過(guò)程。參考文獻(xiàn)：1 M CamaraOrtega. F De - Toro A Single Front Genetic Algor

29、ithm for Parallel Multi - Objective Optimization in Dynamic Environments J . Neurocomputing. 20091 72 （ 16 - ）8 ） ： 3570 -35792 Q YuanvZ Q He, H N Leng. A Hybrid Genetic Algorithm for a Cla» of Global Optimization Problems with Box Constraints J Applied Mathematics and Computation.2008.197(2):

30、924 - 929.3 A MukhopachyayVU MaulikVS Bandyopadhyay. Multiobjective Genetic Algorithm - Based Fuzzy Clustering of Categorical Attributes J . IEEE Transaction on Evolutionary Computationv 2009v 13(5) ： 991 -10054 Y R Zhou. Runtime Analysis of an Ant Colony Optimization Algorithm for TSP Instances : J

31、 IEEE Transaction on Evolutionary Computation92009J3(5)： 1083 - 10925 K Kim v I J Jeong. Flow Shop Scheduling with ibu - Wait Flrxiblc Lot Strramirg Using an Adaptive Genetic Algprithm J a. The International Journal of Advanced Manufacturing Technology, 2009. 44(11 -12： 1181 -1190 6 Y M WangtH L Yin

32、.J Wang. Genetic Algorithm with New Encoding Scheme for Job Shop Scheduling J The International Jour nal of Advanced Manufacturing Technology ,2009.44(9 - 10) ：977 -9847 G C Marano,G Quaranta,K Greco Multi - Objective Optimization by Genetic Algorithm of Stmctural Systems Subject to Random Vi- brati

33、ons J Structural and Multidisciplinary Optimization,2009v 39(4)： 385-3998 H Zhou. W CheungVL C Leung. Minimizing Weighted Tardiness of Job - Shop Scheduling Using a Hybrid Genetic Algorithm J Eu- mpean Journal of Operational Research,2009,194(3 ) ：637 -649.9 C Whittaker,et al. A Hybrid Genetic Algorithm for Multiobjective Problems with Activity Analysis - Based Ix)cal Search J Europe- an Journal of Operalional Re