CN111784211B - 一种基于分簇的群体多任务分配方法及存储介质 - Google Patents
一种基于分簇的群体多任务分配方法及存储介质 Download PDFInfo
- Publication number
- CN111784211B CN111784211B CN202010773141.2A CN202010773141A CN111784211B CN 111784211 B CN111784211 B CN 111784211B CN 202010773141 A CN202010773141 A CN 202010773141A CN 111784211 B CN111784211 B CN 111784211B
- Authority
- CN
- China
- Prior art keywords
- cluster
- individual
- individuals
- task
- decision
- 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
Images
Classifications
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于分簇的群体任务分配方法及存储介质,在群体发现多个目标任务后,对群体进行分簇,在各个簇之间,通过簇头进行通信,所述簇头将各自的任务排序信息进行交互,以在执行任务出现冲突时,相邻的两个簇头之间进行协商,以确定其中的一个簇去执行当前所述相冲突的目标任务,另一个簇去执行其它所述目标任务。因此,本发明提供的所述群体的任务分配方法不需要逐个分配任务序列,提高了群内的协作效率。同时,簇成员只需要与它的邻居进行交互。整个决策和分发过程既不需要一个集中的任务规划中心,也不需要全局通信条件,从而避免了集中式任务规划中心对群体造成的脆弱性,克服了全局信息的条件约束。
Description
技术领域
本发明属于无人系统任务分配技术领域,具体是涉及一种基于分簇的群体多任务分配方法及存储介质。
背景技术
对于无人群体合理有效地分配多项任务是一项艰巨的工作,目前对所述无人群体进行多项任务分配时通常需要一个集中式的规划中心来维持整个群体的行动。现有技术一提出了一种集中式遗传算法,该算法可以快速找到一种好的解决方案,以解决任务分配问题。但是,现有技术一在初始化分配方案集时需要全局认知,这在现实中很难实现。现有技术二提出了一种快速分配移动目标给无人机集群的算法,这种方法需要在无人机执行任务之前离线计算任务区域中任何一对顶点之间的最短路径,计算完成后,根据任务执行过程中目标识别的结果分配适当的无人机。因此,现有技术二通常需要功能强大的集中平台。另外,在一些在线任务分配机制中也需要集中的任务计划者,例如现有技术三提供的在协调无人飞行器小组的计划时,人机将充当指挥节点并利用“人”的经验向无人飞行器小组下达指令,或者通过地面控制站进行监视和指挥,收集目标信息后,无人机共享情况信息,地面站给出了关键操作指令。现有技术三中,无人机群非常脆弱,因为一旦计划者的功能受到限制,整个系统的功能就会瘫痪。为了解决这个问题,出现了有技术四,其为一种分布式拍卖算法,该算法使用在市场上追求利润最大化的策略来分配任务,这可以有效地产生次优解决方案,由于在拍卖过程中传递了有关投标的数字信息,因此整个通信链路上的负载压力很小。然而,现有技术四中的算法需要作为拍卖人的中央系统来接收和评估每个投标人的投标信息,没有连接的网络,所有竞标者的竞标信息都不会传递给拍卖人。在局部通信条件下,无人机群体往往难以达到这一目标。此外,在多个任务的情况下,现有技术四的算法通常只能通过顺序拍卖分配。每次拍卖都将一个任务分配给一个人,直到所有任务都分配到。因此,现有技术四的任务分配过程耗时长,难以应对动态环境。
为了克服集中式任务分配和拍卖式任务分配方式需要全局通信的缺点,有研究学者提出了一些新的思路,现有技术五中设计了基于遗传算法框架的flocking模型来解决机器人集结的问题,通过经典遗传算法优化参数和适应度函数,将不同的角色分配给不同的机器人,使群体能够适应不同的情况,达到自主导航的目的。现有技术六为一种基于追踪的层次基因调控网络(TH-GRN)模型,它可以帮助机器人群体在有限的环境中产生自适应的模式。现有技术七通过基于协作的基因调控网络来处理群体执行目标诱捕任务的问题,它利用距离感产生的蛋白质浓度来形成诱捕模式,群体机器人可以与其他机器人甚至障碍合作,以完成包围目标的任务。现有技术五至七,通常不需要中心节点,在不需要全局信息的情况下,可以实现一定规模的无人系统任务分配和规划协调。但目前主要应用于小区域搜索等简单任务场景,未来大尺度、多任务分配的场景应用还需要进一步研究和完善。
发明内容
有鉴于此,本发明提供了一种基于分簇的群体多任务分配方法及存储介质,以解决现有的任务分配方法需要中心节点、需要全局信息,以及分配速度慢以及无法适应大尺度、多任务分配的场景应用的问题。
一种基于分簇的群体多任务分配方法,包括:
步骤1:所述群体中的各个个体搜索多个目标任务,
步骤2::在搜索到多个目标任务后,将所述群体分为多个簇,每一个所述簇包括一个簇头、簇网关和簇普通个体,相邻的两个簇的簇头和簇头之间可以进行通信,一个簇的所述簇网关和所述一个簇相邻的簇中的簇头和/或簇网关之间可以通信,所述簇普通个体不能与其它簇中的个体之间进行通信,其中,相邻的两个簇的簇头和簇头之间互为邻居簇头,
步骤3:各个簇内的各个个体均把自身对观测范围内的目标任务的个体决策信息发送给对应的簇头,各个簇头分别融合各个对应的簇内的各个个体的所述个体决策信息之间的异构信息,使得同一个簇内的至少部分所述个体的所述个体决策与对应的簇的簇决策达成一致,
步骤4:各个簇头对对应簇内的各个个体观测范围内的所述目标任务进行排序并存储任务排序信息,
步骤5:使各个簇头与相邻的簇中的簇头进行所述任务排序信息的交互,以协商确定任务分配方案,使得各个所述簇分别去执行不同的所述目标任务。
优选地,所述步骤2包括:
步骤21:给所述群体中的各个个体设置编号,
步骤22:在群体中的各个个体的通信范围内,所述个体与所述个体的邻居交互彼此的所述编号,各个所述个体比较自身和接收的所述邻居的编号,将自身的编号最小的所述个体作为一个簇的簇头,
步骤23:将只能与所述一个簇的簇头进行通信的所述个体作为所述一个簇的簇普通个体;
步骤24:将能与所述一个簇的簇头进行通信且还能与群体中除所述一个簇的簇头和簇普通个体外的其它个体进行通信的个体作为所述一个簇的簇网关,所述一个簇的簇网关与所述其它个体之间的距离大于所述一个簇的簇网关与所述一个簇的簇头之间的距离,
步骤25重复所述步骤22至步骤24对所述群体中未分簇的其它个体进行分簇,直至所述群体中的个体全部分簇完成。
优选地,当一个簇中的簇头出现故障时,将出现故障的簇头从对应的簇中移除,并将对应的簇中的其它个体中的所述编号最小个体作为对应簇的簇头。
优选地,在进行所述群体的分簇过程中,将每一个所述簇所包含的个体数设置为不超过预设个数,
当所述簇头所在的簇的所有个体个数达到所述预设个数后,与所述簇头进行通信的其它个体不分到所述簇头所在的簇。
优选地,所述步骤3包括:
步骤31:簇内的个体均把自身对观测范围内的目标任务的个体决策矩阵在成本和效益属性下进行归一化处理,以获得各个标准化的个体决策矩阵,
步骤32:所述簇内除簇头外的其它个体均将自身对应的所述标准化的个体决策矩阵传输至所述簇头,
步骤33:所述簇头通过WPA算子融合各个所述标准化的个体决策矩阵之间的异构信息,以计算获得所述簇的簇决策矩阵,
步骤34:所述簇头计算所述标准化的个体决策矩阵与对应的所述簇决策矩阵之间的各个偏差度,
步骤35:根据所述偏差度计算所述标准化的个体决策矩阵与所述簇决策矩阵之间的一致性度,
步骤36:判断所述一致性度是否大于或等于设定的一致性度阈值,若是则判断所述一致性度对应的个体的决策与所述簇的决策已经达成一致,将与所述簇的决策达成一致的个体数量加一,重复步骤33至步骤35,以判断所述簇内的其它个体的决策是否与所述簇的决策达成一致,否则判断与所述簇的决策达成一致的个体数量是否达到预设阈值数量,若达到所述预设阈值数量则判断所述簇内的各个个体的决策达成一致,否则对当前小于所述一致性度阈值的一致性度对应的个体的个体决策矩阵进行修正,以获得新的标准化的个体决策矩阵,所述新的标准化的个体决策矩阵被输至所述簇头以供所述簇头重新计算修正后的新的标准化的个体决策矩阵对应的一致性度。
优选地,利用中值法修正当前小于所述一致性度阈值的一致性度对应的个体的个体决策矩阵,使得所述新的标准化的个体决策矩阵中的元素为当前小于所述一致性度阈值的一致性度对应的个体的个体决策矩阵中对应元素的一半。
优选地,各个簇头采用TOPSIS法对对对应簇内的各个个体观测范围内的所述目标任务进行排序并存储任务排序信息。
优选地,步骤5包括:
步骤51:各个簇头根据各个所述目标任务和所述簇内各个个体之间的距离以及各个所述目标任务的移动的速度来评估对应的簇执行各个所述目标任务所要付出的代价值,
步骤52:各个所述簇头将包含任务排序信息和排序中的各个任务对应的代价值的数据包传递给对应的邻居簇头,
步骤53:所述簇头根据自身的所述数据包和接收的邻居簇头传递来的所述数据包判断自身对应的簇当前所要执行的目标任务与邻居簇头对应的簇当前所要执行的目标任务是否出现为相同的目标任务,若判断结果为是,则所述簇头与所述邻居簇头进行协商,选择执行所述相同的目标任务所付出的代价值相对较小的一个簇来执行所述相同的目标任务,而另一个簇去执行所述相同的目标任务外的其它目标任务。
优选地,第i个簇头评估第i个簇执行第k个所述目标任务所要付出的代价值Costik的计算公式为:
C1ik为第i个簇中的所有个体对所述多个目标任务的第k个目标任务的第1个属性值进行评估的结果,所述C1ik为一个实数,
所述第1个属性值为所述簇中的个体和对应的目标任务之间的距离值,所述第2个属性值为所述簇中的个体和对应的目标任务之间的相对速度值。
一种存储介质,其特征在于,所述存储介质为计算机的可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如上述任意一项所述的群体多任务分配方法。
本发明的有益效果:在群体发现多个目标任务后,对群体进行分簇,在各个簇之间,通过簇头进行通信,所述簇头将各自的任务排序信息进行交互,以在执行任务出现冲突时,相邻的两个簇头之间进行协商,以确定其中的一个簇去执行当前所述相冲突的目标任务,另一个簇去执行其它所述目标任务。因此,本发明提供的所述群体的任务分配方法不需要逐个分配任务序列,提高了群内的协作效率。同时,簇成员只需要与它的邻居进行交互。整个决策和分发过程既不需要一个集中的任务规划中心,也不需要全局通信条件,从而避免了集中式任务规划中心对群体造成的脆弱性,克服了全局信息的条件约束。
附图说明
图1为依据本发明实施例提供的一种基于分簇的群体多任务分配方法的方法流程示意图图2a-2c为依据本发明实施例提供的分簇过程中的各个阶段的群体结构示意图;
图3a-3d为依据本发明实施例提供的基于分簇的群体多任务分配方法进行目标任务围捕过程的示意图。
具体实施方式
下面将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做出创造性劳动前提下所产生的所有其他实施例,都属于本发明保护的范围。此外需要说明的是,在具体实施方式这一项内容中“所述…”是仅指本发明的中的技术属于或特征。
如图1所示,其为依据本发明实施例提供的一种基于分簇的群体多任务分配方法的方法流程示意图,本发明提供的基于分簇的群体多任务分配方法主要包括步骤1至步骤5。
步骤1:所述群体中的各个个体搜索多个目标任务。
所述群体例如为一群无人机器人,首选所述群体中的各个机器人个体会各自进行目标任务的探测,以发现目标任务,当各个机器人经探测到某个特定区域的几个敌方目标任务时,机器人群体需要围捕或跟踪目标任务。因为有多个目标任务,即多个任务,需要给所述群体进行任务分配的划分,从而确保所述群体有组织有目标的去执行对应的目标任务。因此,需要进行步骤2至步骤5。
步骤2::在搜索到多个目标任务后,将所述群体分为多个簇,每一个所述簇包括一个簇头、簇网关和簇普通个体,相邻的两个簇的簇头和簇头之间可以进行通信,一个簇的所述簇网关和所述一个簇相邻的簇中的簇头和/或簇网关之间可以通信,所述簇普通个体不能与其它簇中的个体之间进行通信,其中,相邻的两个簇的簇头和簇头之间互为邻居簇头。
图2a-2c为依据本发明实施例提供的分簇过程中的各个阶段的群体结构示意图,如图2a-2c中的各个图所示,图2a为分簇并产生簇头的阶段,图2b为簇内一致性决策的阶段,图2c为簇间协商确定最终任务分配方案的阶段。分簇算法
在执行目标任务开始前,通过分簇算法将群体分成多个簇,在分簇的过程中,假设所述群体的各个个体发送的信息可以被它的所有邻居正确接收,且在所述分簇算法执行的过程中,所述群体的拓扑结构没有发生变化。
设定所有的群体中的个体总数为N,然后收集两种标识id,一个是需要给各个个体进行编号self_id,该标识是唯一的,另一个是需要给各个簇设定的编号self_cid,该标识是指所述个体self_id所属的范畴。在所述分簇算法的初始阶段,在通信范围内,个体与邻居交互自己的self_id,然后各个个体判断自身和其接收的各个邻居的self_id,若所述计算过程中,自身的self_id为最小的个体称为一个簇头,然后可通过与该簇头进行通信的各个个体的通信状况确定该簇头对应的簇普通个体和簇网关。因此,具体的,所述步骤2包括:
步骤21:给所述群体中的各个个体设置编号。
步骤22:在群体中的各个个体的通信范围内,所述个体与所述个体的邻居交互彼此的所述编号,各个所述个体比较自身和接收的所述邻居的编号,将自身的编号最小的所述个体作为一个簇的簇头。
步骤23:将只能与所述一个簇的簇头进行通信的所述个体作为所述一个簇的簇普通个体。步骤24:将能与所述一个簇的簇头进行通信且还能与群体中除所述一个簇的簇头和簇普通个体外的其它个体进行通信的个体作为所述一个簇的簇网关,所述一个簇的簇网关与所述其它个体之间的距离大于所述一个簇的簇网关与所述一个簇的簇头之间的距离。
步骤25重复所述步骤22至步骤24对所述群体中未分簇的其它个体进行分簇,直至所述群体中的个体全部分簇完成。
此外当一个簇中的簇头出现故障时,将出现故障的簇头从对应的簇中移除,并将对应的簇中的其它个体中的所述编号最小个体作为对应簇的簇头。以及在进行所述群体的分簇过程中,将每一个所述簇所包含的个体数设置为不超过预设个数,当与所述簇头进行通信的个体数量还差一个达到所述预设个数后,所述与所述簇头进行通信的其它个体不分到所述簇头所在的簇。
步骤3:各个簇内的各个个体均把自身对观测范围内的目标任务的个体决策信息发送给对应的簇头,各个簇头分别融合各个对应的簇内的各个个体的所述个体决策信息之间的异构信息,使得同一个簇内的至少部分所述个体的所述个体决策与对应的簇的簇决策达成一致。
本步骤通过WPA算子进行异构信息融合的组决策方法来实现各个簇内各个个体决策的一致性。在进一步具体阐述本步骤之前,先描述一些关于组决策GDM相关的基本定义,在没有特殊说明的情况下,本申请后续的相关内容都以这些基本定义为准。
设E={e1,e2,...,ek}是评价者的集合,w={w1,w2,...,wk}是k个评价者的权重集合,x={x1,x2,...,xm}是目标任务的集合,C={C1,C2,...,Cn}是目标任务的属性的集合,则第i个评价者对第j个被评价者的第k个属性的评价矩阵如公式(1)所示:
所述评价矩阵对应后续本申请中个体决策矩阵,对属性的评价采用两种形式的信息,第一种是实数R1,第二种是区间数R2,在模糊理论很常用,表示对某一属性的值所在范围的估计。这里值得注意的是,在模糊理论中,对区间数R2进行正规化处理是不同于实数R1的正规化处理的。假设r2 1=[a,b]和r2 2=[c,d]是两个区间数,那么正规化处理后的结果为:
使用WPA算子来融合异构信息,WPA算子的定义如下:
假设(a1,a2,…,an)是一组变量,那么它们的WPA算子WPA(a1,a2,…,an)定义为如公式(2)所示:
Sup(a,b)表示a,b之间的一致性度,设计公式(4)进行计算。
基于GDM组决策的基本理论知识,簇中的每个个体都可以获得各自观测范围内的目标的决策矩阵,然后对这些决策矩阵在效益和成本两种类型的属性值下分别进行归一化处理,以获得标准化的个体决策矩阵,标准化的个体决策矩阵中的元素表示如公式(5)所示:
其中,在公式(5)中,I1是效益属性集,I2是成本属性集。将标准化的个体决策矩阵记
为然后,每个簇的个体(包括簇普通个体和簇网购)将各自对应的标准化的决策矩阵传输到它们对应的簇头,簇头通过WPA算子计算簇决策矩阵然后,簇头计算各个标准化的个体决策(为第l个所述标准化的个体决策矩阵)决策矩阵之间的偏差度如式(6)所示:
此外,若每个簇中的个体数量很多,可以不要求一个簇中的所有个体的决策都与簇决策的一致性度都大于或等于α,当当前计算一致性度的个体的一致性度小于所述一致性度阈值时,需要进一步判断当前簇中满足所述一致性要求的个体数量是否达到预设数量,即满足一致性的簇个体的比例是否达到预设比例,若达到了,则无需对当前不满足一致性度的个体进行修正并反馈给簇头重新计算一致性度,说明此时的簇已经达成了簇内一致性决策,若没有达到则需要修正并反馈给簇头重新计算一致性度,直到满足一致性要求为止。
因此,综上所述,步骤3可以进一步包括:
步骤31:簇内的个体均把自身对观测范围内的目标任务的个体决策矩阵在成本和效益属性下进行归一化处理,以获得各个标准化的个体决策矩阵,
步骤32:所述簇内除簇头外的其它个体均将自身对应的所述标准化的个体决策矩阵传输至所述簇头,
步骤33:所述簇头通过WPA算子融合各个所述标准化的个体决策矩阵之间的异构信息,以计算获得所述簇的簇决策矩阵,
步骤34:所述簇头计算所述标准化的个体决策矩阵与对应的所述簇决策矩阵之间的各个偏差度,
步骤35:根据所述偏差度计算所述标准化的个体决策矩阵与所述簇决策矩阵之间的一致性度,
步骤36:判断所述一致性度是否大于或等于设定的一致性度阈值,若是则判断所述一致性度对应的个体的决策与所述簇的决策已经达成一致,将与所述簇的决策达成一致的个体数量加一,重复步骤33至步骤35,以判断所述簇内的其它个体的决策是否与所述簇的决策达成一致,否则判断与所述簇的决策达成一致的个体数量是否达到预设阈值数量,若达到所述预设阈值数量则判断所述簇内的各个个体的决策达成一致,否则对当前小于所述一致性度阈值的一致性度对应的个体的个体决策矩阵进行修正,以获得新的标准化的个体决策矩阵,所述新的标准化的个体决策矩阵被输至所述簇头以供所述簇头重新计算修正后的新的标准化的个体决策矩阵对应的一致性度。
步骤4:各个簇头对对应簇内的各个个体观测范围内的所述目标任务进行排序并存储任务排序信息。
具体的,在本实施例中,簇头通过TOPSIS方法对簇内的各个个体观测范围内的任务进行排序,由于TOPSIS方法为现有技术,因此本申请仅对其进行简单阐述,所述TOPSIS方法的具体步骤如下:
步骤41:选择正理想解和负理想解。
步:42:计算各解到正、负理想解的距离。
步骤43:计算各解到正理想解之间的相似度。
步骤5:使各个簇头与相邻的簇中的簇头进行所述任务排序信息的交互,以协商确定任务分配方案,使得各个所述簇分别去执行不同的所述目标任务。
假设簇头的集合为(c1,c2,...,cs),每个簇头的邻居簇头数为(ne1,ne2,...,nes),但由于缺少全局信息,每个簇头都不知道自己的编号,于是它们都将自己的编号设为id_0,然后按照接收到其他邻居簇头信息的时间顺序,将它们的编号分别设置为(id_1,id_2,...,id_n)。每个相邻簇的簇头都会携带自身的簇决策信息的数据包,所述数据包包括簇内的任务序列和执行所述任务所需要付出的相应的代价值。当两个相邻的簇头在进行各自的数据包交互过程中,发现彼此当前需要执行的任务相同时,即二者的任务存在冲突,则相邻的两个所述簇头会进行协商,以确定执行当前存在冲突的任务所需要付出的代价值较小的簇来执行该冲突的任务,而另一个簇则去执行其它目标任务。
由此,可见,在进行所述数据包传输之前,每个簇头还需要计算评估对应的簇在执行各个目标任务时代价值,具体的,各个簇头将用一个启发式来进行代价值的估计,由于只考虑了目标和群体机器人之间的距离和速度两个属性,而且距离属性用实数进行评估,速度属性用区间数进行评估,因此,所述启发式在计算第i个簇头评估第i个簇执行第k个所述目标任务所要付出的代价值Costik的计算公式如下:
C1ik为第i个簇中的所有个体对所述多个目标任务的第k个目标任务的第1个属性值进行评估的结果,所述C1ik为一个实数,C2ik为第i个簇中的所有个体对所述多个目标任务的第k个目标任务的第2个属性值进行评估的结果,所述C2ik为一个区间数,为C2ik的左端点,为C2ik的右端点,所述第1个属性值为所述簇中的个体和对应的目标任务之间的距离值,所述第2个属性值为所述簇中的个体和对应的目标任务之间的相对速度值。
由上可见,所述步骤5可以进一步包括:
步骤51:各个簇头根据各个所述目标任务和所述簇内各个个体之间的距离以及各个所述目标任务的移动的速度来评估对应的簇执行各个所述目标任务所要付出的代价值。
步骤52:各个所述簇头将包含任务排序信息和排序中的各个任务对应的代价值的数据包传递给对应的邻居簇头。
步骤53:所述簇头根据自身的所述数据包和接收的邻居簇头传递来的所述数据包判断自身对应的簇当前所要执行的目标任务与邻居簇头对应的簇当前所要执行的目标任务是否出现为相同的目标任务,若判断结果为是,则所述簇头与所述邻居簇头进行协商,选择执行所述相同的目标任务所付出的代价值相对较小的一个簇来执行所述相同的目标任务,而另一个簇去执行所述相同的目标任务外的其它目标任务。
为了进一步让公众理解本发明,将以一个数值例子来说明如何在簇内进行任务排序的决策,以及如何在簇间进行协商以消除冲突。
假设一个机器人群体有8个机器人个体,ei(i=1,2,...,8),因为每个机器人的能力大致相同,有理由认为它们的权重相同,即:ωi=0.125(i=1,2,...,8)。它们发现了三个具有威胁的目标任务x1,x2和x3。考虑这三个目标任务的两个属性:1)C1——机器人和目标任务之间的距离;2)C2——机器人和目标任务之间的相对速度。由于速度可能受机器人电机等随机因素的影响,加入一个分布为N(0.05,0.1)的高斯噪声来模拟这种随机因素。
的场景如图3a-3d中的各个图所示,机器人集群用点表示,目标任务用叉号表示,在任务开始阶段,它们一起搜索目标,当发现目标后,它们会对目标的距离和速度两个属性进行评价,得到个体决策矩阵数据,然后它们利用WPA算子对这些属性数据进行融合,然后计算个体决策矩阵与簇决策矩阵之间的偏离程度为:
计算个体决策矩阵与簇决策矩阵之间的一致性度为:
选择一致性度阈值α=0.98,这是比较高的一个阈值,说明簇内个体达成了一致意见。接下来,利用TOPSIS方法对三个目标任务进行排序。
步骤1:通过选择正理想解和负理想解:
x3f x2 f x1
利用Matlab进行仿真实验,机器人群体分簇围捕目标的流程图如图3a-d所示。图3a是8个机器人出发对目标区域进行搜索可能存在的目标,这里为了简化实验,将目标设置为静态的。当机器人群体发现目标后,它们会进行分簇,准备去围捕探测到的3个目标,如图3b所示。分簇完成后,簇内个体形成一致意见,簇头进行簇间协商,分别去围捕不同的目标,而不是所有人朝着一个目标的方向执行围捕任务,如图3c所示。在图3d中,整个群体完成对三个目标的分簇围捕任务。
本发明在群体发现多个目标任务后,对群体进行分簇,各个簇有一个充当组长的簇头,通过簇头来收集簇内各个个体对目标任务的决策信息进行融合,以使得簇内的各个个体之间的决策最终达成一致后,再通过簇头对簇内的各个个体的目标范围内的目标任务进行排序,在各个簇之间,通过簇头进行通信,所述簇头将各自的任务排序信息进行交互,以在执行任务出现冲突时,相邻的两个簇头之间进行协商,以确定其中的一个簇去执行当前所述相冲突的目标任务,另一个簇去执行其它所述目标任务。显然,与现有的任务分配方法相比,本发明提供的所述群体的任务分配方法不需要逐个分配任务序列,提高了群内的协作效率。同时,簇成员只需要与它的邻居进行交互。整个决策和分发过程既不需要一个集中的任务规划中心,也不需要全局通信条件。从而避免了集中式任务规划中心对群体造成的脆弱性,克服了全局信息的条件约束。
此外,本发明还提供了一种存储介质,所述存储介质为计算机的可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如依据本发明的任意实施例所述的群体多任务分配方法。
依照本发明的实施例如上文所述,这些实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施例。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于分簇的群体多任务分配方法,其特征在于,包括:
步骤1:所述群体中的各个个体搜索多个目标任务,
步骤2:在搜索到多个目标任务后,将所述群体分为多个簇,每一个所述簇包括一个簇头、簇网关和簇普通个体,相邻的两个簇的簇头和簇头之间可以进行通信,一个簇的所述簇网关和所述一个簇相邻的簇中的簇头和/或簇网关之间可以通信,所述簇普通个体不能与其它簇中的个体之间进行通信,其中,相邻的两个簇的簇头和簇头之间互为邻居簇头,
步骤3:各个簇内的各个个体均把自身对观测范围内的目标任务的个体决策信息发送给对应的簇头,各个簇头分别融合各个对应的簇内的各个个体的所述个体决策信息之间的异构信息,使得同一个簇内的至少部分所述个体的所述个体决策与对应的簇的簇决策达成一致,
步骤4:各个簇头对对应簇内的各个个体观测范围内的所述目标任务进行排序并存储任务排序信息,
步骤5:使各个簇头与相邻的簇中的簇头进行所述任务排序信息的交互,以协商确定任务分配方案,使得各个所述簇分别去执行不同的所述目标任务。
2.根据权利要求1所述的群体多任务分配方法,其特征在于,所述步骤2包括:
步骤21:给所述群体中的各个个体设置编号,
步骤22:在群体中的各个个体的通信范围内,所述个体与所述个体的邻居交互彼此的所述编号,各个所述个体比较自身和接收的所述邻居的编号,将自身的编号最小的所述个体作为一个簇的簇头,
步骤23:将只能与所述一个簇的簇头进行通信的所述个体作为所述一个簇的簇普通个体;
步骤24:将能与所述一个簇的簇头进行通信且还能与群体中除所述一个簇的簇头和簇普通个体外的其它个体进行通信的个体作为所述一个簇的簇网关,所述一个簇的簇网关与所述其它个体之间的距离大于所述一个簇的簇网关与所述一个簇的簇头之间的距离,
步骤25重复所述步骤22至步骤24对所述群体中未分簇的其它个体进行分簇,直至所述群体中的个体全部分簇完成。
3.根据权利要求2所述的群体多任务分配方法,其特征在于,当一个簇中的簇头出现故障时,将出现故障的簇头从对应的簇中移除,并将对应的簇中的其它个体中的所述编号最小个体作为对应簇的簇头。
4.根据权利要求2所述的群体多任务分配方法,其特征在于,在进行所述群体的分簇过程中,将每一个所述簇所包含的个体数设置为不超过预设个数,
当所述簇头所在的簇的所有个体个数达到所述预设个数后,与所述簇头进行通信的其它个体不分到所述簇头所在的簇。
5.根据权利要求1所述的群体多任务分配方法,其特征在于,所述步骤3包括:
步骤31:簇内的个体均把自身对观测范围内的目标任务的个体决策矩阵在成本和效益属性下进行归一化处理,以获得各个标准化的个体决策矩阵,
步骤32:所述簇内除簇头外的其它个体均将自身对应的所述标准化的个体决策矩阵传输至所述簇头,
步骤33:所述簇头通过WPA算子融合各个所述标准化的个体决策矩阵之间的异构信息,以计算获得所述簇的簇决策矩阵,
步骤34:所述簇头计算所述标准化的个体决策矩阵与对应的所述簇决策矩阵之间的各个偏差度,
步骤35:根据所述偏差度计算所述标准化的个体决策矩阵与所述簇决策矩阵之间的一致性度,
步骤36:判断所述一致性度是否大于或等于设定的一致性度阈值,若是则判断所述一致性度对应的个体的决策与所述簇的决策已经达成一致,将与所述簇的决策达成一致的个体数量加一,重复步骤33至步骤35,以判断所述簇内的其它个体的决策是否与所述簇的决策达成一致,否则判断与所述簇的决策达成一致的个体数量是否达到预设阈值数量,若达到所述预设阈值数量则判断所述簇内的各个个体的决策达成一致,否则对当前小于所述一致性度阈值的一致性度对应的个体的个体决策矩阵进行修正,以获得新的标准化的个体决策矩阵,所述新的标准化的个体决策矩阵被输至所述簇头以供所述簇头重新计算修正后的新的标准化的个体决策矩阵对应的一致性度。
6.根据权利要求5所述的群体多任务分配方法,其特征在于,利用中值法修正当前小于所述一致性度阈值的一致性度对应的个体的个体决策矩阵,使得所述新的标准化的个体决策矩阵中的元素为当前小于所述一致性度阈值的一致性度对应的个体的个体决策矩阵中对应元素的一半。
7.根据权利要求1所述的群体多任务分配方法,其特征在于,各个簇头采用TOPSIS法对对对应簇内的各个个体观测范围内的所述目标任务进行排序并存储任务排序信息。
8.根据权利要求1所述的群体多任务分配方法,其特征在于,步骤5包括:
步骤51:各个簇头根据各个所述目标任务和所述簇内各个个体之间的距离以及各个所述目标任务的移动的速度来评估对应的簇执行各个所述目标任务所要付出的代价值,
步骤52:各个所述簇头将包含任务排序信息和排序中的各个任务对应的代价值的数据包传递给对应的邻居簇头,
步骤53:所述簇头根据自身的所述数据包和接收的邻居簇头传递来的所述数据包判断自身对应的簇当前所要执行的目标任务与邻居簇头对应的簇当前所要执行的目标任务是否出现为相同的目标任务,若判断结果为是,则所述簇头与所述邻居簇头进行协商,选择执行所述相同的目标任务所付出的代价值相对较小的一个簇来执行所述相同的目标任务,而另一个簇去执行所述相同的目标任务外的其它目标任务。
10.一种存储介质,其特征在于,所述存储介质为计算机的可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的群体多任务分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773141.2A CN111784211B (zh) | 2020-08-04 | 2020-08-04 | 一种基于分簇的群体多任务分配方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773141.2A CN111784211B (zh) | 2020-08-04 | 2020-08-04 | 一种基于分簇的群体多任务分配方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784211A CN111784211A (zh) | 2020-10-16 |
CN111784211B true CN111784211B (zh) | 2021-04-27 |
Family
ID=72766445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010773141.2A Active CN111784211B (zh) | 2020-08-04 | 2020-08-04 | 一种基于分簇的群体多任务分配方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784211B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869615B (zh) * | 2021-12-03 | 2022-03-11 | 中国人民解放军空军预警学院 | 一种基于目标态势感知的干扰资源调度优化方法及装置 |
CN114237292A (zh) * | 2021-12-16 | 2022-03-25 | 中国人民解放军国防科技大学 | 无人机集群控制的分布式决策方法及相关设备 |
CN115657463B (zh) * | 2022-05-27 | 2023-10-13 | 安徽大学 | 一种基于能量差异的多机器人分布式最优协同控制算法 |
CN115297497B (zh) * | 2022-10-08 | 2023-02-03 | 中国人民解放军海军工程大学 | 一种基于生物启发算法的高效节能分簇方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101945492A (zh) * | 2010-08-09 | 2011-01-12 | 哈尔滨工程大学 | 基于分簇的多机器人任务分配方法 |
CN102023571A (zh) * | 2010-09-30 | 2011-04-20 | 哈尔滨工程大学 | 探索任务下基于分簇的多机器人任务分配方法 |
CN105243501A (zh) * | 2015-10-13 | 2016-01-13 | 重庆大学 | 空间众包网络节点位置隐私保护方法 |
CN107093046A (zh) * | 2017-04-21 | 2017-08-25 | 北京京东尚科信息技术有限公司 | 无人配送车任务分配方法、系统和无人配送车 |
CN108594645A (zh) * | 2018-03-08 | 2018-09-28 | 中国人民解放军国防科技大学 | 单场站多无人机分配与飞行路线的规划方法及系统 |
US20190212753A1 (en) * | 2018-01-11 | 2019-07-11 | Tata Consultancy Services Limited | Systems and methods for scalable multi-vehicle task allocation |
CN110312292A (zh) * | 2019-07-04 | 2019-10-08 | 哈尔滨工业大学 | 一种无人机自组网动态加权簇首选举方法 |
CN110825510A (zh) * | 2019-11-05 | 2020-02-21 | 中国人民解放军国防科技大学 | 任务驱动的多星协同任务分配方法及系统 |
CN110852486A (zh) * | 2019-10-16 | 2020-02-28 | 中国人民解放军国防科技大学 | 一种无人机集群自主协同的任务规划方法 |
US20200103921A1 (en) * | 2018-09-28 | 2020-04-02 | Invia Robotics, Inc. | Coordinated Operation of Autonomous Robots |
CN111314873A (zh) * | 2020-02-14 | 2020-06-19 | 西北工业大学 | 一种稳定的高精度网络协同探测方法 |
CN111414006A (zh) * | 2020-03-27 | 2020-07-14 | 中国人民解放军国防科技大学 | 基于分布式顺次分配的无人机集群侦察任务规划方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102123473A (zh) * | 2011-01-06 | 2011-07-13 | 山东大学 | 无线传感器网络基于动态簇机制的目标跟踪方法 |
CN105427566B (zh) * | 2015-12-09 | 2018-12-11 | 华南理工大学 | 基于无线传感器网络的风电场远程实时监测系统及方法 |
CN106900007B (zh) * | 2017-01-25 | 2020-01-03 | 扬州大学 | 面向重叠分簇的无线传感器网络的复杂任务分配方法 |
CN107453993B (zh) * | 2017-08-11 | 2020-05-12 | 长春理工大学 | 基于Fisher信息矩阵与SUKF的目标跟踪方法 |
CN109474908B (zh) * | 2018-12-04 | 2021-10-26 | 中国航空无线电电子研究所 | 一种基于任务驱动的航空自组网方法 |
CN109866631B (zh) * | 2019-01-21 | 2021-11-30 | 南京航空航天大学 | 无人机编队空中无线充电方法 |
CN111340324B (zh) * | 2019-09-25 | 2022-06-07 | 中国人民解放军国防科技大学 | 基于顺次分配的多层多粒度集群任务规划方法 |
CN111401745B (zh) * | 2020-03-16 | 2024-02-09 | 合肥科大智能机器人技术有限公司 | 一种基于5g的巡检机器人集群任务分配方法及系统 |
-
2020
- 2020-08-04 CN CN202010773141.2A patent/CN111784211B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101945492A (zh) * | 2010-08-09 | 2011-01-12 | 哈尔滨工程大学 | 基于分簇的多机器人任务分配方法 |
CN102023571A (zh) * | 2010-09-30 | 2011-04-20 | 哈尔滨工程大学 | 探索任务下基于分簇的多机器人任务分配方法 |
CN105243501A (zh) * | 2015-10-13 | 2016-01-13 | 重庆大学 | 空间众包网络节点位置隐私保护方法 |
CN107093046A (zh) * | 2017-04-21 | 2017-08-25 | 北京京东尚科信息技术有限公司 | 无人配送车任务分配方法、系统和无人配送车 |
US20190212753A1 (en) * | 2018-01-11 | 2019-07-11 | Tata Consultancy Services Limited | Systems and methods for scalable multi-vehicle task allocation |
CN108594645A (zh) * | 2018-03-08 | 2018-09-28 | 中国人民解放军国防科技大学 | 单场站多无人机分配与飞行路线的规划方法及系统 |
US20200103921A1 (en) * | 2018-09-28 | 2020-04-02 | Invia Robotics, Inc. | Coordinated Operation of Autonomous Robots |
CN110312292A (zh) * | 2019-07-04 | 2019-10-08 | 哈尔滨工业大学 | 一种无人机自组网动态加权簇首选举方法 |
CN110852486A (zh) * | 2019-10-16 | 2020-02-28 | 中国人民解放军国防科技大学 | 一种无人机集群自主协同的任务规划方法 |
CN110825510A (zh) * | 2019-11-05 | 2020-02-21 | 中国人民解放军国防科技大学 | 任务驱动的多星协同任务分配方法及系统 |
CN111314873A (zh) * | 2020-02-14 | 2020-06-19 | 西北工业大学 | 一种稳定的高精度网络协同探测方法 |
CN111414006A (zh) * | 2020-03-27 | 2020-07-14 | 中国人民解放军国防科技大学 | 基于分布式顺次分配的无人机集群侦察任务规划方法 |
Non-Patent Citations (1)
Title |
---|
"面向无人机蜂群的航电云多层任务调度模型";王荣巍;《航空学报》;20191125;第40卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784211A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784211B (zh) | 一种基于分簇的群体多任务分配方法及存储介质 | |
CN106875090B (zh) | 一种面向动态任务的多机器人分布式任务分配形成方法 | |
Cheikhrouhou et al. | A comprehensive survey on the Multiple Traveling Salesman Problem: Applications, approaches and taxonomy | |
Zhao et al. | A heuristic distributed task allocation method for multivehicle multitask problems and its application to search and rescue scenario | |
Chen et al. | A distributed method for dynamic multi-robot task allocation problems with critical time constraints | |
Kong et al. | A belief propagation-based method for task allocation in open and dynamic cloud environments | |
Vig et al. | Multi-robot coalition formation | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
Tolmidis et al. | Multi-objective optimization for dynamic task allocation in a multi-robot system | |
Baykasoglu et al. | Artificial bee colony algorithm and its application to generalized assignment problem | |
Puig et al. | A new global optimization strategy for coordinated multi-robot exploration: Development and comparative evaluation | |
CN113671987B (zh) | 基于非死锁合同网算法的多机分布式时序任务分配方法 | |
Rupprecht et al. | A survey for deep reinforcement learning in markovian cyber–physical systems: Common problems and solutions | |
Agarwal et al. | Non-additive multi-objective robot coalition formation | |
Liu et al. | Multi-agent reinforcement learning-based coordinated dynamic task allocation for heterogenous UAVs | |
Hasanzadeh et al. | Distributed optimization grid resource discovery | |
Yi et al. | Digital twin constructed spatial structure for flexible and efficient task allocation of drones in mobile networks | |
Khalil et al. | Efficient uav trajectory-planning using economic reinforcement learning | |
Khalil et al. | Replanner: Efficient uav trajectory-planning using economic reinforcement learning | |
El-Ghamrawy et al. | An agent decision support module based on granular rough model | |
Foroozesh et al. | Resilient supplier selection in a supply chain by a new interval-valued fuzzy group decision model based on possibilistic statistical concepts | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
Gautam et al. | A distributed algorithm for balanced multi-robot task allocation | |
Cavalcante et al. | Improving combinatorial auctions for multi-robot exploration | |
Huo et al. | Task allocation with minimum requirements for multiple mobile robot systems: A game-theoretical approach |
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 |