知识化制造环境下模糊调度模型和算法
资源调度问题中的模型建立与优化方法研究
资源调度问题中的模型建立与优化方法研究资源调度问题是指在某一特定环境下，合理利用和分配有限的资源，以最大化效益或达到特定目标。
资源调度问题在实际生产、运输、项目管理等各个领域中都具有重要的应用价值。
为了解决资源调度问题，在模型建立和优化方法方面进行研究是关键。
一、资源调度问题模型建立的基本步骤模型建立是解决资源调度问题的第一步，准确地描述问题是保证后续优化有效性的前提。
下面是资源调度问题模型建立的基本步骤：1. 定义问题：明确资源调度问题的目标和约束条件。
例如，确定需要调度的资源种类、调度的时间范围以及可用的资源数量和属性。
2. 确定决策变量：通过分析问题，确定描述资源调度任务的决策变量。
例如，资源的分配方案、资源使用的时间和顺序等。
3. 建立目标函数：将资源调度问题转化为数学规划模型时，需要建立目标函数，以最大化或最小化某个指标。
目标函数的选择根据具体问题的特点决定。
4. 建立约束条件：根据实际情况制定资源调度问题的约束条件。
这些约束条件可以包括资源的供需平衡、时间窗口约束、作业间的依赖关系等。
5. 获得数学模型：通过将目标函数和约束条件以数学形式表示，得到资源调度问题的数学模型。
常见的数学模型包括线性规划、整数规划、动态规划等。
二、资源调度问题中的优化方法建立完资源调度问题的数学模型后，需要采用适当的优化方法求解模型，以得到最优解或次优解。
下面介绍几种常用的优化方法：1. 线性规划方法：线性规划适用于描述资源调度问题中目标函数和约束条件都是线性关系的情况。
通过线性规划方法可以求得问题的最优解，并且具有较高的计算效率。
2. 整数规划方法：当资源调度问题中存在离散的决策变量时，可以采用整数规划方法。
整数规划考虑了决策变量只能取整数值的情况，能够更准确地描述问题并获得更优的调度方案。
3. 启发式算法：启发式算法属于一类基于经验和规则的优化算法，常用于求解复杂问题。
在资源调度问题中，启发式算法可以通过快速的局部搜索和全局搜索策略，寻找近似最优解。
调度问题中的模型求解方法研究
调度问题中的模型求解方法研究一、调度问题概述在生产和制造过程中，调度问题指的是对系统中资源进行优化配置的问题，以满足生产效率和成本控制的要求。
调度问题可以分为许多不同的类型，例如：单机调度问题、车间调度问题、流水线调度问题等等。
二、调度问题中的模型求解方法1. 图论与网络流模型调度问题中的图论模型主要利用流程图表示整个流程，网络流算法负责优化流程。
其主要思路是将资源、生产机器、需求等元素表示为节点，通过带权重的边连接起来，建立一个图，然后通过最大流、最小割等算法优化调度问题。
近年来，在图论算法中应用较多的有弧松弛算法（Arc Relaxation Algorithm）、缩放式求解算法（Scaling Algorithm）等。
2. 模拟退火算法模拟退火算法（Simulated Annealing Algorithm）是一种全局优化算法。
其基本思想是从一个初始解出发，通过模拟物质退火的过程，不断地从解空间中跳出来，以概率接收劣解以防止算法卡在局部最优解中。
3. 遗传算法遗传算法（Genetic Algorithm, GA）是一种模拟进化过程的搜索算法。
其基本思想是通过将可行解作为个体，通过选择、交叉、变异等遗传操作，不断地生成新的个体，最终获取全局最优解。
4. 粒子群算法粒子群算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化方法，基于每个解作为“粒子”位置的“迁徙”过程，通过群体中的个体互相通信、分享信息来搜索最优解。
5. 线性规划模型线性规划模型是调度问题中应用较为广泛的一种优化方法，主要利用线性规划模型描述问题并进行求解。
在线性规划模型中，将调度问题表示为一组线性等式和不等式，最终通过线性规划求解器求得最优解。
三、模型求解方法选择与评价在调度问题中，不同模型求解方法的选择和评价主要考虑以下几点：1. 模型的可行性求解方法的可行性是判断一种方法是否能够解决特定问题的前提，需要根据算法处理问题的概念和流程来确定方法的可行性。
模糊算法的历史发展及其现状探析
模糊算法的历史发展及其现状探析简介随着信息技术的快速发展，模糊算法作为一种基于模糊逻辑的重要算法逐渐受到广泛关注和应用。
本文将从模糊算法的历史发展、模糊算法的基本原理及特点以及模糊算法在现实生活中的应用等方面进行探析，并对模糊算法的未来发展进行展望。
模糊算法的历史发展模糊算法起源于20世纪60年代，最早由日本学者庵义仁提出，其创始人灰田昌男教授于1965年在国际学术期刊上发表了首篇模糊数学方面的论文。
20世纪70年代，模糊数学开始逐渐发展起来，并逐渐形成了一套完整的理论体系。
80年代，模糊算法在控制领域得到了广泛应用，随后又在人工智能、图像处理、自然语言处理等领域得到了深入研究和应用。
模糊算法的基本原理及特点模糊算法是一种基于模糊逻辑的算法，它不同于传统的逻辑算法，它允许一个对象部分属于一类，同时部分不属于另一类。
模糊算法可以处理那些难以用传统算法进行精确描述的问题。
模糊算法的特点包括：1. 可以用数学的方式来表述模糊和模糊推理；2. 模糊算法适用于那些数据不完整、不确定、不精确的问题；3. 模糊算法还能够应用于那些难以通过算法表达出来的问题；4. 模糊算法可以使计算机更好地模仿人类的思维方式。
模糊算法的应用模糊算法的应用非常广泛，它能够应用于电子、机械、通讯、医学、航空航天、交通等多个领域。
下面我们举几个例子。
1. 模糊控制：模糊控制是模糊算法最早应用的领域之一，它主要用于实现模糊自适应控制，使得控制系统能够具有更好的鲁棒性和适应性。
2. 模糊认知：模糊认知可以建立模糊逻辑推理模型，从而实现智能判断和决策。
3. 模糊决策：模糊决策可以帮助人们在信息不完整和不准确的情况下做出判断和决策。
4. 模糊图像处理：模糊算法也可以应用于图像处理，例如在图像模糊和去噪等方面具有一定的应用。
未来发展随着机器学习、人工智能等领域的迅猛发展，模糊算法也必将得到广泛关注和应用。
未来，模糊算法将在多个领域发挥重要作用，它将被应用于自动化控制、智能制造、自动驾驶、医学图像分析等多个领域。
企业知识管理中的算法和模型
企业知识管理中的算法和模型随着信息技术的不断发展和普及，企业管理逐渐从闭门造车向信息共享和知识创新转变，知识管理作为现代企业竞争力的重要组成部分得到了越来越多的重视。
在这个过程中，算法和模型无疑是重要的研究方向之一，本文将从算法和模型两个角度探讨企业知识管理的现状和未来发展方向。
一、算法在企业知识管理中的应用1.基于文本挖掘的知识提取文本挖掘是从大量文本中发现未知信息、分析以及挖掘隐含模式和知识的一种技术。
在企业知识管理中，文本挖掘应用广泛，可以通过训练模型从海量文本中抽取关键信息，如语义分析、文本分类和实体识别等。
通过对企业内部文档、电子邮件等进行挖掘和分析，可以提高信息的利用效率，发掘潜在商机和创新点，从而提高企业竞争力。
2.基于自然语言处理的知识检索自然语言处理技术可以帮助企业构建高效的知识检索系统。
由于企业内部信息形式多样性，搜索查询通常会出现语义混淆、词汇歧义和信息繁杂的情况。
通过建立了基于自然语言处理的知识检索系统，可以解决这些问题，提高信息检索效率和精准度，同时提高企业员工在发现和学习知识方面的效率。
3.基于机器学习的知识推荐机器学习技术可以根据最新的数据来改进预测模型，从而实现高精准度的知识推荐。
通过对企业内部不同部门之间协同的数据建立模型，推荐相关的知识到相关部门，可以提高企业的合作和协同能力。
而且还可以结合员工的良好反馈和评价，不断优化推荐算法和模型，进一步提高知识推荐精确度和效率。
二、模型在企业知识管理中的应用1.基于知识映射的知识管理模型知识映射模型可以将企业内部不同部门的知识整合起来，创建知识图谱，对大量知识进行分类和管理。
通过建立知识映射模型，可以让企业员工快速地发现相似的知识，从而提高企业内部的协同和效率。
除此之外，知识映射模型还可以在业务拓展和知识积累方面起到重要作用。
2.基于知识共享的知识社区模型知识共享模型可以建立知识共享的社区，收集内部员工的知识汇集起来，形成良性循环，利用共享的知识共同创造价值。
人工智能的模糊逻辑技术
人工智能的模糊逻辑技术人工智能（Artificial Intelligence）是计算机科学领域中的一个重要研究方向，致力于开发能够模拟人类智能的机器和软件系统。
在人工智能研究中，模糊逻辑技术（Fuzzy Logic）被广泛应用于处理模糊和不确定的信息。
模糊逻辑是一种基于模糊数学的推理方法，用于处理不精确和不完全的信息。
与传统逻辑相比，模糊逻辑能够更好地处理模糊和不确定的情况。
传统逻辑中的命题只有真和假两种取值，而模糊逻辑中的命题可以有一个介于0和1之间的模糊度。
通过引入模糊度的概念，模糊逻辑能够更好地处理现实世界中的不确定性和模糊性。
模糊逻辑的核心思想是模糊集合理论，它将模糊度应用于集合的定义和运算。
传统集合中的元素要么属于集合，要么不属于集合，而模糊集合中的元素可以有不同程度的隶属度。
模糊集合的隶属度可以用一个隶属函数来表示，这个隶属函数可以是一个连续的曲线，描述了元素与集合之间的关系。
在模糊逻辑中，采用模糊规则来推断输出结果。
模糊规则由若干个模糊前提和一个模糊结论组成。
模糊前提是由输入变量的模糊集合和相应的隶属函数描述的，而模糊结论是由输出变量的模糊集合和相应的隶属函数描述的。
推断的过程就是根据输入变量的隶属度和模糊规则的模糊度来计算输出变量的隶属度。
模糊逻辑在人工智能领域的应用非常广泛。
一方面，模糊逻辑能够模拟人类的推理过程，处理模糊和不确定的信息。
例如，在智能控制中，模糊逻辑可以用于建立模糊控制器，根据输入变量和模糊规则来推断输出变量的值，实现对复杂系统的自动控制。
另一方面，模糊逻辑还可以用于模糊分类和模糊聚类问题。
在模糊分类中，通过引入模糊度的概念，模糊逻辑能够更好地处理样本的不确定性和模糊性，提高分类的准确性和鲁棒性。
在模糊聚类中，模糊逻辑可以用于将数据对象划分到不同的模糊簇中，使得相似的对象聚集在一起。
除了在人工智能领域的应用，模糊逻辑还广泛应用于控制工程、模式识别、决策支持系统等领域。
模糊算法基本原理人工智能
模糊算法基本原理人工智能
随着人工智能技术的不断发展，模糊算法在解决不确定性、复杂
性等问题上发挥了重要作用。
那么，何为模糊算法？
模糊算法是一种通过将事物的程度进行模糊化，再将这种程度与
语言变量相联系来进行描述和计算的算法。
它的基本原理是将变量和
事物的度量用隶属函数来描述，将输入变量和输出变量进行逻辑运算
得到模糊输出值，再通过反推演算来得到数据将以何种程度满足输出
要求。
它特别适用于一些涉及不确定性、模糊性、复杂性、多变性较
高的领域，如控制系统、人工智能、模式识别等方面的应用。
模糊算法的主要步骤可以分为以下几个部分：
1. 变量隶属函数定义：将变量分为模糊集合，并建立隶属关系
函数，使之具有模糊性。
2. 模糊规则定义：将模糊变量之间的模糊规则用一定的形式进
行表达。
这些规则就是系统的运作规则，它们包含了变量之间的关系
和处理方法。
3. 模糊推理：模糊推理是处理模糊规则的过程，具体的做法就
是将所有输入变量通过隶属函数转化为模糊量，然后通过模糊规则进
行判断和推理，得到模糊输出。
4. 模糊输出：在进行模糊推理之后，就可以通过对各个输出的
隶属程度进行计算得到最终输出结果。
总体而言，模糊算法是基于模糊逻辑的一种数学运算方法，它不
同于传统的二元逻辑思维，而是更接近人类语言、思维的方式。
同时，模糊算法具有很强的可解释性和智能性，在许多领域都有着广泛的应
用前景。
人工智能(模糊算法)
将输出集合的隶属度值转换为 精确值，作为控制器的最终输
出。
05
模糊算法的优缺点与挑战
模糊算法的优点
处理不确定性
模糊算法能够处理不确定性和不精确的信息，这是传统数学方法 难以处理的。
灵活性
模糊算法能够处理各种不同的数据类型，包括数字、文本和图像等， 这使得它在许多领域都有广泛的应用。
强大的决策能力
安全保障
加强系统的安全保障措施， 如数据加密、访问控制和安 全审计等，确保系统的安全 性和隐私保护。
THANKS
感谢观看
发展历程
随着物联网、云计算和人工智能等 技术的不断发展，智能家居系统逐 渐成为现代家庭的重要组成部分。
智能家居中模糊算法的应用场景
第一季度
第二季度
第三季度
第四季度
温度控制
通过模糊算法对室内温 度进行智能调节，根据 室内外温度、湿度和时 间等因素，自动调节空 调或暖气设备的运行状 态，以保持舒适的室内 温度。
人工智能(模糊算法)
• 引言 • 模糊逻辑与模糊集合 • 模糊算法的应用领域 • 模糊算法的实现技术 • 模糊算法的优缺点与挑战 • 实例分析：模糊算法在智能家居中的
应用
01
引言
人工智能的定义与重要性
定义
人工智能是计算机科学的一个分支，旨在研究和开发能够模拟、延伸和扩展人 类智能的理论、方法、技术及应用系统。
模糊算法面临的挑战与未来发展方向
提高计算效率
增强可解释性
如何降低模糊算法的计算复杂度，提高其 计算效率，是当前面临的一个重要挑战。
如何提高模糊算法的可解释性，使其决策 过程更加透明，是未来发展的重要方向。
处理大规模数据
与其他技术的结合
数字化制造环境下的生产调度优化研究
数字化制造环境下的生产调度优化研究随着数字化技术的发展和制造业的升级，数字化制造已成为未来发展的主要方向。
在数字化制造环境下，生产调度优化是提高生产效率和产品质量的关键问题。
本文将探讨数字化制造环境下的生产调度优化研究。
一、数字化制造环境下的生产调度优化的思路在数字化制造环境下，生产调度优化需要通过数据采集、处理、分析和应用，实现生产流程的精细化管理和优化。
首先，需要建立数字化化生产线，实现生产数据的实时采集和自动化控制。
然后，通过智能算法和大数据分析，对生产数据进行挖掘和分析，提取出生产过程中的瓶颈和优化空间。
最后，将优化方案应用于生产实践中，不断完善和优化生产调度系统。
二、数字化制造环境下的生产调度优化的关键技术数字化制造环境下的生产调度优化需要依赖一些关键技术，包括：1. 数据采集技术：实现生产数据的实时采集和传输，包括传感器技术、RFID 等。
2. 数据集成和处理技术：实现对各种数据格式的统一处理，可采用模型驱动的方法进行建模与重构。
3. 大数据分析技术：实现对生产数据的挖掘和分析，包括数据可视化、数据挖掘、数据预测等。
4. 智能算法技术：实现对生产流程的优化和决策，包括机器学习、深度学习、知识图谱等。
三、数字化制造环境下的生产调度优化的应用案例数字化制造环境下的生产调度优化已经在实践中得到了广泛应用。
以下是几个典型的应用案例：1. 汽车制造行业：针对汽车制造流程中的焊接和喷漆等环节的复杂性和灵活性，通过数字化生产线的数据采集和大数据分析能力，实现对生产流程的优化和调整，提高了汽车制造企业的生产效率和产品质量。
2. 电子行业：通过智能算法和大数据分析，优化电子制造流程中的物料管理和工艺流程，实现了生产过程的自动化控制，提高了生产效率和产品质量。
3. 机械制造行业：通过数字化制造线实现了对机械加工的实时监控和自动化控制，提高了机械制造的生产效率和产品精度。
四、数字化制造环境下的生产调度优化的展望数字化制造环境下的生产调度优化是未来制造业的重要方向之一。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第15卷第7期计算机集成制造系统Vol.15No.72009年7月Computer Integrated Manufacturing SystemsJ uly 2009文章编号:1006-5911(2009)07-1374-09收稿日期:2008206230;修订日期:2008207224。
Received 30J une 2008;accepted 24J uly 2008.基金项目:国家863计划CIMS 主题资助项目(2007AA04Z112);国家自然科学基金资助项目(60574062)。
Found ation items :Project supportedby t he National High 2Tech.R &D Program for CIMS ,China (No.2007AA04Z112),and t he National Natural Science Foundation ,China (No.60574062).作者简介:杨宏兵(1977-),男,安徽无为人,东南大学自动化学院复杂工程系统测量与控制教育部重点实验室博士研究生,苏州大学机电工程学院讲师,主要从事知识化制造、计划与调度、机器学习等的研究。
E 2mail :tonyyhb @ 。
知识化制造环境下模糊调度模型和算法杨宏兵1,2,严洪森1,陈 琳1(1.东南大学自动化学院复杂工程系统测量与控制教育部重点实验室,江苏 南京 210096;2.苏州大学机电工程学院,江苏 苏州 215021)摘 要:为解决实际生产中一些不精确调度知识的描述问题,通过引入模糊理论中的测度概念,建立了模糊调度模型和求解该模型的混合模糊遗传算法。
首先,在变速并行机生产环境下,针对工件加工时间和交货期的不确定性,基于可能性测度和必然性测度的定义,提出了工件拖期可信度指标,用于衡量工件发生拖期的可能性;然后,基于工件拖期可信度指标,建立了以最小化工件平均拖期可信度为目标的混合整数规划模型,通过分析该调度模型,得到最优模糊调度的相关性质;最后,以上述工作为基础,给出一种混合模糊遗传算法的求解方法,并以某电机制造企业为例,对所提出的算法进行了有效性验证。
关键词:知识化制造;模糊调度;拖期可信度;工件;并行机;混合模糊遗传算法中图分类号:T H165 文献标识码:AFuzzy scheduling model and its algorithm in know ledgeable manufacturing environmentYA N G Hong 2bing1,2,YA N Hong 2sen 1,C H EN L in1(1.Ministry of Education Key Lab of Measurement and Control ,School of Automation ,Southeast University ,Nanjing 210096,China ;2.College of Mechanical and Electrical Engineering ,Suzhou University ,Suzhou 215021,China )Abstract :To solve the description problem of imprecise scheduling knowledge in real production ,by introducing the concept of measure in f uzzy theory ,the f uzzy scheduling model was constructed ,and the corresponding hybrid f uzzy genetic algorithm was also proposed.Firstly ,under the circumstance of unrelated parallel machines ,aiming to the uncertainty of job processing time and due date ,based on the concepts of the possibility and necessity measures ,the tardiness credibility index of job was proposed ,which was employed to estimate the possibility of job tardiness.Then ,the mixed 2integer programming model was established to minimize average credibility of job tardiness ,and the property of optimum f uzzy scheduling was analyzed and obtained.Finally ,based on above studies ,the hybrid fuzzy genetic algorithm was put forward to deal with the f uzzy tardiness problem ,and the algorithm was verified by a case of a motor manufacturing enterprise.K ey w ords :knowledgeable manufacturing ;f uzzy scheduling ;tardiness credibility ;job ;parallel machines ;hybrid fuzzy genetic algorithm0 引言知识化制造系统(Knowledgeable Manufactur 2ing System ,KMS )是一种以自适应、自学习、自进化、自重构、自培训和自维护为主要特征[1],强调对制造系统所蕴含的生产知识进行挖掘、处理和第7期杨宏兵等:知识化制造环境下模糊调度模型和算法利用,以时间、质量、成本、服务和环境为主要优化目标的高智能制造系统。
在现实的生产加工过程中,存在大量的随机和不确定因素,特别当涉及到人力等主观因素的情况时,无法用精确数据描述包括时间在内的相关知识,如工件的加工时间和交货期等不确定性,因此,研究不确定环境下的生产调度问题具有非常重要的现实意义。
当前,主要采用随机变量和模糊变量对这些不确定知识进行描述,当缺乏足够的企业历史数据(如新产品开发等)时,很难得到这些随机变量的分布概率。
模糊理论和可能性理论由Zadeh首先提出来,它能够很好地处理这些不精确的知识描述问题。
近年来,带有模糊加工时间、模糊交货期等不确定生产环境下的调度问题已引起越来越多学者的关注,文献[2]首次考虑模糊加工时间并用模糊集理论对流水车间问题进行了分析。
文献[3]利用模糊语言描述工件加工时间对单机模糊调度问题进行了研究。
文献[4]引入偏比函数概念,研究了流水车间中具有模糊加工时间的问题。
文献[5]则对两阶段流水车间的模糊调度问题进行了研究。
文献[6]首次提出模糊交货期概念并将其应用于两台机器的open shop调度问题中,带模糊参数的作业车间调度问题也已经被研究者广泛关注[728]。
文献[9]～文献[13]基于模糊加工时间和模糊交货期的隶属度函数交集面积定义了一致指标,该性能指标被广泛用作调度优化目标加以研究,但交货期若为确定值时,一致指标的定义将会变得没有意义,而且一致指标也面临计算量较大的弱点。
并行机调度是制造业中常见的问题,实际生产中瓶颈工序的调度多属于此类问题,从现有文献来看,尽管对单机、流水车间和作业车间模糊调度问题研究较多,但对并行机环境下的模糊调度问题研究尚显不足[14]。
本文引入模糊理论中的可能测度及必然测度,在变速并行机(unrelated parallel machines)的生产环境下,提出拖期可信度指标,并以此为调度优化目标,建立其混合整数规划模型,最后设计混合模糊遗传算法(Hy2 brid Fuzzy Genetic Algorit hm,HF GA)对该问题进行求解。
1 模糊调度问题描述由并行机组成的知识化制造单元调度问题可以描述为:有m台不同的机器和n个相互独立的工件,每个工件i可在任意机器k上加工,i=1,2,…,n,k=1,2,…,m。
假定每个工件的加工过程不可中断;机器不允许同时加工两个或两个以上工件;若机器前置缓冲区中存在未完工工件,则机器不允许空闲。
调度目标是寻求一种最优的调度方案s∈Ω,包括工件选择机器及安排缓冲区中工件加工序列,使得给定的目标函数f(s)最优,其中Ω为所有可行调度方案集。
在激烈的市场竞争环境下,能够快速反应市场的需求变化,及时交货以满足客户需求,是提高企业服务水准的有效途径,而当产品交货期较紧时,优化产品的拖期指标就显得尤为重要了。
因此,本文以最小化产品的平均拖期作为调度目标进行研究。
知识化制造单元运行过程中,会受到一些随机扰动以及其他一些不确定因素的影响,常常很难得到精确的工件加工时间,只能得到工件加工时间的可能性度量,因此可把工件加工时间当作一个模糊量来处理;另一方面,由于工件的重要程度、需求紧迫性和运输条件等实际因素影响,客户对工件交货期的要求通常也不是严格固定的,常常留有一定的裕度,即在一个时间窗口内都是可以接受的,故工件交货期也可被看作一种模糊量。
为此,先给出模糊数定义。
定义1[15] 设A是论域R中的模糊子集,且满足如下条件:①A是标准的模糊集;②A是凸模糊集;③A是支撑集有界;④A的所有α2截集都为R 中的闭区间,则A被称为一个模糊数。
由文献[8]～文献[11]可知,工件加工时间可用一个三角形模糊数 P ik=(p1ik,p2ik,p3ik)进行描述, P ik 即为工件i在机器k上的模糊加工时间。
其隶属度函数μ Pik(t)表示工件模糊加工时间的可能性度量,具体为μ Pik(t)=(p1ik-t)/(p1ik-p2ik),p1ik≤t<p2ik;(t-p3ik)/(p2ik-p3ik),p2ik≤t≤p3ik;0,其他。
(1)用梯形模糊数 D i=(d1i,d2i,d3i,d4i)表示工件i的模糊交货期,其隶属度函数μDi(t)为μ Di(t)=(d1i-t)/(d1i-d2i),d1i≤t<d2i;1,d2i≤t<d3i;(t-d4i)/(d3i-d4i),d3i≤t<d4i;0,其他。