CN117325157A - 一种多机器人协同作业的任务分配方法 - Google Patents
一种多机器人协同作业的任务分配方法 Download PDFInfo
- Publication number
- CN117325157A CN117325157A CN202311267356.7A CN202311267356A CN117325157A CN 117325157 A CN117325157 A CN 117325157A CN 202311267356 A CN202311267356 A CN 202311267356A CN 117325157 A CN117325157 A CN 117325157A
- Authority
- CN
- China
- Prior art keywords
- task
- robot
- sub
- allocation
- population
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 230000002265 prevention Effects 0.000 claims abstract description 8
- 238000007670 refining Methods 0.000 claims abstract description 3
- 239000003016 pheromone Substances 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000008901 benefit Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000003999 initiator Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1682—Dual arm manipulator; Coordination of several manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种多机器人协同作业的任务分配方法,首先对多机器人任务分配进行问题描述,使机器人系统完成任务的价值最高,并建立以各机器人完成任务价值最高为目标的任务分配数学模型;然后将任务初分配问题划分为几个子种群;最后采用协同改进蚁群算法对任务分配数学模型进行求解,对任务进行细化最终得到多机器人任务分配的最优解。本发明通过将总分配任务划分为多个子种群进行初分配,以各机器人路径最短、总时间最少和防止碰撞多的目标适应度函数为指标进行多子种群合作交流,采用蚁群算法对多机器人任务分配进行优化,在提高多机器人系统工作效率的同时避免碰撞发生,实现各机器人的最佳任务点选择和冲突消解,提高多机器人系统工作效率。
Description
技术领域
本发明属于多机器人协同作业技术领域,具体涉及一种多机器人协同作业的任务分配方法。
背景技术
随着工业机器人技术的不断发展和实际应用的需要,多机器人系统越来越多的应用到生产当中。多机器人系统具有智能高效、功能性强和鲁棒性高等特点,在船舶分段制造、管法兰组对焊接等业务领域有很好的应用前景,为保证多机器人系统稳定高效的工作,如何进行多机器人任务分配使机器人之间合作达到最优是多机器人协作的关键。多机器人任务分配要考虑多机器人协同作业、防止碰撞、路径规划、时序约束等要素问题,并根据不同机器人的能力将一定的任务分配给机器人,实现多机器人协同作业。传统的多机器人分配方法在均衡任务和多目标优化问题求解方面存在一定局限性,无法满足既要合理分配任务,又要机器人路径最短及多机器人之间协调避碰等约束条件。针对目前多机器人协同作业任务分配不均衡、存在空间时间冲突、效率低等多目标优化问题,提出一种多机器人协同作业的任务分配方法,实现各机器人的最佳任务点选择和冲突消解,提高多机器人系统工作效率,对汽车、船舶等工业领域多机器人协同制造的高效任务分配具有重要意义。
发明内容
为解决上述技术问题,本发明提供一种多机器人协同作业的任务分配方法,实现多机器人系统工作效率提高的同时避免碰撞发生。
本发明的目的是通过以下技术方案实现的,一种多机器人协同作业的任务分配方法,包括以下步骤:
步骤1:对多机器人任务分配进行问题描述,将多机器人任务分配转化为多背包价值最大的问题,使机器人系统完成任务的价值最高,且满足任务分配的约束条件;建立以各机器人完成任务价值最高为目标的任务分配数学模型,并抽象为不平衡任务指派模型;
步骤2:将任务初分配复杂问题划分为几个子种群;
步骤3:采用协同改进蚁群算法对多机器人任务分配数学模型进行求解,对多机器人任务进行细化最终得到多机器人任务分配的全局最优解。
优选的,步骤1中,各机器人完成任务价值最高为目标的任务分配数学模型如式(1)所示:
其中m为机器人个数,n为机器人任务交叉点,vpq为任务p与机器人q之间的价值向量,保证任务点分配给机器人时价值最大,vpq为0-1变量,保证任务点只能分配给一个机器人。Tpq为任务p与机器人q之间的价值,式(1)中数学模型的解即为任务点与机器人之间的价值集合。
抽象后的不平衡任务指派模型可表示为式(2):
minDa=DTvpq (2)
其中,D为效益矩阵,表示任务点到各机器人起点的距离;Da为任务点到各机器人起点的总价值。
优选的,在步骤1中,各机器人任务分配的约束条件包括路径最短,总时间最少、防碰撞和任务分配均衡。
优选的,任务分配约束条件的分配原则如下:
每个任务点不能重复分配给多个机器人;
每个机器人被分配的任务数不能超过总任务数;
每个机器人任务数差异在一定偏差内。
优选的,步骤2中,任务初分配遵循以下原则:在每个子种群内各机器人在自身路径最短的基础上,保证各机器人遍历所有任务点只经过一次,如式(3)所示:
式中,Dij为每两个任务点之间的距离;vij为决策变量,其取值在最优时为1,否则为0;DS为单机器人所走路径的距离之和。
优选的,步骤3中具体包括以下步骤:
步骤3.1:对每个子种群进行参数初始化;
步骤3.2:对参数初始化后的子种群建立其目标函数;
步骤3.3:根据信息素选取各子种群的自身变量;
步骤3.4:对选取的自身变量进行适应度评估;
步骤3.5:根据适应度评估结果独立更新各子种群信息素,并对更新后的子种群进行评估,如评估结果满足最优解条件,则进行任务分配并计算各机器人间路径总距离,在所有结果中取最小值;如评估结果不满足最优解条件,则返回步骤3.3。
优选的,在步骤3.1中采用启发函数μij进行参数初始化,当子种群数为m,任务数为n,其启发函数μij如式(4)所示:
优选的,在步骤3.2中:以各子种群路径距离以及其他子种群合作路径的总距离为目标函数,建立加权多目标函数,如式(5)所示:
式中,ω1和ω2为加权系数,L表示相邻两个机器人对应任务点之间的距离。
优选的,在步骤3.3中,根据信息素选取各子种群的自身变量的方法为:将各子种群任务编号,设置所有蚁群路径起点相同及初始信息素浓度相同,计算t时刻下m1从任务点i移动到任务点j的概率p:
其中,γ表示信息素因子,ε表示启发函数因子,s表示从待访问集合中选取的任务点,τij表示任务点i到任务点j的信息素浓度。
优选的,步骤3.5具体包括以下步骤:
步骤3.5.1:根据适应度评估结果独立更新各子种群信息素,各子种群独立更新,互不影响,如式(7)所示:
其中:
式中,Q为信息素增加系数,L为个体经过路径的总长度,Δτij为在任务点i和任务点j间增加的信息素浓度;
步骤3.5.2:对更新后的子种群进行评估,如评估结果满足最优解条件,则进行任务分配并计算各机器人间路径总距离,在所有结果中取最小值,如式(10)所示:
Dt=min{D1,D2,…,Dm} (10)
式中,Dt为任务分配结果中机器人间的总距离;D1,D2,…,Dm分别表示各子种群作为发起者而其他种群作为合作者的最短距离。
与现有技术相比,本发明具备以下优点:
本发明提供的一种多机器人协同作业的任务分配方法,通过将总分配任务划分为多个子种群进行初分配,以各机器人路径最短、总时间最少和防止碰撞多的目标适应度函数为指标进行多子种群合作交流,然后采用协同改进的蚁群算法对多机器人任务分配进行优化,在提高多机器人系统工作效率的同时避免碰撞发生,实现各机器人的最佳任务点选择和冲突消解,提高多机器人系统工作效率。
附图说明
图1为本发明实施例中提供的一种多机器人协同作业的任务分配方法流程图;
图2为本发明实施例中任务初分配流程图;
图3为本发明实施例中合作协同蚁群算法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
如图1所示,本发明的技术方案中提供一种多机器人协同作业的任务分配方法,包括以下步骤:
步骤1:对多机器人任务分配进行问题描述,将多机器人任务分配转化为多背包价值最大的问题,使机器人系统完成任务的价值最高,且满足各机器人路径最短,总时间最少、防碰撞和任务分配均衡的任务分配的约束条件;建立以各机器人完成任务价值最高为目标的任务分配数学模型,并抽象为不平衡任务指派模型,具体步骤为:
对多机器人任务分配问题转化为价值最大问题,建立多背包问题模型:
各机器人完成任务价值最高为目标的任务分配数学模型如式(1)所示:
其中m为机器人个数,n为机器人任务交叉点,vpq为任务p与机器人q之间的价值向量,保证任务点分配给机器人时价值最大,vpq为0-1变量,保证任务点只能分配给一个机器人。Tpq为任务p与机器人q之间的价值,式(1)中,数学模型的解即为任务点与机器人之间的价值集合。
其中,任务分配约束条件的分配原则如下:
每个任务点不能重复分配给多个机器人;
每个机器人被分配的任务数不能超过总任务数;
每个机器人任务数差异在一定偏差内。
步骤2:将任务初分配复杂问题划分为几个子种群:
构建任务分配数学模型,根据步骤1中的问题描述,抽象为不平衡任务指派模型中各子种群内已分配任务点到各机器人位置的最短总距离,抽象后的不平衡任务指派模型可表示为式(2):
minDa=DTvpq (2)
其中,D为效益矩阵,表示任务点到各机器人起点的距离;Da为任务点到各机器人起点的总价值。
任务初分配:通过任务分配数学模型,将复杂问题划分为若干个子种群,如图2所示。在每个子种群内各机器人在自身路径最短的基础上,保证各机器人遍历所有任务点只经过一次,如式(3)所示:
式中,Dij为每两个任务点之间的距离;vij为决策变量,其在最优时为1,否则为0;DS为单机器人所走路径的距离之和。
步骤3:采用协同改进蚁群算法细化任务分配,基于协同改进的蚁群算法,以各机器人路径最短、总时间最长和防止碰撞为多目标评价指标对多个子种群的适应度函数进行评估且建立合作关系,其他情况下各子种群独立进化互不相关,经过合作交流得到多机器人任务分配的全局解,完成任务集合到机器人组的高效细化分配,进而得到一组无碰最优路径,如图3所示,具体包括一下步骤:
步骤3.1:对每个子种群进行参数初始化:
采用启发函数μij进行参数初始化,当子种群数为m,任务数为n,其启发函数μij如式(4)所示:
步骤3.2:对参数初始化后的子种群建立其目标函数:
以各子种群路径距离以及其他子种群合作路径的总距离为目标函数,建立加权多目标函数,如式(5)所示:
式中,ω1和ω2为加权系数,可根据具体情况进行自定义,L表示相邻两个机器人对应任务点之间的距离。
步骤3.3:根据信息素选取各子种群的自身变量:
根据信息素选取各子种群的自身变量的方法为:将各子种群任务编号,设置所有蚁群路径起点相同及初始信息素浓度相同,计算t时刻下m1从任务点i移动到任务点j的概率p:
其中,γ表示信息素因子,ε表示启发函数因子,s表示从待访问集合中选取的任务点,τij表示任务点i到任务点j的信息素浓度。
步骤3.4:对选取的自身变量进行适应度评估;随机选取变量初始位置,根据式(6)任务分配概率,对子种群的优劣进行定量评价,即根据子种群的自适应度函数值,完成自适应度评估。其中,最优化的结果为具有做高任务分配概率的子种群。
步骤3.5:根据适应度评估结果独立更新各子种群信息素,并对更新后的子种群进行评估,如评估结果满足最优解条件,则进行任务分配并计算各机器人间路径总距离,在所有结果中取最小值;如评估结果不满足最优解条件,则返回步骤3.3,具体方法如下:
步骤3.5.1:根据适应度评估结果独立更新各子种群信息素,各子种群独立更新,互不影响,如式(7)所示:
其中:
式中,Q为信息素增加系数,L为个体经过路径的总长度,Δτij为在任务点i和任务点j间增加的信息素浓度;
步骤3.5.2:对更新后的子种群进行评估,如评估结果满足最优解条件,则进行任务分配并计算各机器人间路径总距离,在所有结果中取最小值,如式(10)所示:
Dt=min{D1,D2,…,Dm} (10)
式中,Dt为任务分配结果中机器人间的总距离;D1,D2,…,Dm分别表示各子种群作为发起者而其他种群作为合作者的最短距离。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种多机器人协同作业的任务分配方法,其特征在于:所述方法包括以下步骤:
步骤1:对多机器人任务分配进行问题描述,将多机器人任务分配转化为多背包价值最大的问题,使机器人系统完成任务的价值最高,且满足任务分配的约束条件;建立以各机器人完成任务价值最高为目标的任务分配数学模型,并抽象为不平衡任务指派模型;
步骤2:将任务初分配复杂问题划分为几个子种群;
步骤3:采用协同改进蚁群算法对多机器人任务分配数学模型进行求解,对多机器人任务进行细化最终得到多机器人任务分配的全局最优解。
2.如权利要求1所述的一种多机器人协同作业的任务分配方法,其特征在于:在所述步骤1中,各机器人任务分配的约束条件包括路径最短,总时间最少、防碰撞和任务分配均衡。
3.如权利要求2所述的一种多机器人协同作业的任务分配方法,其特征在于:所述步骤1中,各机器人完成任务价值最高为目标的任务分配数学模型如式(1)所示:
其中m为机器人个数,n为机器人任务交叉点,vpq为任务p与机器人q之间的价值向量,vpq为0-1变量,Tpq为任务p与机器人q之间的价值,式(1)中,数学模型的解即为任务点与机器人之间的价值集合;
抽象后的不平衡任务指派模型可表示为式(2):
minDa=DTvpq (2)
其中,D为效益矩阵,表示任务点到各机器人起点的距离;Da为任务点到各机器人起点的总价值。
4.如权利要求3所述的一种多机器人协同作业的任务分配方法,其特征在于:任务分配约束条件的分配原则如下:
每个任务点不能重复分配给多个机器人;
每个机器人被分配的任务数不能超过总任务数;
每个机器人任务数差异在一定偏差内。
5.如权利要求4所述的一种多机器人协同作业的任务分配方法,其特征在于:所述步骤2中,任务初分配遵循以下原则:在每个子种群内各机器人在自身路径最短的基础上,保证各机器人遍历所有任务点只经过一次,如式(3)所示:
式中,Dij为每两个任务点之间的距离;vij为决策变量,其在最优时为1,否则为0;DS为单机器人所走路径的距离之和。
6.如权利要求5所述的一种多机器人协同作业的任务分配方法,其特征在于:所述步骤3中具体包括以下步骤:
步骤3.1:对每个子种群进行参数初始化;
步骤3.2:对参数初始化后的子种群建立其目标函数;
步骤3.3:根据信息素选取各子种群的自身变量;
步骤3.4:对选取的自身变量进行适应度评估;
步骤3.5:根据适应度评估结果独立更新各子种群信息素,并对更新后的子种群进行评估,如评估结果满足最优解条件,则进行任务分配并计算各机器人间路径总距离,在所有结果中取最小值;如评估结果不满足最优解条件,则返回步骤3.3。
7.如权利要求6所述的一种多机器人协同作业的任务分配方法,其特征在于:在所述步骤3.1中,采用启发函数μij进行参数初始化,当子种群数为m,任务数为n,其启发函数μij如式(4)所示:
8.如权利要求7所述的一种多机器人协同作业的任务分配方法,其特征在于:在所述步骤3.2中:以各子种群路径距离以及其他子种群合作路径的总距离为目标函数,建立加权多目标函数,如式(5)所示:
式中,ω1和ω2为加权系数,L表示相邻两个机器人对应任务点之间的距离。
9.如权利要求8所述的一种多机器人协同作业的任务分配方法,其特征在于:在所述步骤3.3中,根据信息素选取各子种群的自身变量的方法为:将各子种群任务编号,设置所有蚁群路径起点相同及初始信息素浓度相同,计算t时刻下m1从任务点i移动到任务点j的概率p:
其中,γ表示信息素因子,ε表示启发函数因子,s表示从待访问集合中选取的任务点,τij表示任务点i到任务点j的信息素浓度。
10.如权利要求9所述的一种多机器人协同作业的任务分配方法,其特征在于:所述步骤3.5具体包括以下步骤:
步骤3.5.1:根据适应度评估结果独立更新各子种群信息素,各子种群独立更新,互不影响,如式(7)所示:
其中:
式中,Q为信息素增加系数,L为个体经过路径的总长度,Δτij为在任务点i和任务点j间增加的信息素浓度;
步骤3.5.2:对更新后的子种群进行评估,如评估结果满足最优解条件,则进行任务分配并计算各机器人间路径总距离,在所有结果中取最小值,如式(10)所示:
Dt=min{D1,D2,…,Dm} (10)
式中,Dt为任务分配结果中机器人间的总距离;D1,D2,…,Dm分别表示各子种群作为发起者而其他种群作为合作者的最短距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267356.7A CN117325157A (zh) | 2023-09-27 | 2023-09-27 | 一种多机器人协同作业的任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267356.7A CN117325157A (zh) | 2023-09-27 | 2023-09-27 | 一种多机器人协同作业的任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117325157A true CN117325157A (zh) | 2024-01-02 |
Family
ID=89292510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311267356.7A Pending CN117325157A (zh) | 2023-09-27 | 2023-09-27 | 一种多机器人协同作业的任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117325157A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522081A (zh) * | 2024-01-04 | 2024-02-06 | 济南源根科技有限公司 | 一种基于业务节点的项目流程决策系统 |
CN117608258A (zh) * | 2024-01-24 | 2024-02-27 | 纳博特南京科技有限公司 | 一种基于lof算法的多机器人的均衡任务分配方法 |
CN117841006A (zh) * | 2024-03-06 | 2024-04-09 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
-
2023
- 2023-09-27 CN CN202311267356.7A patent/CN117325157A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522081A (zh) * | 2024-01-04 | 2024-02-06 | 济南源根科技有限公司 | 一种基于业务节点的项目流程决策系统 |
CN117608258A (zh) * | 2024-01-24 | 2024-02-27 | 纳博特南京科技有限公司 | 一种基于lof算法的多机器人的均衡任务分配方法 |
CN117608258B (zh) * | 2024-01-24 | 2024-04-05 | 纳博特南京科技有限公司 | 一种基于lof算法的多机器人的均衡任务分配方法 |
CN117841006A (zh) * | 2024-03-06 | 2024-04-09 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
CN117841006B (zh) * | 2024-03-06 | 2024-05-28 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117325157A (zh) | 一种多机器人协同作业的任务分配方法 | |
CN106875090B (zh) | 一种面向动态任务的多机器人分布式任务分配形成方法 | |
Moslehi et al. | A Pareto approach to multi-objective flexible job-shop scheduling problem using particle swarm optimization and local search | |
Smith et al. | Neural techniques for combinatorial optimization with applications | |
Levchuk et al. | Normative design of organizations. I. Mission planning | |
CN107330560A (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
Ye et al. | Cooperative multiple task assignment of heterogeneous UAVs using a modified genetic algorithm with multi-type-gene chromosome encoding strategy | |
CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
CN111313957B (zh) | 基于分类多目标优化的混合卫星通信系统资源分配方法 | |
Han et al. | Ant colony optimization for assembly sequence planning based on parameters optimization | |
CN109523011B (zh) | 一种面向多无人机协同探测的多传感器自适应管理方法 | |
CN110046408A (zh) | 基于bp神经网络微分与区间分析的区间不确定性优化方法 | |
CN110120888B (zh) | 一种云众包平台海量服务资源组合优化方法与系统 | |
Wang et al. | Task allocation for Multi-AUV system: A review | |
CN110717684A (zh) | 一种基于任务分配协调策略与粒子群算法的任务分配方法 | |
CN112734127A (zh) | 一种基于动态蚁群劳动分工模型的多auv任务分配方法 | |
CN109409746A (zh) | 一种生产调度方法及装置 | |
CN110996334B (zh) | 一种虚拟化无线网络功能编排策略 | |
CN109886574B (zh) | 一种基于改进阈值法的多机器人任务分配方法 | |
Yusof et al. | Constraint-chromosome genetic algorithm for flexible manufacturing system machine-loading problem | |
CN116797116A (zh) | 一种基于改进奖惩机制的强化学习路网负载均衡调度方法 | |
Zhong et al. | Cooperative task allocation method of MCAV/UCAV formation | |
CN115220477A (zh) | 一种基于量子遗传算法的异构无人机联盟形成方法 | |
CN113919425A (zh) | 一种空中目标自主分配方法及系统 | |
CN112906968A (zh) | 基于文化基因灰狼优化算法的电缆运输路径规划方法 |
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 |