CN109189094B - 一种多有人机与多无人机混合编队资源调度方法 - Google Patents
一种多有人机与多无人机混合编队资源调度方法 Download PDFInfo
- Publication number
- CN109189094B CN109189094B CN201811117661.7A CN201811117661A CN109189094B CN 109189094 B CN109189094 B CN 109189094B CN 201811117661 A CN201811117661 A CN 201811117661A CN 109189094 B CN109189094 B CN 109189094B
- Authority
- CN
- China
- Prior art keywords
- task
- platform
- resource
- scheduling
- machine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000005520 cutting process Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 102100023162 L-serine dehydratase/L-threonine deaminase Human genes 0.000 description 4
- 230000010391 action planning Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
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
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多有人机与多无人机混合编队的分布式平台资源调度方法,主要包括:构建测度模型,确定重要参数的测度方法;确定优化目标,设定资源调度约束条件,构建单个决策系统处理单任务的调度模型;求解调度模型获得最优解和目标函数值,得到单个有人机决策实体多个任务的资源调度方案;更新各个有人机决策实体的可共享平台及其价格;利用已有的可共享平台对待处理任务进行资源匹配优化;进行平台资源的匹配;在多有人机与多无人机混合编队资源分布式调度过程中,实现有人机决策实体并行任务规划及智能协商,多个有人机决策实体能够通过共享无人机平台资源处理单个多有人机与多无人机混合编队无法处理的任务,自动输出最优的资源调度方案。
Description
技术领域
本发明涉及无人机编队技术领域,具体涉及一种多有人机与多无人机混合编队资源调度方法。
背景技术
多有人机与多无人机混合编队决策支持系统中任务分配是作战过程中对无人机的资源能力与任务的资源需求之间进行匹配优化的过程。在资源有限的对抗环境下,高效的资源利用是发挥组织整体效能的关键。
目前,资源调度方法主要分为集中式调度和分布式调度,集中式的资源调度技术为了保持全局优化的目的而进行的资源调度,包括整数规划法、列表规划法和智能搜索法等。集中式资源调度机制具有资源调度过程稳定、能够获得全局优化解等优势,但存在单点运算量大、资源调度过程鲁棒性差、对突发事件反应慢等不足。现有的分布式规划方法大多分为两种,一种是基于黑板机制的多智能体分布式资源调度,另一种是基于拍卖的分布式资源调度。陈侠等针对不确定环境下多无人机协同多目标攻击问题,建立了多无人机模糊态势的任务分配模型,并以目标收益为竞标依据,提出了异步一致性拍卖算法,该资源调度技术通过将拍卖技术和一致性技术进行两个阶段循环,提高了算法的收敛性,并有效解决了分布式空战中的决策问题(陈侠,魏晓明,徐光延.多无人机模糊态势的分布式协同空战决策[J].上海交通大学学报,2014,48(7):907与913.)。张耀中等基于黑板的通信和信息共享结构分析了分布式决策的框架,并以最大化任务执行精度和最小化协作负载为目标建立资源调度的数学模型,并设计了一种嵌套遗传算法对问题进行了求解,该算法设计了内层和外层的双层遗传优化机制,实现了对问题的多目标求解。(Zhang Y,ZhangL,DuZ.Distributed blackboard decision与making framework for collaborativeplanning based on nested genetic algorithm[J].Journal of Systems Engineeringand Electronics,2015,26(6):1236与1243.)
上述方法虽然能在一定程度上实现分布式任务分配,但是这些方法采用了基于智能优化算法的求解方法,不能输出稳定的解,实用性有限;同时,上述方法对于分布式并行任务处理的问题考虑不足,没有实现分布式决策的并行性优势,也没有实现分布式单元进行资源分配时的协调合作。
发明内容
为了克服现有技术的不足,本发明提供一种多有人机与多无人机混合编队资源调度方法,包括:
步骤一:构建资源调度的测度模型,确定平台与任务分配向量、资源满足度和任务执行质量的测度方法;
步骤二:根据资源调度的测度模型,确定资源调度过程的优化目标函数,设定资源调度约束条件,构建单个决策系统处理单任务的调度模型;
步骤三:使用分支定界法求解调度模型获得最优解和目标函数值,得到单个有人机决策实体多个任务的资源调度方案;
步骤四:确定平台定价模型,更新各个有人机决策实体的可共享平台及其价格;
步骤五:确定基于累加变换和裁剪变换的阶次优化模型,利用已有的可共享平台对待处理任务进行资源匹配优化;
步骤六:针对可共享平台能力缺失而不能处理的任务,确定平台交换模型进行平台资源的匹配。
进一步的,步骤一中平台与任务分配向量表示平台与任务之间的数量分配关系,任务Ti的分配向量可以表示为:
其中,yi为任务Ti的分配向量;yij表示平台PHj分配给任务Ti的数量;Z表示整数集合;
资源满足度是指分配给任务Ti的所有平台能够提供的第l种资源量与任务所需的该类资源量的比值,且资源满足度最大为1;任务Ti对第l种资源的满足度表示为:
其中,zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;
任务执行质量QT是衡量任务所分配平台的资源能力与任务资源能力需求之间匹配程度的测度值,任务Ti的执行质量表示为:
步骤二中,采用资源满足度的和作为优化的目标函数,而任务执行质量作为解优劣的判断依据;
任务Ti构建的目标函数如下:
处理任务Ti时需满足以下两个约束条件:
约束条件1:执行任务Ti的平台总数不大于任务的最大平台承载数Y;
其中,m′为平台的数量;Y为单个任务的最大平台承载数;Φ(k)为有人机决策实体k所要执行任务的标号集合;yij为平台PHj分配给任务Ti的数量;i为任务的标号;j为平台的标号;k为有人机决策实体标号;
约束条件2:执行任务Ti的平台PHj的数量不大于其可用平台数;
其中,k为有人机决策实体标号;yij为平台PHj分配给任务Ti的数量;numij为有人机决策实体k处理任务Ti时拥有的平台PHj的数量;Z为整数集;Φ(k)为有人机决策实体k所要执行任务的标号集合;yij为平台PHj分配给任务Ti的数量;i为任务的标号;j为平台的标号;
单个决策实体的单任务资源调度模型建立如下:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;k为有人机决策实体标号;i为任务的标号;j为平台的标号;表示任务Ti所需的资源种类的集合;yij为平台PHj分配给任务Ti的数量;m′为平台的数量;Y为单个任务的最大平台承载数;Φ(k)为有人机决策实体k所要执行任务的标号集合;numij为有人机决策实体k处理任务Ti时拥有的平台PHj的数量;Z为整数集;yij为平台PHj分配给任务Ti的数量;
步骤三中对任务的资源调度数学模型进行求解,求解的具体步骤如下:
步骤3-2:取出(p-1)-best解中的非零元素的位置v,其元素个数为V,在式(7)的数学模型中添加约束条件用分支定界法求解新的单任务调度模型,获得p-best到(p+V)-best的解及其目标函数的值将其放入候选集合,p=p+V;
步骤3-3:如果p≥m成立,保留最优的m个best解,转至步骤3-4,否则转至步骤3-2;
步骤3-5:如果q>m成立,则转步骤3-6,否则转步骤3-4;
步骤3-6:选择SUM中的最大值Sumd,则d-best解为任务Ti的解;
步骤四中平台定价方法包括两种:一种是已分配的平台,另一种是未分配的平台;
步骤五根据步骤四中的价格采用阶次优化方法对待处理任务进行资源调度;
步骤六中采用基于资源能力的平台交换方法,对分配给任务Ti的平台集缺少的资源能力,从平台集中选择价格较低的平台与拥有所缺资源能力的平台进行交换。
进一步的,步骤四中已分配平台按下式定价:
其中,price为平台价格;min()为取最小值运算,yij为平台PHj分配给任务Ti的数量;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;为去除平台PHj′后的平台调度方案;QTthreshold为任务的执行质量规定的最低阀值;为平台PHj′所执行任务的执行质量;
对未分配平台按下式定价:
其中,price为平台价格;T_unf为未处理的任务集合;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量。
进一步的,步骤五具体步骤包括:
步骤5-1,平台累加变换;
步骤5-1-1:对有人机决策实体可共享平台集中的所有平台按价格由低到高进行排序,可共享平台集中元素个数为num_share_PH;
步骤5-1-2:判断num_share_PH>0是否成立,如果是,转至步骤5-1-3,否则终止;
步骤5-1-3:选择价格最低的平台加入任务协作计划,并计算其任务执行质量QT;
步骤5-1-4:判断任务执行质量QT>QTthreshold是否成立,如果是,转步骤5,否则转至步骤5-1-3;
步骤5-1-5:输出任务Ti的平台调度方案;
步骤5-2,平台裁减变换;
步骤5-2-2:从原方案中裁减PH_Cm平台组合,产生新调度方案y_new并计算任务执行质量QT_new,m=m+1;
步骤5-2-3:判断QT_new>QTthreshold是否成立,如果是,将y_new作为任务Ti的平台调度方案,终止运行,转至步骤5-2-4,否则,转至步骤5-2-2;
步骤5-2-4:输出任务Ti的平台调度方案。
进一步的,步骤六具体包括:
步骤6-1:选择任务Ti的平台集,计算平台的价格,令kc=d,c=1,kc为有人机决策实体的临时标号,c为迭代次数;
步骤6-4:判断c≤num_PHr是否成立,如果是,则转至步骤6-2;否则,令kc≠d,转至步骤6-2;
步骤6-5:输出协调后的任务调度方案。
本发明针对现有技术的缺陷,在多有人机与多无人机混合编队协同资源调度方法上进行改进,在多有人机与多无人机混合编队资源分布式调度过程中,实现有人机决策实体并行任务规划及智能协商,多个有人机决策实体能够通过共享无人机平台资源处理单个多有人机与多无人机混合编队无法处理的任务,自动输出最优的资源调度方案;针对分布式资源调度技术中智能优化方法无法输出稳定一致的资源调度方案的问题,本发明通过启发式优化方法输出稳定有效的资源调度问题的方案;针对现阶段方法没有发挥分布式系统的并行优势的问题,本发明通过设计多有人机与多无人机混合编队分布式并行交互机制,实现多个分布式的有人机决策实体并行任务处理和交互协作,提高组织多有人机与多无人机混合编队的决策效率。
附图说明
图1为多有人机与多无人机混合编队指挥控制关系图;
图2为本发明方法的资源调度流程图;
图3为本发明方法的任务并行处理过程图;
图4为本发明实施例中有人机决策实体与任务、平台的所属关系图;
图5为本发明方法协作前后效果对比图。
具体实施方式
为使本发明的目的、技术方案以及优势更加明晰,下面结合附图和实施例,对本发明进行进一步详细说明。
多有人机与多无人机混合编队指挥控制关系如图1所示,多有人机与多无人机混合编队分布式资源调度主要分为两部分,一个是单个有人机决策实体内部的对其本身的无人机资源和任务进行匹配优化;二是有人机决策实体自身不能处理某些任务时,由有人机长机决策实体进行协调,利用其它的有人机决策实体的资源对该任务进行处理。
本发明方法核心为:根据多有人机与多无人机混合编队需处理的任务,建立资源调度的评估测度,利用评估测度构建单任务的资源调度模型,设计能够求解串行多任务的资源调度问题的求解方法,设计分布式多有人机与多无人机混合编队中单个有人机决策单元的任务筹划方法;为解决单个有人机决策单元无法处理某些低优先级且资源需求较大的任务,设计一种基于平台定价的分布式资源调度协作机制和基于资源能力的平台交换方法,解决有人机决策实体的无人机平台(以下简称平台)如何协作共享的问题。
本发明方法具体步骤如下:
步骤1,分析多有人机与多无人机混合编队资源调度过程,构建资源调度的测度模型,给出平台与任务分配向量、资源满足度和任务执行质量等测度方法,所构建的测度方法用于资源调度的优化;
步骤2,根据资源调度的测度模型,确定资源调度过程的优化目标函数,分析资源调度过程,提出资源调度问题的约束条件,构建单个有人机决策系统处理单任务的调度模型。
步骤3,设计调度模型求解方法,以及单个有人机决策实体对多个任务的优化方法;
步骤4,分析多编队分布式并行资源调度过程,设计平台定价方法,给出各个有人机决策实体的可共享平台;
步骤5,设计基于累加和裁剪策略的阶次优化方法,利用已有的可共享平台对待处理任务进行资源匹配优化;
步骤6,针对由于可共享平台能力缺失而不能处理的任务,设计平台交换机制对有特殊需求的任务进行平台资源的匹配。
步骤1中,令R表示资源,代表有人机决策支持系统处理任务时不可分解的基本能力,例如,飞机的电子干扰能力、打击能力、侦察能力等。一个平台具有一项或者多项资源,一个任务的执行需要满足其对资源的需求。记描述基本资源矢量为R=(R1,R2,…,Rl,…,RL),其中,L为资源的种类数量,Rl为资源向量中第l类资源的数量。
令T表示任务,代表为达成其作战目的而采取的行动,例如,摧毁机场、桥梁等任务。所有任务的集合表示为T={T1,…Ti,…,Tn},n为任务数量。任务的基本属性包括:任务开始时间ts,i;任务执行时间tp,i;任务优先级ρ;任务Ti的资源需求Ri=[Ri1,…Ril,…RiL],Ril为第i个任务对第l种资源的需求量;任务的最大平台承载数Y,即执行任务T的平台数上限。
令PH表示无人作战平台,简称平台,代表承载作战资源的实体,是任务的直接执行者。所有平台的集合表示为PH={PH1,…PHj,…,PHm’},m′为平台的数量。平台PHj的资源能力向量可以表示为rj=[rj1,…,rjl,…,rjL],rjl为第j个平台能够提供的第l种资源的数量。
平台与任务分配向量表示平台与任务之间的数量分配关系,任务Ti的分配向量表示为:
其中,yi为任务Ti的分配向量;yij表示执行任务Ti的平台PHj的数量;Z表示整数集合。
资源满足度是指分配给任务Ti的所有平台能够提供的资源与任务所需的该类资源的比值,且资源满足度最大为1。任务Ti对第l种资源的满足度表示为:
其中,zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量。
任务执行质量QT是衡量任务所分配平台的资源与任务资源需求之间匹配程度的测度值。为了保证任务的顺利执行,任务所需的资源均不能缺失,因此本发明采用任务所需资源满足度的几何平均值作为任务执行质量测度,任务Ti的执行质量表示为:
步骤2中构建数学模型的步骤如下:
步骤2-1,确定目标函数,
式(3)给出了任务执行质量的数学模型,若以最大化QT为目标函数,则该任务-平台规划是混合整数非线性规划问题,非线性规划求解难度较大,需要较大的计算资源开销,而且由于单个有人机决策实体进行的任务-平台规划是对部分任务和部分平台的匹配优化,在这种有限资源条件下极易出现平台资源缺失的问题,一旦出现资源缺失则该规划将不能给出任务的解,没有初始的分配平台将不利于协调者对该任务的协调。相较于非线性规划,线性规划虽可能出现资源缺失的解,但是其计算效率远高于非线性规划,而且可以稳定地给出问题的解,有利于后一阶段的协调。
因此,本发明采用资源满足度的和作为优化的目标函数,而任务执行质量作为解优劣的判断依据。针对任务Ti构建的目标函数如下:
步骤2-2,构建约束条件;
处理任务Ti时需满足以下两个约束条件:
约束条件1:执行任务Ti的平台总数不大于任务的最大平台承载数Y;
其中,m′为平台的数量;Y为单个任务的最大平台承载数;Φ(k)为有人机决策实体k所要执行任务的标号集合;yij为平台PHj分配给任务Ti的数量;i为任务的标号;j为平台的标号;k为有人机决策实体标号。
约束条件2:执行任务Ti的平台PHj的数量不大于该平台的可用数量;
其中,k为有人机决策实体标号;yij为平台PHj分配给任务Ti的数量;numij为有人机决策实体k处理任务Ti时拥有的平台PHj的数量;Z为整数集;Φ(k)为有人机决策实体k所要执行任务的标号集合;yij为执行任务Ti的平台PHj的数量;i为任务的标号;j为平台的标号。
步骤2-3,建立有人机决策实体的单任务资源调度模型:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;k为有人机决策实体标号;i为任务的标号;j为平台的标号;表示任务Ti所需的资源种类的集合;yij为执行任务Ti的平台PHj的数量;m′为平台的数量;Y为单个任务的最大平台承载数;Φ(k)为有人机决策实体k所要执行任务的标号集合;numij为有人机决策实体k处理任务Ti时拥有的平台PHj的数量;Z为整数集;yij为平台PHj分配给任务Ti的数量。
步骤3中对任务的资源调度数学模型进行求解,求解的具体步骤如下:
步骤3-2:取出(p-1)-best解中的非零元素的位置v,其元素个数为V,在式(7)的数学模型中添加约束条件用分支定界法求解新的单任务调度模型,获得p-best到(p+V)-best的解及其目标函数的值将其放入解候选集合,更新可用平台信息集合,得到剩余平台信息集,p=p+V;
步骤3-3:如果p≥m成立,保留最优的m个best解,转至步骤3-4,否则转至步骤3-2;
步骤3-5:如果q>m成立,则转步骤3-6,否则转步骤3-4;
步骤3-6:选择集合SUM中的最大值Sumβ,则Sumβ对应的解(β-best解)为任务Ti的解,其中β为SUM中的值Sumβ对应的标号,进而得到单个有人机决策单元多个任务的资源调度方案。
步骤4中对分布式并行资源调度过程进行分析,并给出多个有人机决策实体的可共享平台定价模型的设计方法,具体内容包括:
分布式资源调度的核心在于各个决策单元对任务的并行性规划,如图3所示,各个有人机决策实体同时对其未处理的任务逐一分配平台,并对已分配的平台进行行动规划(相对于行动规划,任务计划生成的计算时间可忽略不计),有人机决策单元每完成一次单任务的平台调度均向有人长机决策单元更新可共享平台及其价格。当有人机决策实体某一任务的执行质量小于规定的最低质量阀值(QTthreshold),则将任务及所分配的平台提交有人长机决策单元,有人长机决策单元利用分阶次优化模型生成平台协作计划,若可共享平台仍不能满足任务需求,则采用平台交换方法生成协作计划。最后,将协作计划下发有人机决策实体,同时向所有有人机决策实体更新平台信息。
有人长机决策单元利用各有人机决策单元提供的可共享平台实现任务的协作,各有人机决策实体向有人长机决策单元提供的可共享平台主要包括两种,一种是已分配任务的平台,另一种是未分配任务的平台。平台的价格是有人长机决策单元进行任务协作方案制定的重要依据,因此,对这两种平台的定价是实现分布式任务协作的关键环节。
步骤4-1,已分配任务平台定价模型;
对已分配任务平台的定价,主要参照该平台的有无对原任务执行质量的影响。式(9)给出了已分配任务平台的定价模型,当PHj′从原任务中去除时,如果原任务的执行质量小于规定的阀值QTthreshold,则该平台为不可共享平台,价格置为无穷大,否则为可共享平台,按公式(9)进行定价,其含义是对任务Ti平台PHj′资源利用率。
其中,price为平台价格;min()为取最小值运算,yij为平台PHj分配给任务Ti的数量;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;为去除平台PHj′后的平台调度方案;QTthreshold为任务的执行质量规定的最低阀值;为平台PHj′所执行任务的执行质量。
步骤4-2,未分配任务平台定价模型;
对未分配任务平台的定价,主要参照该平台对尚后续任务的需求度。式(10)将平台PHj对后续任务的资源能力利用率最大值作为未分配平台的价格。
其中,price为平台价格;T_unf为未处理的任务集合;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;。
步骤5根据步骤4中的价格采用阶次优化方法对待处理任务进行资源调度,阶次优化是一种基于贪婪策略的优化机制,其主要分为两个阶段,第一阶段为累加阶段,通过平台的不断累加构造符合要求的解,第二个阶段为裁减阶段,删减不会影响任务执行质量的冗余平台,构造最精简的平台调度方案。阶次优化模型的具体步骤包括:
步骤5-1,平台累加变换;
步骤5-1-1:对有人机决策实体可共享平台集中的所有平台按价格由低到高进行排序,可共享平台集中元素个数为num_share_PH;
步骤5-1-2:判断num_share_PH>0是否成立,如果是,转至步骤5-1-3,否则,终止运行,输出“资源不足,任务无法完成”;
步骤5-1-3:选择价格最低的平台加入任务协作计划,并计算其任务执行质量QT;
步骤5-1-4:判断任务执行质量QT>QTthreshold是否成立,如果是,转步骤5,否则转至步骤5-1-3;
步骤5-1-5:输出任务Ti的平台调度方案。
步骤5-2,平台裁减变换;
步骤5-2-1:将上一步的方案中分配给任务Ti所有平台进行全组合,平台数量为M,共有2M-1种组合,计算各个组合的平台价格和,按组合价格由高到低的顺序对组合进行排列,构建平台组合集令裁减计数器m=1;
步骤5-2-2:从上一步的方案中裁减PH_Cm平台组合,产生新调度方案y_new并计算任务执行质量QT_new,m=m+1;
步骤5-2-3:判断QT_new>QTthreshold是否成立,如果是,将y_new作为任务Ti的平台调度方案,转至步骤5-2-4,否则,转至步骤5-2-2;
步骤5-2-4:输出任务Ti的平台调度方案。
步骤6针对阶次优化中可能出现“资源不足,任务无法完成”的情况,本发明设计了一种基于资源能力的平台交换方法,其基本思想是针对分配给任务Ti的平台集缺少的资源,从平台集中选择价格较低的平台与拥有所缺资源的平台进行交换,达到平台资源的均衡互补。
基本步骤如下:
步骤6-1:选择任务Ti的平台集,计算平台的价格,令kc=d,c=1,kc为有人机决策实体的临时标号,c为迭代次数;
步骤6-4:判断c≤num_PHr是否成立,如果是,则转至步骤6-2;否则,令kc≠d,转至步骤6-2;
步骤6-5:输出协调后的任务调度方案;
在本发明的一个具体实施例中,参照图2,本发明的实现步骤如下:
阶段一,有人机决策实体进行分布式并行资源调度。
步骤1:输入各个有人机决策实体拥有的平台信息r和任务信息R,如表1、表2所示;
步骤2:各个有人机决策实体根据任务的开始时间和执行时间计算任务的优先级以及根据未分配平台价格计算公式计算所属平台的价格,价格计算公式如下式所示:
其中,price为平台价格;min()为取最小值运算,rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;T_unf为未处理的任务集合;
步骤3:各个有人机决策实体根据各自任务的优先级,按照由高到低的顺序同时处理所属任务,并行处理过程如图3所示。根据所构建的单任务资源调度模型,用分支定界法进行求解,并采用m-best算法进行解的优化;
步骤5:判断任务执行质量是否大于QTthreshold,如果是,则转至阶段二步骤1,否则,转至步骤6;
步骤6:更新可用平台信息,并更新平台价格,根据下式计算已分配平台的价格,
其中,其中,price为平台价格;min()为取最小值运算,yij为平台PHj分配给任务Ti的数量;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;为去除平台PHj′后的平台调度方案;QTthreshold为任务的执行质量规定的最低阀值;为平台PHj′所执行任务的执行质量。
步骤7:判断所有任务是否处理完成,如果是,转至步骤8,否则转至步骤3;
步骤8:输出各个决策单元的资源调度方案。
阶段二,有人长机决策实体作为协调者进行分布式有人机决策实体资源协调;
步骤1:接收待协作任务信息,有人长机决策实体判断共享平台是否已用完,如果否,转至步骤3,否则,转至步骤5;
步骤2:对待处理任务进行阶次累加过程,选择价格最低的可共享平台加入待协作的任务,转至步骤3;
步骤3:判断任务执行质量是否大于QTthreshold,如果是,则转至步骤4,否则,转至步骤1;
步骤4:对待处理任务进行阶次裁剪过程,去除冗余平台生成资源调度方案,转至阶段一(并行资源调度)的步骤6;
步骤5:将待处理任务的原有人机决策实体所属的未分配平台与其他有人机决策实体的已分配平台进行顺序交换;
步骤6:判断参与交换的任务执行质量是否大于QTthreshold,如果是,则转至阶段一的步骤6,否则,转至步骤5。
在本发明的另一个具体实施例中,为了验证本发明方法的有效性,利用MatlabR2009a仿真软件进行了如下计算机仿真实验。
实验想定:假设在某区域进行联合作战任务,整个使命分解为了11个任务(n=11),我方可利用平台有12类(mph=12)、21个作战平台,资源能力种类为12(L=12),任务数量其任务对资源的需求关系如表1所示,平台拥有的资源能力如表2所示。根据任务的时间信息可知,除T6外的任务均有重叠执行时间,故它们是并行关系,T6的开始时间在T5、T7、T8、T10的结束时间之后,故对T6的资源调度可利用T5、T7、T8、T10的已分配平台。整个作战组织拥有3个有人机决策实体,各个有人机决策实体所属的任务和平台信息如图4所示。各个有人机决策实体所有任务的执行质量能够达到要求的阀值,设定的阀值QTthreshold=0.75。
表1任务的资源需求
平台 | r | r<sub>2</sub> | r<sub>3</sub> | r<sub>4</sub> | r<sub>5</sub> | r<sub>6</sub> | r<sub>7</sub> | r<sub>8</sub> | r<sub>9</sub> | r<sub>10</sub> | r<sub>11</sub> | r<sub>12</sub> |
PH<sub>1</sub> | 5 | 6 | 5 | 0 | 2 | 5 | 2 | 1 | 5 | 5 | 2 | 5 |
PH<sub>2</sub> | 3 | 5 | 8 | 7 | 6 | 4 | 3 | 3 | 7 | 5 | 0 | 0 |
PH<sub>3</sub> | 2 | 5 | 8 | 7 | 6 | 4 | 3 | 3 | 6 | 4 | 0 | 0 |
PH<sub>4</sub> | 0 | 3 | 0 | 0 | 0 | 5 | 4 | 2 | 1 | 3 | 1 | 0 |
PH<sub>5</sub> | 1 | 0 | 0 | 0 | 0 | 6 | 2 | 0 | 0 | 6 | 0 | 3 |
PH<sub>6</sub> | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 0 |
PH<sub>7</sub> | 5 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 8 | 3 | 1 | 0 |
PH<sub>8</sub> | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 6 | 3 |
PH<sub>9</sub> | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 2 | 4 | 3 |
PH<sub>10</sub> | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 3 | 3 | 2 |
PH<sub>11</sub> | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 5 | 5 |
PH<sub>12</sub> | 5 | 7 | 5 | 0 | 0 | 1 | 0 | 0 | 4 | 1 | 3 | 3 |
表2平台的资源能力
任务 | r<sub>1</sub> | r<sub>2</sub> | r<sub>3</sub> | r<sub>4</sub> | r<sub>5</sub> | r<sub>6</sub> | r<sub>7</sub> | r<sub>8</sub> | r<sub>9</sub> | r<sub>10</sub> | r<sub>11</sub> | r<sub>12</sub> | t<sub>s,i</sub> | t<sub>p,i</sub> | ρ |
T<sub>1</sub> | 5 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 30 | 1 |
T<sub>2</sub> | 5 | 0 | 12 | 14 | 10 | 0 | 0 | 0 | 12 | 0 | 4 | 0 | 0 | 30 | 4 |
T<sub>3</sub> | 3 | 0 | 8 | 8 | 7 | 0 | 0 | 0 | 6 | 0 | 4 | 0 | 0 | 30 | 6 |
T<sub>4</sub> | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 30 | 3 |
T<sub>5</sub> | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 4 | 0 | 0 | 6 | 10 | 10 |
T<sub>6</sub> | 5 | 0 | 10 | 0 | 8 | 10 | 6 | 0 | 5 | 5 | 0 | 0 | 26 | 4 | 11 |
T<sub>7</sub> | 2 | 0 | 0 | 0 | 8 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 24 | 7 |
T<sub>8</sub> | 2 | 5 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 3 | 0 | 24 | 8 |
T<sub>9</sub> | 2 | 6 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 30 | 2 |
T<sub>10</sub> | 2 | 8 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 18 | 9 |
T<sub>11</sub> | 2 | 7 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 7 | 0 | 30 | 5 |
表3给出了各个有人机决策实体没有协作的情况下,仅根据自己拥有平台对任务进行资源调度的方案,表4给出了利用本发明提出的分布式协作机制后,各个决策单元进行协作的情况下的资源调度方案,其中TDH表示有人机决策实体,与没有协作的情况相比,任务T2,T3,T4和T10进行了发生了决策单元之间的协作。
表3未协作的任务-平台调度方案
表4进行协作后的任务-平台调度方案
表5协作前后的任务-平台调度方案对比
表5给出了协作前后任务执行质量的数值,从未协作平台调度方案的任务执行质量可以看出,对于每一个TDH都能够很好地处理优先级较高的任务,而对于优先级较低的任务,由于缺乏某种必须的资源造成了任务执行质量为0的情况。其原因主要有两个方面,一方面在顺序处理任务时,较好的资源首先被利用,处理优先级较低的任务时,剩余平台所拥有的资源无法满足任务的需求;另一方面,TDH其本身拥有的平台资源的不足,造成了对后续任务的资源缺乏。从表5中经过分布式协作后的任务执行质量可以看出,经过TDH之间的协作,任务的执行质量均提高到了规定的阀值75%以上,任务执行质量的平均值由77.15%提高到了93.914%,达到了任务处理的目的。
图5给出了各个任务在协作前和协作后的任务执行质量对比图(其中横坐标表示任务的标号,纵坐标表示任务执行质量),任务T2协作前没有达到75%的阀值,经过协作后任务执行质量达到了81.82%,任务T3和T10等优先级比较低的任务经过协作后实现了平台资源能力和任务需求的匹配,达到了任务执行质量的要求。整体而言,虽然T8和T11任务的执行质量有所下降,但是实现了任务执行质量整体的均衡性,证明了所提分布式资源调度方法的正确性。
由实施例可以看出,多有人机与多无人机混合编队间的分布式协作交互机制实现了任务质量的提升,系统能够自动化输出最优的资源调度结果,为分布式系统协同执行任务提供合理的行动方案。
本发明提供了一种多有人机与多无人机混合编队的分布式平台资源调度方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种多有人机与多无人机混合编队资源调度方法,包括:
步骤一:构建资源调度的测度模型,确定平台与任务分配向量、资源满足度和任务执行质量的测度方法;
步骤二:根据资源调度的测度模型,确定资源调度过程的优化目标函数,设定资源调度约束条件,构建单个决策系统处理单任务的调度模型;
步骤三:使用分支定界法求解调度模型获得最优解和目标函数值,得到单个有人机决策实体多个任务的资源调度方案;
步骤四:确定平台定价模型,更新各个有人机决策实体的可共享平台及其价格;
步骤五:确定基于累加变换和裁剪变换的阶次优化模型,利用已有的可共享平台对待处理任务进行资源匹配优化;
步骤六:针对可共享平台能力缺失而不能处理的任务,确定平台交换模型进行平台资源的匹配。
2.如权利要求1所述的一种多有人机与多无人机混合编队资源调度方法,其特征在于:步骤一中平台与任务分配向量表示平台与任务之间的数量分配关系,任务Ti的分配向量可以表示为:
其中,yi为任务Ti的分配向量;yij表示平台PHj分配给任务Ti的数量;Z表示整数集合;
资源满足度是指分配给任务Ti的所有平台能够提供的第l种资源量与任务所需的该类资源量的比值,且资源满足度最大为1;任务Ti对第l种资源的满足度表示为:
其中,zil为任务Ti对第l种资源的满足度;rjl为第j个平台能够提供的第l种资源的数量;Ril为第i个任务对第l种资源的需求量;
任务执行质量QT是衡量任务所分配平台的资源能力与任务资源能力需求之间匹配程度的测度值,任务Ti的执行质量表示为:
步骤二中,采用资源满足度的和作为优化的目标函数,而任务执行质量作为解优劣的判断依据;
任务Ti构建的目标函数如下:
处理任务Ti时需满足以下两个约束条件:
约束条件1:执行任务Ti的平台总数不大于任务的最大平台承载数Y;
其中,m′为平台的数量;Y为单个任务的最大平台承载数;Φ(k)为有人机决策实体k所要执行任务的标号集合;yij为平台PHj分配给任务Ti的数量;i为任务的标号;j为平台的标号;k为有人机决策实体标号;
约束条件2:执行任务Ti的平台PHj的数量不大于其可用平台数;
其中,k为有人机决策实体标号;yij为平台PHj分配给任务Ti的数量;numij为有人机决策实体k处理任务Ti时拥有的平台PHj的数量;Z为整数集;Φ(k)为有人机决策实体k所要执行任务的标号集合;yij为平台PHj分配给任务Ti的数量;i为任务的标号;j为平台的标号;
单个决策实体的单任务资源调度模型建立如下:
其中,max为取最大值运算;yi为任务Ti的分配向量;zil为任务Ti对第l种资源的满足度;k为有人机决策实体标号;i为任务的标号;j为平台的标号;表示任务Ti所需的资源种类的集合;yij为平台PHj分配给任务Ti的数量;m′为平台的数量;Y为单个任务的最大平台承载数;Φ(k)为有人机决策实体k所要执行任务的标号集合;numij为有人机决策实体k处理任务Ti时拥有的平台PHj的数量;Z为整数集;yij为平台PHj分配给任务Ti的数量;
步骤三中对任务的资源调度数学模型进行求解,求解的具体步骤如下:
步骤3-2:取出(p-1)-best解中的非零元素的位置v,其元素个数为V,在式(7)的数学模型中添加约束条件用分支定界法求解新的单任务调度模型,获得p-best到(p+V)-best的解及其目标函数的值将其放入候选集合,p=p+V;
步骤3-3:m为有人机决策实体处理任务Ti时拥有的可用平台向量的数量最大值,如果p≥m成立,保留最优的m个best解,转至步骤3-4,否则转至步骤3-2;
步骤3-5:如果q>m成立,则转步骤3-6,否则转步骤3-4;
步骤3-6:选择SUM中的最大值Sumd,则d-best解为任务Ti的解;
步骤四中平台定价方法包括两种:一种是已分配的平台,另一种是未分配的平台;
步骤五根据步骤四中的价格采用阶次优化方法对待处理任务进行资源调度;
步骤六中采用基于资源能力的平台交换方法,对分配给任务Ti的平台集缺少的资源能力,从平台集中选择价格较低的平台与拥有所缺资源能力的平台进行交换。
4.如权利要求2所述的一种多有人机与多无人机混合编队资源调度方法,其特征在于:步骤五具体步骤包括:
步骤5-1,平台累加变换;
步骤5-1-1:对有人机决策实体可共享平台集中的所有平台按价格由低到高进行排序,可共享平台集中元素个数为num_share_PH;
步骤5-1-2:判断num_share_PH>0是否成立,如果是,转至步骤5-1-3,否则终止;
步骤5-1-3:选择价格最低的平台加入任务协作计划,并计算其任务执行质量QT;
步骤5-1-4:判断任务执行质量QT>QTthreshold是否成立,如果是,转步骤5,否则转至步骤5-1-3;
步骤5-1-5:输出任务Ti的平台调度方案;
步骤5-2,平台裁减变换;
步骤5-2-2:从原方案中裁减PH_Cm平台组合,产生新调度方案y_new并计算任务执行质量QT_new,裁剪计数器加1;
步骤5-2-3:判断QT_new>QTthreshold是否成立,如果是,将y_new作为任务Ti的平台调度方案,终止运行,转至步骤5-2-4,否则,转至步骤5-2-2;
步骤5-2-4:输出任务Ti的平台调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811117661.7A CN109189094B (zh) | 2018-09-25 | 2018-09-25 | 一种多有人机与多无人机混合编队资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811117661.7A CN109189094B (zh) | 2018-09-25 | 2018-09-25 | 一种多有人机与多无人机混合编队资源调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109189094A CN109189094A (zh) | 2019-01-11 |
CN109189094B true CN109189094B (zh) | 2021-08-13 |
Family
ID=64909713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811117661.7A Active CN109189094B (zh) | 2018-09-25 | 2018-09-25 | 一种多有人机与多无人机混合编队资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189094B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134139B (zh) * | 2019-05-08 | 2022-04-08 | 合肥工业大学 | 一种对抗环境下无人机编队的战术决策方法和装置 |
CN111665866B (zh) * | 2020-06-24 | 2022-10-14 | 西北工业大学 | 一种基于性能影响算法的多无人机任务分配方法 |
CN111967656A (zh) * | 2020-07-29 | 2020-11-20 | 中国人民解放军国防科技大学 | 多灾点应急救援指挥控制组织资源调度方法及系统 |
CN112068587B (zh) * | 2020-08-05 | 2021-09-03 | 北京航空航天大学 | 基于欧椋鸟通信机制的有人/无人机共融集群交互方法 |
CN112180974A (zh) * | 2020-09-23 | 2021-01-05 | 上海交通大学 | 基于小型无人机的资源分布式协作方法及系统 |
CN112506220B (zh) * | 2020-11-27 | 2023-06-23 | 中国人民解放军空军工程大学 | 一种突发事件下的空中无人体系平台调度方法及系统 |
CN112698637B (zh) * | 2021-01-13 | 2023-03-07 | 广东轻工职业技术学院 | 一种多任务蜂群的协同资源调度方法 |
CN113159506B (zh) * | 2021-03-16 | 2023-04-28 | 北京理工大学 | 人机协作生产单元任务分配与作业调度集成决策方法 |
CN112947579B (zh) * | 2021-03-19 | 2023-01-17 | 哈尔滨工业大学(深圳) | 一种基于机群特征关系的有人机无人机任务分配方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901498A (zh) * | 2012-09-21 | 2013-01-30 | 北京航空航天大学 | 一种不确定环境下的无人飞行器编队协同搜索和动态任务分配方法 |
CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
CN105184092A (zh) * | 2015-09-23 | 2015-12-23 | 电子科技大学 | 一种资源限制条件下多类型无人机协同任务分配方法 |
CN107092273A (zh) * | 2017-05-08 | 2017-08-25 | 合肥工业大学 | 无人‑有人机编队通信拓扑启发式优化方法及装置 |
CN107135105A (zh) * | 2017-05-08 | 2017-09-05 | 合肥工业大学 | 无人‑有人机编队信息交互拓扑容错优化方法及装置 |
CN107203221A (zh) * | 2017-06-01 | 2017-09-26 | 合肥工业大学 | 无人机和有人机混合编队内的在线信息分发方法和装置 |
CN107643695A (zh) * | 2017-09-07 | 2018-01-30 | 天津大学 | 基于脑电的有人/无人机集群编队vr仿真方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180158018A1 (en) * | 2016-12-05 | 2018-06-07 | United States Postal Service | Systems for autonomous item delivery |
CN106909167B (zh) * | 2017-03-16 | 2021-02-26 | 山东大学 | 一种多机多站联合立体任务系统及方法 |
US9718564B1 (en) * | 2017-03-16 | 2017-08-01 | Amazon Technologies, Inc. | Ground-based mobile maintenance facilities for unmanned aerial vehicles |
-
2018
- 2018-09-25 CN CN201811117661.7A patent/CN109189094B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901498A (zh) * | 2012-09-21 | 2013-01-30 | 北京航空航天大学 | 一种不确定环境下的无人飞行器编队协同搜索和动态任务分配方法 |
CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
CN105184092A (zh) * | 2015-09-23 | 2015-12-23 | 电子科技大学 | 一种资源限制条件下多类型无人机协同任务分配方法 |
CN107092273A (zh) * | 2017-05-08 | 2017-08-25 | 合肥工业大学 | 无人‑有人机编队通信拓扑启发式优化方法及装置 |
CN107135105A (zh) * | 2017-05-08 | 2017-09-05 | 合肥工业大学 | 无人‑有人机编队信息交互拓扑容错优化方法及装置 |
CN107203221A (zh) * | 2017-06-01 | 2017-09-26 | 合肥工业大学 | 无人机和有人机混合编队内的在线信息分发方法和装置 |
CN107643695A (zh) * | 2017-09-07 | 2018-01-30 | 天津大学 | 基于脑电的有人/无人机集群编队vr仿真方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109189094A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189094B (zh) | 一种多有人机与多无人机混合编队资源调度方法 | |
Tahar et al. | A linear programming approach for identical parallel machine scheduling with job splitting and sequence-dependent setup times | |
CN111967656A (zh) | 多灾点应急救援指挥控制组织资源调度方法及系统 | |
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN110717684B (zh) | 一种基于任务分配协调策略与粒子群算法的任务分配方法 | |
CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
Qian et al. | A multi-objective evolutionary algorithm based on adaptive clustering for energy-aware batch scheduling problem | |
CN102256369A (zh) | 基于能量和通信开销的无线传感器网格任务调度方法 | |
CN113867358B (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN111144784A (zh) | 面向有人/无人协同编队系统的任务分配方法及系统 | |
Wang et al. | Application of hybrid artificial bee colony algorithm based on load balancing in aerospace composite material manufacturing | |
CN112215465A (zh) | 基于拍卖模型的分布式鲁棒异构多auv任务分配方法 | |
CN116706917A (zh) | 基于快速交替方向乘子法的智慧园区协同调控方法及系统 | |
Cai et al. | Multitasking bi-level evolutionary algorithm for data-intensive scientific workflows on clouds | |
Xun et al. | Distributed tasks-platforms scheduling method to holonic-C2 organization | |
CN109886574B (zh) | 一种基于改进阈值法的多机器人任务分配方法 | |
Hoogsteen et al. | On the scalability of decentralized energy management using profile steering | |
CN116384606A (zh) | 一种基于车辆无人机协同配送的调度优化方法及系统 | |
CN103164747B (zh) | 一种战场抢修资源重组优化决策方法 | |
CN110119317A (zh) | 一种基于遗传算法的云计算任务调度方法和系统 | |
CN105139069A (zh) | 一种基于粒子群算法改进合同网的方法 | |
CN113238873B (zh) | 一种用于航天器资源优化配置的方法 | |
CN113657718B (zh) | 一种多机器人动态联盟任务分配方法及相关装置 | |
CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及系统 | |
CN115016911A (zh) | 面向大规模联邦学习的任务编排方法、装置、设备和介质 |
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 |