CN116185035A - 基于改进仿生狼群的无人集群动态任务分配方法及系统 - Google Patents
基于改进仿生狼群的无人集群动态任务分配方法及系统 Download PDFInfo
- Publication number
- CN116185035A CN116185035A CN202310177424.4A CN202310177424A CN116185035A CN 116185035 A CN116185035 A CN 116185035A CN 202310177424 A CN202310177424 A CN 202310177424A CN 116185035 A CN116185035 A CN 116185035A
- Authority
- CN
- China
- Prior art keywords
- task
- agent
- unmanned
- cluster
- unmanned cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 29
- 241000282461 Canis lupus Species 0.000 title claims abstract description 22
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 196
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000010845 search algorithm Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 52
- 230000008901 benefit Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001585 disappearance potential spectroscopy Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于改进仿生狼群的无人集群动态任务分配方法及系统,涉及智能无人集群协同控制领域。本发明方法引入了改进的匈牙利算法,依据任务执行的代价函数值求解非平衡指派问题,并根据任务执行约束进行任务调度,降低任务执行代价的同时兼顾了集群任务负载的均衡性;进一步的,本发明采用改进的A*算法,将任务指派与调度后的输出作为路径规划的输入,以寻找复杂场景中智能体与任务目标之间的最短可行路径作为最优路径;再一方面,本发明基于动态人工势场法的无人集群覆盖搜索算法,能够提高无人集群在复杂场景中的搜索覆盖率,进而提高任务目标被搜索到的概率,提高总任务完成率。本发明方法尤其适于在复杂障碍物环境中应用。
Description
技术领域
本发明涉及智能无人集群协同控制技术领域,特别是涉及一种基于改进仿生狼群的无人集群动态任务分配方法及系统。
背景技术
随着智能化需求的提升与智能技术的进步,无人集群的应用得到了越来越多的重视。无人集群中包括的各个智能体之间信息共享,每个智能体都能够分配任务和执行任务,并且智能体之间没有绝对的分级,这意味着没有固定地划分领导者与执行者。对于任务分配问题,相应的求解的算法还应当注重均衡性与协同性,另外对智能体搜索范围内的每个目标都有数个需顺序执行的任务,即算法需要考虑任务执行的时序约束。
对于上述任务分配问题,通常采用遗传算法、蚁群算法或粒子群算法等进化优化算法来解决,然而这类算法不是直接对问题进行求解,而是需要多轮迭代才能够找到近似最优解,因此实时性较差,并且这类算法更适用于对全局信息已知的分配问题进行求解,对于已知信息随动态过程增加的动态任务分配问题,这类算法耗费的大量迭代计算时间是没有必要的。对于动态任务分配问题,由于无人集群只能在航行过程中获取到其周围的信息,而不能根据全局信息进行优化,那么动态任务分配问题结果的好坏不仅取决于求解分配方案的算法,还取决于无人集群搜索信息的方式。对于任务执行场景中有障碍物的情况,为躲避障碍物而进行的路径规划会在一定程度上影响智能体的路程。而如果场景中障碍物多且较复杂,那么无人集群搜索目标的方式决定了目标被搜索到的概率,进而决定了最终有多少任务能够完成。因此,如何设计一种能够适用于复杂障碍物环境的动态任务分配方法,是本领域亟需解决的技术问题。
发明内容
针对上述背景技术中提出的问题,本发明提供一种基于改进仿生狼群的无人集群动态任务分配方法及系统,以提高无人集群在复杂障碍物环境中的动态任务分配能力和总任务完成率。
为实现上述目的,本发明提供了如下方案:
一方面,本发明提供一种基于改进仿生狼群的无人集群动态任务分配方法,包括:
无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列;所述无人集群中包括多个智能体,所述智能体包括无人机、无人车和机器人;
所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵;
根据所述代价矩阵对任务分配问题进行建模,得到指派问题模型;
采用改进的匈牙利算法对所述指派问题模型进行求解,得到任务指派方案;所述任务指派方案包括为每个智能体分配的任务集合;
基于所述任务指派方案进行任务调度,得到每个智能体实际执行的任务序列;
基于每个智能体实际执行的任务序列,采用改进的A*算法求解每个智能体执行任务时的最优路径;
无人集群按照所述最优路径去执行每个智能体实际执行的任务序列中的任务,所有任务执行完毕后返回所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列的步骤。
可选地,所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列,具体包括:
无人集群采用基于动态人工势场的集群覆盖搜索算法在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列。
可选地,所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵,具体包括:
所述无人集群中的每个智能体ui对所述待分配任务序列中的任务τk计算代价函数Ci,k=l(ui,τk)-P(ui,τk);其中i∈{1,…,Nu},Nu为无人集群中的智能体数量;k∈{1,…,3Nt},Nt为搜索到的目标数量;Ci,k为第i个参与分配的智能体ui对第k个任务τk计算的代价函数值;L(ui,τk)为损失函数;P(ui,τk)为收益函数;
将代价函数值Ci,k作为代价矩阵第i行第k列的元素,来构成代价矩阵C。
可选地,所述根据所述代价矩阵对任务分配问题进行建模,得到指派问题模型,具体包括:
根据所述代价矩阵C对任务分配问题进行建模,得到指派问题模型其中Xi,k为智能体ui对任务τk的决策变量;决策矩阵X的第i行第k列元素为Xi,k;r(τk)为执行任务τk需要消耗的资源数;/>为智能体ui的剩余资源数;l(τk)为任务τk的类型;t(τk)为任务τk对应的目标;/>为执行任务τk所需协同的智能体数。
可选地,所述采用改进的匈牙利算法对所述指派问题模型进行求解,得到任务指派方案,具体包括:
另一方面,本发明提供一种基于改进仿生狼群的无人集群动态任务分配系统,包括:
目标覆盖搜索模块,用于无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列;所述无人集群中包括多个智能体,所述智能体包括无人机、无人车和机器人;
代价函数计算模块,用于所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵;
任务指派问题建模模块,用于根据所述代价矩阵对任务分配问题进行建模,得到指派问题模型;
任务指派问题求解模块,用于采用改进的匈牙利算法对所述指派问题模型进行求解,得到任务指派方案;所述任务指派方案包括为每个智能体分配的任务集合;
任务调度模块,用于基于所述任务指派方案进行任务调度,得到每个智能体实际执行的任务序列;
路径规划模块,用于基于每个智能体实际执行的任务序列,采用改进的A*算法求解每个智能体执行任务时的最优路径;
任务执行模块,用于无人集群按照所述最优路径去执行每个智能体实际执行的任务序列中的任务,所有任务执行完毕后返回所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列的步骤。
可选地,所述目标覆盖搜索模块,具体包括:
目标覆盖搜索单元,用于无人集群采用基于动态人工势场的集群覆盖搜索算法在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列。
可选地,所述代价函数计算模块,具体包括:
代价函数计算单元,用于所述无人集群中的每个智能体ui对所述待分配任务序列/>中的任务τk计算代价函数Ci,k=L(ui,τk)-P(ui,τk);其中i∈{1,…,Nu},Nu为无人集群中的智能体数量;k∈{1,…,3Nt},Nt为搜索到的目标数量;Ci,k为第i个参与分配的智能体ui对第k个任务τk计算的代价函数值;L(ui,τk)为损失函数;P9ui,τk)为收益函数;
代价矩阵构建单元,用于将代价函数值Ci,k作为代价矩阵第i行第k列的元素,来构成代价矩阵C。
可选地,所述任务指派问题建模模块,具体包括:
任务指派问题建模单元,用于根据所述代价矩阵C对任务分配问题进行建模,得到指派问题模型其中Xi,k为智能体ui对任务τk的决策变量;决策矩阵X的第i行第k列元素为Xi,k;r(τk)为执行任务τk需要消耗的资源数;为智能体ui的剩余资源数;l(τk)为任务τk的类型;t(τk)为任务τk对应的目标;/>为执行任务τk所需协同的智能体数。
可选地,所述任务指派问题求解模块,具体包括:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的基于改进仿生狼群的无人集群动态任务分配方法及系统,一方面在传统的仿生狼群无人集群动态任务分配方法的基础上引入了改进的匈牙利算法,依据任务执行的代价函数值求解非平衡指派问题,并根据任务执行约束进行任务调度,降低任务执行代价的同时兼顾了集群任务负载的均衡性;另一方面,采用改进的A*算法,将任务指派与调度后的输出作为路径规划的输入,以寻找复杂场景中智能体与任务目标之间的最短可行路径作为最优路径;再一方面,本发明基于动态人工势场法的无人集群覆盖搜索算法,能够提高无人集群在复杂场景中的搜索覆盖率,进而提高任务目标被搜索到的概率,提高总任务完成率;本发明方法尤其适于在复杂障碍物环境中应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于改进仿生狼群的无人集群动态任务分配方法的流程图;
图2为长宽比为36×26的仿真实验地图;
图3为仿真实验结果图;
图4为四种算法在任务完成率与执行时间上的比较结果图;
图5为两种算法在任务负载上的比较结果图;
图6为两种算法在净收益上的比较结果图。
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获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于改进仿生狼群的无人集群动态任务分配方法及系统,以提高无人集群在复杂障碍物环境中的动态任务分配能力和总任务完成率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于改进仿生狼群的无人集群动态任务分配方法的流程图,参见图1,一种基于改进仿生狼群的无人集群动态任务分配方法,包括:
步骤1:无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列。
对于集群智能的研究,一个较为普遍的方法是模仿生物集群进行建模。本发明基于仿生狼群无人集群,对动态任务分配问题提出了新的方法。本发明研究的无人集群中包括多个智能体,所述智能体包括但不限于无人机、无人车和机器人。本发明中无人集群有如下特征,无人集群中的智能体要带有一些为完成任务需要的物理设备,例如激光雷达用于定位与建图,以便集群能够使用全局位姿与全局栅格地图数据;双目视觉相机用于识别与定位目标,以便能够获取目标以及待执行任务的信息,其中目标是任意可被无人机视觉相机识别出来的目标;高速网卡用于无人集群内通信,以便能够分配任务。
假设无人集群在场景地图已知但目标信息未知的情况动态执行多个任务,首先无人集群在地图中搜索目标,对于搜索到的目标生成任务,并将所有的任务合成一个的待分配任务序列,且信息对无人集群中的所有智能体共享;其次无人集群根据待分配任务序列及任务信息求解任务分配问题并进行路径规划;之后各智能体根据求解的方案执行任务;最后判断是否满足任务结束的条件,若满足则对任务完成情况进行评估,若不满足则继续在地图中搜索目标。
本发明中设表示智能体集合,其中Nu为智能体数量。每个智能体ui由其状态、动作、决策与其他信息定义为一个元组,即ui=<Si,Ai,Di,Ii>,i∈{1,…,Nu}。Si为智能体的状态,定义为/> 其中/>为智能体ui的位置坐标;/>为智能体的速度;/>为智能体ui的类型,与下文中目标的类型相对应;/>为智能体剩余资源量,若智能体资源耗尽则无法参与任务分配;costi为智能体i待分配序列中的任务计算出的代价函数值表,代价函数由后文中给出;waiti为智能体i的待执行任务队列,存放等待被执行的任务信息;donei为智能体i的已完成任务队列,存放已完成的任务信息,用于评估最终的结果。Ai为智能体动作集合,存放智能体操作自身状态与管理任务的动作,其中有更新状态、接受任务、放弃任务、计算代价函数和搜索。Di为智能体决策集合,其中决策是指根据自身状态、任务信息和环境信息选择动作的操作。Ii为共享信息集合,包括待分配任务的序列T、其他智能体的位置信息和对搜索过区域的记录。
表示目标集合,其中Nt为目标数量,目标tj定义为包含其信息的元组,即/>其中/> 为目标所在位置;/>为目标类型,与前文中的智能体类型对应,智能体与目标类型相同的情况下执行该目标处任务的代价较低;/>为执行该目标的任务时最少需要协同的智能体数,若前来执行任务的智能体数量小于该值,则任务执行失败,并将此称为协同性约束;dj为任务完成标志位,即若该目标处的任务都完成了则此标志为设为1否则为0;relyj为依赖目标序列,即智能体需要先执行完所有relyj中目标的任务才可执行tj处的任务,并将此称为目标依赖约束。假设每个目标都被分成三个需顺序执行的任务,分别为scout(S)、execute(E)和assess(A),称为任务顺序约束。其中仅E可能需要多智能体协同完成,另两个任务仅需单机即可完成。并且如果执行任务A后发现任务未成功,则返回任务E重新执行,且任何目标的上述三个任务都不需要连续执行。由此对无人集群探测到的目标生成待分配任务序列/>其中任务对象是从目标对象继承而来的。
步骤2:所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵。
其中,ηl为任务类型,对应l为0、1、2时,ηl为S、E和A。并且由于智能体不会对已完成的目标生成任务,所以无需继承标志位dj。
定义障碍物集合No为障碍物数量,每个矩形障碍物定义为其中/>为矩形中心位置;/>为与x轴平行的边的长度;/>为与y轴平行的边的长度;angleb表示矩形的边与x轴或y轴的夹角;infob为其他信息,例如障碍物是否透明或者智能体是否可以直接穿破障碍物而不需绕行。
任务指派问题的求解需要先计算代价矩阵,假设某一时刻待分配的任务有Nτ个,可参与任务分配的智能体有Nμ个,则代价矩阵为一个Nμ行Nτ列的矩阵,表示为代价矩阵C中的元素Ci,k为第i个参与分配的智能体ui对第k个任务τk计算的代价函数值,代价函数定义为损失函数L(ui,τk)与收益函数P(ui,τk)之差,即:
Ci,k=L(ui,τk)-P(ui,τk) (2)
其中,损失函数L(ui,τk)包括航程与威胁两个方面,定义为:
其中cd和ct为常数,设定为使相加的两项有相近的数量级,这是为了使这两项都能有效的影响损失函数值;t(τκ)表示任务τκ所属的目标,则表示该目标t(τκ)的位置,表示该目标t(vκ)的类型;l(τκ)表示任务τκ的类型。从式(3)中可以看出,智能体对路程的估计值表示为智能体与任务位置之间的欧氏距离,而对威胁的估计值表示为一个常数ct乘威胁表Thr中某个值的形式,该值由智能体类型/>目标类型/>和任务类型l(τκ)映射得到。一般来说,智能体类型与目标类型相同时威胁值较低,反之较高,且类型为E的任务威胁值要高于S与A的。
收益函数P(ui,τk)包括群体收益与个体收益两个方面,定义为
其中cr和cp为常数,设定为使相加的两项有相近的数量级,这是为了使这两项都能有效的影响收益函数值。从式(4)中可以看出,群体收益表示为智能体当前剩余资源值,这意味着资源多的智能体对任务收益有更高的估计,从而执行更多的任务,有利于群体的发展。个体收益表示为一个常数cp乘收益表Pro中某个值的形式,该值由智能体类型、目标类型和任务类型映射得到。一般来说,智能体类型与目标类型相同时收益值较高,反之较低,且类型为E的任务收益值要高于S与A的。
步骤3:根据所述代价矩阵对任务分配问题进行建模,得到指派问题模型。
对任务分配问题进行建模,令Xi,k为智能体i对任务k的决策变量,即若将任务τκ指派给智能体ui则为1,否则为0。定义决策矩阵X由决策变量组成,即X的第i行第k列的元素为Xi,k,则决策矩阵为一个Nμ行Nτ列的矩阵,表示为由此可将指派问题模型描述如下:
其中r(τk)为执行任务τk需要消耗的资源数;为智能体ui的剩余资源数;l(τk)与t(τk)分别为τk的类型与对应的目标,则/>即为执行任务τk所需协同的智能体数。约束条件/> 表示分配给智能体的所有任务需要消耗的资源数应当小于等于该智能体当前所剩余的资源数。约束条件/> 表示参与协同执行某个任务的智能体数应当大于等于该任务所需协同执行的智能体数。
步骤4:采用改进的匈牙利算法对所述指派问题模型进行求解,得到任务指派方案。
无人集群根据任务代价值求解任务指派方案。动态任务分配算法开始时,先对无人集群信息和场景地图信息进行初始化,然后在场景中进行覆盖搜索,直到发现目标,接着生成任务并存入待分配序列中;随后每个智能体根据自身状态,对待分配序列中的任务计算代价函数;将每个可参与任务分配的智能体的计算结果Ci,k合成一个代价矩阵C用于任务分配;将任务分配问题转化为非平衡指派问题,对于非平衡指派问题,利用改进的匈牙利算法进行求解,该算法给出的是在保证下式(6)成立的条件下代价值最小的任务指派方案,该任务指派方案中包括为每个智能体分配的任务集合。
改进的匈牙利算法步骤简述如下:
步骤4.1:对于代价矩阵C的每一列,从该列的每个数字中减去最小值,并在对所有列进行完该操作后,再对所有行进行该操作,至此每行每列都至少有一个0;
步骤4.2:用最少的横线和竖线覆盖所有的0,若画线数量等于行数则转到步骤4.4,否则转到步骤4.3;
步骤4.3:找出未被上一步所画直线覆盖的位置处的最小值,将矩阵中未被直线覆盖的值减去该最小值,并将直线交点处的值加上该最小值,删除当前所有直线并跳转回步骤4.2;
步骤4.4:对于只有一个0的行,将该0所在的列号代表的任务指派给该0所在行号代表的智能体,并将该0所在列的其他所有0删除,即每个任务只能指派给一个智能体;
步骤4.5:对于有多个0的行,将这些0代表的任务按照原代价矩阵中的数值,优先指派给执行代价小的智能体,并将该0所在列的其他0删除;
步骤4.6:重复步骤4.4与步骤4.5,直到所有任务都指派完成。
采用以上改进的匈牙利算法求解出指派问题模型(5)中的决策矩阵X的每个决策变量Xi,k,构成任务指派方案,即每个任务指派给哪个智能体来执行,作为后续任务调度步骤5的输入。
步骤5:基于所述任务指派方案进行任务调度,得到每个智能体实际执行的任务序列。
求解指派问题得到的任务指派方案仅仅是为每个智能体分配的任务集合,并不是智能体实际可以执行的任务序列,为了满足目标依赖约束、任务顺序约束和协同性约束,需要进行任务调度。
任务调度过程如下,对各个智能体所分配任务集合中的任务依次进行判断,若满足约束条件则放入该智能体的任务序列中,并将该任务从任务集合中删除,若不满足约束条件则循环判断下一个智能体的任务集合。而对于最终无法满足约束的任务,将其放回待分配任务序列,等待下一轮分配,直到所有任务都调度完成,即对每个智能体都得到一个可实际执行的任务序列。对于调度完成的任务序列,智能体根据自身状态选择接受或者放弃任务,将接受的任务加入qaiti列表中,放弃的任务存入待分配任务序列等待下一轮分配。最终得到的waiti列表中存放的即为每个智能体实际执行的任务序列。
步骤6:基于每个智能体实际执行的任务序列,采用改进的A*算法求解每个智能体执行任务时的最优路径。
在具有复杂障碍物的环境中,无人集群的动态任务分配过程包括任务指派、路径规划和覆盖搜索三个子过程,那么动态任务分配过程中不仅要对已发现的目标指派执行任务的智能体,还需要在行进过程中避开障碍物。避障过程中智能体走的路径不同会影响集群动态任务分配的整体效果,例如一个智能体在执行任务的过程中走了较长的路径,那么这个智能体会影响后续对新目标的任务指派与执行。
在整个集群动态任务分配过程中,集群中的智能体通过步骤5获得当前需要执行的任务以及执行顺序,然后将需要执行的第一个任务输入步骤6来规划去执行任务的最优路径,随后智能体按最优路径行进到任务附近执行任务,执行完该任务后将下一个任务的位置输入步骤6用于规划路径,直到waiti列表中的所有任务都执行完毕,则进入步骤7搜索其他未被发现的目标。
本发明采用改进的A*算法进行路径规划,避免了固定的地图离散化方式,且搜索时间较短。A*算法需要在栅格地图上选择邻居格点进行搜索,而本发明改进的A*算法在路径规划中不需要对地图进行栅格化,而是选择某几个方向上的点作为当前位置的邻居位置进行搜索。为了降低计算量,算法只选择当前位置可见的障碍物边缘点所在的方向进行搜索,并且去掉那些不足以让智能体通过的障碍物边缘点。为了避免相近位置的重复搜索,算法设置了一个距离参数,将任意两个距离小于该参数的位置视为同一个位置,这样算法就能以较快的速度得到一条接近于最短的最优路径。
步骤7:无人集群按照所述最优路径去执行每个智能体实际执行的任务序列中的任务,所有任务执行完毕后返回所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列的步骤。
本发明采用基于动态人工势场的集群覆盖搜索算法来搜索任务。基于动态人工势场的集群覆盖搜索算法对场景栅格化地图的每一个智能体可达的格点建立势场P,且势场信息是所有智能体共享的。开始时先将每个点的势场值初始化为0,在智能体搜索过程中,根据势场值选择搜索方向,并更新每个落在智能体搜索范围内的格点的势场值,即将该点势场值加一个常数。算法假设智能体搜索时每隔一定时间的航行步长为s,并将智能体当前位置的周围划分q个方向,设这些方向与x轴正向的夹角分别为whereh=1,…,q,则可以得到智能体ui下一步可能的位置/>随即排除掉那些超出边界或由障碍物导致智能体不可到达的位置及方向。接下来对剩余的方向进行评估,对方向θh选择那些在夹角范围/> 内且在智能体搜索范围外的格点并加入集合/>为了防止这些格点均不可达,还应当将距离/>最近的格点加入集合Ge,对Ge中格点的势场值求平均作为评估值的一部分。评估值的另一部分是为了让无人集群尽量分散搜索,加快覆盖地图的速度。对任意两个不被障碍物遮挡的智能体,该评估值定义为与另一个智能体uj之间的距离/>的函数/>最终评估值为
本发明中,基于动态人工势场的集群覆盖搜索算法的输入为集群中每个智能体的位置、全局地图和无人集群当前的搜索势场值地图,输出为智能体搜索过程中下一个要去的方向。当智能体把所有已知任务执行完毕后进行该步骤7,直到发现一个新目标后返回步骤1进行新一次的任务分配。在无人集群动态任务分配的过程中,无人集群对未搜索过的区域内是否存在目标是未知的,因此需要通过覆盖搜索过程寻找需要执行的任务,而覆盖搜索的效果会决定最终有多少任务被发现并执行,因此覆盖搜索过程会影响智能集群在复杂环境中的动态任务分配能力。
传统的仿生狼群无人集群任务分配算法是静态的任务分配算法,且没有对复杂障碍物环境的适应性,而本发明提出的一种基于改进仿生狼群的无人集群动态任务分配方法,能够解决复杂场景中无人集群的动态任务分配问题。首先,本发明在传统的仿生狼群无人集群动态任务分配方法的基础上引入了改进的匈牙利算法,依据任务执行的代价函数值求解非平衡指派问题,并根据任务执行约束进行任务调度,降低任务执行代价的同时兼顾了集群任务负载的均衡性。其次,本发明设计了改进的A*算法,将任务指派与调度后的输出作为路径规划的输入,以寻找复杂场景中智能体与任务目标之间的最短可行路径作为最优路径。最后,本发明设计了一个基于动态人工势场法的无人集群覆盖搜索算法,能够提高无人集群在复杂场景中的搜索覆盖率,进而提高任务目标被搜索到的概率,提高总任务完成率。
基于本发明提供的方法,本发明还提供一种基于改进仿生狼群的无人集群动态任务分配系统,包括:
目标覆盖搜索模块,用于无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列;所述无人集群中包括多个智能体,所述智能体包括无人机、无人车和机器人;
代价函数计算模块,用于所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵;
任务指派问题建模模块,用于根据所述代价矩阵对任务分配问题进行建模,得到指派问题模型;
任务指派问题求解模块,用于采用改进的匈牙利算法对所述指派问题模型进行求解,得到任务指派方案;所述任务指派方案包括为每个智能体分配的任务集合;
任务调度模块,用于基于所述任务指派方案进行任务调度,得到每个智能体实际执行的任务序列;
路径规划模块,用于基于每个智能体实际执行的任务序列,采用改进的A*算法求解每个智能体执行任务时的最优路径;
任务执行模块,用于无人集群按照所述最优路径去执行每个智能体实际执行的任务序列中的任务,所有任务执行完毕后返回所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列的步骤。
其中,所述目标覆盖搜索模块,具体包括:
目标覆盖搜索单元,用于无人集群采用基于动态人工势场的集群覆盖搜索算法在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列。
所述代价函数计算模块,具体包括:
代价函数计算单元,用于所述无人集群中的每个智能体ui对所述待分配任务序列/>中的任务τk计算代价函数Ci,k=L(ui,τk)-P(ui,τk);其中i∈{1,…,Nu},Nu为无人集群中的智能体数量;k∈{1,…,3Nt},Nt为搜索到的目标数量;Ci,k为第i个参与分配的智能体ui对第k个任务τk计算的代价函数值;L(ui,τk)为损失函数;P(ui,τk)为收益函数;
代价矩阵构建单元,用于将代价函数值Ci,k作为代价矩阵第i行第k列的元素,来构成代价矩阵C。
所述任务指派问题建模模块,具体包括:
任务指派问题建模单元,用于根据所述代价矩阵C对任务分配问题进行建模,得到指派问题模型其中Xi,k为智能体ui对任务τk的决策变量;决策矩阵X的第i行第k列元素为Xi,k;r(τk)为执行任务τk需要消耗的资源数;为智能体ui的剩余资源数;l(τk)为任务τk的类型;t(τk)为任务τk对应的目标;/>为执行任务τk所需协同的智能体数。
所述任务指派问题求解模块,具体包括:
下面提供本发明方法的一个具体实施例。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本实施例中,采用仿真实验来验证本发明提出的无人集群动态任务分配方法的有效性,仿真实验选择4个智能体和20个目标的情况进行,场景地图如图2所示,场景尺寸设置为36m×26m,地图中黑色区域为障碍物。图中,‘+’与‘x’表示智能体,其中‘+’表示0型智能体,‘x’表示1型智能体,智能体初始位置为右上角,表示场景的入口。智能体处对应标注的标签中第一个数字表示智能体当前执行任务的目标编号,对应于目标标签的第一个数字,若为-1则无任务;第二个数字表示智能体当前剩余资源。实心圆点表示目标,位置随机设置,目标处标注的标签中第一个数字表示目标编号,第二个数字表示目标类型(0或1)。由于实验中发现智能体航程远小于一般智能体的最大航程,因此假设仅执行任务需要消耗资源,这个假设并不影响对算法结果的比较。
仿真实验参数设置如下:智能体初始资源值都设为6;智能体类型设置为两个0型两个1型;搜索范围为3米;航行步长为1米。
威胁表Thr如下:
收益表Pro如下:
仿真实验设置停止条件为,当无人集群搜索步数超过某一值但还没搜索到新目标时则停止仿真,这个值设定为200,仿真结果如图3所示,其中的标签与图2中相同,虚线代表无人集群的行进路线,可以看到无人集群的搜索范围较为完整的覆盖了场景地图,另外在目标处多段虚线的相交表明无人集群有较强的协同性,能够自主合作调度并完成目标处的任务。
对仿生狼群无人集群任务分配问题,指派任务的过程可以转化为平衡指派(BA)或非平衡指派(NA)问题,对场景搜索的过程可以用平行搜索算法(PS)或本发明中的动态人工势场算法(DAPS),现对这两个过程不同算法的组合进行比较,其中转化为非平衡指派时也使用本发明中提出的任务调度算法,下文中简记为NR,即图中DAPS+NR为本发明采用的方法。用于比较的指标为执行时长和任务完成率,其中执行时长表示无人集群在仿真停止之前执行任务所用的时间,任务完成率表示仿真停止时无人集群完成的任务占总任务的比值。对于相同的任务完成率,时长越短则算法越优;对于相同的执行时长,任务完成率越高则算法越优。
对每种组合分别以上述参数进行20轮实验,比较结果如图4所示,可以看到使用动态人工势场算法进行搜索的完成率明显高于平行搜索算法,这是因为平行搜索会有一些目标未被搜索到;而平衡指派或非平衡指派对结果的影响不明显,那么就选定搜索算法为动态人工势场算法,对指派问题的不同求解方案(即NR与BA)进行进一步的比较实验。
当待分配任务数量不多于智能体数量时,非平衡指派问题会退化成平衡指派问题,因此对目标更多的情况做多轮实验进行比较。用于比较的指标为负载率的均方差和无人集群的净收益,其中某智能体的负载率定义为该智能体成功执行的任务数与无人集群成功执行的任务数之比,则负载率的均方差可以表示智能体的负载均衡情况,均方差越大则越不均衡,反之则越均衡;无人集群的净收益定义为每个智能体收益之和减去损失之和,收益与损失根据Thr表与Pro表中的值进行计算。
比较实验对于目标数从20到80的情况,每增加五个目标就进行20轮实验并对结果取平均,比较平衡指派和非平衡指派的差异。为了不同目标数的实验具有可比性,将每次实验中智能体的初始资源数设定为刚好能完成任务,即目标数除以智能体数并向上取整,其他参数不变。结果如图5、图6所示。可以看出在无人集群动态任务分配问题中,采用本发明提出的方法比用平衡指派的方法负载率更均衡且净收益更高。当目标数增多时,本发明提出的方法仍能够有较好的结果,表现出了较好的适应性。
针对于无人集群动态任务分配环境下的任务指派、路径规划和覆盖搜索等问题,本发明在任务指派、路径规划和覆盖搜索方面均提出了新的方法,使无人集群能够更好地解决动态任务分配问题。首先,针对任务指派问题,本发明将该问题转化为非平衡指派问题,使用改进的匈牙利算法进行求解,该算法直接根据任务评估价值对指派方案进行求解,无需迭代计算,能够提高任务分配算法的实时性。其次,对路径规划问题,本发明对A*算法做出改进,能够较快的求出一条接近最优的路径,提高整体任务完成的效率。最后,本发明设计了一个基于动态人工势场的无人集群覆盖搜索算法,解决了在复杂场景下搜索目标的问题,使得无人集群具有在位置环境中动态搜索执行任务的优点。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于改进仿生狼群的无人集群动态任务分配方法,其特征在于,包括:
无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列;所述无人集群中包括多个智能体,所述智能体包括无人机、无人车和机器人;
所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵;
根据所述代价矩阵对任务分配问题进行建模,得到指派问题模型;
采用改进的匈牙利算法对所述指派问题模型进行求解,得到任务指派方案;所述任务指派方案包括为每个智能体分配的任务集合;
基于所述任务指派方案进行任务调度,得到每个智能体实际执行的任务序列;
基于每个智能体实际执行的任务序列,采用改进的A*算法求解每个智能体执行任务时的最优路径;
无人集群按照所述最优路径去执行每个智能体实际执行的任务序列中的任务,所有任务执行完毕后返回所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列的步骤。
2.根据权利要求1所述的基于改进仿生狼群的无人集群动态任务分配方法,其特征在于,所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列,具体包括:
无人集群采用基于动态人工势场的集群覆盖搜索算法在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列。
3.根据权利要求2所述的基于改进仿生狼群的无人集群动态任务分配方法,其特征在于,所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵,具体包括:
所述无人集群中的每个智能体ui对所述待分配任务序列中的任务τk计算代价函数Ci,k=L(ui,τk)-P(ui,τk);其中i∈{1,…,Nu},Nu为无人集群中的智能体数量;k∈{1,...,3Nt},Nt为搜索到的目标数量;Ci,k为第i个参与分配的智能体ui对第k个任务τk计算的代价函数值;L(ui,τk)为损失函数;P(ui,τk)为收益函数;
将代价函数值Ci,k作为代价矩阵第i行第k列的元素,来构成代价矩阵C。
6.一种基于改进仿生狼群的无人集群动态任务分配系统,其特征在于,包括:
目标覆盖搜索模块,用于无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列;所述无人集群中包括多个智能体,所述智能体包括无人机、无人车和机器人;
代价函数计算模块,用于所述无人集群中的每个智能体对所述待分配任务序列中的任务计算代价函数并构成代价矩阵;
任务指派问题建模模块,用于根据所述代价矩阵对任务分配问题进行建模,得到指派问题模型;
任务指派问题求解模块,用于采用改进的匈牙利算法对所述指派问题模型进行求解,得到任务指派方案;所述任务指派方案包括为每个智能体分配的任务集合;
任务调度模块,用于基于所述任务指派方案进行任务调度,得到每个智能体实际执行的任务序列;
路径规划模块,用于基于每个智能体实际执行的任务序列,采用改进的A*算法求解每个智能体执行任务时的最优路径;
任务执行模块,用于无人集群按照所述最优路径去执行每个智能体实际执行的任务序列中的任务,所有任务执行完毕后返回所述无人集群在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列的步骤。
7.根据权利要求6所述的基于改进仿生狼群的无人集群动态任务分配系统,其特征在于,所述目标覆盖搜索模块,具体包括:
目标覆盖搜索单元,用于无人集群采用基于动态人工势场的集群覆盖搜索算法在地图中对目标进行覆盖搜索,对于搜索到的目标生成待分配任务序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177424.4A CN116185035B (zh) | 2023-02-28 | 2023-02-28 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177424.4A CN116185035B (zh) | 2023-02-28 | 2023-02-28 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116185035A true CN116185035A (zh) | 2023-05-30 |
CN116185035B CN116185035B (zh) | 2023-09-19 |
Family
ID=86452018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310177424.4A Active CN116185035B (zh) | 2023-02-28 | 2023-02-28 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116185035B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679758A (zh) * | 2023-08-04 | 2023-09-01 | 江西现代职业技术学院 | 一种无人机调度方法、系统、计算机及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615188A (zh) * | 2018-11-20 | 2019-04-12 | 南京理工大学 | 一种预分配结合匈牙利算法的多机器人任务分配方法 |
CN111722643A (zh) * | 2020-06-12 | 2020-09-29 | 北京航空航天大学 | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
CN113741508A (zh) * | 2021-06-29 | 2021-12-03 | 南京航空航天大学 | 基于改进狼群算法的无人机任务分配方法 |
CN114185362A (zh) * | 2021-12-07 | 2022-03-15 | 北京航空航天大学 | 一种基于郊狼信息熵的无人机集群任务动态分配方法 |
CN115509710A (zh) * | 2022-09-30 | 2022-12-23 | 西北工业大学 | 一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 |
CN115686075A (zh) * | 2022-11-11 | 2023-02-03 | 南京航空航天大学 | 一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法 |
CN116027807A (zh) * | 2023-02-01 | 2023-04-28 | 南京航空航天大学 | 一种异构无人机群协同电力巡检方法 |
-
2023
- 2023-02-28 CN CN202310177424.4A patent/CN116185035B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615188A (zh) * | 2018-11-20 | 2019-04-12 | 南京理工大学 | 一种预分配结合匈牙利算法的多机器人任务分配方法 |
CN111722643A (zh) * | 2020-06-12 | 2020-09-29 | 北京航空航天大学 | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
CN113741508A (zh) * | 2021-06-29 | 2021-12-03 | 南京航空航天大学 | 基于改进狼群算法的无人机任务分配方法 |
CN114185362A (zh) * | 2021-12-07 | 2022-03-15 | 北京航空航天大学 | 一种基于郊狼信息熵的无人机集群任务动态分配方法 |
CN115509710A (zh) * | 2022-09-30 | 2022-12-23 | 西北工业大学 | 一种基于改进k-means聚类的异构无人集群随机环境任务分配方法和系统 |
CN115686075A (zh) * | 2022-11-11 | 2023-02-03 | 南京航空航天大学 | 一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法 |
CN116027807A (zh) * | 2023-02-01 | 2023-04-28 | 南京航空航天大学 | 一种异构无人机群协同电力巡检方法 |
Non-Patent Citations (2)
Title |
---|
DUAN HAIBIN 等: "Unmanned aerial systems coordinate target allocation based on wolf behaviors", SCIENCE CHINA INFORMATION SCIENCES, vol. 62, no. 1, XP036663021, DOI: 10.1007/s11432-018-9587-0 * |
赵煜民 等: "基于聚类的无人机狼群任务分配算法", 人工智能, no. 4, pages 31 - 39 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679758A (zh) * | 2023-08-04 | 2023-09-01 | 江西现代职业技术学院 | 一种无人机调度方法、系统、计算机及可读存储介质 |
CN116679758B (zh) * | 2023-08-04 | 2023-10-17 | 江西现代职业技术学院 | 一种无人机调度方法、系统、计算机及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116185035B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8260485B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
CN112925350B (zh) | 一种多无人机分布式协同目标搜索方法 | |
Li et al. | Trajectory planning for UAV based on improved ACO algorithm | |
CN107330588B (zh) | 一种多基地异构无人机协同侦察的任务规划方法 | |
CN114281104B (zh) | 一种基于改进蚁群算法的多无人机协同调控方法 | |
CN116185035B (zh) | 基于改进仿生狼群的无人集群动态任务分配方法及系统 | |
CN111984033B (zh) | 一种多无人机覆盖任务路径规划方法及装置 | |
CN111586146B (zh) | 基于概率转移深度强化学习的无线物联网资源分配方法 | |
CN116451934B (zh) | 多无人机边缘计算路径优化与依赖任务调度优化方法及系统 | |
Sun et al. | A cooperative target search method based on intelligent water drops algorithm | |
CN113033970A (zh) | 一种针对大规模任务的auv集群分层分配方法 | |
Hong et al. | UAV search-and-rescue planning using an adaptive memetic algorithm | |
Xue et al. | Multi-agent deep reinforcement learning for UAVs navigation in unknown complex environment | |
CN114399161A (zh) | 基于离散映射差分进化算法的多无人机协同任务分配方法 | |
CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN116088396B (zh) | 一种无人集群双层协同任务控制方法及系统 | |
Yang et al. | Learning graph-enhanced commander-executor for multi-agent navigation | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
Zhang et al. | Enhancing Multi-UAV Reconnaissance and Search Through Double Critic DDPG With Belief Probability Maps | |
CN113657718B (zh) | 一种多机器人动态联盟任务分配方法及相关装置 | |
CN115564374A (zh) | 协同多任务重分配方法、装置、设备及可读存储介质 | |
CN115963724A (zh) | 一种基于群智激发联盟博弈的无人机集群任务分配方法 | |
Ling et al. | Reinforcement learning for zone based multiagent pathfinding under uncertainty | |
CN113986531A (zh) | 一种任务调度以及资源分配方法 | |
Zhang et al. | Cooperative reconnaissance mission planning for heterogeneous UAVs with DCSA |
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 |