CN117649084A - 基于即时能效协议的任务重分配方法、装置及设备 - Google Patents
基于即时能效协议的任务重分配方法、装置及设备 Download PDFInfo
- Publication number
- CN117649084A CN117649084A CN202311639441.1A CN202311639441A CN117649084A CN 117649084 A CN117649084 A CN 117649084A CN 202311639441 A CN202311639441 A CN 202311639441A CN 117649084 A CN117649084 A CN 117649084A
- Authority
- CN
- China
- Prior art keywords
- task
- aerial vehicle
- unmanned aerial
- bidding
- vehicle 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 239000000446 fuel Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008521 reorganization Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013475 authorization Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 25
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000005266 casting Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于即时能效协议的任务重分配方法、装置及设备。所述方法包括:构建目标任务矩阵,根据目标任务矩阵获取无人机集群的能力值。无人机集群任务实体根据能力值获取招标任务书,招标任务书根据即时能效协议重构无人机集群任务实体的任务链路,得到投标策略。招标无人机利用任务链路合同网协议计算投标策略的竞标值,汇总竞标值的最大值对应的竞标策略,得到待分配任务。待分配任务经综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配所述无人机集群任务实体的目标任务。采用本方法能够提高无人机集群任务重分配的灵活性。
Description
技术领域
本申请涉及无人机集群任务分配技术领域,特别是涉及一种基于即时能效协议的任务重分配方法、装置及设备。
背景技术
分布式网络化结构下,无人集群的装备平台可以行使多种新型一体化的任务执行能力,一体任务执行能力是提升体系效能的重要途径,同时也为集群体系的动态结构调整提出了需求。随着集群智能的兴起,逐渐利用智能优化方法对任务规划方案进行优化。2014年美国加利福尼亚大学的Madni教授所在的团队提出系统的弹性(Flexible)和适变性(Adaptive)方法,给出了详细的逻辑介绍,并就集群弹性工程的研究介绍了相关的概念框架和核心的基础技术。但是并未从实际动态变化的任务场景出发,详细考虑任务执行区域的现状、任务需求资源与任务目标在变化中的不确定因素,没有实现完备性。另一方面,传统的任务链路规划研究中主要考虑确定的相似性结构,对于多维度不相关结构变化问题中,无法快速给出推荐的任务规划方案,面对任务节点的突然增删改,缺乏整体任务重分配的灵活性。
发明内容
基于此,有必要针对上述技术问题,提供一种基于即时能效协议的任务重分配方法、装置及设备。
一种基于即时能效协议的任务重分配方法,所述方法包括:
构建目标任务矩阵,根据目标任务矩阵获取无人机集群的能力值。
无人机集群任务实体根据能力值获取招标任务书,招标任务书根据即时能效协议重构无人机集群任务实体的任务链路,得到投标策略。
招标无人机利用任务链路合同网协议计算投标策略的竞标值,汇总竞标值的最大值对应的竞标策略,得到待分配任务。
待分配任务经综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配所述无人机集群任务实体的目标任务。
在其中一个实施例中,目标任务矩阵包括:目标任务链路合同网协议与目标任务方案。能力值包括:总能力值与个体能力值。即时能效协议包括:竞标无人机选定协议、新链路生成受阻协议、任务重组协议、链路冲突检测协议、新链路重构协议、奖励反馈协议以及授权协议。
在其中一个实施例中,还包括:根据无人机集群任务实体当前时刻所在环境场景获取的分布式资源构建目标任务矩阵:
∑Tal(nTi;C)≥1{l=1||l=0}
其中,nT为目标任务,C为任务链路合同网协议,Tal为目标任务集合,l为指代目标任务集合的个数。
根据目标任务矩阵分别获取无人机集群的总能力值:
其中,QJj为总能力值,RYj为无人机集群任务实体的燃油值,ZSj为无人机集群任务实体的战损值,SYj为无人机集群任务实体的装备剩余值,WZj为无人机集群任务实体的位置信息,nT为目标任务。
与无人机集群任务实体的个体能力值GTj,其中,个体能力值包括:
其中,nT为目标任务,Tal为第l个目标任务集合,T为当前时刻,ZCc为无人机集群任务实体的追踪能力,DJc为无人机集群任务实体的干扰能力,XIc为无人机集群任务实体的信息传送能力,ZKc为无人机集群任务实体的指挥控制能力,RYj为无人机集群任务实体的燃油值,ZSj为无人机集群任务实体的战损值,SYj为无人机集群任务实体的装备剩余值,WZj为无人机集群任务实体的位置信息,Ctime为当前时间下的任务链路合同网协议。
在其中一个实施例中,还包括:无人机集群任务实体根据能力值获取招标任务书,若无人机集群任务实体对应的个体能力不为空值,且无人机集群的全局能力达到预设的能力阈值,则获取招标任务书对应的对象集合:
其中,RW*(nTj)∈Drws为招标任务书对应的对象集合,Drws为任务通知书,nTj为目标任务集合,Bundlel为第l个目标任务包,QJj为总能力值,GTj为无人机集群任务实体的个体能力,为能力因子。
根据对象集合与即时能效协议更新无人机集群任务实体的投标值:
nTj *=argmax{Ui(nTj)}
Ui(nTj)=Ui(Si{nTj})-Ui(Si)
其中,Si{nTj}为所述目标任务集合的投标策略,Ui(nTj)为所述目标任务集合的效用值,Si为第i个策略,nTj *为确定投标的第j个目标任务集合。根据更新后的投标值重构无人机集群任务实体的任务链路,得到投标策略。
在其中一个实施例中,还包括:根据更新后的投标值与预设的评价函数确定最优任务执行实体,取最优任务执行实体对应的竞价信息与位置信息重构无人机集群任务实体的任务链路,得到投标策略。
在其中一个实施例中,还包括:待分配任务分别经时间函数、奖励函数与协同负载成本函数进行综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配无人机集群任务实体的目标任务。
在其中一个实施例中,还包括:时间函数为:
Tk(nTj)=min{tsk(nTj)+tduj(nTj)}
其中,nTj为目标任务集合,T为当前时刻,tsk为任务开始时间,tduj为任务结束时间。
奖励函数为:
Reward=taskCurr.value*(lambda/(minstart-taskcurr.start))
其中,taskCurr.value*为当前目标任务的价值,lambda为权重因子,minstart为完成目标任务,taskcurr.start为开始执行的目标任务。
协同负载成本函数为:
loadk(nTj)=RYk(nTj,T)+WZk(nTj,T)+λRiskk(nTj,T)
其中,nTj为目标任务集合,RYk(nTj,T)为当前时刻目标任务集合的燃油值,WZk(nTj,T)为当前时刻目标任务集合的位置信息,Riskk(nTj,T)为当前时刻目标任务集合的风险值,λ为成本权重因子,T为当前时刻。
一种基于即时能效协议的任务重分配装置,所述装置包括:
能力值获取模块,用于构建目标任务矩阵,根据目标任务矩阵获取无人机集群的能力值。
投标策略获取模块,用于无人机集群任务实体根据能力值获取招标任务书,招标任务书根据即时能效协议重构无人机集群任务实体的任务链路,得到投标策略。
待分配任务获取模块,用于招标无人机利用任务链路合同网协议计算投标策略的竞标值,汇总竞标值的最大值对应的竞标策略,得到待分配任务。
任务重分配模块,用于待分配任务经综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配无人机集群任务实体的目标任务。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
构建目标任务矩阵,根据目标任务矩阵获取无人机集群的能力值。
无人机集群任务实体根据能力值获取招标任务书,招标任务书根据即时能效协议重构无人机集群任务实体的任务链路,得到投标策略。
招标无人机利用任务链路合同网协议计算投标策略的竞标值,汇总竞标值的最大值对应的竞标策略,得到待分配任务。
待分配任务经综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配所述无人机集群任务实体的目标任务。
上述基于即时能效协议的任务重分配方法、装置及设备,通过重构任务链路和评估任务能力,实现任务的高效优化,提高任务完成率,通过综合评定和重分配,确保无人机集群的资源得到最佳的利用,减少能源浪费,通过计算竞标值,选择最优的竞标策略,为招标过程提供更有效的决策依据,通过生成招标任务书和标准化的流程,确保任务招标和分配过程的透明性和一致性,针对任务链路变化的即时能效协议,分别从效能变化、时间和任务得分三个指标进行评估,面对任务节点的突然增删改,实现任务链路的动态调整,使得任务执行过程能够根据实际情况进行优化,并且结合最大生成树算法快速给出了推荐链路,提高了无人机集群整体任务重分配的灵活性。
附图说明
图1为一个实施例中基于即时能效协议的任务重分配方法的流程图;
图2为一个实施例中DSTCA-CBBA方法的基本执行流程示意图;
图3为一个实施例中Bundle结构示意图;
图4为一个实施例中出现新增任务的仿真过程图;
图5为一个实施例中新增任务单独调整过程图;
图6为一个实施例中任务再分配的仿真过程图;
图7为一个实施例中预设参数nt=10、nw=20时方法的仿真过程图;
图8为一个实施例中预设参数nt=10、nw=20时全局效用三维图;
图9为一个实施例中预设参数nt=10、nw=20时时间计算三维图;
图10为一个实施例中迭代DSTCA-CBBA方法的完成时间对比图,其中图10(a)为迭代1000次,图10(b)为迭代500次;
图11为一个实施例中迭代DSTCA-CBBA方法的效用计算对比图,其中图11(a)为迭代100次,图11(b)为迭代500次,图11(c)为迭代1000次;
图12为一个实施例中基于即时能效协议的任务重分配装置的结构图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于即时能效协议的任务重分配方法,包括以下步骤:
步骤102,构建目标任务矩阵,根据目标任务矩阵获取无人机集群的能力值。
步骤104,无人机集群任务实体根据能力值获取招标任务书,招标任务书根据即时能效协议重构无人机集群任务实体的任务链路,得到投标策略。
步骤106,招标无人机利用任务链路合同网协议计算投标策略的竞标值,汇总竞标值的最大值对应的竞标策略,得到待分配任务。
步骤108,待分配任务经综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配无人机集群任务实体的目标任务。
上述基于即时能效协议的任务重分配方法,通过重构任务链路和评估任务能力,实现任务的高效优化,提高任务完成率,通过综合评定和重分配,确保无人机集群的资源得到最佳的利用,减少能源浪费,通过计算竞标值,选择最优的竞标策略,为招标过程提供更有效的决策依据,通过生成招标任务书和标准化的流程,确保任务招标和分配过程的透明性和一致性,针对任务链路变化的即时能效协议,分别从效能变化、时间和任务得分三个指标进行评估,面对任务节点的突然增删改,实现任务链路的动态调整,使得任务执行过程能够根据实际情况进行优化,并且结合最大生成树算法快速给出了推荐链路,提高了无人机集群整体任务重分配的灵活性。
在其中一个实施例中,目标任务矩阵包括:目标任务链路合同网协议与目标任务方案。能力值包括:总能力值与个体能力值。即时能效协议包括:竞标无人机选定协议、新链路生成受阻协议、任务重组协议、链路冲突检测协议、新链路重构协议、奖励反馈协议以及授权协议。
在其中一个实施例中,根据无人机集群任务实体当前时刻所在环境场景获取的分布式资源构建目标任务矩阵:
∑Tal(nTi;C)≥1{l=1||l=0}
其中,nT为目标任务,C为任务链路合同网协议,Tal为目标任务集合,l为指代目标任务集合的个数。
根据目标任务矩阵分别获取无人机集群的所述总能力值:
其中,QJj为总能力值,RYj为无人机集群任务实体的燃油值,ZSj为无人机集群任务实体的战损值,SYj为无人机集群任务实体的装备剩余值,WZj为无人机集群任务实体的位置信息,nT为目标任务。
与无人机集群任务实体的个体能力值GTj,其中,个体能力值包括:
其中,nT为目标任务,Tal为第l个目标任务集合,T为当前时刻,ZCc为无人机集群任务实体的追踪能力,DJc为无人机集群任务实体的干扰能力,XIc为无人机集群任务实体的信息传送能力,ZKc为无人机集群任务实体的指挥控制能力,RYj为无人机集群任务实体的燃油值,ZSj为无人机集群任务实体的战损值,SYj为无人机集群任务实体的装备剩余值,WZj为无人机集群任务实体的位置信息,Ctime为当前时间下的任务链路合同网协议。
在其中一个实施例中,无人机集群任务实体根据能力值获取招标任务书,若无人机集群任务实体对应的个体能力不为空值,且无人机集群的全局能力达到预设的能力阈值,则获取招标任务书对应的对象集合:
其中,RW*(nTj)∈Drws为招标任务书对应的对象集合,Drws为任务通知书,nTj为目标任务集合,Bundlel为第l个目标任务包,QJj为总能力值,GTj为无人机集群任务实体的个体能力,为能力因子。
根据对象集合与即时能效协议更新无人机集群任务实体的投标值:
nTj *=argmax{Ui(nTj)}
Ui(nTj)=Ui(Si{nTj})-Ui(Si)
其中,Si{nTj}为所述目标任务集合的投标策略,Ui(nTj)为所述目标任务集合的效用值,Si为第i个策略,nTj *为确定投标的第j个目标任务集合。根据更新后的投标值重构无人机集群任务实体的任务链路,得到投标策略。根据更新后的投标值重构无人机集群任务实体的任务链路,得到投标策略。
在其中一个实施例中,根据更新后的投标值与预设的评价函数确定最优任务执行实体,取最优任务执行实体对应的竞价信息与位置信息重构无人机集群任务实体的任务链路,得到投标策略。
在其中一个实施例中,待分配任务分别经时间函数、奖励函数与协同负载成本函数进行综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配所述无人机集群任务实体的目标任务。
在其中一个实施例中,时间函数为:
Tk(nTj)=min{tsk(nTj)+tduj(nTj)}
其中,nTj为目标任务集合,T为当前时刻,tsk为任务开始时间,tduj为任务结束时间。
奖励函数为:
Reward=taskCurr.value*(lambda/(minstart-taskcurr.start))
其中,taskCurr.value*为当前目标任务的价值,lambda为权重因子,minstart为完成目标任务,taskcurr.start为开始执行的目标任务。
协同负载成本函数为:
loadk(nTj)=RYk(nTj,T)+WZk(nTj,T)+λRiskk(nTj,T)
其中,nTj为目标任务集合,RYk(nTj,T)为当前时刻目标任务集合的燃油值,WZk(nTj,T)为当前时刻目标任务集合的位置信息,Riskk(nTj,T)为当前时刻目标任务集合的风险值,λ为成本权重因子,T为当前时刻。
在其中一个实施例中,如图2所示,提供了DSTCA-CBBA方法的基本执行流程,具体包括以下步骤:
Motif是一种具有高频性和均匀分布性,并且连接结构简单的基础单元。在无人机集群的任务链路中包含了侦控察打,基于无人机功能并结合无人机集群作战的特点,有必要建立面向功能的无人机集群Motif模型。本文利用五种无人机功能Motif思想,根据DoDAF2.0架构框架,进一步将多无人机集群的任务实体,按照类型进行划分,具体分为集群机动类、侦察探测类、信息处理类、决策制定类、采取行动类等5类任务实体,如表1所示:
表1任务实体表
其中,集群机动任务链包含多个集群机动任务实体,侦察探测任务链包含多个侦察探测任务实体,信息处理任务链包含多个信息处理任务实体,决策制定任务链包含多个决策制定任务实体,采取行动任务链包含多个行动任务实体。
本方法无人机集群所在目标任务链路适变机制的网络包含多个任务包Bundlel(l∈[1,loitern]),每个任务包包含具有不同功能的任务包,定义为Bundlel=<TLa,TLb,TLc,Tld,TLe;T>,根据使命任务分解,得到具体的任务包,将无人机分配到任务包内,任务包包含多个任务实体。Bundlel不具备分配单一任务的功能,且支持包内结构重组,实体竞价后建立新的任务,更新任务包后添加到任务链中。
针对无人机集群链路在线适变的动态任务规划,设计一些约束条件如下:
约束条件1:如果装备平台更换和增加了某项对集群体系决策影响最为关键的部件,更换和增加前后的决策时间为tw和t′w,则装备系统w对集群体系的贡献率为:
R′w=(t′w-tw)/tw
约束条件2:设定动态agent作为执行任务的实体,分配任务的nA需满足:
其中,Rd是任务分配过程中agent和目标之间的最小距离。
约束条件3:按照目标类型,目标型号,目标状态和目标行为的顺序设置为威胁排序,最终依据目标行为判断目标的威胁度。
约束条件4:依赖环境状态A的任务完成成本,包含在t=T时刻完成的最优控制问题成本,其中,最优控制输入为最小化函数Ji:
约束条件5:任务nT的总任务分配成本中,针对nTnt,给定一个D0,总效用需遵循:
其中,ρnTi是装换成本,系统的功能装换为实际价值的具体成本值。
约束条件6:效费比计算需遵循:
约束条件7:执行任务过程中一些特殊的任务需要约束任务执行时间:
FTi-STi≥Δt
其中FTi表示任务的最终完成时间,STi表示开始时间,Δt表示任务Ta最短执行时间。
每个确定参加竞拍任务的Agent在任务包上再增加一个新任务,然后利用任务链路合同网协议,计算出最高得分,作为竞标值。将竞标的标值作为竞标集,用于生成竞标策略。竞标成功的Agent完成新的任务,不需要额外的共识阶段。对于溢价outbid的Agent,从包中释放任务,通过交流更新任务包。
具体地,首先初始化工作参数,建立包bundle和目标范围cluster,初始化奖赏值,之后计算每个Agent的得分(计算得分是通过距离公式,之后利用reward-惩罚函数),然后确定是否参与投标,通过运行CBBA bundle更新标值。通过计算竞价返回最好竞价的索引任务,检查每个Agent和task的适应度,并检查是否匹配。之后保存最好标的任务位置,保存竞标信息,执行伪代码如下:
进一步地,买卖合同是新的任务发布了,从新的任务目标中系统Wj为提供协同任务执行能力的干扰nTj的单元,买卖合同只有在买方负担得起任务时才有用。
Ui(nTj)sale k=maxUi(nTj)k{k=1,2...,nt}
置换合同是任务的再调度,紧急任务的处理。投标单元不满足剩余能力价值要求,用于执行任务的过程中发现能力不足,是一个二次调度,因此需找到置换目标进行置换。
Ui(nTk)swap k=max{Ui(nTj,nTi)}(i,j∈[1,nt])
交换合同,存在于紧急情况下并且奖励值较高的情况。
Uireplace k(nTj,nTi)=max{Uireplace(nTj,nTi)}(i,j∈[1,nt])
在其中一个实施例中,基于自适应协议的约束下,提出一种基于任务的招标策略,针对任务点需要具备的具体功能,缩小任务的可替换节点集,然后向合适的节点发送招标任务书。
无人机集群任务实体包含集群机动任务实体、侦察探测任务实体、信息处理任务实体、决策制定任务实体和采取行动任务实体五类实体,同时具备各自的功能如表2所示:
表2任务实体类型及功能表
对于目标nTi,任务矩阵可以表示为:
∑Tal(nTi;C)≥1{l=1||l=0}
表示在第i个任务Ta下,满足任务需求和任务链路合同网协议的矩阵大于1。同样的,系统矩阵可以表示为:
∑Een(t;Wi)≥1{en=1||en=0}
满足每个系统提供一种以上的能力,每个任务活动都选择一个以上的系统,并且不同的能力满足线性求和。
功能矩阵为表示无人机具有决策、追踪、干扰等功能。用gn表示,
主要的影响因素包括朝向角、俯仰角、燃油值RY、受损值ZS、装备物资剩余数SY和位置信息WZ。
总体能力值是由无人机的位置信息和RY、ZS、SY和WZ信息决定,其中,WZ信息受朝向角、俯仰角和高度影响:
个体能力GTj是基于无人机个体功能的相关函数,包含追踪能力ZCc,干扰能力DJc,信息传送能力XIc,指挥控制能力ZKc,计算方式如下:
进一步地,Bidder根据当前对其他节点的信息状况,可以得到发放招标任务书的对象集合RW*(nTj)∈Drws如下:
只有个体能力GTj不为空,并且全局能力QJj满足招标阈值,才能计算针对关于目标nTj的竞标值。
对于由于不满足Ci无法进行投标,可以根据以下公式进行投标:
nTj *=argmax{Ui(nTj)}
Ui(nTj)=Ui(Si{nTj})-Ui(Si)
给出投标策略执行代码逻辑:
进一步地,竞标者根据自身能力的度量,满足范围的即可参与竞标,竞标者根据当前对其他节点的信息状况进行投标,中标策略的重点是按照一个确定的评价函数([bestInEdge])选出最优的任务执行者,评价函数的搭建可以影响算法的具体执行时间和任务分配的效果。竞标策略执行伪代码如下所示:
/>
保存最好的竞价信息和最好的得分值,并且保存当前拥有最好得分的位置信息。
进一步地,任务重分配需要在时间函数和奖励函数、及协同负载成本之间获得平衡。
其中,Tk(nTj)表示时间函数,Rewardk(nTj)表示任务nTj的奖励函数,loadk(nTj)表示任务nTj的协同负载成本。
第一个评价指标是最小化时间函数T={T1,T2,...,Tk},时间函数主要依赖于开始时间和任务完成的最终时间。
Tk(nTj)=min{tsk(nTj)+tduj(nTj)}
第二个评价指标是最大化收益,收益主要包括完成自己的任务,也就是竞标前的任务完成时间,满足边际收益递减函数。
Reward=taskCurr.value*(lambda/(minstart-taskcurr.start))
其中,minstart为完成自己预先的任务。
第三个评价指标是协同负载成本函数,包含任务nTj←nTj-1 *的路径成本,nTj←nTj-1 *产生的油耗成本以及完成该任务可能的风险成本:
loadk(nTj)=RYk(nTj,T)+WZk(nTj,T)+λRiskk(nTj,T)
其中,Riskk(nTj,T)表示在T时刻nTj任务的风险值,为了客观描述,引入权重因子λ。
在其中一个实施例中,仿真无人机集群的任务规划方案,无人机集群资源列表以及可提供实用的无人机数量如表3所示:
表3无人机集群资源表
具体地,在执行任务规划方案时,预先的任务规划方案已经生成,首先设置10个Agent去执行10个任务,性能控制参数为使用ode45微分求解器求解,调节参数lambda(Tk)=1,(k∈[0,1]),通过设置更改位置信息,使得在时间/>时无人机Agent努力达到nTk的位置。通过Tasks.task_type设置任务的具体类型,这些类型由具备不同功能的任务实体组成。动态的任务分配是通过动态的地图分配来体现的,设置nt=10,nw=10,迭代次数kf=1000。任务调度方案如图4-图5所示。范围限制为0.3,由于多个Agent不与所有其他Agent通信,因此将多个Agent分配到相同的任务。因此,他们只根据任务的回报来估计它们的效用,而它们的边际效用实际上更低。当Agent靠近并进入通信范围时,Agent开始正确地评估自己的边际效用,从而考虑其他可能增加自己效用的任务。图4-图5中Agent在执行同一个任务使用红色“1”标记,出现新增任务蓝色“1”标记。
因此开始使用DSTCA模型计算任务再分配,标号为“2”的Agent开始执行新增任务蓝色“1”,根据投标策略和竞标策略重新竞拍新增任务蓝色“1”,最终任务分配如图6所示,实验说明基于即使效能协议的拍卖算法可以快速进行任务重分配。
进一步地,设置第二种情况,Agents数量与任务的数量不相同,不是每一个Agent都可以执行任务,有的Agent闲置。设置参数nt=10,nw=20,其他参数设置不变如图7所示。带有红色圆圈标记的为增加需求的变化任务,需要其他Agent协助。利用DSTCA-CBBA方法建立任务、Agents和效用的三维数据图,如图8所示,当任务增加,全局效用值随着任务的数量呈线性递增,而效用的增加时随着Agents的数量呈现指数增加的。如图9所示,时间成本相对独立于任务的数量和Agents的数量,问题求解空间越大,需要执行的任务需求wi越多,为了降低时间成本,Agents会选择就近的任务区,从而得到的奖励值就会越高。
进一步地,对任务的最终完成时间进行对比分析,建立迭代次数分别设置为kf=1000(图10(a))和kf=500(图10(b))。对于再分配任务竞标时,设置奖赏值范围为reward∈[0,0.3]。利用控制变量法,任务和Agents的数量及动态调整的任务数量不变,DSTCA-CBBA方法和原始算法CBBA进行对比分析。实验结果可以发现随着迭代次数的增加,DSTCA-CBBA方法的完成时间趋于平稳且均低于原始算法CBBA的完成时间。
进一步地,设置nt=10,nw=10,建立迭代次数分别设置为kf=100(图11(a)),kf=500(图11(b))和kf=1000(图11(c))。lambda=1.27,reward=0.15,分别使用基于即时效能协议的DSTCA-CBBA方法和原始算法CBBA进行对比分析。计算F(x)≤40次的效用分析。由此可见,其他参数设置相同的情况下,DSTCA-CBBA方法的完成效能均高于原始算法CBBA的获得效用。
应该理解的是,虽然图1-图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种基于即时能效协议的任务重分配装置,包括:能力值获取模块1202、投标策略获取1204、待分配任务获取模块1206和任务重分配模块1208,其中:
能力值获取模块1202,用于构建目标任务矩阵,根据目标任务矩阵获取无人机集群的能力值。
投标策略获取模块1204,用于无人机集群任务实体根据能力值获取招标任务书,招标任务书根据即时能效协议重构无人机集群任务实体的任务链路,得到投标策略。
待分配任务获取模块1206,用于招标无人机利用任务链路合同网协议计算投标策略的竞标值,汇总竞标值的最大值对应的竞标策略,得到待分配任务。
任务重分配模块1208,用于待分配任务经综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配无人机集群任务实体的目标任务。
关于基于即时能效协议的任务重分配装置的具体限定可以参见上文中对于基于即时能效协议的任务重分配方法的限定,在此不再赘述。上述基于即时能效协议的任务重分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于即时能效协议的任务重分配方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12-图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
构建目标任务矩阵,根据目标任务矩阵获取无人机集群的能力值。
无人机集群任务实体根据能力值获取招标任务书,招标任务书根据即时能效协议重构无人机集群任务实体的任务链路,得到投标策略。
招标无人机利用任务链路合同网协议计算投标策略的竞标值,汇总竞标值的最大值对应的竞标策略,得到待分配任务。
待分配任务经综合评定后,得到最优任务分配方案,根据最优任务分配方案重分配所述无人机集群任务实体的目标任务。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于即时能效协议的任务重分配方法,其特征在于,所述方法包括:
构建目标任务矩阵,根据所述目标任务矩阵获取无人机集群的能力值;
无人机集群任务实体根据所述能力值获取招标任务书,所述招标任务书根据即时能效协议重构所述无人机集群任务实体的任务链路,得到投标策略;
招标无人机利用任务链路合同网协议计算所述投标策略的竞标值,汇总所述竞标值的最大值对应的竞标策略,得到待分配任务;
所述待分配任务经综合评定后,得到最优任务分配方案,根据所述最优任务分配方案重分配所述无人机集群任务实体的目标任务。
2.根据权利要求1所述的方法,其特征在于,所述目标任务矩阵包括:目标任务链路合同网协议与目标任务方案;
所述能力值包括:总能力值与个体能力值;
所述即时能效协议包括:竞标无人机选定协议、新链路生成受阻协议、任务重组协议、链路冲突检测协议、新链路重构协议、奖励反馈协议以及授权协议。
3.根据权利要求2所述的方法,其特征在于,构建目标任务矩阵,根据所述目标任务矩阵获取无人机集群的能力值,包括:
根据无人机集群任务实体当前时刻所在环境场景获取的分布式资源构建目标任务矩阵:
ΣTal(nTi;C)≥1{l=1||l=0}
其中,nT为目标任务,C为任务链路合同网协议,Tal为目标任务集合,l为指代目标任务集合的个数;
根据目标任务矩阵分别获取无人机集群的所述总能力值:
其中,QJj为所述总能力值,RYj为所述无人机集群任务实体的燃油值,ZSj为所述无人机集群任务实体的战损值,SYj为所述无人机集群任务实体的装备剩余值,WZj为所述无人机集群任务实体的位置信息,nT为目标任务;
与所述无人机集群任务实体的所述个体能力值GTj,其中,所述个体能力值包括:
其中,nT为目标任务,Tal为第l个目标任务集合,T为当前时刻,ZCc为所述无人机集群任务实体的追踪能力,DJc为所述无人机集群任务实体的干扰能力,XIc为所述无人机集群任务实体的信息传送能力,ZKc为所述无人机集群任务实体的指挥控制能力,RYj为所述无人机集群任务实体的燃油值,ZSj为所述无人机集群任务实体的战损值,SYj为所述无人机集群任务实体的装备剩余值,WZj为所述无人机集群任务实体的位置信息,Ctime为当前时间下的任务链路合同网协议。
4.根据权利要求3所述的方法,其特征在于,无人机集群任务实体根据所述能力值获取招标任务书,所述招标任务书根据即时能效协议重构所述无人机集群任务实体的任务链路,得到投标策略,包括:
无人机集群任务实体根据所述能力值获取招标任务书,若所述无人机集群任务实体对应的个体能力不为空值,且所述无人机集群的全局能力达到预设的能力阈值,则获取所述招标任务书对应的对象集合:
其中,RW*(nTj)∈Drws为所述招标任务书对应的对象集合,Drws为任务通知书,nTj为目标任务集合,Bundlel为第l个目标任务包,QJj为所述总能力值,GTj为所述无人机集群任务实体的个体能力,为能力因子;
根据所述对象集合与即时能效协议更新所述无人机集群任务实体的投标值:
nTj *=argmax{Ui(nTj)}
Ui(nTj)=Ui(Si{nTj})-Ui(Si)
其中,Si{nTj}为所述目标任务集合的投标策略,Ui(nTj)为所述目标任务集合的效用值,Si为第i个策略,nTj *为确定投标的第j个目标任务集合;
根据更新后的投标值重构所述无人机集群任务实体的任务链路,得到投标策略。
5.根据权利要求4所述的方法,其特征在于,根据更新后的投标值重构所述无人机集群任务实体的任务链路,得到投标策略,包括:
根据更新后的投标值与预设的评价函数确定最优任务执行实体,取所述最优任务执行实体对应的竞价信息与位置信息重构所述无人机集群任务实体的任务链路,得到投标策略。
6.根据权利要求5所述的方法,其特征在于,所述待分配任务经综合评定后,得到最优任务分配方案,根据所述最优任务分配方案重分配所述无人机集群任务实体的目标任务,包括:
所述待分配任务分别经时间函数、奖励函数与协同负载成本函数进行综合评定后,得到最优任务分配方案,根据所述最优任务分配方案重分配所述无人机集群任务实体的目标任务。
7.根据权利要求X所述的方法,其特征在于,
所述时间函数为:
Tk(nTj)=min{tsk(nTj)+tduj(nTj)}
其中,nTj为目标任务集合,T为当前时刻,tsk为任务开始时间,tduj为任务结束时间;
所述奖励函数为:
Reward=taskCurr.value*(lambda/(minstart-taskcurr.start))
其中,taskCurr.value*为当前目标任务的价值,lambda为权重因子,minstart为完成目标任务,taskcurr.start为开始执行的目标任务;
所述协同负载成本函数为:
loadk(nTj)=RYk(nTj,T)+WZk(nTj,T)+λRiskk(nTj,T)
其中,nTj为目标任务集合,RYk(nTj,T)为当前时刻目标任务集合的燃油值,WZk(nTj,T)为当前时刻目标任务集合的位置信息,Riskk(nTj,T)为当前时刻目标任务集合的风险值,λ为成本权重因子,T为当前时刻。
8.一种基于即时能效协议的任务重分配装置,其特征在于,所述装置包括:
能力值获取模块,用于构建目标任务矩阵,根据所述目标任务矩阵获取无人机集群的能力值;
投标策略获取模块,用于无人机集群任务实体根据所述能力值获取招标任务书,所述招标任务书根据即时能效协议重构所述无人机集群任务实体的任务链路,得到投标策略;
待分配任务获取模块,用于招标无人机利用任务链路合同网协议计算所述投标策略的竞标值,汇总所述竞标值的最大值对应的竞标策略,得到待分配任务;
任务重分配模块,用于所述待分配任务经综合评定后,得到最优任务分配方案,根据所述最优任务分配方案重分配所述无人机集群任务实体的目标任务。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639441.1A CN117649084A (zh) | 2023-12-01 | 2023-12-01 | 基于即时能效协议的任务重分配方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639441.1A CN117649084A (zh) | 2023-12-01 | 2023-12-01 | 基于即时能效协议的任务重分配方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117649084A true CN117649084A (zh) | 2024-03-05 |
Family
ID=90042879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639441.1A Pending CN117649084A (zh) | 2023-12-01 | 2023-12-01 | 基于即时能效协议的任务重分配方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933669A (zh) * | 2024-03-22 | 2024-04-26 | 中国人民解放军国防科技大学 | 一种动态任务分配方法、装置、计算机设备和存储介质 |
-
2023
- 2023-12-01 CN CN202311639441.1A patent/CN117649084A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933669A (zh) * | 2024-03-22 | 2024-04-26 | 中国人民解放军国防科技大学 | 一种动态任务分配方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Intelligent cloud resource management with deep reinforcement learning | |
Kaur et al. | Deep‐Q learning‐based heterogeneous earliest finish time scheduling algorithm for scientific workflows in cloud | |
US7689517B2 (en) | Cost management of software application portfolio | |
CN117649084A (zh) | 基于即时能效协议的任务重分配方法、装置及设备 | |
Krishnadoss et al. | OLOA: Based Task Scheduling in Heterogeneous Clouds. | |
CN112734239B (zh) | 基于任务与资源能力属性的任务规划方法、装置和介质 | |
CN111966495A (zh) | 数据处理方法和装置 | |
CN111784211A (zh) | 一种基于分簇的群体多任务分配方法及存储介质 | |
CN113052514A (zh) | 资源分配的方法、装置、设备、存储介质及程序产品 | |
Miglani et al. | Modified particle swarm optimization based upon task categorization in cloud environment | |
Tiwari et al. | An optimized scheduling algorithm for cloud broker using adaptive cost model | |
Zhang et al. | Weapon–target assignment using a whale optimization algorithm | |
Mahrishi et al. | Optimizing cloud service provider scheduling by using rough set model | |
CN114581220B (zh) | 数据处理方法、设备及分布式计算系统 | |
CN113542063B (zh) | 分布式指挥控制系统效能检测方法、装置、设备和介质 | |
US20230064834A1 (en) | Discrete optimisation | |
Iijima et al. | Analysis of task allocation based on social utility and incompatible individual preference | |
EP3550421A1 (en) | Storage controller and io request processing method | |
Vig et al. | A Framework for Multi-Robot Coalition Formation. | |
Cao et al. | A fault-tolerant workflow mapping algorithm under end-to-end delay constraint | |
Guo et al. | Research on task scheduling of emergency repair team in wartime based on improved genetic algorithm | |
Kumar et al. | Organization Assignment in Federated Cloud Environments based on Multi‐Target Optimization of Security | |
CN112053096B (zh) | 一种采用市场机制的分布式多异构无人平台编组方法 | |
Achimugu et al. | A preference weights model for prioritizing software requirements | |
Aparnaa et al. | An Enhanced Adaptive Scoring Job Scheduling algorithm for minimizing job failure in heterogeneous grid network |
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 |