CN116737336A - 一种基于聚类遗传算法的多无人船任务分配方法及系统 - Google Patents
一种基于聚类遗传算法的多无人船任务分配方法及系统 Download PDFInfo
- Publication number
- CN116737336A CN116737336A CN202310660638.7A CN202310660638A CN116737336A CN 116737336 A CN116737336 A CN 116737336A CN 202310660638 A CN202310660638 A CN 202310660638A CN 116737336 A CN116737336 A CN 116737336A
- Authority
- CN
- China
- Prior art keywords
- individuals
- population
- unmanned ship
- task
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 105
- 230000002068 genetic effect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 32
- 210000000349 chromosome Anatomy 0.000 claims description 24
- 230000035772 mutation Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 28
- 239000002245 particle Substances 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于聚类遗传算法的多无人船任务分配方法及系统,属于无人船任务分配领域。本发明为了兼顾任务分配方案求解时的效率、所求解的优良性和稳定性,最终实现无人船系统以最少的资源消耗完成最多的任务。首先利用K‑means算法进行数据处理,编写了改进的遗传算法,以此来确定中等规模无人船集群静态任务分配的最佳或次佳分配方案。为了兼顾任务分配方案求解时的效率和所求解的优良性,本发明在传统遗传算法的基础上,参考自适应算法的理念,首先利用K‑means算法进行数据处理,编写了改进的遗传算法,以此来确定中等规模无人船集群静态任务分配的最佳或次佳分配方案。本发明方法兼顾了任务分配方案求解时的效率、所求解的优良性和稳定性,实现无人船系统以最少的资源消耗完成最多的任务。
Description
技术领域
本发明涉及一种多无人船任务分配方法,尤其涉及一种基于聚类遗传算法的多无人船任务分配方法,属于无人船任务分配领域。
背景技术
针对中等规模无人船集群静态任务分配问题,目前所用到的算法大多在迭代次数受到限制时不能稳定收敛或不能找到全局最优解。现有技术也没有兼顾任务分配方案求解时的效率和所求解的优良性,无法确定中等规模无人船集群静态任务分配的最佳或次佳分配方案。
文献号为CN113630813A的现有专利文献,公开了一种基于负载约束的多无人船任务分配方法,首先对任务分配模型解耦,将多无人船任务分配模型分为任务委派阶段和任务执行阶段,并获取水域地图及初始任务分布位置。其中任务委派层可以被视为聚类过程。这个过程与无人船的负载约束和通信模型相结合,不仅保证了各艘无人船任务执行的有效性,还能有效规避障碍物区域,减少无人船绕行距离。任务执行层被视为旅行商问题,通过SOM算法计算各艘无人船的任务执行序列,并证明了算法的任务委派结果。该现有技术不仅考虑到实际环境的障碍物影响,又满足各艘无人船自身负载约束,避免了不同无人船之间任务分配量不平衡,能够有效应对多种任务分配场景,从多方面提高任务执行效率。但现有技术利用的算法是神经网络,存在资源分配不均衡,影响系统的效能。
文献号为CN115659495A的现有技术,公开了基于生物聚集特性的无人船构型运动模型构建方法及装置、多无人船快速任务构型方法,涉及多无人船任务规划技术领域。本发明采用所述构型运动模型获得多无人船完成任务的执行序列,使得多无人船在能量消耗最低的同时,最快完成任务。本发明所述的构型方法为:根据每艘无人船的最大额定运动速度,得到每艘无人船从初始位置到完成任务所需的时隙数,根据所述时隙数,获得每艘无人船的最大运动速度再根据每艘无人船的运动方向,获得所有无人船的聚集运动模型然后根据每艘无人船的初始位置到必过点的距离大小、每艘无人船完成聚集运动后到必过点的距离和每艘无人船聚集运动的步长,获得所有无人船的构型运动模型。该现有技术采用的算法使得计算效率较低。
现有论文中,针对多无人船任务分配采用基于混合策略的灰狼优化算法(EPDGWO)、改进自组织映射算法(ISOM)来实现,存在收敛速度慢,容易陷入局部最优解,存在资源分配不均衡,导致系统的整体的效能较差。
发明内容
本发明要解决的技术问题是:
本发明的目的是提供一种基于聚类遗传算法的多无人船任务分配方法及系统,为了兼顾任务分配方案求解时的效率、所求解的优良性和稳定性,最终实现无人船系统以最少的资源消耗完成最多的任务。
本发明为解决上述技术问题所采用的技术方案为:
一种基于聚类遗传算法的多无人船任务分配方法,所述方法的实现过程为:
步骤一:读取环境内相关任务信息,以无人船初始位置为聚类中心,当每一簇中所包含的任务数相差的数量不超过平均分配时无人船的最大任务执行数量的10%时,输出目前所得到的方案,否则再进行聚类;以此使得算法获得较好的初始解,并能够避免产生过多无人船大范围的跨越的情况;
步骤二:对种群内个体初始化:假定环境内待完成任务数为N,因此将种群内的个体的染色体长度设置为N,对种群内个体的染色体进行随机十进制编码,染色体上的N个基因是1~N之间不同数值的一个随机排列,代表着N个不同的任务;按照无人船的数量M将群内个体的染色体进行分段,每一艘无人船认领一个染色体片段;该片段上基因对应的数字表示该艘无人船将要访问的任务信息,基因排列的顺序则代表无人船对任务的访问顺序;
初始化中还需要设定以下参数,种群规模设置为popsize,最大迭代次数设置为countc;在种群初始化完成后首先计算当前群内的最佳适应度函数值bestn;其中个体的适应度越强,个体的适应度函数值越小,个体所表示的解越优良;适应度函数值的计算方法如下:
bestn=αtcβd (1)
上式中α和β是小于1的常数,满足α+β=1,tc表示无人船集群的时间代价,dc表示无人船集群的路径代价;
步骤三:按照步骤二的规则随机生成种群,并将步骤一中所得到的方案(输出目前所得到的方案)按照遗传算法的编码加入到种群中,形成新的初始种群;
步骤四:选择操作,将目前种群内个体按照适应度函数值的大小进行排序,保留当前种群内适应度排名前10%的个体,其余个体按照轮盘赌的方式概率性的进行选择,个体选择概率如下:
F(i)=1/f(i)
步骤五:交叉操作,设置交叉概率如公式(3)所示,按照此种方式,算法内部会自适应的调整交叉概率;适应度前30%的个体采用子路径交叉的方式,其余个体采用部分匹配交叉的方式;子路径交叉的过程是随机选择一个待交叉个体,随机选择该个体中的一段连续基因,在另一待交叉个体中找到这一段连续基因的位置,保持其他未选中基因部分不变,按照选中基因的出现顺序,交换两个待交叉个体的基因的位置;部分匹配交叉的过程为:随机选择待交叉个体中交叉部分的起点和终点,交换这两个个体中这部分位置的基因,最后进行冲突检测依次保证一个染色体中不会出现重复的基因。
上式中,fmax表示种群中个体的最大适应度函数值,faverage表示种群中个体的平均适应度函数值,fmin表示种群中个体的最小适应度函数值,f表示交叉操作中的两个个体的适应度函数值中更大的一个,M1表示每一代遗传个体中适应度函数值大于平均适应度函数值的个体数目,M2表示每一代遗传个体中适应度函数值小于平均适应度函数值的个体数目,λ是为防止分母等于0的情况的一个无穷小的正数;
步骤六:变异操作,设置变异概率如公式(4)所示,该变异概率也会随着迭代而自适应的进行相应的更改,f'表示待变异个体的适应度函数值;
根据变异概率,在当前种群内随机选择待变异个体;
步骤七:将经过上述选择、交叉、变异操作的个体所产生的子代种群综合在一起,生成新一代混合种群。
步骤八:计算新一代混合种群的适应度函数值;
步骤九:判断是否达到循环终止条件,若不满足,则返回步骤一,直到满足循环终止条件,最终输出所得到的最优个体,也即最佳任务分配方案。
进一步地,在步骤一中,用利K-means聚类算法以无人船初始位置为中心进行聚类。
进一步地,当每一簇中所包含的任务数相差的数量不超过平均分配时无人船的最大任务执行数量的10%时,其具体操作为:迭代次数大于5或每一簇所包含任务数量差值小于平均值。
进一步地,在步骤二种群初始化中,生成popsize一个长度为N的染色体和长度为M的分割因子,染色体上的基因编码代表着任务分配方案,分割因子表示哪一段染色体是哪一艘无人船的方案。
进一步地,在步骤一中,在种群初始化之后,将K-means处理所得到的方案以初始化时的编码形式加入到种群中。
一种基于聚类遗传算法的多无人船任务分配系统,该系统具有与上述技术方案的步骤对应的程序模块,运行时执行上述的一种基于聚类遗传算法的多无人船任务分配方法中的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现上述的一种基于聚类遗传算法的多无人船任务分配方法的步骤。
本发明具有以下有益技术效果:
本发明在传统遗传算法的基础上参考自适应算法的理念,首先利用K-means算法进行数据处理,编写了改进的遗传算法,以此来确定中等规模无人船集群静态任务分配的最佳或次佳分配方案。为了兼顾任务分配方案求解时的效率和所求解的优良性,本发明在传统遗传算法的基础上,参考自适应算法的理念,首先利用K-means算法进行数据处理,编写了改进的遗传算法,以此来确定中等规模无人船集群静态任务分配的最佳或次佳分配方案。本发明方法兼顾了任务分配方案求解时的效率、所求解的优良性和稳定性,实现无人船系统以最少的资源消耗完成最多的任务。
附图说明
图1是本发明所述方法的具体实施方式对应的算法流程框图;图2是初始化操作示例图;图3是子路径交叉示意图;图4是部分匹配交叉示意图;图5是变异操作示意图;图6为环境1下算法所得方案无人船工作总时长统计图;图7为环境2下算法所得方案无人船工作总时长统计图。
具体实施方式
结合图1-7,针对本发明所述的一种基于聚类遗传算法的多无人船任务分配方法的实现过程进行如下阐述和说明:
步骤一:对环境内相关信息进行读取,以无人船初始位置为聚类中心,当每一簇中所包含的任务数相差的数量不超过平均分配时无人船的最大任务执行数量的10%时,输出目前所得到的方案。以此使得算法获得较好的初始解,并能够避免产生过多无人船大范围的跨越的情况。
步骤二:对种群内个体初始化。假定环境内待完成任务数为N,因此将种群内的个体的染色体长度设置为N,对种群内个体的染色体进行随机十进制编码,染色体上的N个基因是1~N之间不同数值的一个随机排列,代表着N个不同的任务。按照无人船的数量M将群内个体的染色体进行分段,每一艘无人船认领一个染色体片段。该片段上基因对应的数字表示了该艘无人船将要访问的任务信息,基因排列的顺序则代表了无人船对任务的访问顺序。详细说明如图2所示。
初始化中还需要设定以下参数,种群规模设置为popsize,最大迭代次数设置为countc。在种群初始化完成后首先计算当前群内的最佳适应度函数值bestn。其中个体的适应度越强,个体的适应度函数值越小,个体所表示的解越优良。适应度函数值的计算方法如下:
bestn=αtc+βd (5)
上式中α和β是小于1的常数,满足α+β=1,tc表示无人船集群的时间代价,dc表示无人船集群的路径代价。
步骤三:按照步骤二的规则随机生成种群,并将步骤一中所得到的方案按照遗传算法的编码加入到种群中,形成新的初始种群。
步骤四:选择操作,将目前种群内个体按照适应度函数值的大小进行排序,保留当前种群内适应度排名前10%的个体,其余个体按照轮盘赌的方式概率性的进行选择,个体选择概率如下:
F(i)=1/f(i)
步骤五:交叉操作,设置交叉概率如公式(3)所示,按照此种方式,算法内部会自适应的调整交叉概率。适应度前30%的个体采用如图3所示的子路径交叉的方式,其余个体采用如图4所示的部分匹配交叉的方式。子路径交叉的过程是随机选择一个待交叉个体,随机选择该个体中的一段连续基因,在另一待交叉个体中找到这一段连续基因的位置,保持其他未选中基因部分不变,按照选中基因的出现顺序,交换两个待交叉个体的基因的位置。部分匹配交叉类似于两点交叉,但相比于两点交叉更适合于应用在任务分配场景下。首先,随机选择待交叉个体中交叉部分的起点和终点,交换这两个个体中这部分位置的基因,最后进行冲突检测依次保证一个染色体中不会出现重复的基因。
上式中,fmax表示种群中个体的最大适应度函数值,faverage表示种群中个体的平均适应度函数值,fmin表示种群中个体的最小适应度函数值,f表示交叉操作中的两个个体的适应度函数值中更大的一个,M1表示每一代遗传个体中适应度函数值大于平均适应度函数值的个体数目,M2表示每一代遗传个体中适应度函数值小于平均适应度函数值的个体数目,λ是一个无穷小的正数,主要是为了防止分母等于0的情况。按照这种自适应调整的方法一方面保护了群体中优良的个体,另一方面也减小了群体中优良个体数目比例过大时整体陷入停滞,不易跳出局部最优解,造成未成熟收敛的可能性。
步骤六:变异操作,设置变异概率如公式(4)所示,该变异概率也会随着迭代而自适应的进行相应的更改,f'表示待变异个体的适应度函数值。
根据变异概率,在当前种群内随机选择待变异个体,具体的变异操作如图5所示。
步骤七:将经过上述选择、交叉、变异操作的个体所产生的子代种群综合在一起,生成新一代混合种群。
步骤八:计算新一代混合种群的适应度函数值。
步骤九:判断是否达到了循环终止条件,若不满足,则返回步骤二,直到满足循环终止条件,最终输出所得到的最优个体,也即最佳任务分配方案。
针对本发明方法的仿真分析如下:
算法的基本参数设置为:种群数量为500,最大迭代次数为100,选择概率为0.72。设置初始环境1为无人船数量为3,环境内待执行任务点为30。系统仿真环境:AMD Ryzen 74800H with Radeon Graphics 2.90GHz,16GB内存的PC机,Windows 10操作系统,MATLABR2018a。仿真采用二维地图模型,坐标系为平面坐标系,每艘无人船的速度不同,针对每一个任务的完成时间也不相同,为了便于计算,不考虑无人船执行任务期间可能存在的路径消耗问题,目标是求得一个使系统整体性能表现最佳的方案,也即系统总时间消耗和总路径消耗最小的方案。详细环境信息如表1所示。
表1初始环境1信息表
利用改进算法(KBGA)与目前领域内常用算法在相同的参数设置下进行任务分配方案的计算,其中包括遗传算法(GA)、粒子群算法(PSO)、模拟退火算法(SA)、蚁群算法(ACO)、基于混合策略的灰狼优化算法(EPDGWO)、改进自组织映射算法(ISOM)、遗传算法和粒子群算法结合的遗传粒子群算法(GAPSO)、带精英策略的蚂蚁系统(ACS),利用上述算法所得结果如表2所示。
表2环境1下多种算法所得方案信息
根据上述9种算法所得到的任务分配方案,绘制各无人船的总工作时长信息如图6所示。
根据表2和图6得出如下结论:遗传算法、模拟退火算法、蚁群算法、带精英策略的蚂蚁系统有很大的资源分配不均匀的问题,浪费了系统整体的作业效能,因此并不适合于当前场景下任务分配方案的计算。根据所得路径代价指标分析,所得结果最优的是带精英策略的蚂蚁系统,其次是本文所提出的改进遗传算法。根据所得时间代价指标分析,所得结果最优的是本文所提出的改进遗传算法,次优是遗传算法和粒子群算法结合的遗传粒子群算法。假定当前场景下路径代价指标与时间代价指标的重要性相同,系统的总代价可以定义为路径代价*0.5+时间代价*0.5。上述算法所得方案的总代价指标最低,因此在算法所的方案的整体性能表现上,本文所提出的改进遗传算法表现更好。改进遗传算法与其他算法对比的详细情况如表3所示。
表3环境1下改进算法相较对比算法性能指标参数提高量
根据表3,本文所提出的改进算法相比大部分算法在时间代价指标和路径代价指标上都有一定程度的提高,但相比基于精英策略的蚁群系统而言,路径代价指标降低了12.42%,但在多无人船作业时更注重的是系统整体的作业效率以及整体的消耗量,因此从总代价指标分析,改进遗传算法更适应于多无人船任务分配的场景。
上述实验所针对的是大面积海域,因此无人船的航行路程很大程度上影响了无人船的工作时间,为了进一步验证改进算法的有效性,针对小范围海域进行了重复仿真实验。详细环境信息如表4所示。
表4初始环境2信息表
利用上述算法计算环境2的任务分配方案,所得结果如表5所示。
表5环境2下多种算法所得方案信息
根据上述9种算法所得到的任务分配方案,绘制各无人船的总工作时长信息如图7所示。
根据表5和图7可以得出以下结论:在小范围海域内进行任务分配时,以时间代价为指标时,表现最好的是本文所提出的改进算法;以路径代价为指标时,表现最好的是带精英策略的蚂蚁系统;模拟退火算法以及蚁群算法依然有资源分配不均匀的问题;改进自组织映射算法以及本文所提出的改进算法在资源的均匀分配上表现最好;当总代价指标定义与上文相同时,表现最优的是本文所提出的改进算法。改进算法与其他算法对比的详细情况如表6所示。
表6环境2下改进算法相较对比算法性能指标参数提高量
根据表6,在小范围海域内,改进算法所得分配方案相较大部分其他算法在路径指标和时间指标上都有一部分的提升,带精英策略的蚁群系统虽然在路径指标的表现上优于改进算法,但从总代价指标上看依然是改进算法性能更优。
根据上述在两种海域内的实验结果,改进算法相较其他几种算法在多无人船的任务分配问题的处理上能够得到使系统整体消耗更少的分配方案。
Claims (7)
1.一种基于聚类遗传算法的多无人船任务分配方法,其特征在于:所述方法的实现过程为:
步骤一:读取环境内相关任务信息,以无人船初始位置为聚类中心,当每一簇中所包含的任务数相差的数量不超过平均分配时无人船的最大任务执行数量的10%时,输出目前所得到的方案,否则再进行聚类;以此使得算法获得较好的初始解,并能够避免产生过多无人船大范围的跨越的情况;
步骤二:对种群内个体初始化:假定环境内待完成任务数为N,因此将种群内的个体的染色体长度设置为N,对种群内个体的染色体进行随机十进制编码,染色体上的N个基因是1~N之间不同数值的一个随机排列,代表着N个不同的任务;按照无人船的数量M将群内个体的染色体进行分段,每一艘无人船认领一个染色体片段;该片段上基因对应的数字表示该艘无人船将要访问的任务信息,基因排列的顺序则代表无人船对任务的访问顺序;
初始化中还需要设定以下参数,种群规模设置为popsize,最大迭代次数设置为countc;在种群初始化完成后首先计算当前群内的最佳适应度函数值bestn;其中个体的适应度越强,个体的适应度函数值越小,个体所表示的解越优良;适应度函数值的计算方法如下:
bestn=αtc+βd (9)
上式中α和β是小于1的常数,满足α+β=1,tc表示无人船集群的时间代价,dc表示无人船集群的路径代价;
步骤三:按照步骤二的规则随机生成种群,并将步骤一中所得到的方案(输出目前所得到的方案)按照遗传算法的编码加入到种群中,形成新的初始种群;
步骤四:选择操作,将目前种群内个体按照适应度函数值的大小进行排序,保留当前种群内适应度排名前10%的个体,其余个体按照轮盘赌的方式概率性的进行选择,个体选择概率如下:
步骤五:交叉操作,设置交叉概率如公式(3)所示,按照此种方式,算法内部会自适应的调整交叉概率;适应度前30%的个体采用子路径交叉的方式,其余个体采用部分匹配交叉的方式;子路径交叉的过程是随机选择一个待交叉个体,随机选择该个体中的一段连续基因,在另一待交叉个体中找到这一段连续基因的位置,保持其他未选中基因部分不变,按照选中基因的出现顺序,交换两个待交叉个体的基因的位置;部分匹配交叉的过程为:随机选择待交叉个体中交叉部分的起点和终点,交换这两个个体中这部分位置的基因,最后进行冲突检测依次保证一个染色体中不会出现重复的基因。
上式中,fmax表示种群中个体的最大适应度函数值,faverage表示种群中个体的平均适应度函数值,fmin表示种群中个体的最小适应度函数值,f表示交叉操作中的两个个体的适应度函数值中更大的一个,M1表示每一代遗传个体中适应度函数值大于平均适应度函数值的个体数目,M2表示每一代遗传个体中适应度函数值小于平均适应度函数值的个体数目,λ是为防止分母等于0的情况的一个无穷小的正数;
步骤六:变异操作,设置变异概率如公式(4)所示,该变异概率也会随着迭代而自适应的进行相应的更改,f'表示待变异个体的适应度函数值;
根据变异概率,在当前种群内随机选择待变异个体;
步骤七:将经过上述选择、交叉、变异操作的个体所产生的子代种群综合在一起,生成新一代混合种群。
步骤八:计算新一代混合种群的适应度函数值;
步骤九:判断是否达到循环终止条件,若不满足,则返回步骤一,直到满足循环终止条件,最终输出所得到的最优个体,也即最佳任务分配方案。
2.根据权利要求1所述的一种基于聚类遗传算法的多无人船任务分配方法,其特征在于,在步骤一中,用利K-means聚类算法以无人船初始位置为中心进行聚类。
3.根据权利要求1所述的一种基于聚类遗传算法的多无人船任务分配方法,其特征在于,当每一簇中所包含的任务数相差的数量不超过平均分配时无人船的最大任务执行数量的10%时,其具体操作为:迭代次数大于5或每一簇所包含任务数量差值小于平均值。
4.根据权利要求1、2或3所述的一种基于聚类遗传算法的多无人船任务分配方法,其特征在于,在步骤二种群初始化中,生成popsize一个长度为N的染色体和长度为M的分割因子,染色体上的基因编码代表着任务分配方案,分割因子表示哪一段染色体是哪一艘无人船的方案。
5.根据权利要求4所述的一种基于聚类遗传算法的多无人船任务分配方法,其特征在于,在步骤一中,在种群初始化之后,将K-means处理所得到的方案以初始化时的编码形式加入到种群中。
6.一种基于聚类遗传算法的多无人船任务分配系统,其特征在于:该系统具有与上述权利要求1-5任一项权利要求的步骤对应的程序模块,运行时执行上述的一种基于聚类遗传算法的多无人船任务分配方法中的步骤。
7.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1-5中任一项所述的一种基于聚类遗传算法的多无人船任务分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310660638.7A CN116737336A (zh) | 2023-06-02 | 2023-06-02 | 一种基于聚类遗传算法的多无人船任务分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310660638.7A CN116737336A (zh) | 2023-06-02 | 2023-06-02 | 一种基于聚类遗传算法的多无人船任务分配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116737336A true CN116737336A (zh) | 2023-09-12 |
Family
ID=87917999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310660638.7A Pending CN116737336A (zh) | 2023-06-02 | 2023-06-02 | 一种基于聚类遗传算法的多无人船任务分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737336A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116922402A (zh) * | 2023-09-19 | 2023-10-24 | 杭州芯控智能科技有限公司 | 基于遗传算法的多机械臂多任务分配方法、系统和介质 |
CN117332981A (zh) * | 2023-10-26 | 2024-01-02 | 宁波市特种设备检验研究院 | 一种基于偏序聚类和改进差分进化算法的任务分配方法 |
-
2023
- 2023-06-02 CN CN202310660638.7A patent/CN116737336A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116922402A (zh) * | 2023-09-19 | 2023-10-24 | 杭州芯控智能科技有限公司 | 基于遗传算法的多机械臂多任务分配方法、系统和介质 |
CN117332981A (zh) * | 2023-10-26 | 2024-01-02 | 宁波市特种设备检验研究院 | 一种基于偏序聚类和改进差分进化算法的任务分配方法 |
CN117332981B (zh) * | 2023-10-26 | 2024-05-03 | 宁波市特种设备检验研究院 | 一种基于偏序聚类和改进差分进化算法的任务分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116737336A (zh) | 一种基于聚类遗传算法的多无人船任务分配方法及系统 | |
CN112327923B (zh) | 一种多无人机协同路径规划方法 | |
CN109840154A (zh) | 一种移动云环境下基于任务依赖的计算迁移方法 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN105550033A (zh) | 私有云环境下基于遗传禁忌混合算法的资源调度策略方法 | |
CN113778654B (zh) | 基于粒子群优化算法的并行任务调度方法 | |
CN112270398B (zh) | 一种基于基因编程的集群行为学习方法 | |
CN113708969A (zh) | 一种基于深度强化学习的云数据中心虚拟网络的协同嵌入方法 | |
CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
CN113836803A (zh) | 基于改进狼群算法的无人机群资源调度方法 | |
CN114461386A (zh) | 任务分配方法及任务分配装置 | |
CN112199172A (zh) | 一种面向异构多核处理器的混合式任务调度方法 | |
CN114841611A (zh) | 一种基于改进海洋捕食者算法求解作业车间调度的方法 | |
Dai et al. | Feature selection of high-dimensional biomedical data using improved SFLA for disease diagnosis | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
CN114640966A (zh) | 一种车联网中基于移动边缘计算的任务卸载方法 | |
Wang et al. | Particle-swarm krill herd algorithm | |
CN111866914A (zh) | 一种5g网络中大规模物联网工作节点配置方法 | |
CN105426910B (zh) | 一种基于改进abc算法与de变异策略的自适应聚类方法 | |
CN114510876B (zh) | 基于共生搜索生物地理学优化的多平台武器目标分配方法 | |
Gomes et al. | An Improved Artificial Bee Colony Algorithm with Diversity Control | |
CN114399152B (zh) | 产业园区综合能源调度优化方法及装置 | |
CN113630813B (zh) | 基于负载约束的多无人船任务分配方法 | |
CN117332981B (zh) | 一种基于偏序聚类和改进差分进化算法的任务分配方法 |
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 |