CN110456633A - 机载多平台分布式任务分配方法 - Google Patents
机载多平台分布式任务分配方法 Download PDFInfo
- Publication number
- CN110456633A CN110456633A CN201910580696.2A CN201910580696A CN110456633A CN 110456633 A CN110456633 A CN 110456633A CN 201910580696 A CN201910580696 A CN 201910580696A CN 110456633 A CN110456633 A CN 110456633A
- Authority
- CN
- China
- Prior art keywords
- task
- platform
- base
- sequence
- auction
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种多空基平台机载多平台分布式任务分配方法,旨在提供一种适用场景更为广泛、任务分配模型更为完备、任务分配结果更为可靠的分配方法。本发明通过下述技术方案予以实现:在任务分配问题模型中,依据平台执行任务的序列以及平台执行任务所使用的资源序列建立多平台协同任务分配模型;将所有平台执行任务的总的代价函数最小作为任务分配模型的目标函数;根据决策变量,建立平台资源约束模型、平台代价约束模型和任务资源约束模型;基于多智能体分布协同拍卖的任务分配算法生成多次不同的竞拍顺序,求解最优的任务分配方案;在多平台协同任务分配模型的基础上,采用两步拍卖算法来进行任务分配问题求解,得到多平台协同任务分配的结果。
Description
技术领域
本发明涉及一种机载多平台分布式任务分配方法,主要应用于指挥控制系统、任务规划系统以及任务调度系统中的任务分配领域。尤其是多空基平台分布式协同异构任务分配方法。
背景技术
多空基平台协同控制方法主要分为集中式控制与分布式控制。集中式控制能够基于全面的信息从全局上对问题进行求解,但也存在着许多不足:要求将所有信息传送到任务控制站,因此需要高度可靠的通信链接和很高的通信带宽;规划全部集中在任务控制站,通信延迟以及集中求解的计算复杂性,导致难以实现对环境态势变化的快速反应;为了弥补集中式控制的不足,在空基平台自主能力不断提高的趋势下,分布式控制已成为多空基平台协同控制技术的一个重要发展方向。多平台协同任务分配是一种非常重要和实用的技术。多平台协同任务分配是根据既定的目标将不同属性、不同状态的任务合理地分配给不同的平台,使得所有平台整体执行任务效益最大。多平台协同任务分配主要包括两方面:一是任务分配问题建模,二是任务分配问题求解。
任务分配问题可以表示为:按照分配算子任务分配是一个组合优化问题。目前的方法主要是启发式的进化算法或几种进化算法的综合,其共同点是单个种群的进化或多种群无协作的进化。任务分配问题建模是指通过数学方法,充分考虑任务分配问题的复杂性及各种约束,将研究的多平台协同任务分配问题抽象为任务分配数学理论模型,为多平台协同任务分配问题求解提供一个基础的模型框架。常用的任务分配模型包括混合整数线性规划问题(MILP)模型、多旅行商问题(MTSP)模型、分布式任务分发模型、动态网络流优化(DNFO)模型、车辆路径问题(VRP)模型、多处理器资源分配问题(CMTAP)模型等。
任务分配问题求解是指采用各种优化算法对建立的任务分配问题模型进行求解计算,得到每个平台需要执行的任务目标列表及每个平台执行任务的排序。根据求解优化算法的不同,可以将任务分配问题求解方法分为集中式求解方法、分布式求解算法两大类。
集中式任务分配求解方法是指任务分配模型的求解是在一个中心控制平台上完成的,中心平台再将求解的结果发送给其他平台。集中式任务分配求解方法可以分为最优化方法和启发式方法两类。最优化方法指的是采用一些例如穷举法、整数规划、约束规划、图论方法等的最优化算法求解任务分配模型的解,最优化算法可以给出任务分配模型的最优解,但任务分配问题是一个NP问题,当任务分配问题涉及到的状态及约束规模越大时,最优化方法求解的难度也就越大,求解所耗费的时间资源也就越大。而启发式方法在求解的质量与求解的计算时间之间进行平衡,不刻意去求解最优解,而是力求在规定的计算时间内解算出任务分配问题的满意解。
分布式任务分配求解方法是指系统中各平台通过相互之间的通信交互当前任务信息、态势信息等与任务分配相关的信息数据,各平台再单独计算其需要执行的任务目标列表以及任务执行序列。相比集中式求解方法来说,分布式求解方法具有更好的灵活性,但也需要平台的所具备较高的计算分析、通信、决策等能力。典型的分布式任务分配方法主要有基于合同网市场竞拍机制的方法、基于蚁群算法的多空基平台任务分配方法、基于粒子群优化算法的多空基平台任务分配方法、基于相邻局部通信的分布式拍卖算法等,相比之下,基于合同网市场竞拍机制的方法有着明显的优势。
基于合同网的市场竞拍机制的分布式任务分配方法的基本思想是将任务分配看作一个交易过程,参考拍卖时的“招标-投标-中标”机制实现任务分配。在任务分配过程中,主持拍卖的平台将任务对所有平台进行拍卖,各平台根据其状态以及能力进行投标,最后主持拍卖的平台将任务分配给投标最优的平台。该方法具备原理简单、易于实现、能取得较优的任务分配效果、能够在个体效能最优和整体效能最优之间进行平衡等优点。目前,基于合同网的市场竞拍机制的分布式任务分配方法已成为最广泛运用的一种多分布式任务分配方法,在指挥控制系统、任务规划系统以及任务调度系统等领域广泛运用。
传统拍卖算法的基本思想是:m个平台对n个任务进行竞拍,假设平台i对任务j期望最大的出价为aij,对完成任务必须支付的价格是pj,那么任务j对平台i来说,其净利润是aij-pj,每个平台都希望其净利润最大。当每个平台都满意的时候,得到一组平衡的任务分配结果,对于整体而言,该分配结果能够使得整体总利润最大,达到整体最优,传统拍卖算法求解的精度与效率与平台的竞拍顺序有着很大的关系,不同的竞拍顺序可能会生成不同的拍卖结果。
当前已有的任务分配方法已经能解决多平台协同任务分配问题,但其还存在诸多不足之处,例如:
1、多平台协同任务分配问题模型不完备。目前多平台协同任务分配问题建模的决策变量只有0-1分配决策变量:
该变量只能表示平台是否执行任务,而没有体现平台执行任务时所使用的资源。
目前多平台协同任务分配问题建模时,任务约束多体现为一个平台能执行的最大任务数,每个任务最少需要的平台数等约束,这些约束建模只能应用在同构平台执行同类任务的场景,不能完全体现复杂任务分配场景的约束,同时这些约束的确定也是基于经验确定的。
目前多平台协同任务分配问题建模的目标函数未考虑平台执行任务所采用执行序列的差异,对相同的任务组,平台按不同顺序执行所取得的目标值也是不同的。
2、任务分配场景单一。目前多平台协同任务分配问题的场景多为同构平台处于不同初始状态、或者多同构平台处于同一初始状态的场景,与现实任务分配中的多异构平台处于不同初始状态的场景不同。
3、分布式拍卖求解算法不完善。目前的分布式拍卖求解算法通过多次随机生成平台的竞拍序列,可以得到一个较优的解,针对一个平台能执行多个任务的情况,未考虑执行任务顺序不同带来的影响。
发明内容
本发明的目的针对上述现有技术存在的不足之处,提供一种适用场景更为广泛、任务分配模型更为完备、任务分配结果更为可靠的多空基平台机载多平台分布式任务分配方法。
本发明的上述目的可以通过以下技术方案予以实现,一种多空基平台机载多平台分布式任务分配方法,具有如下技术特征:在任务分配问题模型中,依据平台执行任务的序列以及平台执行任务所使用的资源序列建立多平台协同任务分配模型,将各平台执行的任务序列以及各平台执行任务时的资源使用序列作为任务分配模型的决策变量;根据各平台的任务执行序列,构建各平台执行任务的代价函数,将所有平台执行任务的总的代价函数最小作为任务分配模型的目标函数;根据决策变量,建立平台资源约束模型、平台代价约束模型和任务资源约束模型;基于多智能体分布协同拍卖的任务分配算法生成多次不同的竞拍顺序,进行多次拍卖,求解最优的任务分配方案;在多平台协同任务分配模型的基础上,采用两步拍卖算法来进行任务分配问题求解,得到多平台协同任务分配的结果。
本发明相比于现有技术具有如下有益效果:
本发明将各平台执行的任务序列以及各平台执行任务时的资源使用序列作为任务分配模型的决策变量,确定多平台任务分配的总目标为系统在完成任务情况下的总代价最小,不仅能够表示平台需要执行任务,而且能够表示平台执行分配给它的任务的顺序以及执行每个任务使用的资源情况,这更符合多平台任务分配的实际使用场景。
本发明综合平台执行任务的序列以及平台执行任务所使用的资源序列建立了多平台协同任务分配模型,平台执行任务的序列不仅能够表征任务分配情况,还能表征分配的任务的执行顺序,解决了传统任务分配模型无法融合平台执行任务的序列的问题;通过平台具备的资源及任务需要的资源建立了任务分配模型的约束,解决了传统任务分配模型只能通过平台-任务之间的数量关系来建立约束的问题。
本发明采用两步拍卖算法对建立的多平台协同任务分配模型进行求解,通过随机生成任务的竞拍序列,针对每个任务,所有基地在进行二次拍卖,求解出任务分配序列及执行任务资源使用序列,得到每个平台执行的任务序列和执行任务时的资源使用序列,能够适用于各种典型的多平台协同任务分配模型,以及多平台协同任务分配模型,具有很强的适用性。
基于多智能体分布协同拍卖的任务分配算法通过生成多次不同的竞拍顺序,进行多次拍卖,能够求解到最优的任务分配方案。其具体求解流程为:由主持拍卖的智能体随机生成参与竞拍的智能体竞拍顺序;各智能体按顺序竞拍到自己要执行的任务,一轮拍卖完成后就可得到多智能体的任务分配方案。之后再随机生成新的竞拍顺序进行新一轮拍卖,以寻求更好的方案,直到运算时间或资源超出限制。
使用本发明得到的多平台协同任务分配模型能够更加真实地反映实际的任务分配场景,本发明也能够适用于各种典型的多平台协同任务分配模型以及本发明提出的多平台协同任务分配模型的求解,具有很强的适用性。
本发明适用于指挥控制系统、任务规划系统以及任务调度系统中的任务分配领域。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明两步拍卖算法求解的主流程图
图2是图1的二次拍卖算法的流程图。
图3是本发明任务分配结果示意图。
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
具体实施方式
参阅图1。根据本发明,在任务分配问题模型中,依据平台执行任务的序列以及平台执行任务所使用的资源序列建立多平台协同任务分配模型,将各平台执行的任务序列以及各平台执行任务时的资源使用序列作为任务分配模型的决策变量;根据各平台的任务执行序列,构建各平台的执行任务的代价函数,将所有平台执行任务的总的代价函数最小作为任务分配模型的目标函数;根据决策变量,建立平台资源约束模型、平台代价约束模型和任务资源约束模型;基于多智能体分布协同拍卖的任务分配算法生成多次不同的竞拍顺序,进行多次拍卖,求解到最优的任务分配方案;在多平台协同任务分配模型的基础上,采用两步拍卖算法来进行任务分配问题求解,得到多平台协同任务分配的结果即每个平台执行的任务序列和执行任务时的资源使用序列。
任务分配模型的决策变量包括:各平台执行的任务序列以及各平台执行任务时的资源使用序列和平台执行的任务序列Tk=[tk,ind1,tk,ind2,…,tk,indn],ind1,ind2,…,indn表示第k个平台依次执行任务的编号,相应地,平台执行任务时的资源使用序列Sk=[sk,ind1,sk,ind2,…,sk,indn],表示第k个平台依次执行编号为ind1,ind2,…,indn的任务时所使用的资源数量。
中心计算平台根据场景信息,确定任务分配决策变量、建立任务分配目标函数、用任务分配约束函数来建立多平台任务分配问题模型。
在可选的实施例中,设多平台协同任务分配场景中有M个属性都不相同的基地,有每个目标的属性都不相同的N个任务,以xi表示基地i的x方向位置,yi表示基地i的y方向位置,pi表示基地i具有的可用平台数,li表示基地i平台的最大航程,si表示基地i平台的可用资源数目,i个基地的属性信息设为mi=[xi,yi,pi,li,si];以xj表示任务j的x方向位置,yj表示任务j的y方向位置,sj表示完成任务j所需要的资源数,j个基地的属性信息设为nj=[xj,yj,sj]。
多平台协同任务分配的最终目的是在完成任务的情况下使得所耗费的代价最小,本实施例将执行任务的代价定义为所有平台执行任务所需要的航程,平台从其所属基地出发,在执行完分配给它的任务后再返回其所属基地。通过航路规划,可以计算各基地到各个任务的航程,生成基地-任务航程矩阵Dbt:并且
其中,表示从基地i到任务j的航程,M为多平台协同任务分配场景中属性都不相同的基地,N为每个目标属性都不相同的任务个数。
中心计算平台通过航路规划,可以计算各任务之间的航程,生成任务-任务航程矩阵Dtt:
其中,表示从平台执行完任务i后再到任务j的航程。
第i个基地的第k架平台执行的任务序列为Tk=[tk,ind1,tk,ind2,…,tk,indn],则该平台执行该任务序列所飞行的航程f(i,k,Tk)可表示为:式中,为平台从第i个基地飞往其执行的第一个任务ind1所飞行的航程,表示平台第一个任务ind1开始按照任务序列依次执行每个任务直到最后一个任务indn所飞行的总航程,表示平台k执行完任务ind后再到任务ind+1的航程,为平台执行完最后一个任务indn后返回基地i飞行的航程。任务分配模型的目标函数J可表示为:式中,M为基地数目,pi为第i个基地部署的平台数量,f(i,k,Tk)为第i个基地的第k架平台执行的任务序列为Tk=[tk,ind1,tk,ind2,…,tk,indn]所飞行的航程。
多平台协同任务分配的约束主要有平台资源约束、平台代价约束、任务资源约束等,其中,平台资源约束是指平台在执行任务序列时所使用的资源不能多于平台可用资源,平台代价束是指平台在执行任务序列时的航程不能大于平台的最大航程,任务资源约束是所有平台执行在每个任务上的资源数应等于完成该任务所需要的资源数;第i个基地的第k架平台的资源约束可表示为:式中,表示平台k执行任务序列所用的资源总和,sk,ind表示平台k执行任务ind所用的资源,si表示基地i平台的可用资源数目。
第i个基地的第k架平台的代价约束可表示为:f(i,k,Tk)≤li,式中,f(i,k,Tk)为第i个基地的第k架平台执行的任务序列为Tk=[tk,ind1,tk,ind2,…,tk,indn]所飞行的航程,li为基地i平台的最大航程。则第j个任务的资源约束为:式中,表示所有平台在务j时所用的资源总量,M为基地数目,pi为第i个基地部署的平台数量,sk,j为平台k执行任务j时所使用的资源,sj为完成任务j所需要的资源数。
多平台协同任务分配模型可以表述为
式中,为J任务分配模型的目标函数,M为基地数目,pi为第i个基地部署的平台数量,f(i,k,Tk)为第i个基地的第k架平台执行的任务序列为Tk=[tk,ind1,tk,ind2,…,tk,indn]所飞行的航程,表示平台k执行任务序列所用的资源总和,sk,ind表示平台k执行任务ind所用的资源,si表示基地i平台的可用资源数目,li为基地i平台的最大航程,表示所有平台在务j时所用的资源总量,sj为完成任务j所需要的资源数。
建立多平台协同任务分配模型后,采用两步拍卖算法进行求解。中心计算平台随机生成需要分配的任务的招标序列,并宣布拍卖开始,中心计算平台将轮到拍卖的任务的属性信息下发给各个基地;中心计算平台随机生成任务招标序列,并生成多次不同的竞拍顺序,根据目标序列号i=1,中心计算平台发布招标任务属性信息,进行多次拍卖,并由主持拍卖的智能体随机生成参与竞拍的智能体竞拍顺序;各智能体按顺序竞拍到自己要执行的任务,一轮拍卖完成后就可得到多智能体的任务分配方案,之后再随机生成新的竞拍顺序进行新一轮拍卖,直到运算时间或资源超出限制;建立多平台协同任务分配模型后,采用两步拍卖算法进行求解,在多平台协同任务分配模型的基础上,采用两次拍卖算法,计算执行该任务的基地/平台信息,求解到最优的任务分配方案;中心计算平台根据执行该任务的基地/平台信息更新总的任务分配信息及基地属性信息;判断所有任务招标是否都已招标完,或者所有基地资源已经使用完,是则计算当前分配方案目标函数数值,否则,根据i=1+1目标序列号,返回中心计算平台发布招标任务属性信息步骤,以寻求更好的方案,对最优方案更新,当所有任务都分配完或者所有基地的资源都使用完后,计算这一轮招标所得方案的目标函数值;根据这一轮拍卖所得方案的目标函数值与之前各轮招标所得的最优方案的目标函数值,更新最优方案以及最优方案的目标函数值,然后判断计算资源及时间资源是否充足,若计算资源及时间资源充足,则返回第一步开始新的一轮拍卖计算,下发最优分配方案,结束程序,否则,将当前的最优任务分配方案下发给各个基地、平台。
参阅图2。二次拍卖算法主要是计算针对主流程发布的招标任务的最佳基地投标组合信息,在两步拍卖算法中:中心计算平台随机生成所有可用基地的投标序列,并宣布拍卖开始;根据i=1目标序列号,轮到投标的基地计算上传当前任务投标信息,根据其基地位置、平台数量、平台航程、平台资源、返回基地编号等属性信息,以及招标的任务信息,计算包括投标平台数、投标代价、投标资源使用等投标信息,并将投标信息返给中心计算平台;中心计算平台根据竞标基地的投标信息,更新中标信息以及任务的招标信息,并将更新后的招标信息下传,下发各后续竞标平台;判断所有任务招标是否都已招标完,或者所有基地资源已经使用完,当所有平台都已完成竞标或者任务招标已经完成后,计算这一轮竞标生成的当前投标方案的目标函数值,根据这一轮竞标所得方案的目标函数值与之前各轮竞标所得的最优方案的目标函数值,更新最优方案以及最优方案的目标函数值;否则,根据i=1+1目标序列号,返回中基地计算上传当前任务投标信息步骤;然后判断计算资源及时间资源是否充足,若计算资源及时间资源充足,则返回第一步开始新的一轮竞标计算,否则,将当前的最优投标方案返回给主流程。
下面以具体范例说明:
参阅图3。该多平台协同任务分配场景的基地参数如下表所示:
x方向位置/km | y方向位置/km | 平台数量 | 平台可用资源数 | 平台最大航程/km | |
基地1 | -78 | 32 | 3 | 6 | 553 |
基地2 | 0 | 33 | 2 | 5 | 636 |
基地3 | -86 | 34 | 2 | 4 | 632 |
该多平台协同任务分配场景的基地参数如下表所示:
x方向位置/km | y方向位置/km | 平台可用资源数 | |
任务1 | -62 | 266 | 4 |
任务2 | 158 | 284 | 4 |
任务3 | 197 | 117 | 3 |
任务4 | 96 | 286 | 5 |
任务5 | -85 | 278 | 3 |
本实施例得到的任务分配的平台执行任务序列和平台执行任务所使用资源序列:
所属基地 | 执行任务序列 | 执行任务所使用资源序列 | |
平台1 | 2 | 3 | 3 |
平台2 | 3 | 5 | 3 |
平台3 | 2 | 4,2 | 1,4 |
平台4 | 3 | 4 | 4 |
平台5 | 1 | 1 | 4 |
本实施例得到的任务分配的目标函数(执行任务的总航程)为2626km。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权力要求及其等同物限定。
Claims (10)
1.一种多空基平台机载多平台分布式任务分配方法,具有如下技术特征:在任务分配问题模型中,依据中心计算平台执行任务的序列以及中心计算平台执行任务所使用的资源序列建立多平台协同任务分配模型,将各平台执行的任务序列以及各平台执行任务时的资源使用序列作为任务分配模型的决策变量;根据各平台的任务执行序列,构建各平台执行任务的代价函数,将所有平台执行任务的总的代价函数最小作为任务分配模型的目标函数;根据决策变量,建立平台资源约束模型、平台代价约束模型和任务资源约束模型;基于多智能体分布协同拍卖的任务分配算法生成多次不同的竞拍顺序,进行多次拍卖,求解最优的任务分配方案;在多平台协同任务分配模型的基础上,采用两步拍卖算法来进行任务分配问题求解,得到多平台协同任务分配的结果。
2.如权利要求1所述的多空基平台机载多平台分布式任务分配方法,其特征在于:任务分配模型的决策变量包括:各平台执行的任务序列以及各平台执行任务时的资源使用序列和平台执行的任务序列Tk=[tk,ind1,tk,ind2,…,tk,indn],ind1,ind2,…,indn表示第k个平台依次执行任务的编号,相应地,平台执行任务时的资源使用序列Sk=[sk,ind1,sk,ind2,…,sk,indn],表示第k个平台依次执行编号为ind1,ind2,…,indn的任务时所使用的资源数量;以M为基地数目,pi为第i个基地部署的平台数量,f(i,k,Tk)为第i个基地的第k架平台执行任务序列为Tk=[tk,ind1,tk,ind2,…,tk,indn],按所飞行的航程完成任务分配模型的目标函数
3.如权利要求1所述的多空基平台机载多平台分布式任务分配方法,其特征在于:中心计算平台以xi表示基地i的x方向位置,yi表示基地i的y方向位置,pi表示基地i具有的可用平台数,li表示基地i平台的最大航程,si表示基地i平台的可用资源数目,计算i个基地的属性信息和j个基地的属性信息nj=[xj,yj,sj],其中xj表示任务j的x方向位置,yj表示任务j的y方向位置,sj表示完成任务j所需要的资源数。
4.如权利要求1所述的多空基平台机载多平台分布式任务分配方法,其特征在于:中心计算平台从其所属基地出发,在执行完分配给它的任务后再返回其所属基,通过航路规划,计算各基地到各个任务的航程,生成基地-任务航程矩阵Dbt:并且
其中,表示从基地i到任务j的航程,M为多平台协同任务分配场景中属性都不相同的基地,N为每个目标属性都不相同的任务个数。
5.如权利要求1所述的多空基平台机载多平台分布式任务分配方法,其特征在于:中心计算平台根据场景信息,确定任务分配决策变量、建立任务分配目标函数、用任务分配约束函数来建立多平台任务分配问题模型,并通过航路规划,计算各任务之间的航程,生成任务-任务航程矩阵Dtt:
其中,表示从平台执行完任务i后再到任务j的航程。
6.如权利要求3所述的多空基平台机载多平台分布式任务分配方法,其特征在于:第i个基地的第k架平台执行的任务序列为Tk=[tk,ind1,tk,ind2,…,tk,indn],则第k架平台执行该任务序列所飞行的航程式中,为平台从第i个基地飞往其执行的第一个任务ind1所飞行的航程,表示平台第一个任务ind1开始按照任务序列依次执行每个任务直到最后一个任务indn所飞行的总航程,表示平台k执行完任务ind后再到任务ind+1的航程,为平台执行完最后一个任务indn后返回基地i飞行的航程。
7.如权利要求1所述的多空基平台机载多平台分布式任务分配方法,其特征在于:建立多平台协同任务分配模型后,中心计算平台随机生成需要分配的任务的招标序列,并宣布拍卖开始,中心计算平台将轮到拍卖的任务的属性信息下发给各个基地。
8.如权利要求7所述的多空基平台机载多平台分布式任务分配方法,其特征在于:中心计算平台随机生成任务招标序列和多次不同的竞拍顺序,根据目标序列号i=1,发布招标任务属性信息,进行多次拍卖,并由主持拍卖的智能体随机生成参与竞拍的智能体竞拍顺序;各智能体按顺序竞拍到自己要执行的任务,一轮拍卖完成后得到多智能体的任务分配方案,之后再随机生成新的竞拍顺序进行新一轮拍卖,直到运算时间或资源超出限制。
9.如权利要求所述的多空基平台机载多平台分布式任务分配方法,其特征在于:中心计算平台建立多平台协同任务分配模型后,在多平台协同任务分配模型的基础上,采用两步拍卖算法进行求解,计算执行该任务的基地/平台信息,求解到最优的任务分配方案;中心计算平台根据执行该任务的基地/平台信息更新总的任务分配信息及基地属性信息;判断所有任务招标是否都已招标完,或者所有基地资源已经使用完,是则计算当前分配方案目标函数数值,否则,根据i=1+1目标序列号,返回中心计算平台发布招标任务属性信息步骤,以寻求更好的方案,对最优方案更新,当所有任务都分配完或者所有基地的资源都使用完后,计算这一轮招标所得方案的目标函数值;根据这一轮拍卖所得方案的目标函数值与之前各轮招标所得的最优方案的目标函数值,更新最优方案以及最优方案的目标函数值,然后判断计算资源及时间资源是否充足,若计算资源及时间资源充足,则返回第一步开始新的一轮拍卖计算,下发最优分配方案,结束程序,否则,将当前的最优任务分配方案下发给各个基地、平台。
10.如权利要求所述的多空基平台机载多平台分布式任务分配方法,其特征在于:在两步拍卖算法中:中心计算平台随机生成所有可用基地的投标序列,并宣布拍卖开始;根据i=1目标序列号,轮到投标的基地计算上传当前任务投标信息,根据其基地位置、平台数量、平台航程、平台资源、返回基地编号等属性信息,以及招标的任务信息,计算包括投标平台数、投标代价和投标资源使用投标信息,并将投标信息返给中心计算平台;中心计算平台根据竞标基地的投标信息,更新中标信息以及任务的招标信息,并将更新后的招标信息下传,下发各后续竞标平台;判断所有任务招标是否都已招标完,或者所有基地资源已经使用完,当所有平台都已完成竞标或者任务招标已经完成后,计算这一轮竞标生成的当前投标方案的目标函数值,根据这一轮竞标所得方案的目标函数值与之前各轮竞标所得的最优方案的目标函数值,更新最优方案以及最优方案的目标函数值;否则,根据i=1+1目标序列号,返回中基地计算上传当前任务投标信息步骤;然后判断计算资源及时间资源是否充足,若计算资源及时间资源充足,则返回第一步开始新的一轮竞标计算,否则,将当前的最优投标方案返回给主流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580696.2A CN110456633B (zh) | 2019-06-29 | 2019-06-29 | 机载多平台分布式任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580696.2A CN110456633B (zh) | 2019-06-29 | 2019-06-29 | 机载多平台分布式任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110456633A true CN110456633A (zh) | 2019-11-15 |
CN110456633B CN110456633B (zh) | 2022-06-14 |
Family
ID=68481842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910580696.2A Active CN110456633B (zh) | 2019-06-29 | 2019-06-29 | 机载多平台分布式任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456633B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199359A (zh) * | 2020-01-08 | 2020-05-26 | 中国电子科技集团公司第五十四研究所 | 一种网络资源约束下的多智能体任务分配方法 |
CN111487962A (zh) * | 2020-03-30 | 2020-08-04 | 北京化工大学 | 一种应用于仓储环境下多机器人路径快速规划方法 |
CN112070383A (zh) * | 2020-08-31 | 2020-12-11 | 北京理工大学 | 一种面向动态任务的多智能体分布式任务分配方法 |
CN115186878A (zh) * | 2022-06-22 | 2022-10-14 | 湖南大学无锡智能控制研究院 | 一种多agv在线任务分配方法及系统 |
CN115796523A (zh) * | 2022-11-30 | 2023-03-14 | 北京华如科技股份有限公司 | 一种资源分配方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155999A (zh) * | 2014-07-31 | 2014-11-19 | 海南大学 | 战场环境下多无人机时敏任务动态分配算法 |
CN105739303A (zh) * | 2015-12-29 | 2016-07-06 | 沈阳航空航天大学 | 基于滚动时域法的多无人机协同打击任务分配方法 |
CN106875090A (zh) * | 2017-01-09 | 2017-06-20 | 中南大学 | 一种面向动态任务的多机器人分布式任务分配形成方法 |
CN107622348A (zh) * | 2017-09-18 | 2018-01-23 | 哈尔滨工程大学 | 一种任务顺序约束下的异构多auv系统任务协调方法 |
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN109919431A (zh) * | 2019-01-28 | 2019-06-21 | 重庆邮电大学 | 基于拍卖算法的异构多机器人任务分配方法 |
-
2019
- 2019-06-29 CN CN201910580696.2A patent/CN110456633B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155999A (zh) * | 2014-07-31 | 2014-11-19 | 海南大学 | 战场环境下多无人机时敏任务动态分配算法 |
CN105739303A (zh) * | 2015-12-29 | 2016-07-06 | 沈阳航空航天大学 | 基于滚动时域法的多无人机协同打击任务分配方法 |
CN106875090A (zh) * | 2017-01-09 | 2017-06-20 | 中南大学 | 一种面向动态任务的多机器人分布式任务分配形成方法 |
CN107622348A (zh) * | 2017-09-18 | 2018-01-23 | 哈尔滨工程大学 | 一种任务顺序约束下的异构多auv系统任务协调方法 |
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN109919431A (zh) * | 2019-01-28 | 2019-06-21 | 重庆邮电大学 | 基于拍卖算法的异构多机器人任务分配方法 |
Non-Patent Citations (2)
Title |
---|
冉华明 等: "空战中协同干扰、探测、攻击任务分配", 《北京航空航天大学学报》 * |
廖沫 等: "基于多 Agent分布协同拍卖的动态目标分配算法", 《北京航空航天大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199359A (zh) * | 2020-01-08 | 2020-05-26 | 中国电子科技集团公司第五十四研究所 | 一种网络资源约束下的多智能体任务分配方法 |
CN111487962A (zh) * | 2020-03-30 | 2020-08-04 | 北京化工大学 | 一种应用于仓储环境下多机器人路径快速规划方法 |
CN111487962B (zh) * | 2020-03-30 | 2021-10-01 | 北京化工大学 | 一种应用于仓储环境下多机器人路径快速规划方法 |
CN112070383A (zh) * | 2020-08-31 | 2020-12-11 | 北京理工大学 | 一种面向动态任务的多智能体分布式任务分配方法 |
CN112070383B (zh) * | 2020-08-31 | 2022-04-12 | 北京理工大学 | 一种面向动态任务的多智能体分布式任务分配方法 |
CN115186878A (zh) * | 2022-06-22 | 2022-10-14 | 湖南大学无锡智能控制研究院 | 一种多agv在线任务分配方法及系统 |
CN115186878B (zh) * | 2022-06-22 | 2023-05-16 | 湖南大学无锡智能控制研究院 | 一种多agv在线任务分配方法及系统 |
CN115796523A (zh) * | 2022-11-30 | 2023-03-14 | 北京华如科技股份有限公司 | 一种资源分配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110456633B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110456633A (zh) | 机载多平台分布式任务分配方法 | |
CN109409773B (zh) | 一种基于合同网机制的对地观测资源动态规划方法 | |
CN110134146A (zh) | 一种不确定环境下的分布式多无人机任务分配方法 | |
CN102136104A (zh) | 基于负载均衡和lk算法的车辆路径规划方法 | |
CN106055395A (zh) | 一种基于蚁群优化算法的云环境中截止时间约束工作流调度方法 | |
JPH06259402A (ja) | 組織の目標を達成するために資源をロットに割り当てるための方法 | |
CN111784211B (zh) | 一种基于分簇的群体多任务分配方法及存储介质 | |
CN107203492A (zh) | 产品设计云服务平台模块化任务重组与分配优化方法 | |
CN109615188A (zh) | 一种预分配结合匈牙利算法的多机器人任务分配方法 | |
Abbasianjahromi et al. | A new decision making model for subcontractor selection and its order allocation | |
CN110222996A (zh) | 任务分配方法及装置 | |
CN110362105A (zh) | 基于多uav的传感器网络无线充电方法 | |
Zhu et al. | Agent-based dynamic scheduling for earth-observing tasks on multiple airships in emergency | |
CN114971819A (zh) | 基于多智能体强化学习算法在联邦学习下的用户竞价方法及装置 | |
Tanaka et al. | Faithful implementations of distributed algorithms and control laws | |
CN109409746A (zh) | 一种生产调度方法及装置 | |
CN109343945A (zh) | 一种基于合同网算法的多任务动态分配方法 | |
CN114169748A (zh) | 多机器人任务分配方法、系统、设备及可读存储介质 | |
CN113283785A (zh) | 一种多任务制造资源的协同调度优化方法 | |
CN101957760A (zh) | 一种过程执行时间的测定方法 | |
CN111798097A (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 | |
CN109947130A (zh) | 一种基于网格化管理的输电多机编队巡视管理方法和系统 | |
CN108764576A (zh) | 一种基于资源能力的装备保障任务多目标描述方法 | |
Seo et al. | Auction-based Federated Learning using Software-defined Networking for resource efficiency | |
Mazalov et al. | A game-theoretic model of virtual operators competition in a two-sided telecommunication market |
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 |