### 4. 任务智能分配算法任务分配是系统中的关键业务流程，我实现了一个智能分配算法，能够根据多种因素为任务选择最合适的网格员。该算法综合考虑了地理距离、当前负载、专业匹配度和历史表现等因素。 **关键代码展示**: ```java @Service @RequiredArgsConstructor public class TaskAssignmentServiceImpl implements TaskAssignmentService { private final TaskRepository taskRepository; private final UserAccountRepository userAccountRepository; private final GridService gridService; private final WorkerStatsService workerStatsService; /** * 为任务推荐最合适的网格员 * 综合考虑地理距离、当前负载、专业匹配度和历史表现 */ @Override public UserAccount recommendWorkerForTask(Task task, List availableWorkers) { if (availableWorkers.isEmpty()) { return null; } // 权重配置 final double DISTANCE_WEIGHT = 0.4; // 地理距离权重 final double LOAD_WEIGHT = 0.3; // 当前负载权重 final double SKILL_WEIGHT = 0.2; // 专业匹配度权重 final double PERFORMANCE_WEIGHT = 0.1; // 历史表现权重 // 任务位置 Point taskLocation = new Point(task.getGridX(), task.getGridY()); // 计算每个网格员的评分 Map workerScores = new HashMap<>(); for (UserAccount worker : availableWorkers) { // 1. 地理距离评分 Point workerLocation = new Point(worker.getGridX(), worker.getGridY()); double distance = calculateDistance(workerLocation, taskLocation); double maxDistance = 10.0; // 最大考虑距离 double distanceScore = Math.max(0, maxDistance - distance) / maxDistance; // 2. 当前负载评分 int currentTasks = taskRepository.countByAssigneeIdAndStatusIn( worker.getId(), Arrays.asList(TaskStatus.ASSIGNED, TaskStatus.IN_PROGRESS)); int maxTasks = 5; // 最大任务数 double loadScore = (double)(maxTasks - currentTasks) / maxTasks; // 3. 专业匹配度评分 double skillScore = calculateSkillMatch(worker, task); // 4. 历史表现评分 double completionRate = workerStatsService.getCompletionRate(worker.getId()); double qualityRating = workerStatsService.getAverageQualityRating(worker.getId()); double performanceScore = (completionRate * 0.7) + (qualityRating * 0.3); // 5. 综合评分 double totalScore = (distanceScore * DISTANCE_WEIGHT) + (loadScore * LOAD_WEIGHT) + (skillScore * SKILL_WEIGHT) + (performanceScore * PERFORMANCE_WEIGHT); workerScores.put(worker, totalScore); } // 选择评分最高的网格员 return workerScores.entrySet().stream() .max(Map.Entry.comparingByValue()) .map(Map.Entry::getKey) .orElse(null); } /** * 计算两点间的距离 * 使用曼哈顿距离，适合网格化的城市环境 */ private double calculateDistance(Point a, Point b) { return Math.abs(a.x() - b.x()) + Math.abs(a.y() - b.y()); } /** * 计算网格员技能与任务的匹配度 * 返回0-1之间的分数，1表示完全匹配 */ private double calculateSkillMatch(UserAccount worker, Task task) { // 获取工人的技能列表 List workerSkills = worker.getSkills(); if (workerSkills == null || workerSkills.isEmpty()) { return 0.0; } // 根据任务类型确定所需技能 List requiredSkills = determineRequiredSkills(task); if (requiredSkills.isEmpty()) { return 1.0; // 如果任务没有特定技能要求，则任何工人都完全匹配 } // 计算匹配的技能数量 long matchedSkillsCount = requiredSkills.stream() .filter(skill -> workerSkills.contains(skill)) .count(); // 返回匹配率 return (double) matchedSkillsCount / requiredSkills.size(); } /** * 根据任务类型确定所需技能 */ private List determineRequiredSkills(Task task) { List skills = new ArrayList<>(); // 根据污染类型添加相关技能 switch (task.getPollutionType()) { case AIR: skills.add("air_quality_monitoring"); skills.add("emissions_control"); break; case WATER: skills.add("water_sampling"); skills.add("water_treatment"); break; case SOIL: skills.add("soil_testing"); skills.add("land_remediation"); break; case NOISE: skills.add("noise_measurement"); skills.add("sound_insulation"); break; default: skills.add("general_environmental"); } // 根据严重程度添加额外技能 if (task.getSeverityLevel() == SeverityLevel.HIGH || task.getSeverityLevel() == SeverityLevel.CRITICAL) { skills.add("emergency_response"); } return skills; } } ``` **实现要点分析**: 1. **多因素加权评分**: 算法综合考虑了地理距离、当前负载、专业匹配度和历史表现四个因素，通过加权计算得出每个网格员的综合得分。 2. **技能匹配机制**: 根据任务的污染类型和严重程度，动态确定所需的技能列表，然后与网格员的技能进行匹配，计算匹配度。 3. **可配置权重**: 各因素的权重可以根据实际需求进行调整，使得算法更加灵活和适应性强。 4. **流式API**: 使用Java 8的Stream API进行最大值查找，代码简洁且高效。 **程序流程图**: ```mermaid flowchart TD A[开始] --> B[获取可用网格员列表] B --> C{列表为空?} C -->|是| D[返回null] C -->|否| E[遍历每个网格员] E --> F[计算地理距离评分] F --> G[计算当前负载评分] G --> H[计算专业匹配度评分] H --> I[计算历史表现评分] I --> J[计算综合评分] J --> K[记录网格员评分] K --> L{所有网格员已处理?} L -->|否| E L -->|是| M[返回评分最高的网格员] ``` ## 3.3.3 界面展示与成果展示在前端实现方面，我采用了Vue 3和Element Plus组件库，打造了美观、易用且响应式的用户界面。下面展示几个核心界面及其功能实现。 ### 1. 主管工作台 - 反馈审核与任务分配 ![主管工作台界面](./Design/supervisor_dashboard.png) **界面功能说明**: 1. **左侧反馈列表**: 展示所有待审核的反馈，支持按状态、类型和严重程度进行筛选。 2. **右侧反馈详情**: 显示选中反馈的详细信息，包括标题、描述、位置和附件等。 3. **智能推荐**: 系统自动推荐最合适的网格员，并显示推荐理由。 4. **手动分配**: 主管可以覆盖系统推荐，手动选择其他网格员。 5. **批量操作**: 支持批量审核和分配功能，提高工作效率。 **前端代码实现**: ```vue ``` ### 2. 网格员工作台 - 任务执行 ![网格员工作台界面](./Design/worker_dashboard.png) **界面功能说明**: 1. **任务列表**: 展示分配给当前网格员的所有任务，按状态和截止日期排序。 2. **任务详情**: 显示选中任务的详细信息，包括位置、描述和附件等。 3. **路径规划**: 集成A*寻路算法，为网格员提供从当前位置到任务地点的最优路径。 4. **任务提交**: 提供表单和文件上传功能，让网格员提交任务处理结果。 ### 3. 决策支持看板 ![决策支持看板界面](./Design/decision_dashboard.png) **界面功能说明**: 1. **核心KPI**: 展示关键业务指标，如反馈总数、任务完成率、平均处理时长等。 2. **热力图**: 基于地理位置的问题密度热力图，直观展示问题高发区域。 3. **趋势图**: 展示过去30天的反馈和任务数量趋势，帮助决策者了解系统运行状况。 4. **分布图**: 展示不同类型问题的分布情况，帮助决策者了解问题类型分布。 **前端代码实现**: ```vue ``` ## 3.3.4 实现成果总结通过系统实现阶段的工作，我成功地将系统设计阶段规划的功能转化为了可运行的代码，实现了环境监督系统的核心功能。主要成果包括： 1. **创新的数据持久化方案**: 设计并实现了基于JSON文件的数据存储服务，简化了系统部署，同时提供了类似JPA的操作接口。 2. **高效的A*寻路算法**: 实现了能够考虑地图障碍物的A*寻路算法，为网格员提供最优路径规划。 3. **智能的任务分配算法**: 开发了综合考虑多种因素的任务分配算法，能够为任务选择最合适的执行者。 4. **完整的反馈管理流程**: 实现了反馈提交、AI审核、人工审核和任务创建的完整流程，支持多条件查询和文件上传。 5. **直观的用户界面**: 设计并实现了美观、易用且响应式的用户界面，包括主管工作台、网格员工作台和决策支持看板等。这些实现成果不仅满足了系统需求分析阶段定义的功能要求，也体现了系统设计阶段规划的架构和模块划分。系统的实现充分考虑了可维护性、可扩展性和用户体验，为后续的系统测试和部署奠定了坚实的基础。

附件

分配任务