CN112184400B

CN112184400B - 一种基于局部信息的异构多智能体多阶段分布式拍卖算法

Info

Publication number: CN112184400B
Application number: CN201910592007.XA
Authority: CN
Inventors: 裘智峰; 王一帆; 管建锋; 张亮
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2019-07-03
Filing date: 2019-07-03
Publication date: 2024-04-02
Anticipated expiration: 2039-07-03
Also published as: CN112184400A

Abstract

本发明公开了一种基于局部信息的异构多智能体多阶段分布式拍卖算法。主要解决智能体具有通讯约束以及任务与智能体类型具有多样化特点时的多任务分配问题。包括：异构智能体之间的局部信息通讯以及数据库的更新；考虑任务与智能体类型以及任务状态变化模型，以整体任务完成时间最短为优化目标的利益函数的设计；拍卖智能体对任务最优执行能力的计算以及拍卖智能体与竞拍智能体之间拍卖信息的传递；在分布式拍卖算法思想和局部信息条件下的异构多智能体任务分配。本发明的任务分配方法以整体任务完成时间最短为目标，实现了异构多智能体的动态任务分配，提高了智能体利用率，减少了整体任务的完成时间。

Description

一种基于局部信息的异构多智能体多阶段分布式拍卖算法

技术领域

本发明涉及智能机器人任务分配算法技术领域，更具体地，涉及一种基于局部信息的异构多智能体多阶段分布式拍卖算法。

背景技术

近年来，人们对人工智能和复杂系统研究越来越深入，多智能体的相关研究在理论探索和实际应用等方面都有了很大突破。多智能体机器人进行协同工作，能够代替人完成一些超出人类所能承受极限的任务。

国内外提出了很多种分布式算法针对多智能体调度问题进行了求解，但在当前的多智能体系统中，所要完成的任务数量较多，任务类型不一，任务状态存在动态变化的特点，而且智能体之间存在通讯约束以及结构类型多样化的问题，使得任务分配需要考虑局部信息以及动态调整。传统算法在解决此类局部信息下的多类型动态任务分配问题时可能陷入局部最优状态、死锁状态以及无法实现动态再分配等问题，不仅浪费了多智能体的资源，降低了多智能体资源利用率，而且延长了整体任务完成时间，降低了任务完成度。

发明内容

本发明提供一种克服上述问题或至少部分地解决上述问题的基于局部信息的异构多智能体多阶段分布式拍卖算法，该算法在以上问题的基础上可以实现对动态多阶段的任务分配，可以提高智能体的利用率，减少整体任务完成时间。

本发明根据多点动态集结任务(MPDA)问题背景、任务与智能体类型、以及任务状态变化模型，以整体任务完成时间最短为优化目标，合理设计了利益函数；考虑了智能体的通讯约束、任务与智能体类型的多样化，基于分布式拍卖算法思想，在局部信息条件下对异构多智能体进行任务分配；根据动态任务分配问题的特点，依据任务完成情况对异构智能体进行了任务的多阶段分配。

为达到以上目的，本发明提供一种基于局部信息的异构多智能体多阶段分布式拍卖算法，包括以下步骤：

S1：异构智能体对局部信息进行获取、交换和处理，决定自身是否成为拍卖智能体；

S2：拍卖智能体主持任务拍卖过程；

S3：竞拍智能体参与任务竞拍过程。

所述步骤S1中，进一步包括：

S11：异构智能体统计通讯范围内的任务信息，向通讯范围内的其他异构智能体发送自身获得的局部信息，并对获得的数据进行处理，对数据库进行更新；

S12：异构智能体根据数据库局部信息计算出异构智能体与任务之间的距离，找出距离自身最近的任务，同时判断自身是否是距离该任务最近的异构智能体，如果自身为该任务最近的异构智能体，则异构智能体决定自身成为该任务的拍卖智能体；

S13:异构智能体每间隔一定的时间进行一次通讯，若发现任务被完成，则进行下一阶段的拍卖，跳转至步骤S11，直至所有任务被完成。

进一步，所述的步骤S11中，所述的环境为异构多智能体工作环境，假设环境中的异构多智能体、任务点都处于同一平面，建立笛卡尔直角坐标系对环境进行建模，并确定每个任务点和智能体的坐标，所述环境为多智能体的工作环境，环境中分布M(M∈Z+)个具有任务执行能力的智能体以及N(N∈Z+)个属性和状态量随时间变化的任务点。

任务点t_j(j＝1,2,…,N)的特征参数包括：初始任务状态量s_j(0)、径向增长速度α_j以及在工作环境中的坐标位置(x_j,y_j)；

智能体r_i(i＝1,2,…,M)的能力参数包括：移动速度v_i、单位时间内完成的任务量β_i以及在工作环境中的坐标位置(x_i,y_i)。

设定所有任务的位置信息和初始任务量信息在任务分配之前所有智能体都能获得，其他信息属于局部信息，考虑智能体通讯约束，假设异构智能体的通讯范围是一个正圆，以智能体的位置为中心，智能体的最长直线通讯距离为通讯半径，智能体只能获得其通讯范围内的任务信息，然后通过与其他智能体通讯获得通讯范围之内的其他智能体的信息，智能体将获取的局部信息储存在自身数据库中。

智能体r_i通过智能体信息矩阵储存所有智能体的信息，信息矩阵的每一行分别储存一个智能体的信息，包括智能体的编号No_i、智能体在工作环境中的位置坐标、执行能力β_i、移动速度v_i、目标任务编号Goal以及该智能体信息的数据更新时间，智能体r_i的智能体信息矩阵可表示为：

智能体通过任务信息矩阵储存所有任务的信息，按照任务编号，任务信息矩阵的每一行储存一个任务的全部信息，包括任务编号No_j、任务在环境中的位置坐标、径向任务量增长速度α_j、初始任务量s_j(0)、实时任务量s_j(t)、是否完成Isfinish以及数据更新时间。

当智能体检测到任务完成则Isfinish等于1，未完成则Isfinish等于-1，每次更新任务信息时记录该任务的数据更新时间，智能体r_i的任务信息矩阵可表示为：

在局部信息交换及处理过程中，智能体首先处理数据包中的任务信息矩阵，智能体将数据包中的任务信息矩阵按照任务编号与自身数据库中的任务信息矩阵逐条对比，比较编号相同的任务的数据更新时间，如果智能体发现数据包中存在某个任务的数据更新时间晚于自身数据库中对应的数据更新时间，则将数据库中该任务的信息存入数据库中，覆盖掉原有的信息，数据更新时间记为数据包中该任务的数据更新时间，如果智能体发现自身数据库中任务信息矩阵中该任务的数据更新时间更晚，则不更改数据库中的信息，智能体信息矩阵的局部信息交换过程与任务信息矩阵方法相同。

设编号为1的智能体对比任务信息矩阵发现任务2的数据更新时间晚于自身数据库中的任务2信息，且任务2未完成，则智能体1经过局部信息交换后的任务信息矩阵更新为：

在以上工作环境的基础上，分析任务分配所需要考虑的任务点特征参数和智能体能力参数等因素，根据任务点特征参数及任务状态量变化的特点，建立任务点状态变化模型。

假设任务的任务状态量是变化的，且近似为一个半径为r的正圆的面积，Δt时间内任务的任务量以径向位移Δr向外增长，设任务t_j在t时刻的周长为l_j(t)，则周长l_j(t)可表示为：

t时刻作用在任务t_j上的智能体的执行能力总和为β_ij，在没有外界干预时，则任务t_j在t时刻的任务量变化率可表示为：

其中任务量径向增长速度可表示为：

任务的周长与任务t_j的t时刻状态量s_j(t)的平方根的比值为k，在无外界干预下，可以得到在智能体作用下的任务t_j的任务状态变化模型为：

进一步，所述步骤S12中，智能体与任务之间的欧氏距离为智能体与任务之间的路程，智能体r_i与任务t_j之间的距离可计算为：

已知智能体r_i的运动速度为v_i，则智能体r_i在执行任务t_j的移动过程中消耗的时间T_ij为：

异构智能体若接收到对应类型任务的拍卖信息且没有任务目标，则该异构智能体成为该任务的竞拍智能体，如果拍卖智能体主持的拍卖任务为自身对应类型的任务，则拍卖智能体也作为竞拍智能体参加拍卖过程。

所述步骤S2中，进一步包括：

S21：各任务的拍卖智能体计算拍卖任务的最优执行能力，同时向通讯范围的其他异构智能体发送拍卖信息；

S22:拍卖智能体整理投标信息，选出投标价格最高的异构智能体，向投标价格最高的异构智能体发送中标信息；

S23:拍卖智能体统计拍卖任务的执行智能体的执行能力总和，如果拍卖任务的执行智能体的执行能力总和大于任务的最优执行能力，拍卖智能体发送向通讯范围内的其他异构智能体发送该任务停止拍卖的信息；

S24:拍卖智能体统计拍卖任务的执行智能体的执行能力总和，如果拍卖任务的执行智能体的执行能力总和小于最优执行能力，拍卖智能体继续向通讯范围内的其他智能体发送拍卖信息，并跳转至步骤S21。

进一步，所述步骤S21中，拍卖任务t_j的必要执行能力β_j ^min为：

设定任务t_j的最优执行能力β_j ^max为必要执行能力的两倍，则最优执行能力β_j ^max可表示为：

每个任务对应一个拍卖智能体负责该任务的拍卖，拍卖智能体发布任务的拍卖信息给通讯范围内的其他异构智能体，拍卖信息包括拍卖任务的任务编号、任务类型、实时任务量、径向任务量增长速度、坐标位置、是否满足最优执行能力情况以及拍卖智能体的编号。

进一步，所述步骤S23中，当拍卖智能体接收到竞拍智能体的投标信息后，将会选择投标价格最高的竞拍智能体作为中标智能体，拍卖智能体在发送中标信息给竞拍智能体后整理拍卖任务信息，决定是否继续拍卖。

所述步骤S3中，进一步包括：

S31：所有异构智能体接收各任务的拍卖信息，筛选出自身对应类型的任务的拍卖信息，根据自身收益函数计算执行各个自身对应类型任务的收益，选择收益最大的任务作为投标任务，竞拍智能体计算投标价格并将投标信息发送至投标任务的拍卖智能体；

S32:竞拍智能体得到中标信息，将中标任务作为目标任务，不再参与拍卖过程；

S33:若异构智能体在一定的时间内没有接收到拍卖信息，则选择与自身类型对应的距离最近的未完成任务作为目标任务，当所有智能体都有目标任务后，本阶段任务分配方案形成。

进一步，所述步骤S31中，任务t_j在t+T_ij时刻的任务量为s_j(t+T_ij)，若在t+T_ij时刻智能体r_i未执行任务t_j，则任务t_j的任务增长速度为：

因此智能体r_i执行任务t_j可获得的利益为：

其中k₁和k₂是可变权重参数，可根据实际条件的不同取不同值。由此可得利益函数为：

在拍卖算法中竞拍智能体可以利用利益函数计算出完成各个任务的收益，选择收益最大的任务作为该智能体的投标任务，然后根据所得的局部信息计算出对投标任务的投标价格。竞拍智能体将投标信息发送至投标任务的拍卖智能体，投标信息包括投标任务编号、投标价格以及智能体自身的编号、类型、在环境中的位置、执行能力、移动速度。

在异构多智能体系统中，设定竞拍智能体的投标价格为竞拍智能体执行拍卖任务可获得的真实最大价值，即异构智能体执行拍卖任务获得的收益，因此智能体r_i对投标任务t_j的投标价格P_ij为：

进一步，所述的步骤S33中，为了防止智能体长时间空闲导致浪费资源，设定一个固定的时间T_wait，如果智能体在时间T_wait内没有接收到任务拍卖信息，则智能体选择距离最近的未完成任务作为目标任务。

通过上述技术方案，本发明生成一套完整的执行方案，基于分布式拍卖算法思想，在局部信息条件下对异构多智能体进行任务分配，并根据任务完成情况对异构多智能体进行多阶段任务分配，并得到所有任务及异构多智能体的多阶段分配方案，本发明能够充分调动系统中的异构多智能体，提高了智能体的利用率，缩短了整体任务的完成时间。

附图说明

图1为本发明的整体流程图。

图2为本发明方案的异构多智能体实例环境模型图。

图3为本发明方案的异构多智能体实例仿真图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

在一个优选实施例中，请参阅图1，一种基于局部信息的异构多智能体多阶段分布式拍卖算法，本发明考虑异构多智能体之间的通讯约束以及智能体和任务点类型的不同，在局部信息条件下，通过分布式拍卖算法思想解决异构多智能体多阶段动态任务分配问题。

如图2所示，实例设置了一个二维平面中基于笛卡尔坐标系建立的环境地图，在给定的环境地图中，存在一些异构智能体、任务和障碍物，实例设置10个不同类型的任务和17个不同类型的异构智能体，任务和智能体的编号分别用阿拉伯数字表示，不同的类型用不同的颜色表示。

实例设定用红色小圆点表示A类型的任务，蓝色小圆点表示B类型的任务，绿色小圆点表示C类型的任务；用红色小方块表示A类型的异构智能体，蓝色小方块表示B类型的异构智能体，绿色小方块表示C类型的异构智能体。

各类型任务的初始任务属性参数皆为已知，并储存在各异构智能体的任务信息矩阵中，包括任务编号No、任务在环境中的位置横坐标X、任务在环境中的位置纵坐标Y、初始任务量s(0)、任务量增长速度α和任务类型Type，具体参数如表1所示。

表1异构任务参数

异构智能体的属性参数已知且储存在各智能体的智能体信息矩阵中，包括异构智能体编号No、在环境中的位置横坐标X、在环境中的位置纵坐标Y、执行能力β、移动速度v以及异构智能体类型Type，具体参数如表2所示。

表2异构智能体参数

实例仿真结果如图3所示，为了对整个异构多智能体系统的执行方案进行仿真，实例利用A*算法对异构智能体进行路径规划，图3中的红线表示类型A异构智能体的行驶路径，蓝色表示类型B异构智能体的行驶路径，绿色表示类型C异构智能体的行驶路径。

实例设置的任务状态是随时间动态变化的，本发明提出的基于局部信息的异构多智能体多阶段分布式拍卖算法，对异构智能体进行多阶段任务分配。

仿真实例得到的各个阶段的任务分配方案如表3所示，异构智能体编号为No，设定异构智能体每个拍卖阶段的目标任务用其任务编号表示，每个智能体完成目标任务后将重新参与拍卖，对下一拍卖阶段重新分配的目标任务编号用红色字体标记，当智能体没有目标任务时目标任务编号用-1表示。

表3异构智能体任务分配方案

在局部信息条件下，依据分布式拍卖算法思想，实例完成了对异构智能体的多阶段动态任务分配，每个智能体都参与进了任务的执行过程，提高了智能体资源的利用率。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于局部信息的异构多智能体多阶段分布式拍卖方法，其特征在于，包括以下步骤：

S2：拍卖智能体主持任务拍卖过程；

S3：竞拍智能体参与任务竞拍过程；

所述步骤S1中，进一步包括：

S13:异构智能体每间隔一定的时间进行一次通讯，若发现任务被完成，则进行下一阶段的拍卖，直至所有任务被完成；

所述步骤S11中，建立笛卡尔直角坐标系对多智能体的工作环境进行建模，并确定每个任务点和智能体的坐标，设定环境中分布M个具有任务执行能力的智能体以及N个属性和状态量随时间变化的任务点；其中M∈Z⁺，N∈Z⁺；

任务点t_j的特征参数包括：初始任务状态量s_j(0)、径向增长速度α_j以及在工作环境中的坐标位置(x_j,y_j)；其中，j＝1,2,…,N；

智能体r_i的能力参数包括：移动速度v_i、单位时间内完成的任务量β_i以及在工作环境中的坐标位置(x_i,y_i)；其中，i＝1,2,…,M；

设定所有任务的初始信息在任务分配之前所有智能体都能获得，其他信息属于局部信息，考虑智能体通讯约束，智能体只能获得其通讯范围内的任务信息；

假设异构智能体的通讯范围是一个正圆，以智能体的位置为中心，智能体的最长直线通讯距离为通讯半径，

智能体r_i通过智能体信息矩阵储存所有智能体的信息，信息矩阵的每一行分别储存一个智能体的信息，智能体通过任务信息矩阵储存所有任务的信息，按照任务编号，任务信息矩阵的每一行储存一个任务的全部信息；

在局部信息交换及处理过程中，智能体首先处理数据包中的任务信息矩阵，将其中的任务信息矩阵按照任务编号与自身数据库中的任务信息矩阵逐条对比；

如果智能体发现数据包中存在某个任务的数据更新时间晚于自身数据库中对应的数据更新时间，则将数据库中该任务的信息存入数据库并覆盖原有信息，如果智能体发现自身数据库任务信息矩阵中该任务的数据更新时间更晚，则不更改数据库中的信息；

分析任务分配所需要考虑的任务点特征参数和智能体能力参数等因素，根据任务点特征参数及任务状态量变化的特点，建立任务点状态变化模型；

假设任务的任务状态量是变化的，且近似为一个半径为r的正圆的面积，Δt时间内任务的任务量以径向位移Δr向外增长，设任务在t时刻的周长为l_j(t)，t时刻作用在任务t_j上的智能体的执行能力总和为β_ij，在没有外界干预时，则任务t_j在t时刻的任务量变化率表示为：

其中任务径向增长速度表示为：

任务的周长与任务t_j的t时刻状态量s_j(t)的平方根的比值为k，在无外界干预下，得到在智能体作用下的任务t_j的任务状态变化模型为：

所述步骤S12中，智能体与任务之间的欧氏距离为智能体与任务之间的路程，智能体r_i与任务t_j之间的距离计算为：

异构智能体若接收到对应类型任务的拍卖信息且没有任务目标，则该异构智能体成为该任务的竞拍智能体，如果拍卖智能体主持的拍卖任务为自身对应类型的任务，则拍卖智能体也作为竞拍智能体参加拍卖过程；

所述步骤S2中，进一步包括：

S24:拍卖智能体统计拍卖任务的执行智能体的执行能力总和，如果拍卖任务的执行智能体的执行能力总和小于最优执行能力，拍卖智能体继续向通讯范围内的其他智能体发送拍卖信息，并跳转至步骤S21；

所述步骤S21中，拍卖任务t_j的必要执行能力β_j ^min为：

设定任务t_j的最优执行能力β_j ^max为必要执行能力的两倍，则最优执行能力β_j ^max表示为：

每个任务对应一个拍卖智能体负责该任务的拍卖，拍卖智能体发布任务的拍卖信息给通讯范围内的其他异构智能体；

所述步骤S3中，进一步包括：

S33:若异构智能体在一定的时间内没有接收到拍卖信息，则选择与自身类型对应的距离最近的未完成任务作为目标任务，当所有智能体都有目标任务后，本阶段任务分配方案形成；

所述步骤S31中，任务t_j在t+T_ij时刻的任务量为s_j(t+T_ij)，若在t+T_ij时刻智能体r_i未执行任务t_j，则任务t_j的任务增长速度为：

因此智能体r_i执行任务t_j获得的利益为：

其中k₁和k₂是权重参数，根据实际条件的不同取不同值，由此得利益函数为：

在异构多智能体系统中，设定竞拍智能体的投标价格为竞拍智能体执行拍卖任务获得的真实最大价值，即异构智能体执行拍卖任务获得的收益，因此智能体r_i对投标任务t_j的投标价格P_ij为：