CN107728639A - 一种时间窗约束下的异构多auv系统任务协调方法 - Google Patents
一种时间窗约束下的异构多auv系统任务协调方法 Download PDFInfo
- Publication number
- CN107728639A CN107728639A CN201710805763.7A CN201710805763A CN107728639A CN 107728639 A CN107728639 A CN 107728639A CN 201710805763 A CN201710805763 A CN 201710805763A CN 107728639 A CN107728639 A CN 107728639A
- Authority
- CN
- China
- Prior art keywords
- mrow
- auv
- task
- msubsup
- ant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013459 approach Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 239000003016 pheromone Substances 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 8
- 230000007704 transition Effects 0.000 abstract description 4
- 230000000052 comparative effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/047—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators the criterion being a time optimal performance criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种时间窗约束下的异构多AUV系统任务协调方法,属于多AUV的任务协调领域。本发明利用对AUV、海域、任务类型编码,得到基本的Auv_Mission参数矩阵;根据起点向量和终点矩阵计算所有可能路径的状态转移概率P;根据状态转移概率使用轮盘赌法选择下一条路径;通过蚁群算法进行优化并记录所有走过的路径及每个任务前的等待时间,并求得的每个AUV的任务最佳分配方案及执行顺序;通过将多个可能具有不同功能,不同性能的AUV合理分配这些子任务,以实现该群体的工作效率处于最高,从而通过共同分工与协作完成整个复杂的任务。
Description
技术领域
本发明专利涉及多AUV的任务协调领域,具体涉及一种时间窗约束下的异构多AUV系统任务协调方法。
背景技术
一般来讲,单个AUV能够胜任一些简单的任务,单个AUV很难高效率的完成一些比较复杂的任务,例如:对不同区域的多种海洋资源,地形勘测的综合勘测任务等。这类规模或复杂性较大的任务中,单个的AUV,无论从能源角度还是勘测能力角度来看,均显得力不从心。于是多AUVs系统(MAUVS)便应运而生,试图通过多个AUV的共同分工与协作完成整个复杂的任务,其中每一个AUV只需要完成所分配到的某些子任务即可。
多AUV群体的任务协调问题也就随之出现,如何将多个可能具有不同功能,不同性能的AUV合理分配这些子任务,以使该群体的工作效率最高,这一问题变得尤为重要。
对多AUV系统的研究实际上是对多机器人系统研究的一个重要的方向,随着机器人科学的深入研究,单机器人系统将难以去应付某些动态性强且复杂性高的任务,从另一个角度讲,但机器人系统的智能化水平很难达到多机器人系统。所以,研究多AUV间的任务协调,要比提高单个AUV的作业能力更具有现实意义。
发明内容
本发明的目的在于提供一种时间窗约束下的异构多AUV系统任务协调方法。这种方法能够对系统中每一个AUV提供一个比较可靠的子任务执行顺序方案,保证任务整体的完全执行并追求用时最短。
本发明的目的是通过以下步骤实现的:
一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,包含以下步骤:
步骤一任务分配系统的初始化;主要包括水面控制台初始化、时钟初始化、AUV参数初始化、任务信息初始化;完成对AUV、海域、任务类型编码,得到基本的Auv_Mission参数矩阵;
步骤二将蚂蚁编号取值为1;
步骤三根据禁忌表,时间窗,距离矩阵,速度矩阵,计算三维的状态转移矩阵,并使用轮盘赌旋转下一条路径;
步骤四更新禁忌表,更新起点向量和终点矩阵,直到终点向量为空;
步骤五判断禁忌表是否包含所有子任务,如果是则清空禁忌表,否则返回步骤三;
步骤六重复步骤三到步骤五,使本代所有蚂蚁全部实现任务的遍历,并记录所有走过的路径及每个任务前的等待时间;
步骤七更新每条路径上的信息素;
步骤八判定迭代次数是否完成,如果是,则输出较优解,得出最终每个AUV的任务分配结果及执行顺序;如果否,则将迭代次数iter加1,并返回步骤三;
步骤九水面工作台使用一定的通讯手段,将第二步的任务指令分别下发给各AUV。
所述步骤一的Auv_Mission参数矩阵包含了每个AUV能够完成的任务编码集合;其主要内容包括:根据任务海域数据Goal2Sensor将任务总量划分为一个一个的子任务,每个子任务拥有独立的坐标信息,子任务的坐标信息与该海域坐标相同;根据任务海域数据S,T和Goal2Sensor计算出每个子任务需要花费的Mission_Time;根据子任务海域的坐标和各AUV的初始坐标计算所有的路径长度D,其中如果出现零距离的情况,将其处理为无穷小,以免计算出错,此外为了简化计算可以不去计算AUV实际不可能走的路径;根据Goal2Sensor和Auv2Sensor统计每个AUV所能够完成的子任务。
所述步骤一中的水面控制台初始化主要包括蚁群参数的初始化。
所述步骤一中的AUV参数初始化包括AUV初始坐标,速度和装备信息的初始化。
所述步骤一中的时钟初始化主要是保证水面控制台和所有AUV拥有共同的零时刻,以保证时间刻度准确。
所述步骤一中的任务信息初始化主要包括任务海域坐标,面积和任务种类信息的初始化。
所述步骤三中的禁忌表为起点向量和终点矩阵。
所述步骤三中的状态转移矩阵为:
公式中k为蚂蚁编号,i、j分别表示路径的起点和终点编号,allowedk表示满足约束条件的终点集合,α为启发因子重要度因数,β为信息素重要度因数,τ为信息素矩阵,启发函数矩阵η为蚂蚁要在该路径上的航行的时间的倒数,但考虑时间窗因数后,应该为如下公式:
上式中i,j分别为路径的起点和终点,m表示AUV的编码,D为距离矩阵,V为AUV的速度信息矩阵,wait_Time表示AUVm在该海域j需要的等待时间。
所述步骤七中的信息素更新公式为:
τij(t+1)=Δτij(t,t+1)+ρ·τij(t)
上面各式中i,j分别为路径的起点终点编号,τ为信息素矩阵,Δτ为信息素的更新矩阵,k为蚂蚁编号,Num_ant为蚂蚁个数,ρ为信息素挥发系数,其取值为0~1的数,取值越大说明所挥发的信息素越多,Q为常系数,dij为每个AUV执行任务的总时间。
所述蚁群算法参数初始化包含:迭代次数iter_max,蚂蚁数量Num_ant,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发因子ρ,启发函数η,信息素矩阵τ。
与已有的技术相比,本发明的优势和创新体现在:
本发明涉及时间窗约束下的异构多AUV系统的任务协调方法,基于异构多AUV系统,使用蚁群算法解决了在执行异构任务过程中的时间窗问题,优化过程简单快速,能够明显提高多AUV系统的任务执行效率。
附图说明
图1为本发明的算法流程图;
图2为实验项优化结果示意图;
图3为实验项蚁群算法收敛性图;
图4为对比项优化结果示意图;
图5为对比项蚁群算法收敛性图;
图6为Goal2Sensor(i,j)分布矩阵;
图7为S(i)分布矩阵;
图8为T(j)分布矩阵;
图9为时间窗矩阵;
图10为Auv2Sensor(k,j)分布矩阵;
图11为V(k)矩阵;
图12为子任务划分矩阵;
图13为Auv_Mission矩阵处理结果;
图14为距离矩阵D计算结果;
图15为当前起点终点矩阵情况;
图16为详细优化结果;
图17为每个子任务执行前的等待时间;
图18为对比项时间窗;
图19为对比项详细优化结果;
图20为每个子任务执行前的等待时间。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明一种基于蚁群算法的异构多AUV系统的任务协调方法,下面将以4个任务海域,2个从AUV,2种任务类型为例,说明本算法的具体实施方式。
S1:需要上传至水面工作台的数据详细如图6~11所示,其中任务海域的坐标为随机生成的三维坐标矩阵,在此不做说明。
S2:主控AUV对上传来的数据进行处理和任务划分如图12~14所示:
S3:水面工作台在处理完毕上述数据后,开始对从AUV的任务协调问题使用蚁群算法进行优化。
S4:水面工作台通过优化求得的每个AUV的任务分配方案及执行顺序,将结合各个任务点的基本信息通过通讯手段,以指令的形式传递给每个AUV。每个AUV将通过这一任务序列依次完成指定任务,在此期间,AUV会实时发送给水面工作台其位置信息,在进入存在时间窗海域前,会由水面工作台决定该AUV是否等待。此等待时间将可能与水面工作台的优化结果不相同。
S5:每个AUV完成其被安排的所有任务后,自主的前往回收点等待回收。
S3优化算法具体包括如下各个步骤:
S31:初始化蚁群算法基本参数,包括Num_ant=50;α=1;β=1;ρ=0.1;Q=1;τ为单位矩阵;iter_max=200;N=1;
S32:设置起点向量和终点矩阵,起点向量为start_point=[A1,A2],初始终点矩阵Now_Mission=Auv_Misison;
S33:根据起点向量和终点矩阵计算所有可能路径的状态转移概率P;
S34:根据状态转移概率使用轮盘赌法选择下一条路径,本次以选择路径(A1,M1)为例;
S35:更新起点向量和终点矩阵及其对应关系如图15,直到终点矩阵为空;
S36:根据S32-S35,使本代所有蚂蚁全部实现任务的遍历,并记录所有走过的路径。
S37:更新每条路径上的信息素矩阵τ;
S38:重复S32-S37步骤,直到所有迭代完毕,记录所有路径中的最短时间的路径信息;
详细优化结果如图16所示,执行各项任务所需的等待时间如图17所示:
为突出本方案对于解决涉及时间窗问题的异构多AUV系统任务协调问题的有效性在此设立对比项,单一添加另一海域的时间窗如图18所示:
对比项优化结果如图19,执行各项任务前的等待时间如图20所示,从图5的算法收敛性中可以看出蚁群算法逐代收敛,算法有效。通过分析能够发现在海域4设置时间窗后,AUV2的任务执行时间会比较长,于是算法最终将两者任务中的M1,M2任务进行了交换,这样做减轻了A2的负担,使得两个AUV的任务时间趋于相同,每个AUV的任务执行路线如图2,4所示。
综上,本发明设计了一种考虑时间窗因素的异构多AUV任务协调优化方法,将AUV前往正处在时间窗限制内的海域需要的等待时间设计在内,采用蚁群优化算法得到了最优的每个AUV的任务执行序列,因为蚁群算法的正反馈机制,收敛性快,能够提高系统的优化效率。
Claims (10)
1.一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,包含以下步骤:
步骤一 任务分配系统的初始化;主要包括水面控制台初始化、时钟初始化、AUV参数初始化、任务信息初始化;完成对AUV、海域、任务类型编码,得到基本的Auv_Mission参数矩阵;
步骤二 将蚂蚁编号取值为1;
步骤三 根据禁忌表,时间窗,距离矩阵,速度矩阵,计算三维的状态转移矩阵,并使用轮盘赌旋转下一条路径;
步骤四 更新禁忌表,更新起点向量和终点矩阵,直到终点向量为空;
步骤五 判断禁忌表是否包含所有子任务,如果是则清空禁忌表,否则返回步骤三;
步骤六 重复步骤三到步骤五,使本代所有蚂蚁全部实现任务的遍历,并记录所有走过的路径及每个任务前的等待时间;
步骤七 更新每条路径上的信息素;
步骤八 判定迭代次数是否完成,如果是,则输出较优解,得出最终每个AUV的任务分配结果及执行顺序;如果否,则将迭代次数iter加1,并返回步骤三;
步骤九 水面工作台使用一定的通讯手段,将第二步的任务指令分别下发给各AUV。
2.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤一的Auv_Mission参数矩阵包含了每个AUV能够完成的任务编码集合;其主要内容包括:根据任务海域数据Goal2Sensor将任务总量划分为一个一个的子任务,每个子任务拥有独立的坐标信息,子任务的坐标信息与该海域坐标相同;根据任务海域数据S,T和Goal2Sensor计算出每个子任务需要花费的Mission_Time;根据子任务海域的坐标和各AUV的初始坐标计算所有的路径长度D,其中如果出现零距离的情况,将其处理为无穷小,以免计算出错,此外为了简化计算可以不去计算AUV实际不可能走的路径;根据Goal2Sensor和Auv2Sensor统计每个AUV所能够完成的子任务。
3.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤一中的水面控制台初始化主要包括蚁群参数的初始化。
4.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤一中AUV参数初始化包括AUV初始坐标,速度和装备信息的初始化。
5.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤一的时钟初始化主要是保证水面控制台和所有AUV拥有共同的零时刻,以保证时间刻度准确。
6.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤一中的任务信息初始化主要包括任务海域坐标,面积和任务种类信息的初始化。
7.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤三的禁忌表为起点向量和终点矩阵。
8.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤三的状态转移矩阵为:
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&beta;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>allowed</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>&beta;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>allowed</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
公式中k为蚂蚁编号,i、j分别表示路径的起点和终点编号,allowedk表示满足约束条件的终点集合,α为启发因子重要度因数,β为信息素重要度因数,τ为信息素矩阵,启发函数矩阵η为蚂蚁要在该路径上的航行的时间的倒数,但考虑时间窗因数后,应该为如下公式:
<mrow>
<mfrac>
<mn>1</mn>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<mi>w</mi>
<mi>a</mi>
<mi>i</mi>
<mi>t</mi>
<mo>_</mo>
<mi>T</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
上式中i,j分别为路径的起点和终点,m表示AUV的编码,D为距离矩阵,V为AUV的速度信息矩阵,wait_Time表示AUVm在该海域j需要的等待时间。
9.根据权利要求一所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述步骤七信息素更新公式为:
τij(t+1)=Δτij(t,t+1)+ρ·τij(t)
<mrow>
<msub>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>a</mi>
<mi>n</mi>
<mi>t</mi>
</mrow>
</munderover>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
上面各式中i,j分别为路径的起点终点编号,τ为信息素矩阵,Δτ为信息素的更新矩阵,k为蚂蚁编号,Num_ant为蚂蚁个数,ρ为信息素挥发系数,其取值为0~1的数,取值越大说明所挥发的信息素越多,Q为常系数,dij为每个AUV执行任务的总时间。
10.根据权利要求3所述的一种时间窗约束下的异构多AUV系统任务协调方法,其特征在于,所述蚁群算法参数初始化包含:迭代次数iter_max,蚂蚁数量Num_ant,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发因子ρ,启发函数η,信息素矩阵τ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710805763.7A CN107728639B (zh) | 2017-09-08 | 2017-09-08 | 一种时间窗约束下的异构多auv系统任务协调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710805763.7A CN107728639B (zh) | 2017-09-08 | 2017-09-08 | 一种时间窗约束下的异构多auv系统任务协调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107728639A true CN107728639A (zh) | 2018-02-23 |
CN107728639B CN107728639B (zh) | 2020-11-10 |
Family
ID=61205876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710805763.7A Active CN107728639B (zh) | 2017-09-08 | 2017-09-08 | 一种时间窗约束下的异构多auv系统任务协调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107728639B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026137A (zh) * | 2019-12-26 | 2020-04-17 | 西北工业大学 | 一种攻击角约束下同时攻击目标的三维分布式协同导引方法 |
CN111707267A (zh) * | 2020-06-18 | 2020-09-25 | 哈尔滨工程大学 | 一种多无人机协同航迹规划方法 |
CN112085382A (zh) * | 2020-09-08 | 2020-12-15 | 杭州海兴泽科信息技术有限公司 | 一种工单分配方法、装置、设备及计算机可读存储介质 |
CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
CN113033970A (zh) * | 2021-03-05 | 2021-06-25 | 西北工业大学 | 一种针对大规模任务的auv集群分层分配方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
WO2010026150A2 (fr) * | 2008-09-02 | 2010-03-11 | Commissariat A L'energie Atomique | Procede et systeme permettant de generer un dispositif de controle a partir de comportements redoutes specifies |
US20120134361A1 (en) * | 2009-12-18 | 2012-05-31 | Wong Wendy C | System and method of utilizing a framework for information routing in large-scale distributed systems using swarm intelligence |
CN102932422A (zh) * | 2012-09-29 | 2013-02-13 | 南京邮电大学 | 基于改进蚁群算法的云环境任务调度方法 |
CN103631657A (zh) * | 2013-11-19 | 2014-03-12 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的任务调度算法 |
WO2015126499A2 (en) * | 2013-12-02 | 2015-08-27 | Andrew Irish | Systems and methods for gnss snr probabilistic localization and 3-d mapping |
CN105652838A (zh) * | 2016-01-29 | 2016-06-08 | 哈尔滨工大服务机器人有限公司 | 一种基于时间窗的多机器人路径规划方法 |
US20160311114A1 (en) * | 2008-11-25 | 2016-10-27 | Intouch Technologies, Inc. | Server connectivity control for a tele-presence robot |
CN106251012A (zh) * | 2016-07-28 | 2016-12-21 | 广东工业大学 | 一种带软时间窗物流运输调度的路径计算方法及装置 |
-
2017
- 2017-09-08 CN CN201710805763.7A patent/CN107728639B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
WO2010026150A2 (fr) * | 2008-09-02 | 2010-03-11 | Commissariat A L'energie Atomique | Procede et systeme permettant de generer un dispositif de controle a partir de comportements redoutes specifies |
US20160311114A1 (en) * | 2008-11-25 | 2016-10-27 | Intouch Technologies, Inc. | Server connectivity control for a tele-presence robot |
US20120134361A1 (en) * | 2009-12-18 | 2012-05-31 | Wong Wendy C | System and method of utilizing a framework for information routing in large-scale distributed systems using swarm intelligence |
CN102932422A (zh) * | 2012-09-29 | 2013-02-13 | 南京邮电大学 | 基于改进蚁群算法的云环境任务调度方法 |
CN103631657A (zh) * | 2013-11-19 | 2014-03-12 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的任务调度算法 |
WO2015126499A2 (en) * | 2013-12-02 | 2015-08-27 | Andrew Irish | Systems and methods for gnss snr probabilistic localization and 3-d mapping |
CN105652838A (zh) * | 2016-01-29 | 2016-06-08 | 哈尔滨工大服务机器人有限公司 | 一种基于时间窗的多机器人路径规划方法 |
CN106251012A (zh) * | 2016-07-28 | 2016-12-21 | 广东工业大学 | 一种带软时间窗物流运输调度的路径计算方法及装置 |
Non-Patent Citations (4)
Title |
---|
DANA MANALANG,等: "Axial seamount - restless, wired and occupied: A conceptual overview of resident AUV operations and technologies", 《OCEANS 2016 MTS/IEEE MONTEREY》 * |
SATHYARAM VENKATESAN: "AUV for Search & Rescue at sea - an innovative approach", 《2016 IEEE/OES AUTONOMOUS UNDERWATER VEHICLES (AUV)》 * |
张健,等: "考虑时间代价及硬时间窗的UCAVs多任务分配", 《PROCEEDINGS OF THE 31ST CHINESE CONTROL CONFERENCE》 * |
面向多目标优化的多AUVS群体协同任务分配: "面向多目标优化的多AUVs群体协同任务分配", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026137A (zh) * | 2019-12-26 | 2020-04-17 | 西北工业大学 | 一种攻击角约束下同时攻击目标的三维分布式协同导引方法 |
CN111026137B (zh) * | 2019-12-26 | 2022-10-28 | 西北工业大学 | 一种攻击角约束下同时攻击目标的三维分布式协同导引方法 |
CN111707267A (zh) * | 2020-06-18 | 2020-09-25 | 哈尔滨工程大学 | 一种多无人机协同航迹规划方法 |
CN112085382A (zh) * | 2020-09-08 | 2020-12-15 | 杭州海兴泽科信息技术有限公司 | 一种工单分配方法、装置、设备及计算机可读存储介质 |
CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
CN113033970A (zh) * | 2021-03-05 | 2021-06-25 | 西北工业大学 | 一种针对大规模任务的auv集群分层分配方法 |
CN113033970B (zh) * | 2021-03-05 | 2023-04-18 | 西北工业大学 | 一种针对大规模任务的auv集群分层分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107728639B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728639A (zh) | 一种时间窗约束下的异构多auv系统任务协调方法 | |
Gupta et al. | Half a dozen real-world applications of evolutionary multitasking, and more | |
CN109839110B (zh) | 一种基于快速随机搜索树的多目标点路径规划方法 | |
CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
Sierksma et al. | Routing helicopters for crew exchanges on off-shore locations | |
CN103699135B (zh) | 无人直升机农药喷洒农田作业区域的航迹自动规划方法 | |
CN108229719A (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
CN107622327A (zh) | 基于文化蚁群搜索机制的多无人机航迹规划方法 | |
CN107622348A (zh) | 一种任务顺序约束下的异构多auv系统任务协调方法 | |
CN107886201A (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN107807665A (zh) | 无人机编队探测任务协同分配方法及装置 | |
CN110243373B (zh) | 一种动态仓储自动引导车的路径规划方法、装置和系统 | |
CN103592852A (zh) | 基于粒子群膜算法的pid控制器优化设计方法 | |
Larki et al. | Solving the multiple traveling salesman problem by a novel meta-heuristic algorithm | |
AU2021105318A4 (en) | Calculation method applied to movement path of intelligent robot | |
CN106250650A (zh) | 高通量仿真中模型的资源分配与优化方法 | |
CN106503333A (zh) | 一种三维片上网络测试规划方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
Wu et al. | Autonomous Last‐Mile Delivery Based on the Cooperation of Multiple Heterogeneous Unmanned Ground Vehicles | |
Hu | An improved flower pollination algorithm for optimization of intelligent logistics distribution center | |
CN115373384A (zh) | 一种基于改进rrt的车辆动态路径规划方法及系统 | |
Pathak et al. | Traveling salesman problem using bee colony with SPV | |
CN113283827B (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 | |
BAYGIN et al. | PSO based path planning approach for multi service robots in dynamic environments | |
CN107024220B (zh) | 基于强化学习蟑螂算法的机器人路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |