CN109214450A - 一种基于贝叶斯程序学习算法的无人系统资源分配方法 - Google Patents
一种基于贝叶斯程序学习算法的无人系统资源分配方法 Download PDFInfo
- Publication number
- CN109214450A CN109214450A CN201810987493.0A CN201810987493A CN109214450A CN 109214450 A CN109214450 A CN 109214450A CN 201810987493 A CN201810987493 A CN 201810987493A CN 109214450 A CN109214450 A CN 109214450A
- Authority
- CN
- China
- Prior art keywords
- task
- fleet
- expert
- resource allocation
- unmanned
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于贝叶斯程序学习算法的无人系统资源分配方法,步骤一、建立任务环境场景模型:包含无人系统资源、任务和资源分配方案;步骤二、学习专家资源分配方案知识:分块学习专家资源分配方案知识,首先学习专家资源分配方案中的任务划分形式,然后学习专家资源分配方案中每个子任务的无人平台分配知识;步骤三、生成资源分配方案:根据贝叶斯程序学习算法学的专家知识首先生成子任务划分,再为每个子任务分配相应的无人平台。本发明方法可根据专家方案知识生成大量资源分配方案,实现资源分配方案的由少到多;能够举一反三,生成与专家资源分配方案不同的资源分配方案,有利于提高无人系统自主性和资源分配方案多样性。
Description
技术领域
本发明一种基于贝叶斯程序学习算法的无人系统资源分配方法,涉及一种无人系统资源分配方法,它是一种基于贝叶斯程序学习算法的根据输入的专家方案、任务以及无人系统资源实现在输入的任务场景中由少量专家拟定的资源分配方案生成大量资源分配方案的方法。属于资源分配领域。
背景技术
近年来无人装备性能持续提升并被广泛应用于各个领域,根据不同使用区域,无人系统可分为无人机系统(UAS)、无人地面平台(UGV)、无人海上系统(UMS),包括无人潜航器(UUV)、无人水面艇(USV)等。无人系统协同执行任务将是无人系统的应用趋势,随着无人系统应用逐渐广泛,无人系统任务环境也将更为复杂多样,这就要求无人系统的自主任务系统能够满足不同任务环境的任务规划能力,对无人任务规划系统的任务规划方案的多样性提出了更多要求。资源分配作为无人系统协同任务能力的关键部分主要实现在多无人系统协同情况下的协同任务规划。
机器学习在处理海量信息、逻辑决策有着天然优势,因此运用机器学习方法实现无人系统自主资源分配对于提升无人系统的自主能力具有重要意义。众所周知,人类能够从很少甚至一个学习样本中学会知识。与人类学习能力不同,目前大多数的机器学习方法的知识获取都需要大量的样本数据支持。2015年Brenden.M.Lake等人提出了贝叶斯程序学习(BPL,Bayesian Program learning),该方法模仿人类大脑学习能力来建立的一个学习模型,该模型能够像人一样去思考,具有举一反三的能力。因此将贝叶斯程序学习算法应用于无人系统资源分配系统,实现由少量人类专家的资源分配方案学习专家知识,实现生成更多的资源分配方案并且生成不同于专家资源分配方案的方案,即实现举一反三,对于无人系统自主协同能力的提升具有重要意义。
发明内容
本发明的目的在于提供一种基于贝叶斯程序学习算法的无人系统资源分配方法,该方法通过学习少量人类专家的资源分配方案知识,举一反三实现生成更多的资源分配方案。
本发明思路为,首先建立任务环境模型,该场景包含无人系统资源、任务和资源分配方案。任务环境模型主要实现对资源分配方案进行细化和拆分为实现后续的资源分配方案生成提供支撑。然后学习专家资源分配方案知识,包括学习专家资源分配方案中的任务划分知识和无人平台协同任务知识。最后根据所学专家方案知识生成资源分配方案。
一种基于贝叶斯程序学习算法的无人系统资源分配方法,步骤如下:
步骤一:建立任务环境场景模型
任务环境场景模型包含无人系统资源、任务和资源分配方案。
其中,无人系统资源由US表示,即US={us1,…,usi},usi表示无人平台;
任务由Task表示,即Task={task1,…,taskm},taskm表示子任务。子任务可以分配给单个无人平台。
资源分配方案模型为Fleet表示执行任务的无人系统集群Fleet={fleet1,…,fleetn},集群元素fleeti中包括组成机队的无人平台信息,以及无人平台配备的武器信息:fleeti={us1,…,usj},usj∈US,j<i。R={r1,...,rn}表示Fleet与Task的节点关系,即编队集合与任务集合元素间的映射关系。其中m≤n,无人系统集群中元素大于任务中子任务个数。
步骤二:学习专家资源分配方案知识
分块学习专家资源分配方案知识,首先学习专家资源分配方案中的任务划分形式,即将任务划分为多个子任务的形式;然后学习专家资源分配方案中每个子任务的无人平台分配知识。具体如下:
专家资源分配方案为其中上标E表示该方案和方案中元素为专家方案,下标k表示该方案为第几个专家方案。
a)根据专家资源分配方案中的任务信息Taskk E提取子任务taski E中任务信息和子任务总数I,统计几个专家方案中的taski E分布并计算分布函数F(TaskE),其中i≤m;
b)根据专家资源分配方案中无人系统集群Fleetk E统计几个专家方集群元素fleeti E中包含的无人平台及无人平台总数量Ni,并计算集群元素平均个数M,然后分别计算每个fleeti E中的无人平台分布函数Fi(usj E)其中i≤M,j≤Ni。
c)根据专家方案中连接关系Rk E统计几个专家方案中的ri E信息并计算p(ri E|taskj E,fleeti E),i≤n,j≤m。
步骤三:生成资源分配方案
根据贝叶斯程序学习算法学的专家知识首先生成子任务划分,再为每个子任务分配相应的无人平台。生成资源分配方案具体如下:
方案生成过程中加入随机扰动,调整从专家资源分配方案中获取的知识信息。一次资源分配方案流程如下:
1、生成子任务taski
a)根据提取的分布函数F(TaskE)计算出p(taskE),然后生成子任务,taski←p(taskE);
b)储存taski,如果i<I,返回步骤a);
2、生成无人平台组合fleetm
c)根据提取的Fi(usj E)计算出pi(usj E)信息生成集群元素fleeti,fleetm←pi(usj E);
d)如果j≤Ni,返回步骤c);
e)储存fleeti,如果i≤M返回步骤c);
3、生成关系R:
f)根据提取的p(ri E|taskj E,fleeti E),i≤n,j≤m信息生成连接关系,rj←p(ri E|taskj E,fleetiE);
g)如果j<M(表示连接关系总数),返回步骤g);
4、生成资源分配方案
重复子步骤1、2、3、4可生成大量资源分配方案。
本发明一种基于贝叶斯程序学习算法的无人系统资源分配方法,其优点在于:
1)学习专家资源分配方案知识,根据专家方案知识生成大量资源分配方案,实现资源分配方案的由少到多;
2)能够举一反三,生成与专家资源分配方案不同的资源分配方案,有利于提高无人系统自主性和资源分配方案多样性;
附图说明
图1是本发明方法的流程框图;
具体实施方式
本发明基于贝叶斯程序学习算法,提取并学习输入的专家资源分配方案方案信息。然后对输入任务进行划分生成对应的子任务,并根据学习获得的关于无人平台的相关信息生成平台集合,最后生成平台集合与子任务间的关系集合实现资源分配方案生成。如图1所示,为具体实施步骤:
步骤一:建立任务环境场景模型
任务环境场景模型包含无人系统资源、任务和资源分配方案。
其中,无人系统资源由US表示,即US={us1,…,usi},usi表示无人平台;
任务由Task表示,即Task={task1,…,taskm},taskm表示子任务。子任务可以分配给单个无人平台。
资源分配方案模型为Fleet表示执行任务的无人系统集群Fleet={fleet1,…,fleetn},集群元素fleeti中包括组成机队的无人平台信息,以及无人平台配备的武器信息:fleeti={us1,…,usj},usj∈US,j<i。R={r1,...,rn}表示Fleet与Task的节点关系,即编队集合与任务集合元素间的映射关系。其中m≤n,无人系统集群中元素大于任务中子任务个数。
步骤二:学习专家资源分配方案知识
分块学习专家资源分配方案知识,首先学习专家资源分配方案中的任务划分形式,即将任务划分为多个子任务的形式;然后学习专家资源分配方案中每个子任务的无人平台分配知识。具体如下:
专家资源分配方案为其中上标E表示该方案和方案中元素为专家方案,下标k表示该方案为第几个专家方案。
a)根据专家资源分配方案中的任务信息Taskk E提取子任务taski E中任务信息和子任务总数I,统计几个专家方案中的taski E分布并计算分布函数F(TaskE),其中i≤m;
b)根据专家资源分配方案中无人系统集群Fleetk E统计几个专家方集群元素fleeti E中包含的无人平台及无人平台总数量Ni,并计算集群元素平均个数M,然后分别计算每个fleeti E中的无人平台分布函数Fi(usj E)其中i≤M,j≤Ni。
c)根据专家方案中连接关系Rk E统计几个专家方案中的ri E信息并计算p(ri E|taskj E,fleeti E),i≤n,j≤m。
步骤三:生成资源分配方案
根据贝叶斯程序学习算法学的专家知识首先生成子任务划分,再为每个子任务分配相应的无人平台。生成资源分配方案具体如下:
方案生成过程中加入随机扰动,调整从专家资源分配方案中获取的知识信息。一次资源分配方案流程如下:
1、生成子任务taski
a)根据提取的分布函数F(TaskE)计算出p(taskE),然后生成子任务,taski←p(taskE);
b)储存taski,如果i<I,返回步骤a);
2、生成无人平台组合fleetm
c)根据提取的Fi(usj E)计算出pi(usj E)信息生成集群元素fleeti,fleetm←pi(usj E);
d)如果j≤Ni,返回步骤c);
e)储存fleeti,如果i≤M返回步骤c);
3、生成关系R:
f)根据提取的p(ri E|taskj E,fleeti E),i≤n,j≤m信息生成连接关系,rj←p(ri E|taskj E,fleeti E);
g)如果j<M(表示连接关系总数),返回步骤g);
4、生成资源分配方案
重复子步骤1、2、3、4可生成大量资源分配方案。
Claims (4)
1.一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:该方法步骤如下:
步骤一、建立任务环境场景模型:任务环境场景模型包含无人系统资源、任务和资源分配方案;
步骤二、学习专家资源分配方案知识:分块学习专家资源分配方案知识,首先学习专家资源分配方案中的任务划分形式,即将任务划分为多个子任务的形式;然后学习专家资源分配方案中每个子任务的无人平台分配知识;
步骤三、生成资源分配方案:根据贝叶斯程序学习算法学的专家知识首先生成子任务划分,再为每个子任务分配相应的无人平台。
2.根据权利要求1所述的一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:所述步骤一中的无人系统资源由US表示,即US={us1,…,usi},usi表示无人平台;
任务由Task表示,即Task={task1,…,taskm},taskm表示子任务;子任务可以分配给单个无人平台;
资源分配方案模型为Fleet表示执行任务的无人系统集群Fleet={fleet1,…,fleetn},集群元素fleeti中包括组成机队的无人平台信息,以及无人平台配备的武器信息:fleeti={us1,…,usj},usj∈US,j<i;R={r1,...,rn}表示Fleet与Task的节点关系,即编队集合与任务集合元素间的映射关系;其中m≤n,无人系统集群中元素大于任务中子任务个数。
3.根据权利要求1所述的一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:所述步骤二具体过程如下:
专家资源分配方案为其中上标E表示该方案和方案中元素为专家方案,下标k表示该方案为第几个专家方案;
a)根据专家资源分配方案中的任务信息Taskk E提取子任务taski E中任务信息和子任务总数I,统计几个专家方案中的taski E分布并计算分布函数F(TaskE),其中i≤m;
b)根据专家资源分配方案中无人系统集群Fleetk E统计几个专家方集群元素fleeti E中包含的无人平台及无人平台总数量Ni,并计算集群元素平均个数M,然后分别计算每个fleeti E中的无人平台分布函数Fi(usj E)其中i≤M,j≤Ni;
c)根据专家方案中连接关系Rk E统计几个专家方案中的ri E信息并计算p(ri E|taskj E,fleeti E),i≤n,j≤m。
4.根据权利要求1所述的一种基于贝叶斯程序学习算法的无人系统资源分配方法,其特征在于:所述步骤三生成资源分配方案具体如下:
方案生成过程中加入随机扰动,调整从专家资源分配方案中获取的知识信息;一次资源分配方案流程如下:
(1)、生成子任务taski
a)根据提取的分布函数F(TaskE)计算出p(taskE),然后生成子任务,taski←p(taskE);
b)储存taski,如果i<I,返回步骤a);
(2)、生成无人平台组合fleetm
c)根据提取的Fi(usj E)计算出pi(usj E)信息生成集群元素fleeti,fleetm←pi(usj E);
d)如果j≤Ni,返回步骤c);
e)储存fleeti,如果i≤M返回步骤c);
(3)、生成关系R:
f)根据提取的p(ri E|taskj E,fleeti E),i≤n,j≤m信息生成连接关系,rj←p(ri E|taskj E,fleeti E);
g)如果j<M(表示连接关系总数),返回步骤g);
(4)、生成资源分配方案:
重复上述步骤(1)、(2)、(3)、(4)可生成大量资源分配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810987493.0A CN109214450B (zh) | 2018-08-28 | 2018-08-28 | 一种基于贝叶斯程序学习算法的无人系统资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810987493.0A CN109214450B (zh) | 2018-08-28 | 2018-08-28 | 一种基于贝叶斯程序学习算法的无人系统资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214450A true CN109214450A (zh) | 2019-01-15 |
CN109214450B CN109214450B (zh) | 2022-05-10 |
Family
ID=64985617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810987493.0A Active CN109214450B (zh) | 2018-08-28 | 2018-08-28 | 一种基于贝叶斯程序学习算法的无人系统资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214450B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429179A (zh) * | 2022-01-11 | 2022-05-03 | 中国人民解放军国防科技大学 | 一种面向无人平台的能力计算方法及系统 |
Citations (6)
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 |
US20130282210A1 (en) * | 2012-04-24 | 2013-10-24 | Harris Corporation | Unmanned maritime vehicle with inference engine and knowledge base and related methods |
CN106990792A (zh) * | 2017-05-23 | 2017-07-28 | 西北工业大学 | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 |
CN107679566A (zh) * | 2017-09-22 | 2018-02-09 | 西安电子科技大学 | 一种融合专家先验知识的贝叶斯网络参数学习方法 |
CN108021754A (zh) * | 2017-12-06 | 2018-05-11 | 北京航空航天大学 | 一种无人机自主空战决策框架及方法 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
-
2018
- 2018-08-28 CN CN201810987493.0A patent/CN109214450B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130282210A1 (en) * | 2012-04-24 | 2013-10-24 | Harris Corporation | Unmanned maritime vehicle with inference engine and knowledge base and related methods |
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 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN106990792A (zh) * | 2017-05-23 | 2017-07-28 | 西北工业大学 | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 |
CN107679566A (zh) * | 2017-09-22 | 2018-02-09 | 西安电子科技大学 | 一种融合专家先验知识的贝叶斯网络参数学习方法 |
CN108021754A (zh) * | 2017-12-06 | 2018-05-11 | 北京航空航天大学 | 一种无人机自主空战决策框架及方法 |
Non-Patent Citations (1)
Title |
---|
任佳等: "基于贝叶斯网络自适应推理的无人机任务决策", 《系统工程理论与实践》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429179A (zh) * | 2022-01-11 | 2022-05-03 | 中国人民解放军国防科技大学 | 一种面向无人平台的能力计算方法及系统 |
CN114429179B (zh) * | 2022-01-11 | 2024-02-09 | 中国人民解放军国防科技大学 | 一种面向无人平台的能力计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109214450B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alshinwan et al. | Dragonfly algorithm: a comprehensive survey of its results, variants, and applications | |
CN109034381A (zh) | 训练任务优化系统、方法及其非暂态电脑可读媒体 | |
CN109189094B (zh) | 一种多有人机与多无人机混合编队资源调度方法 | |
Yi et al. | Quantum inspired monarch butterfly optimisation for UCAV path planning navigation problem | |
Petropoulos et al. | A particle swarm optimization algorithm for balancing assembly lines | |
CN111723930A (zh) | 一种应用群智监督学习方法的系统 | |
Zhao et al. | Center Based Genetic Algorithm and its application to the stiffness equivalence of the aircraft wing | |
CN109214450A (zh) | 一种基于贝叶斯程序学习算法的无人系统资源分配方法 | |
Fathi et al. | Reinforcement learning in linear quadratic deep structured teams: Global convergence of policy gradient methods | |
Mohammad et al. | Task allocation for asynchronous mobile edge learning with delay and energy constraints | |
Le et al. | Applications of distributed machine learning for the Internet-of-Things: A comprehensive survey | |
CN110867224B (zh) | 用于大规模脑病历分割的多粒度Spark超信任模糊方法 | |
CN101216890B (zh) | 一种彩色图像分割方法 | |
Kim et al. | A computation offloading scheme for uav-edge cloud computing environments considering energy consumption fairness | |
Luo et al. | Resource allocation in the cognitive radio network-aided internet of things for the cyber-physical-social system: an efficient jaya algorithm | |
CN112215326B (zh) | 一种分布式ai系统 | |
Liu et al. | A multipopulation PSO based memetic algorithm for permutation flow shop scheduling | |
CN115390583A (zh) | 无人机集群鲁棒分布式固定时间二部包含控制方法 | |
Zhang et al. | A bilevel task allocation method for heterogeneous multi-UUV recovery system | |
Zhou et al. | Computing Offloading Based on TD3 Algorithm in Cache-Assisted Vehicular NOMA–MEC Networks | |
Li et al. | A combinational clustering method based on artificial immune system and support vector machine | |
CN107122472A (zh) | 大规模非结构化数据提取方法、其系统、分布式数据管理平台 | |
CN114742890A (zh) | 一种基于图像内容和风格解耦的6d姿态估计数据集迁移方法 | |
Mishra et al. | A new insight into the schema survival after crossover and mutation for genetic algorithms having distributed population set | |
Zhang et al. | Optimizing efficient personalized federated learning with hypernetworks at edge |
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 |