CN112306654B - 一种面向移动群智感知的人机协作任务分配方法 - Google Patents

一种面向移动群智感知的人机协作任务分配方法 Download PDF

Info

Publication number
CN112306654B
CN112306654B CN202011150941.5A CN202011150941A CN112306654B CN 112306654 B CN112306654 B CN 112306654B CN 202011150941 A CN202011150941 A CN 202011150941A CN 112306654 B CN112306654 B CN 112306654B
Authority
CN
China
Prior art keywords
robot
task
tasks
participants
human
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
Application number
CN202011150941.5A
Other languages
English (en)
Other versions
CN112306654A (zh
Inventor
於志文
宋勇博
郭斌
王亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202011150941.5A priority Critical patent/CN112306654B/zh
Publication of CN112306654A publication Critical patent/CN112306654A/zh
Application granted granted Critical
Publication of CN112306654B publication Critical patent/CN112306654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种面向移动群智感知的人机协作任务分配方法，通过分析参与者携带的传感器与待分配任务所需的传感器等信息，对复杂感知任务进行分解，并对分解得到的原子任务进行了分类，从而将人机协作任务分配问题转化为面向机器人的任务分配和面向人类参与者的任务分配两个子问题。对于面向机器人的任务分配，采用任务与参与者双向选择和贪心思想相结合的方法进行任务分配，同时采用了状态压缩动态规划算法来规划机器人参与者执行任务的顺序使移动总距离最短；对于面向人类参与者的任务分配，设计了双染色体遗传算法，实现了最小化参与者完成任务所移动的总距离的优化目标。

Description

一种面向移动群智感知的人机协作任务分配方法
技术领域
本发明涉及移动群智感知和人机协同感知领域，尤其涉及新型移动群智感知平台中人机协作的任务分配方法。
背景技术
近年来，移动设备的普及和城市中智能感知需求的增长促进了一种新的感知方式的形成与发展，即移动群智感知(Mobile CrowdSensing,MCS)。相较于传统的感知方式，移动群智感知能够在没有显著成本的情况下完成大规模、多数量和复杂化的感知任务，无论是感知的广度与深度，还是构建的成本与速度，都是传统感知方式所无法比拟的。任务分配作为移动群智感知中的一个重要问题，研究的是如何选择出合适的参与者并有效的协调每个参与者所执行的任务以使得整体的感知任务完成效果达到最优。根据执行任务分配的主体不同，可以将任务分配大体分为两种模式：参与者自选模式与服务器指派模式。近年来，服务器指派模式下的任务分配成为学者们研究的热点，涌现出了许多的适用于不同场景的任务分配算法。
近两年，随着移动互联网、物联网以及人工智能技术的革新，数据的跨空间融合趋势推动了协同感知向多元空间的演化，感知数据也朝着多元化、异构化的方向发展。同时，人机物三元融合、协同感知的思想为移动群智感知的发展注入了新的活力，进而促进了群智感知2.0的发展。新型移动群智感知的参与者将不再局限于人类，智能机器人的参与会大大拓展感知数据信息的来源。由于参与者类型的扩展，传统的任务分配方法将不再适用，因此本发明提出了一种同时兼顾人类参与者与智能机器人的人机协作任务分配方法。
发明内容
要解决的技术问题
针对新型移动群智感知平台中人类参与者与智能机器人共存的场景，解决人机协作下的任务分配问题。将人机协作的任务分配问题分解成了面向机器人的任务分配和面向人类参与者的任务分配两个阶段，针对面向机器人的任务分配，本发明提出了一种面向移动群智感知中的人机协作任务分配方法，采用任务与机器人双向选择和贪心思想相结合的方法，同时利用动态规划算法确定机器人执行任务的顺序；针对面向人类参与者的任务分配，提出了双染色体遗传算法进行求解。
技术方案
一种面向移动群智感知中的人机协作任务分配方法，其特征在于步骤如下：
步骤1：获取每个机器人参与者携带的传感器集合汇总得到机器人的类型数n以及n种机器人分别携带的传感器集合Sr1,…,Sri,…,Srn，同时获取人类参与者携带的传感器集合Sh；
步骤2：获取每个待分配任务的所需传感器集合Stj，判断是否需要对任务进行分解，若：
Figure BDA0002741228610000021
则该任务不需要分解，否则需要分解；分解后计算子任务的传感器集合：
Figure BDA0002741228610000022
Figure BDA0002741228610000023
步骤3：对分解得到的子任务进行分类,对于子任务ti，若其所需传感器集合Sti满足：
Figure BDA0002741228610000024
则将ti添加到人类参与者可执行任务集合Th,否则将其添加到机器人可执行任务集合Tr；
步骤4：进行面向机器人的任务分配，将机器人可执行任务集合Tr中的任务分配给机器人参与者集合R中的机器人参与者；定义机器人r可执行任务t的条件为：
Figure BDA0002741228610000025
其中，St是任务t所需的传感器集合，Sr是机器人r所携带的传感器集合，disr-t是机器人r和任务t之间的距离，Cr是机器人r的工作覆盖半径；
步骤5：进行面向人类参与者的任务分配，将人类参与者可执行任务集合Th中的任务分配给人类参与者集合H中的人类参与者。
本发明技术方案更进一步的说：步骤4面向机器人的任务分配采用机器人与任务双向选择和贪心思想相结合的方法同时利用动态规划算法确定机器人执行任务的顺序，具体如下：首先以任务为中心选择参与者，若某一任务不可被任何机器人执行，则将此任务从集合Tr中删除；若某一任务只能被唯一的机器人执行，则将此机器人挑选出来添加到集合Rs；接下来以机器人为中心选择任务，遍历集合Rs中的所有机器人，从Tr中选择出每个机器人的可执行任务，将这些任务添加到集合Trs中并在Tr中删除；若Tr不为空，则需要继续挑选机器人，循环遍历在集合R中且不在集合Rs中的所有机器人，每次遍历选择出能够执行任务最多的一个机器人，将其添加到集合Rs中并将其可执行任务添加到集合Trs中并在Tr中删除，直到Tr为空时结束循环；然后按照最近距离优先的原则将Trs中的每个任务分配给Rs中的机器人，得到每个机器人ri的待执行任务集合Tri；最后采用状态压缩动态规划算法求解每个机器人完成多个任务的最短移动距离。
本发明技术方案更进一步的说：步骤5中采用双染色体遗传算法来将待分配任务集合分配给特定的参与者并确定参与者执行任务的顺序，具体如下：首先设定种群规模m和遗传迭代次数n，然后将传统的最近距离优先分配算法和整体聚类再进行类内常规遗传求解的算法的结果作为种群初始化的两个输入来生成初始种群P0，接下来进行n次迭代，在第i次迭代的过程中：计算种群Pi-1中每个个体的适应度；从种群Pi-1中挑选适应度最大的个体赋值给best；按照选择概率使用轮盘赌方法选择将进入下一代的个体；按照概率对选择出的个体进行变异操作；将得到的m个新个体存储到种群Pi；最终由best得到每个参与者对应的任务序列。
有益效果
本发明提出的一种面向移动群智感知的人机协作任务分配方法，通过分析参与者携带的传感器与待分配任务所需的传感器等信息，对复杂感知任务进行分解，并对分解得到的原子任务进行了分类，从而将人机协作任务分配问题转化为面向机器人的任务分配和面向人类参与者的任务分配两个子问题。对于面向机器人的任务分配，采用任务与参与者双向选择和贪心思想相结合的方法进行任务分配，同时采用了状态压缩动态规划算法来规划机器人参与者执行任务的顺序，使移动总距离最短；对于面向人类参与者的任务分配，设计了双染色体遗传算法，实现了最小化参与者完成任务所移动的总距离的优化目标。
附图说明
图1为本发明实例中面向移动群智感知的人机协作任务分配方法的流程图。
图2举例说明了当有3个指定参与者、7个待分配任务时的某一个体的染色体编码与对应的任务分配结果。
图3为发明中双染色体遗传算法四种变异操作的示意图：(a)基因段间对换；(b)基因段间移植；(c)基因段内对换；(d)分段基因对换。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
参阅图1所示，本发明的具体步骤如下：
步骤一、获取每个参与者的基本信息：机器人参与者部署位置、机器人参与者搭载的传感器、人类参与者所处位置和人类参与者的移动设备所携带的传感器等；以及每个待分配任务的信息：任务坐标和任务所需传感器等。汇总得到机器人的类型数n以及n种机器人分别携带的传感器集合Sr1,…,Sri,…,Srn，人类参与者携带的传感器集合Sh，
步骤二、根据每个待分配任务的所需传感器集合Stj，判断是否需要对任务进行分解，若：
Figure BDA0002741228610000051
则该任务不需要分解，否则需要分解。分解后计算子任务的传感器集合：
Figure BDA0002741228610000052
Figure BDA0002741228610000053
步骤三、对分解得到的子任务进行分类,对于子任务ti，若其所需传感器集合Sti满足：
Figure BDA0002741228610000054
则将ti添加到人类参与者可执行任务集合Th,否则将其添加到机器人可执行任务集合Tr。
步骤四、进行面向机器人的任务分配，将机器人可执行任务集合Tr中的任务分配给机器人参与者集合R中的机器人参与者。定义机器人r可执行任务t的条件为：
Figure BDA0002741228610000055
其中，St是任务t所需的传感器集合，Sr是机器人r所携带的传感器集合，disr-t是机器人r和任务t之间的距离，Cr是机器人r的工作覆盖半径。
面向机器人的任务分配的优化目标是：最大化完成的任务个数以提高任务完成率，最小化选择出的参与执行任务的机器人数量以减少系统能源损耗，且最小化机器人完成任务所移动的总距离以减少任务等待时间。进行任务分配时，采用任务与机器人双向选择和贪心思想相结合的方法，同时利用动态规划算法确定机器人执行任务的顺序。首先对于Tr中的每个任务t选择出所有能够执行该任务的机器人，若没有机器人可执行该任务，则将其从集合Tr中删除，若只有一个机器人能否执行该任务，则将此机器人挑选出来添加到集合Rs。然后遍历集合Rs中的所有机器人，从Tr中选择出每个机器人的可执行任务，将这些任务添加到集合Trs中并在Tr中删除。若Tr不为空，则需要继续挑选机器人，循环遍历在集合R中且不在集合Rs中的所有机器人，每次遍历选择出能够执行任务最多的一个机器人，将其添加到集合Rs中并将其可执行任务添加到集合Trs中并在Tr中删除，直到Tr为空时结束循环。此时已经选择出了要执行任务的全部机器人Rs以及能够执行的全部任务Trs，然后按照最近距离优先的原则将Trs中的每个任务分配给Rs中的机器人，得到每个机器人ri的待执行任务集合Tri。至此算法的第一阶段完成，选择出了要执行任务的机器人并确定了每个机器人要执行的任务集合。接下来进行算法第二阶段的最短路径求解，对于每一个机器人，需要求出它完成多个任务的最短移动距离，这里采用状态压缩动态规划算法进行求解。状态压缩动态规划算法利用计算机二进制的性质来描述状态，将每个任务执行与否作为二进制的1/0压缩。对于一个需要执行n个任务的机器人，我们定义S为当前任务执行状态的一个表示，将S转化为二进制数，若此数第i位为1表示第i个任务已执行，否则表示未执行。我们用dp[S][i]表示当前状态是S且最后执行的是第i个任务时机器人的移动距离，由此可以推导出状态转移方程如下：
dp[S][i]＝min(dp[S⊕(1＜＜(i-1))][j]+dis[i][j],p[S][i])
其中，j为S中所有执行的与i不同的任务，dis[i][j]表示两任务间的距离。
步骤五、进行面向人类参与者的任务分配，将人类参与者可执行任务集合Th中的任务分配给人类参与者集合H中的人类参与者。
面向人类参与者的任务分配的优化目标是：最小化参与者完成任务所移动的总距离以降低成本支出和减少任务等待时间。该问题虽然是单目标优化问题，但涉及到参与者与待分配任务的组合优化，是一种NP难问题。本发明提出了一种双染色体遗传算法来将待分配任务集合分配给特定的参与者并确定参与者执行任务的顺序。
不同于传统的遗传算法，该算法中的个体包含一条主染色体和一条伴随染色体，其中主染色体中含有若干个分段基因，而伴随染色体则用来存储分段基因在主染色体中的位置。就本问题而言，主染色体由指定参与者和待分配任务的编号构成，伴随染色体中存储着指定参与者编号在主染色体中的位置。假设有m个指定参与者和n个待分配任务，我们指定m个参与者的编号为1,2,…,m，n个待分配任务的编号为m+1,m+1,…,m+n，则每一个个体的主染色体由m+n个基因组成，其中编号为1～m的基因为分段基因，且规定主染色体的第一个基因必须为分段基因，伴随染色体中存储着分段基因在主染色体中存在的位置。每个个体的实际意义是一种任务分配情况：分段基因代表参与者，其他基因代表待分配任务，主染色体中从当前的分段基因开始，到下一分段基因结束，中间的基因段代表着分配给当前分段基因的任务集合，而且基因的先后顺序对应着参与者执行对应任务的顺序。
定义了染色体编码方式后，需要考虑初始种群的设定问题，因为参与者与待执行任务的编号排列有非常多的可能情况，随机设定的初始种群不利于在有限次遗传迭代后产生最优解。双染色体遗传算法将传统的最近距离优先分配算法和整体聚类再进行类内常规遗传求解的算法的结果分别作为种群初始化的两个输入，因此初始种群更能接近最优解，而且保证了该算法最终的任务分配结果至少要优于这两种传统算法得到的最优结果。
接下来定义个体的适应度函数，适应度函数用来评估个体的优劣，作为对个体进行遗传操作的依据，本问题的优化目标是参与者完成任务所移动的总距离最短，因此可以将移动总距离的倒数作为适应度函数：
Figure BDA0002741228610000071
其中，m为人类参与者个数，D(Thi)表示参与者hi执行任务所移动的总距离。
然后设计遗传操作，遗传操作就是从父代种群到子代种群间的关于染色体的运算。常见的遗传算法有三种遗传操作：选择-复制、交叉和变异，TAFH-DCGA算法根据问题的具体需求，设计了选择-复制和变异两种遗传操作。
选择-复制是指按照选择概率所决定的选中机会，从当前种群中选出优良个体，使他们有机会作为父代产生后代个体。因为判断个体优良的依据是它们的适应度，所以选择概率由个体的适应度计算得到：
Figure BDA0002741228610000081
式中f(xi)为xi的适应度，个体xi被选中的概率P(xi)就是其适应度f(xi)所占种群中全部个体适应度之和的比例。选择复制的意义在于使任务分配结果朝着优化目标的方向逼近。
变异就是改变染色体上的基因排列顺序，本算法结合求解问题的优化目标，设计了四种主染色体上的变异操作：基因段间对换、基因段间移植、基因段内对换和分段基因对换。通过变异改变著染色体的基因编码后，再根据主染色体中分段基因的位置更新伴随染色体。这四种变异操作的意义在于调整参与者与待分配任务的组合方式和执行顺序，以得到更多的任务分配结果。

Claims (1)

1.一种面向移动群智感知中的人机协作任务分配方法，其特征在于步骤如下：
步骤1：获取每个机器人参与者携带的传感器集合汇总得到机器人的类型数n以及n种机器人分别携带的传感器集合Sr1,…,Sri,…,Srn，同时获取人类参与者携带的传感器集合Sh；
步骤2：获取每个待分配任务的所需传感器集合Stj，判断是否需要对任务进行分解，若：
Figure FDA0003780238290000011
则该任务不需要分解，否则需要分解；分解后计算子任务的传感器集合：
Figure FDA0003780238290000012
Figure FDA0003780238290000013
步骤3：对分解得到的子任务进行分类,对于子任务ti，若其所需传感器集合Sti满足：
Figure FDA0003780238290000014
则将ti添加到人类参与者可执行任务集合Th,否则将其添加到机器人可执行任务集合Tr；
步骤4：进行面向机器人的任务分配，将机器人可执行任务集合Tr中的任务分配给机器人参与者集合R中的机器人参与者；定义机器人r可执行任务t的条件为：
Figure FDA0003780238290000015
其中，St是任务t所需的传感器集合，Sr是机器人r所携带的传感器集合，disr-t是机器人r和任务t之间的距离，Cr是机器人r的工作覆盖半径；
面向机器人的任务分配采用机器人与任务双向选择和贪心思想相结合的方法同时利用动态规划算法确定机器人执行任务的顺序，具体如下：首先以任务为中心选择参与者，若某一任务不可被任何机器人执行，则将此任务从集合Tr中删除；若某一任务只能被唯一的机器人执行，则将此机器人挑选出来添加到集合Rs；接下来以机器人为中心选择任务，遍历集合Rs中的所有机器人，从Tr中选择出每个机器人的可执行任务，将这些任务添加到集合Trs中并在Tr中删除；若Tr不为空，则需要继续挑选机器人，循环遍历在集合R中且不在集合Rs中的所有机器人，每次遍历选择出能够执行任务最多的一个机器人，将其添加到集合Rs中并将其可执行任务添加到集合Trs中并在Tr中删除，直到Tr为空时结束循环；然后按照最近距离优先的原则将Trs中的每个任务分配给Rs中的机器人，得到每个机器人ri的待执行任务集合Tri；最后采用状态压缩动态规划算法求解每个机器人完成多个任务的最短移动距离；
步骤5：进行面向人类参与者的任务分配，将人类参与者可执行任务集合Th中的任务分配给人类参与者集合H中的人类参与者；
采用双染色体遗传算法来将待分配任务集合分配给特定的参与者并确定参与者执行任务的顺序，具体如下：首先设定种群规模m和遗传迭代次数n，然后将传统的最近距离优先分配算法和整体聚类再进行类内常规遗传求解的算法的结果作为种群初始化的两个输入来生成初始种群P0，接下来进行n次迭代，在第i次迭代的过程中：计算种群Pi-1中每个个体的适应度；从种群Pi-1中挑选适应度最大的个体赋值给best；按照选择概率使用轮盘赌方法选择将进入下一代的个体；按照概率对选择出的个体进行变异操作；将得到的m个新个体存储到种群Pi；最终由best得到每个参与者对应的任务序列。
CN202011150941.5A 2020-10-24 2020-10-24 一种面向移动群智感知的人机协作任务分配方法 Active CN112306654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011150941.5A CN112306654B (zh) 2020-10-24 2020-10-24 一种面向移动群智感知的人机协作任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011150941.5A CN112306654B (zh) 2020-10-24 2020-10-24 一种面向移动群智感知的人机协作任务分配方法

Publications (2)

Publication Number Publication Date
CN112306654A CN112306654A (zh) 2021-02-02
CN112306654B true CN112306654B (zh) 2022-09-13

Family

ID=74330319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011150941.5A Active CN112306654B (zh) 2020-10-24 2020-10-24 一种面向移动群智感知的人机协作任务分配方法

Country Status (1)

Country Link
CN (1) CN112306654B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114860396B (zh) * 2022-04-10 2024-02-09 西北工业大学 一种基于强化学习的即时感知即使执行任务分配方法
CN114925941A (zh) * 2022-07-21 2022-08-19 深圳市信润富联数字科技有限公司 群智感知任务分配方法、装置、设备及存储介质
CN117610899B (zh) * 2024-01-24 2024-06-14 纳博特南京科技有限公司 一种基于优先度的多机器人的任务分配方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056214A (zh) * 2016-05-18 2016-10-26 西北工业大学 一种面向移动群体感知的多任务工作者选择方法
CN108304266A (zh) * 2018-01-30 2018-07-20 华南理工大学 一种移动多目标群智感知任务分配方法
WO2020174606A1 (ja) * 2019-02-27 2020-09-03 三菱電機株式会社 センサ情報収集システム、センサ情報収集方法、データ取得端末、及び、プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056214A (zh) * 2016-05-18 2016-10-26 西北工业大学 一种面向移动群体感知的多任务工作者选择方法
CN108304266A (zh) * 2018-01-30 2018-07-20 华南理工大学 一种移动多目标群智感知任务分配方法
WO2020174606A1 (ja) * 2019-02-27 2020-09-03 三菱電機株式会社 センサ情報収集システム、センサ情報収集方法、データ取得端末、及び、プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Mobile crowd sensing task optimal allocation:a mobility pattern matching perspective;Liang Wang,Zhiwen Yu,Bin Guo;《Frontiers of Computer Science》;20180213;第231-244页 *
面向协同感知的任务分配方法;尹厚淳等;《软件导刊》;20200415(第04期);全文 *

Also Published As

Publication number Publication date
CN112306654A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN112306654B (zh) 一种面向移动群智感知的人机协作任务分配方法
CN107895225B (zh) 一种多Agent无冲突的合作型任务分配方法
Zhang et al. An effective genetic algorithm for the flexible job-shop scheduling problem
Yang et al. Sample subset optimization techniques for imbalanced and ensemble learning problems in bioinformatics applications
Shui et al. A clonal selection algorithm for urban bus vehicle scheduling
CN105629927A (zh) 一种基于混合遗传算法的mes生产计划排产方法
CN102609244A (zh) 灵活通信算子
Falcón-Cardona et al. Parallel multi-objective evolutionary algorithms: A comprehensive survey
CN107728639B (zh) 一种时间窗约束下的异构多auv系统任务协调方法
CN108803332A (zh) 基于改进生物地理学的路径规划方法
Yi et al. Optimized tool path planning for five-axis flank milling of ruled surfaces using geometric decomposition strategy and multi-population harmony search algorithm
Mazdin et al. Distributed and communication-aware coalition formation and task assignment in multi-robot systems
CN113867358B (zh) 多无人车协同遍历任务的智能路径规划方法
CN106611231A (zh) 一种混合粒子群禁忌搜索算法求解作业车间调度问题
Huang et al. TMA-DPSO: Towards efficient multi-task allocation with time constraints for next generation multiple access
Mondal et al. A genetic algorithm-based approach to solve a new time-limited travelling salesman problem
CN113379268A (zh) 基于Christofides解算遗传算法初始种群的农机调度方法
CN117519244B (zh) 无人机集群协同探测多目标的路径规划方法及系统
CN108182243B (zh) 一种基于Spark的分布式进化算法岛模型并行化方法
He et al. Decentralized exploration of a structured environment based on multi-agent deep reinforcement learning
CN116880507A (zh) 具有运动学约束的多任务分配与多机器人路径规划的协同调度方法
Phanden Multi agents approach for job shop scheduling problem using genetic algorithm and variable neighborhood search method
CN106155799A (zh) 基于遗传算法的Codelet调度方法
CN113741482B (zh) 一种基于异步遗传算法的多智能体路径规划方法
Raj et al. Genetic based scheduling in grid systems: A survey

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