CN113780787B - 一种复杂水环境下的多移动平台系统的协同任务分配方法 - Google Patents
一种复杂水环境下的多移动平台系统的协同任务分配方法 Download PDFInfo
- Publication number
- CN113780787B CN113780787B CN202111022821.1A CN202111022821A CN113780787B CN 113780787 B CN113780787 B CN 113780787B CN 202111022821 A CN202111022821 A CN 202111022821A CN 113780787 B CN113780787 B CN 113780787B
- Authority
- CN
- China
- Prior art keywords
- whale
- particle
- individual
- optimal
- algorithm
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种复杂水环境下的多移动平台系统的协同任务分配方法,本方法使鲸鱼群中每个个体所处的空间位置都包含了一组任务分配方案,通过代价函数的大小来衡量个体所处空间位置的优劣。同时在算法每次迭代过程中,根据粒子群算法得到的当代的最优粒子位置,替换掉最差的鲸鱼个体位置,鲸鱼再利用自身的觅食策略不断更新鲸鱼个体位置直至获取最佳鲸鱼位置,即获得最佳任务分配方案。本方法将粒子群算法引入到鲸鱼算法中共同求解优化问题,利用粒子群算法在每代循环中的得到最优粒子位置来替代鲸鱼群中的最差鲸鱼位置,避免了鲸鱼算法容易陷入到局部最优的问题,提高了算法搜索到更优解的可能性。
Description
技术领域
本发明涉及复杂水环境下任务分配领域,具体涉及种复杂水环境下的多移动平台系统的协同任务分配方法。
背景技术
在求解目标分配的问题时,智能算法具备良好的适应性、启发性、高度灵活性等特点。典型的智能算法有以下几种:进化规划法、粒子群优化法、遗传算法,蚁群算法等。进化规划法扩展了原有的单目标优化方法,在多个平台进行协同任务分配的过程中,对有冲突的目标进化规划,并以最佳的适应度去搜索个体的方向,最终能很好的收敛到最优的任务分配结果,然而,这种规划方法具有易于陷入局部最优以及迭代周期过长的缺点,由此许多有效的优化的算法相继被提出,典型的有免疫进化算法和差分进化算法。粒子群算法主要依据群体的协作能力进行寻优问题的优化搜索,体现出了高效和简单的群体智能化决策。粒子在进行每一代搜索的过程当中,其在受到种群中较优粒子影响的同时,也会被其它相邻粒子个体所影响,所以,粒子最终所确定的飞行方向不仅要考虑到粒子的个体经验,还要考虑整个种群的群体经验。粒子群算法对比于遗传进化算法,其不需要进行交叉和变异的步骤,因此粒子群算法的优化效率相对较高。但是粒子群算法的精确搜索能力比较弱,特别是当求解离散问题的时候,粒子群算法可能会过早地收敛陷入局部最优的状态中。蚁群算法主要是根据蚂蚁在移动过程中释放的某种信息素传递环境信息,通过信息素量的引导蚂蚁的搜索能够朝着信息素积累较多的路径方向发展。蚁群算法的显著特征包括启发式搜索、分布计算以及信息正反馈作用,但是受算法自身因素的影响也存在一些缺陷,如算法收敛到全局最优的时间过长且容易陷入停滞的状态。群智能算法的群体之中每个单体都是独立的,问题最终的求解不会受单个个体变化带来的影响,所以群智能算法在解决多移动平台多目标任务分配的问题上非常合适,以往针对群智能算法存在的一些问题也已经有了优化的策略,大多数都成功运用到了一些多陆地和多空中机器人的协同搜索问题当中,但面向水环境监测的多移动平台系统协同任务分配研究相对较少。
伴随着科技的进步和人们对多移动平台系统知识的深入学习和丰富,多移动平台系统逐渐应用到越来越多的环境中,随之而来的,系统对算法的要求也变得越来越高,理想状态下的多移动平台任务分配方法已经远远不能满足对需求的应用,需要我们进行更加深入的探索和研究。
发明内容
针对现有技术中的上述不足,本发明提供的一种复杂水环境下的多移动平台系统的协同任务分配方法解决了鲸鱼算法容易陷入局部最优的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种复杂水环境下的多移动平台系统的协同任务分配方法,其包括以下步骤:
S1、采用栅格分解法进行水环境模型的搭建,确定障碍物在水环境模型中的位置;采用鲸鱼群算法中的鲸鱼个体代替各个移动平台;采用粒子群算法中的粒子代替各个移动平台并初始化各个粒子的位置和速度;
S2、获取所要执行的任务,并随机初始化鲸鱼群位置,使鲸鱼群中每个个体所处空间位置包含一组任务分配方案;
S3、根据鲸鱼群完成所有任务时总的路径距离和总能耗构建多移动平台任务分配的代价函数;
S4、根据多移动平台任务分配的代价函数获取鲸鱼群的个体适应度值,记录最优鲸鱼个体位置和最差鲸鱼个体位置;
S5、更新鲸鱼个体位置,获取鲸鱼算法当代全局最差解;
S6、根据多移动平台任务分配的代价函数获取粒子的适应度值,记录每个粒子的位置和适应度值,并将每个粒子的最优位置和最优适应度值进行提取得到全局最优值;
S7、更新粒子位置,获取粒子位置更新后的当代全局最优值;将鲸鱼算法当代全局最差解替换为粒子群算法的当代全局最优值;
S8、判断是否达到预设的迭代次数,若是则将当前的鲸鱼算法全局最优值对应的任务分配方案进行输出,结束任务分配;否则返回步骤S4。
进一步地,步骤S3的具体方法包括以下子步骤:
S3-1、根据公式:
获取鲸鱼群完成所有任务时总的路径距离Dtotel;其中Di表示第i个鲸鱼个体运动路线的距离;d表示第i个鲸鱼个体在其运动路线{S,pi1,pi2,…,piO}移动过程中的路径,S为鲸鱼个体的出发位置,Pi={pi1,pi2,…,piO}表示该任务分配方案中鲸鱼个体执行具有优先顺序的任务集合,O为鲸鱼个体执行任务的总数,N为在执行任务分配的时候总的运动路线;
S3-2、根据公式:
获取鲸鱼群完成所有任务时总能耗Etotel;其中Ei表示第i个鲸鱼个体执行任务分配过程中所产生的能耗;e表示第i个鲸鱼个体在其运动路线{S,pi1,pi2,…,piO}上移动过程中的能耗;
S3-3、根据公式:
fitness=min[λDtotel+(1-λ)Etotel]
构建多移动平台任务分配的代价函数fitness;其中λ为权重系数,min[·]为求最小值函数。
进一步地,步骤S5的具体方法包括以下子步骤:
S5-1、根据公式:
a=2-2t/tmax
更新参数a;其中t为当前迭代次数,tmax为最大迭代数;
S5-2、根据公式:
A=2ar1-a
C=2r2
更新参数A和参数C,其中r1和r2均为[0,1]之间的随机数;
S5-3、随机产生取值范围为[-1,1]的数值p,判断p是否大于等于0.5,若是则进入步骤S5-4;否则进入步骤S5-5;
S5-4、根据公式:
使鲸鱼个体螺旋式朝着最优鲸鱼个体更新自己的位置,获取鲸鱼算法当代全局最差解,进入步骤S6;其中为鲸鱼个体在t+1次迭代后的位置;为第t次迭代后任务分配最优方案;表示鲸鱼个体和当前时刻任务分配最优方案之间的距离;l是[-1,1]之间的一个随机数;b是对数螺旋形状的常数;e表示鲸鱼个体在其运动路线上的能耗;π为常数;
S5-5、判断参数A的绝对值是否小于1,若是则进入步骤S5-6;否则进入步骤S5-7;
S5-6、根据公式:
S5-7、根据公式:
进一步地,步骤S7中更新粒子位置,获取粒子位置更新后的当代全局最优值的具体方法包括以下子步骤:
S7-1、根据公式:
xid+1=xid+wvid+c1rand()(pid-xid)+c2rand()(pgd-xid)
获取第i个粒子更新后的位置xid+1;其中xid为第i个粒子更新前的位置;vid为第i个粒子更新前的速度;w为惯性权重;c1和c2均为学习因子;rand()为均匀分布在[0,1]之间的随机数;pid为第i个粒子个体到达的历史最优位置;pgd为粒子群体到达的历史最好位置;
S7-2、获取并根据每个粒子更新位置后的最优位置和最优适应度值更新全局最优值,得到粒子位置更新后的当代全局最优值。
本发明的有益效果为:本方法使鲸鱼群中每个个体所处的空间位置都包含了一组任务分配方案,通过代价函数的大小来衡量个体所处空间位置的优劣。同时在算法每次迭代过程中,根据粒子群算法得到的当代的最优粒子位置,替换掉最差的鲸鱼个体位置,鲸鱼再利用自身的觅食策略不断更新鲸鱼个体位置直至获取最佳鲸鱼位置,即获得最佳任务分配方案。本方法将粒子群算法引入到鲸鱼算法中共同求解优化问题,利用粒子群算法在每代循环中的得到最优粒子位置来替代鲸鱼群中的最差鲸鱼位置,避免了鲸鱼算法容易陷入到局部最优的问题,提高了算法搜索到更优解的可能性。
附图说明
图1为本方法的流程示意图;
图2为障碍物环境示意图;
图3为障碍物采用栅格分解法进行表示的示意图;
图4为障碍物数据示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该复杂水环境下的多移动平台系统的协同任务分配方法包括以下步骤:
S1、采用栅格分解法进行水环境模型的搭建,确定障碍物在水环境模型中的位置;采用鲸鱼群算法中的鲸鱼个体代替各个移动平台;采用粒子群算法中的粒子代替各个移动平台并初始化各个粒子的位置和速度;
S2、获取所要执行的任务,并随机初始化鲸鱼群位置,使鲸鱼群中每个个体所处空间位置包含一组任务分配方案;
S3、根据鲸鱼群完成所有任务时总的路径距离和总能耗构建多移动平台任务分配的代价函数;
S4、根据多移动平台任务分配的代价函数获取鲸鱼群的个体适应度值,记录最优鲸鱼个体位置和最差鲸鱼个体位置;
S5、更新鲸鱼个体位置,获取鲸鱼算法当代全局最差解;
S6、根据多移动平台任务分配的代价函数获取粒子的适应度值,记录每个粒子的位置和适应度值,并将每个粒子的最优位置和最优适应度值进行提取得到全局最优值;
S7、更新粒子位置,获取粒子位置更新后的当代全局最优值;将鲸鱼算法当代全局最差解替换为粒子群算法的当代全局最优值;
S8、判断是否达到预设的迭代次数,若是则将当前的鲸鱼算法全局最优值对应的任务分配方案进行输出,结束任务分配;否则返回步骤S4。
步骤S3的具体方法包括以下子步骤:
S3-1、根据公式:
获取鲸鱼群完成所有任务时总的路径距离Dtotel;其中Di表示第i个鲸鱼个体运动路线的距离;d表示第i个鲸鱼个体在其运动路线{S,pi1,pi2,…,piO}移动过程中的路径,S为鲸鱼个体的出发位置,Pi={pi1,pi2,…,piO}表示该任务分配方案中鲸鱼个体执行具有优先顺序的任务集合,O为鲸鱼个体执行任务的总数,N为在执行任务分配的时候总的运动路线;
S3-2、根据公式:
获取鲸鱼群完成所有任务时总能耗Etotel;其中Ei表示第i个鲸鱼个体执行任务分配过程中所产生的能耗;e表示第i个鲸鱼个体在其运动路线{S,pi1,pi2,…,piO}上移动过程中的能耗;
S3-3、根据公式:
fitness=min[λDtotel+(1-λ)Etotel]
构建多移动平台任务分配的代价函数fitness;其中λ为权重系数,min[·]为求最小值函数。
步骤S5的具体方法包括以下子步骤:
S5-1、根据公式:
a=2-2t/tmax
更新参数a;其中t为当前迭代次数,tmax为最大迭代数;
S5-2、根据公式:
A=2ar1-a
C=2r2
更新参数A和参数C,其中r1和r2均为[0,1]之间的随机数;
S5-3、随机产生取值范围为[-1,1]的数值p,判断p是否大于等于0.5,若是则进入步骤S5-4;否则进入步骤S5-5;
S5-4、根据公式:
使鲸鱼个体螺旋式朝着最优鲸鱼个体更新自己的位置,获取鲸鱼算法当代全局最差解,进入步骤S6;其中为鲸鱼个体在t+1次迭代后的位置;为第t次迭代后任务分配最优方案;表示鲸鱼个体和当前时刻任务分配最优方案之间的距离;l是[-1,1]之间的一个随机数;b是对数螺旋形状的常数;e表示鲸鱼个体在其运动路线上的能耗;π为常数;
S5-5、判断参数A的绝对值是否小于1,若是则进入步骤S5-6;否则进入步骤S5-7;
S5-6、根据公式:
S5-7、根据公式:
步骤S7中更新粒子位置,获取粒子位置更新后的当代全局最优值的具体方法包括以下子步骤:
S7-1、根据公式:
xid+1=xid+wvid+c1rand()(pid-xid)+c2rand()(pgd-xid)
获取第i个粒子更新后的位置xid+1;其中xid为第i个粒子更新前的位置;vid为第i个粒子更新前的速度;w为惯性权重;c1和c2均为学习因子;rand()为均匀分布在[0,1]之间的随机数;pid为第i个粒子个体到达的历史最优位置;pgd为粒子群体到达的历史最好位置;
S7-2、获取并根据每个粒子更新位置后的最优位置和最优适应度值更新全局最优值,得到粒子位置更新后的当代全局最优值。
WOA(鲸鱼)算法都是开始于一组随机解,在每次迭代中,其中鲸鱼个体个体在每次循环过程中根据随机选择的其他个体或当前所得到的最佳个体位置来更新它们的位置。参数a的选择对均衡算法的局部开发和全局探索能力有着十分重要的影响。根据|A|与1的关系来选取鲸鱼个体更新位置的方式,当|A|≥1时,选择随机觅食机制来更新鲸鱼个体的位置;当|A|<1时,选择收缩包围机制的方式更新鲸鱼个体的位置。又通过随机概率p的大小,WOA能够在螺旋式游走机制或收缩包围机制之间选择。最后,依据一个终止条件来判断是否终止WOA算法。
在本发明的一个实施例中,采用栅格分解法作为本方法中进行静态障碍物环境建模的方法,因为采用栅格分解法构建移动平台的运动环境具有实现简单、便于数据管理的优点,且相较于几何建模的方法,栅格分解法不仅仅能在环境较为简单的情况描述出运动环境空间,即使是在空间较大,障碍物较多的复杂环境情况下,栅格分解法也能较为精确的描述出该运动环境。一般情况下,障碍物环境如图2所示,图3为图2所对应的栅格分解法表示。如图4所示,1表示空格中有障碍物,0表示空白可自由通过。环境建模可以快速获取执行任务分配过程中所产生的能耗。
在具体实施过程中,本方法将粒子群算法引入到鲸鱼算法中共同求解优化问题,利用粒子群算法在每代循环中的得到最优粒子位置来替代鲸鱼群中的最差鲸鱼位置,具体的优化方式如下:
假设鲸鱼的群体数目为N,第i只鲸鱼在D维空间内的位置为(Xi1,Xi2…,XiD),其中,i=1,2,3,…N。在D维的搜寻空过程中每条鲸鱼利用三种更新位置的机制更新自身的位置,最终以到达目标猎物位置或逼近目标猎物的鲸鱼个体位置。其中,鲸鱼种群中个体所达到的最差位置为Wg=(Wg1,Wg2,…WgD)。
同样假设粒子种群的数目为N,在D维搜索空间中以指定的速度飞行,每一个粒子在进行搜索的时候实时的更新自身的位置和速度以到达的最优位置以及整个种群到达最优位置。其中,第i个粒子的位置(xiD,xiD,…,xiD),速度vi=(vid,viD,…,viD),其粒子个体到达的历史最优位置为pi=(piD,piD,…,piD),1≤i≤m,其群体所到达的历史最好位置为pg=(pgD,pgD,…,pgD),粒子的位置和速度更新公式分别为:
vid+1=wvid+c1rand()(pid-xid)+c2rand()(pgd-xid)
xid+1=xid+vid
利用粒子-鲸鱼算法求解优化问题时,在算法每次迭代过程中,分别找到并记录鲸鱼种群得到的最差鲸鱼位置和粒子种群得到的最优粒子位置,并将粒子群算法在每代循环中的得到最优粒子位置来替代鲸鱼群中的最差鲸鱼位置。
上述粒子-鲸鱼优化方法分别使鲸鱼个体和粒子个体有个初始解,并分别使鲸鱼算法和粒子算法基于初始解独立寻找更优解,并将粒子算法的最优位置代替鲸鱼个体的最差位置,使鲸鱼群算法在求解问题过程中就能够不断得到粒子群算法的有益补充,可以减少鲸鱼算法陷入局部最优的概率,提高算法搜索到更优解的可能性。
Claims (3)
1.一种复杂水环境下的多移动平台系统的协同任务分配方法,其特征在于,包括以下步骤:
S1、采用栅格分解法进行水环境模型的搭建,确定障碍物在水环境模型中的位置;采用鲸鱼群算法中的鲸鱼个体代替各个移动平台;采用粒子群算法中的粒子代替各个移动平台并初始化各个粒子的位置和速度;
S2、获取所要执行的任务,并随机初始化鲸鱼群位置,使鲸鱼群中每个个体所处空间位置包含一组任务分配方案;
S3、根据鲸鱼群完成所有任务时总的路径距离和总能耗构建多移动平台任务分配的代价函数;
S4、根据多移动平台任务分配的代价函数获取鲸鱼群的个体适应度值,记录最优鲸鱼个体位置和最差鲸鱼个体位置;
S5、更新鲸鱼个体位置,获取鲸鱼算法当代全局最差解;
S6、根据多移动平台任务分配的代价函数获取粒子的适应度值,记录每个粒子的位置和适应度值,并将每个粒子的最优位置和最优适应度值进行提取得到全局最优值;
S7、更新粒子位置,获取粒子位置更新后的当代全局最优值;将鲸鱼算法当代全局最差解替换为粒子群算法的当代全局最优值;
S8、判断是否达到预设的迭代次数,若是则将当前的鲸鱼算法全局最优值对应的任务分配方案进行输出,结束任务分配;否则返回步骤S4;
步骤S3的具体方法包括以下子步骤:
S3-1、根据公式:
获取鲸鱼群完成所有任务时总的路径距离Dtotel;其中Di表示第i个鲸鱼个体运动路线的距离;d表示第i个鲸鱼个体在其运动路线{S,pi1,pi2,…,piO}移动过程中的路径,S为鲸鱼个体的出发位置,Pi={pi1,pi2,…,piO}表示该任务分配方案中鲸鱼个体执行具有优先顺序的任务集合,O为鲸鱼个体执行任务的总数,N为在执行任务分配的时候总的运动路线;
S3-2、根据公式:
获取鲸鱼群完成所有任务时总能耗Etotel;其中Ei表示第i个鲸鱼个体执行任务分配过程中所产生的能耗;e表示第i个鲸鱼个体在其运动路线{S,pi1,pi2,…,piO}上移动过程中的能耗;
S3-3、根据公式:
fitness=min[λDtotel+(1-λ)Etotel]
构建多移动平台任务分配的代价函数fitness;其中λ为权重系数,min[·]为求最小值函数。
2.根据权利要求1所述的复杂水环境下的多移动平台系统的协同任务分配方法,其特征在于,步骤S5的具体方法包括以下子步骤:
S5-1、根据公式:
a=2-2t/tmax
更新参数a;其中t为当前迭代次数,tmax为最大迭代数;
S5-2、根据公式:
A=2ar1-a
C=2r2
更新参数A和参数C,其中r1和r2均为[0,1]之间的随机数;
S5-3、随机产生取值范围为[-1,1]的数值p,判断p是否大于等于0.5,若是则进入步骤S5-4;否则进入步骤S5-5;
S5-4、根据公式:
使鲸鱼个体螺旋式朝着最优鲸鱼个体更新自己的位置,获取鲸鱼算法当代全局最差解,进入步骤S6;其中为鲸鱼个体在t+1次迭代后的位置;为第t次迭代后任务分配最优方案;表示鲸鱼个体和当前时刻任务分配最优方案之间的距离;l是[-1,1]之间的一个随机数;b是对数螺旋形状的常数;e表示鲸鱼个体在其运动路线上的能耗;π为常数;
S5-5、判断参数A的绝对值是否小于1,若是则进入步骤S5-6;否则进入步骤S5-7;
S5-6、根据公式:
S5-7、根据公式:
3.根据权利要求1所述的复杂水环境下的多移动平台系统的协同任务分配方法,其特征在于,步骤S7中更新粒子位置,获取粒子位置更新后的当代全局最优值的具体方法包括以下子步骤:
S7-1、根据公式:
xid+1=xid+wvid+c1rand()(pid-xid)+c2rand()(pgd-xid)
获取第i个粒子更新后的位置xid+1;其中xid为第i个粒子更新前的位置;vid为第i个粒子更新前的速度;w为惯性权重;c1和c2均为学习因子;rand()为均匀分布在[0,1]之间的随机数;pid为第i个粒子个体到达的历史最优位置;pgd为粒子群体到达的历史最好位置;
S7-2、获取并根据每个粒子更新位置后的最优位置和最优适应度值更新全局最优值,得到粒子位置更新后的当代全局最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111022821.1A CN113780787B (zh) | 2021-09-01 | 2021-09-01 | 一种复杂水环境下的多移动平台系统的协同任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111022821.1A CN113780787B (zh) | 2021-09-01 | 2021-09-01 | 一种复杂水环境下的多移动平台系统的协同任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780787A CN113780787A (zh) | 2021-12-10 |
CN113780787B true CN113780787B (zh) | 2023-05-02 |
Family
ID=78840763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111022821.1A Active CN113780787B (zh) | 2021-09-01 | 2021-09-01 | 一种复杂水环境下的多移动平台系统的协同任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780787B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996287A (zh) * | 2019-12-04 | 2020-04-10 | 上海工程技术大学 | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 |
CN111880561A (zh) * | 2020-07-16 | 2020-11-03 | 河南大学 | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 |
CN113281620A (zh) * | 2021-07-22 | 2021-08-20 | 广东电网有限责任公司惠州供电局 | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765893B (zh) * | 2019-01-17 | 2021-09-10 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
CN110516785A (zh) * | 2019-08-09 | 2019-11-29 | 南通大学 | 一种基于粒子群和鲸鱼群的求解双层线性规划混合算法 |
CN111695233B (zh) * | 2020-04-20 | 2023-03-28 | 安徽博微长安电子有限公司 | 一种基于改进鲸鱼优化算法的阵元失效校正方法 |
CN112232493A (zh) * | 2020-11-09 | 2021-01-15 | 江苏科技大学 | 一种基于改进鲸鱼算法的rbf神经网络优化方法 |
-
2021
- 2021-09-01 CN CN202111022821.1A patent/CN113780787B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996287A (zh) * | 2019-12-04 | 2020-04-10 | 上海工程技术大学 | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 |
CN111880561A (zh) * | 2020-07-16 | 2020-11-03 | 河南大学 | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 |
CN113281620A (zh) * | 2021-07-22 | 2021-08-20 | 广东电网有限责任公司惠州供电局 | 基于自适应鲸鱼算法的故障区段定位方法、系统及介质 |
Non-Patent Citations (1)
Title |
---|
基于WOA的多模态优化方法及在TSP问题中的应用研究;邹朋;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第2期);第I140-207页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780787A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Hybrid whale optimization algorithm enhanced with Lévy flight and differential evolution for job shop scheduling problems | |
Beheshti et al. | A review of population-based meta-heuristic algorithms | |
Talukder | Mathematicle modelling and applications of particle swarm optimization | |
Loganathan et al. | A systematic review on recent advances in autonomous mobile robot navigation | |
Dou et al. | Genetic scheduling and reinforcement learning in multirobot systems for intelligent warehouses | |
Zhang et al. | An adaptive improved ant colony system based on population information entropy for path planning of mobile robot | |
Li et al. | A survey on firefly algorithms | |
CN111474925B (zh) | 一种非规则形状移动机器人的路径规划方法 | |
Kumar et al. | Artificial bee colony, firefly swarm optimization, and bat algorithms | |
Huang et al. | Computational modeling of emotion-motivated decisions for continuous control of mobile robots | |
Chandramouli et al. | Image classification using chaotic particle swarm optimization | |
CN112484732B (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
CN116242383A (zh) | 一种基于增强哈里斯鹰算法的无人车路径规划方法 | |
Wang et al. | Research on dynamic path planning of wheeled robot based on deep reinforcement learning on the slope ground | |
Li et al. | Multi-robot path planning method based on prior knowledge and Q-learning algorithms | |
CN113780787B (zh) | 一种复杂水环境下的多移动平台系统的协同任务分配方法 | |
Xiao et al. | Relationships of swarm intelligence and artificial immune system | |
Cui et al. | Multi-strategy adaptable ant colony optimization algorithm and its application in robot path planning | |
Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm | |
CN113790729B (zh) | 一种基于强化学习算法的无人天车路径规划方法及装置 | |
Zhang et al. | A herd-foraging-based approach to adaptive coverage path planning in dual environments | |
Wang et al. | Wind weather prediction based on multi-output least squares support vector regression optimised by bat algorithm | |
Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony | |
Houssein et al. | Salp swarm algorithm: modification and application | |
Dhapola et al. | Binary Artificial Hummingbird Algorithm: A Binary Version of Artificial Hummingbird Algorithm for Optimization Problems |
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 |