CN107728639B - 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 PDF

Info

Publication number
CN107728639B
CN107728639B CN201710805763.7A CN201710805763A CN107728639B CN 107728639 B CN107728639 B CN 107728639B CN 201710805763 A CN201710805763 A CN 201710805763A CN 107728639 B CN107728639 B CN 107728639B
Authority
CN
China
Prior art keywords
auv
task
matrix
time
initialization
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.)
Active
Application number
CN201710805763.7A
Other languages
English (en)
Other versions
CN107728639A (zh
Inventor
李娟�
鲁赛
张昆玉
刘彩云
张秉健
袁锐锟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201710805763.7A priority Critical patent/CN107728639B/zh
Publication of CN107728639A publication Critical patent/CN107728639A/zh
Application granted granted Critical
Publication of CN107728639B publication Critical patent/CN107728639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种时间窗约束下的异构多AUV系统任务协调方法
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：
Figure BDA0001402663750000021
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：
Figure BDA0001402663750000022
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)
Figure BDA0001402663750000031
Figure BDA0001402663750000032
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 (1)

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；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；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；根据任务海域数据中面积S，单位面积需要扫描时间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；根据Goal2Sensor和Auv2Sensor统计每个AUV所能够完成的子任务；S为面积，T为单位面积需要扫描时间，
所述步骤一中的水面控制台初始化包括蚁群参数的初始化；
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；
所述步骤一的时钟初始化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；
所述步骤三的禁忌表为起点向量和终点矩阵；
所述步骤三的状态转移矩阵为：
Figure FDA0002661068440000021
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：
Figure FDA0002661068440000022
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(j,m)表示AUVm在该海域需要的等待时间；
所述步骤七信息素更新公式为：
τij(t+1)＝Δτij(t,t+1)+ρ·τij(t)
Figure FDA0002661068440000023
Figure FDA0002661068440000024
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为蚂蚁数量，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；
所述蚁群参数初始化包含：最大迭代次数iter_max，蚂蚁数量Num_ant，信息素矩阵τ。
CN201710805763.7A 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 Active CN107728639B (zh)

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 CN107728639A (zh) 2018-02-23
CN107728639B true 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)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111707267B (zh) * 2020-06-18 2023-06-02 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
CN112965507B (zh) * 2021-02-03 2022-10-04 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
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010026150A3 (fr) * 2008-09-02 2010-06-10 Commissariat A L'energie Atomique Procede et systeme permettant de generer un dispositif de controle a partir de comportements redoutes specifies
WO2015126499A3 (en) * 2013-12-02 2015-10-15 The Regents Of The University Of California Systems and methods for gnss snr probabilistic localization and 3-d mapping

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136081B (zh) * 2007-09-13 2010-06-02 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
US8463435B2 (en) * 2008-11-25 2013-06-11 Intouch Technologies, Inc. Server connectivity control for tele-presence robot
CN102656922B (zh) * 2009-12-18 2016-05-18 英特尔公司 利用用于使用群体智能在大规模分布式系统中进行信息路由的框架的系统和方法
CN102932422B (zh) * 2012-09-29 2014-12-10 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
CN103631657B (zh) * 2013-11-19 2017-08-25 浪潮电子信息产业股份有限公司 一种基于MapReduce的任务调度方法
CN105652838B (zh) * 2016-01-29 2018-04-03 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010026150A3 (fr) * 2008-09-02 2010-06-10 Commissariat A L'energie Atomique Procede et systeme permettant de generer un dispositif de controle a partir de comportements redoutes specifies
WO2015126499A3 (en) * 2013-12-02 2015-10-15 The Regents Of The University Of California Systems and methods for gnss snr probabilistic localization and 3-d mapping

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AUV for Search & Rescue at sea - an innovative approach;Sathyaram Venkatesan;《2016 IEEE/OES Autonomous Underwater Vehicles (AUV)》;20161231;1-9页 *
Axial seamount - restless, wired and occupied: A conceptual overview of resident AUV operations and technologies;Dana Manalang，等;《OCEANS 2016 MTS/IEEE Monterey》;20160923;1-7页 *

Also Published As

Publication number Publication date
CN107728639A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
CN107728639B (zh) 一种时间窗约束下的异构多auv系统任务协调方法
CN107330588B (zh) 一种多基地异构无人机协同侦察的任务规划方法
Whitbrook et al. Reliable, distributed scheduling and rescheduling for time-critical, multiagent systems
CN111638646B (zh) 四足机器人行走控制器训练方法、装置、终端及存储介质
CN108416488B (zh) 一种面向动态任务的多智能机器人任务分配方法
CN110046865B (zh) 分布式库存调度方法
CN107219858B (zh) 一种改进萤火虫算法的多无人机协同耦合任务分配方法
CN112596515A (zh) 一种多物流机器人移动控制方法及装置
Medina-Rodríguez et al. Tool Path Optimization for Computer Numerical Control Machines based on Parallel ACO.
CN107622348A (zh) 一种任务顺序约束下的异构多auv系统任务协调方法
CN112147960A (zh) 一种柔性制造系统优化调度方法及装置
CN111798097B (zh) 一种基于市场机制的自主移动机器人任务分配处理方法
CN116933939A (zh) 基于改进浣熊优化算法的柔性车间协同生产方法及系统
CN111983923A (zh) 一种受限多智能体系统编队控制方法、系统及设备
CN113894780B (zh) 多机器人协作对抗方法、装置、电子设备和存储介质
Msala et al. A new method for improving the fairness of multi-robot task allocation by balancing the distribution of tasks
Xin et al. Simultaneous scheduling of processing machines and automated guided vehicles via a multi-view modeling-based hybrid algorithm
CN113218399B (zh) 一种基于多智能体分层强化学习的迷宫导航方法及装置
CN116382331A (zh) 多无人机快速调度方法、装置、设备及可读存储介质
Golluccio et al. Robotic weight-based object relocation in clutter via tree-based q-learning approach using breadth and depth search techniques
Panchu et al. Route planning integrated multi objective task allocation for reconfigurable robot teams using genetic algorithm
CN113487031A (zh) 一种基于改进模拟退火融合遗传算法的多无人机任务分配方法
CN117215275B (zh) 一种基于遗传编程的柔性车间大规模动态双效调度方法
Zhang et al. Vein-Based Coalitions for Multi-Agent Pattern Formation Tasks
CN110672109B (zh) 一种物流系统的路径规划方法和系统

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