CN117973820A - 基于人工智能的任务动态分配系统及方法 - Google Patents
基于人工智能的任务动态分配系统及方法 Download PDFInfo
- Publication number
- CN117973820A CN117973820A CN202410387174.1A CN202410387174A CN117973820A CN 117973820 A CN117973820 A CN 117973820A CN 202410387174 A CN202410387174 A CN 202410387174A CN 117973820 A CN117973820 A CN 117973820A
- Authority
- CN
- China
- Prior art keywords
- task
- aerial vehicle
- unmanned aerial
- feature vector
- training
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 550
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims description 251
- 239000011159 matrix material Substances 0.000 claims description 181
- 230000006870 function Effects 0.000 claims description 56
- 230000005012 migration Effects 0.000 claims description 44
- 238000013508 migration Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000009466 transformation Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000004382 visual function Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012821 model calculation Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008676 import Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009828 non-uniform distribution Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于人工智能的任务动态分配系统及方法,涉及动态任务分配领域,方法包括:获取待执行任务序列中各个任务相关信息及无人机状态信息;对待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取得到执行任务特征向量,对无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取得到无人机状态特征向量;融合所述执行任务特征向量和所述无人机状态特征向量后进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;基于任务分配器以生成任务分类策略。能够有效解决无人机编队任务分配中的问题,提高任务的完成度和执行效率,适应复杂任务环境下的需求变化。
Description
技术领域
本申请涉及动态任务分配领域,且更为具体地,涉及一种基于人工智能的任务动态分配系统及方法。
背景技术
在现实中,无人机技术的快速发展已经引起了广泛的关注和应用。随着无人机技术的不断创新和进步,具有自主能力的无人机在各个领域得到了广泛的应用。
在救援领域,无人机的灵活性和高效性使其成为处理紧急情况的有力工具。无人机可以在灾难现场提供空中监视和侦察,帮助救援人员快速获取准确的信息,从而指导救援行动。此外,无人机还可以通过携带救援物资、执行紧急医疗任务等方式,为受灾人员提供急需的援助。在侦察和搜索任务中,无人机的应用也变得越来越广泛。无人机可以携带高分辨率的传感器和摄像设备,对广大区域进行快速搜索和监测。无人机的机动性和高空视角使其能够有效地发现目标,并提供实时情报和数据支持。无人机还可以用于中继通信,扩大通信范围并提供更好的通信保障。
然而,随着任务环境的复杂化,单一无人机的能力有限,无法完成长时间和大规模的任务。因此,采用多无人机的协同方式来完成任务已成为无人机应用的主流趋势。多无人机系统可以通过合理的任务分配和协同执行,充分发挥各个无人机的优势,提高整体任务的效率和完成度。此外,在突发应急救援情况下,任务时间的紧迫性和新任务的随机下发等不确定性因素对任务分配提出了更高的要求。传统的静态任务分配方案可能无法适应这种动态环境,导致任务完成度低下。动态的任务分配方案变得越来越重要。动态任务分配可以根据实时情况和任务需求,灵活地调整无人机的任务分配,以最大程度地提高任务的完成度和效率。
因此,需要一种基于人工智能的任务动态分配方案。
发明内容
本发明针对现有技术中的缺点,提供了一种基于人工智能的任务动态分配系统及方法。
一种基于人工智能的任务动态分配方法,包括以下步骤:
获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息,其中,各个任务相关信息包括优先级、时间限制、位置信息,无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力;
对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,基于所述执行任务特征向量和所述无人机状态特征向量,得到任务分配特征向量;
对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;
基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;
基于任务分配器对待执行任务进行分配,生成任务分类策略。
作为一种可实施方式,所述对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,包括以下步骤:
将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量;
将所述任务参数输入向量输入到序列编码器中,得到所述执行任务特征向量,其中,序列编码器包括一维卷积层和全连接层。
作为一种可实施方式,基于所述全连接层,通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征;
所述全连接编码模型,表示如下:
其中,是所述任务参数输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,表示矩阵乘法;
基于一维卷积层,通过预设一维卷积编码模型对所述任务参数输入向量进行一维卷积编码并提取出输入向量中各个位置的特征值间的高维隐含关联特征;
所述一维卷积编码模型,表示如下:
其中,a为卷积核在x方向上的宽度,为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述任务参数输入向量,/>表示对所述任务参数输入向量进行一维卷积编码。
作为一种可实施方式,所述对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,包括以下步骤:
将各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵;
将无人机状态输入矩阵通过卷积神经网络模型以得到所述无人机状态特征向量,其中,所述卷积神经网络模型使用全局转换矩阵作为滤波器。
作为一种可实施方式,所述任务分配特征向量,通过融合模型得到,融合模型的计算公式如下:
其中,表示所述无人机状态特征向量,/>表示所述执行任务特征向量,/>表示级联函数,/>表示所述任务分配特征向量。
作为一种可实施方式,所述对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量,包括以下步骤:
将所述任务分配特征向量通过激活函数以得到类别概率特征向量;
计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵;
对所述干涉矩阵进行奇异值分解以得到相关干涉矩阵;
将所述任务分配特征向量与所述相关干涉矩阵进行相乘以得到补偿特征向量;
将所述补偿特征向量与所述任务分配特征向量进行拼接以得到所述补偿后任务分配特征向量。
作为一种可实施方式,所述计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵,包括以下步骤:
创建Django项目和应用的文件,并存储所述任务分配特征向量和所述类别概率特征向量;
创建视觉函数模型,计算所述协方差矩阵,其中,所述视觉函数来自NumPy库;
配置URL路由,将所述URL路由和所述视觉函数模型进行对应;
运行Django开发服务器,访问所述URL路由,进而计算并显示所述协方差矩阵,所述协方差矩阵即为干涉矩阵。
作为一种可实施方式,所述基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,包括以下步骤:
获取训练待执行任务序列中各个任务的优先级、时间限制、位置信息以及训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力;
将所述训练待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为训练任务参数输入向量;
将所述训练任务参数输入向量输入到所述序列编码器以得到训练执行任务特征向量;
将所述训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到训练无人机状态输入矩阵;
将所述训练无人机状态输入矩阵通过卷积神经网络模型以得到训练无人机状态特征向量;
将所述训练执行任务特征向量和所述训练无人机状态特征向量进行融合以得到训练任务分配特征向量;
补偿训练任务分配特征生成单元,用于对所述训练任务分配特征向量进行优化以得到补偿后训练任务分配特征向量;
基于预设迁移因数模型,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数;
将所述补偿后训练任务分配特征向量通过所述生成器以得到生成损失函数值;
以所述概率密度联合相关迁移因数和所述生成损失函数值之间的加权和作为损失函数值,对所述序列编码器、所述卷积神经网络模型和所述生成器进行训练。
作为一种可实施方式,所述预设迁移因数模型,计算公式表示如下:
其中,表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>间的协方差,且/>和/>分别表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>的自方差,/>表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述概率密度联合相关迁移因数。
一种基于人工智能的任务动态分配系统,包括:
任务信息和无人机信息收集模块,用于获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息,其中,各个任务相关信息包括优先级、时间限制、位置信息,无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力;
任务信息和无人机信息特征编码模块,用于对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,基于所述执行任务特征向量和所述无人机状态特征向量,得到任务分配特征向量;
任务分配特征优化模块,用于对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;
模型训练模块,基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;
任务分配策略结果生成模块,用于基于任务分配器对待执行任务进行分配,生成任务分类策略。
作为一种可实施方式,所述任务信息和无人机信息特征编码模块包括任务信息特征提取单元、无人机信息特征提取单元及任务-无人机匹配特征生成单元;
任务信息特征提取单元用于得到执行任务特征向量;
无人机信息特征提取单元用于得到无人机状态特征向量;
任务-无人机匹配特征生成单元用于得到所述任务分配特征向量。
作为一种可实施方式,所述任务信息特征提取单元,包括:
任务参数结构化子单元,用于将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量;
任务参数编码子单元,用于将所述任务参数输入向量输入到序列编码器中,得到所述执行任务特征向量,其中,序列编码器包括一维卷积层和全连接层;
其中,基于所述全连接层,通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征;
所述全连接编码模型,表示如下:
其中,是所述任务参数输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,表示矩阵乘法;
基于一维卷积层,通过预设一维卷积编码模型对所述任务参数输入向量进行一维卷积编码并提取出输入向量中各个位置的特征值间的高维隐含关联特征;
所述一维卷积编码模型,表示如下:
其中,a为卷积核在x方向上的宽度,为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述任务参数输入向量,/>表示对所述任务参数输入向量进行一维卷积编码。
作为一种可实施方式,所述无人机信息特征提取单元,包括:
无人机数据结构化子单元,用于将各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵;
无人机状态编码子单元,用于将无人机状态输入矩阵通过卷积神经网络模型以得到所述无人机状态特征向量,其中,所述卷积神经网络模型使用全局转换矩阵作为滤波器。
作为一种可实施方式,所述任务-无人机匹配特征生成单元,被设置为:
所述任务分配特征向量,通过融合模型得到,融合模型的计算公式如下:
其中,表示所述无人机状态特征向量,/>表示所述执行任务特征向量,/>表示级联函数,/>表示所述任务分配特征向量。
作为一种可实施方式,所述任务分配特征优化模块,包括:
类别概率特征向量生成单元,用于将所述任务分配特征向量通过激活函数以得到类别概率特征向量;
协方差矩阵计算单元,用于计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵;
相关干涉矩阵生成单元,用于对所述干涉矩阵进行奇异值分解以得到相关干涉矩阵;
补偿特征向量生成单元,用于将所述任务分配特征向量与所述相关干涉矩阵进行相乘以得到补偿特征向量;
特征向量拼接单元,用于将所述补偿特征向量与所述任务分配特征向量进行拼接以得到所述补偿后任务分配特征向量。
作为一种可实施方式,所述协方差矩阵计算单元,包括:
创建Django项目和应用的文件,并存储所述任务分配特征向量和所述类别概率特征向量;
创建视觉函数模型,计算所述协方差矩阵,其中,所述视觉函数来自NumPy库;
配置URL路由,将所述URL路由和所述视觉函数模型进行对应;
运行Django开发服务器,访问所述URL路由,进而计算并显示所述协方差矩阵,所述协方差矩阵即为干涉矩阵。
作为一种可实施方式,所述模型训练模块,包括:
训练任务信息和无人机信息收集单元,用于获取训练待执行任务序列中各个任务的优先级、时间限制、位置信息以及训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力;
训练任务信息结构化单元,用于将所述训练待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为训练任务参数输入向量;
训练任务特征提取单元,用于将所述训练任务参数输入向量输入到所述序列编码器以得到训练执行任务特征向量;
训练无人机信息结构化单元,用于将所述训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到训练无人机状态输入矩阵;
训练无人机信息编码单元,用于将所述训练无人机状态输入矩阵通过卷积神经网络模型以得到训练无人机状态特征向量;
训练任务分配特征生成单元,用于将所述训练执行任务特征向量和所述训练无人机状态特征向量进行融合以得到训练任务分配特征向量;
补偿训练任务分配特征生成单元,用于对所述训练任务分配特征向量进行优化以得到补偿后训练任务分配特征向量;
概率密度联合相关迁移因数计算单元,基于预设迁移因数模型,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数;
生成损失函数值计算单元,用于将所述补偿后训练任务分配特征向量通过所述生成器以得到生成损失函数值;
模型训练单元,用于以所述概率密度联合相关迁移因数和所述生成损失函数值之间的加权和作为损失函数值,对所述序列编码器、所述卷积神经网络模型和所述生成器进行训练。
作为一种可实施方式,所述预设迁移因数模型设置于概率密度联合相关迁移因数计算单元中,预设迁移因数模型计算公式表示如下:
其中,表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>间的协方差,且/>和/>分别表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>的自方差,/>表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述概率密度联合相关迁移因数。
一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现如下所述的方法:
获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息,其中,各个任务相关信息包括优先级、时间限制、位置信息,无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力;
对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,基于所述执行任务特征向量和所述无人机状态特征向量,得到任务分配特征向量;
对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;
基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;
基于任务分配器对待执行任务进行分配,生成任务分类策略。
一种基于人工智能的任务动态分配装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下所述的方法:
获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息,其中,各个任务相关信息包括优先级、时间限制、位置信息,无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力;
对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,基于所述执行任务特征向量和所述无人机状态特征向量,得到任务分配特征向量;
对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;
基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;
基于任务分配器对待执行任务进行分配,生成任务分类策略。
本发明由于采用了以上的技术方案,具有显著的技术效果:
本申请的实施例提供了一种基于人工智能的任务动态分配系统及方法,其首先获取实时的待执行任务的相关信息以及执行任务的无人机编队的相关信息,并对获取到的信息进行特征提取,然后将待执行任务的特征和无人机状态的特征进行匹配以生成任务分配相关特征,最后将任务分配相关特征通过生成器以生成任务分配策略。这样,能够有效解决无人机编队任务分配中的问题,提高任务的完成度和执行效率,适应复杂任务环境下的需求变化。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于人工智能的任务动态分配方法的流程图;
图2为根据本申请实施例的基于人工智能的任务动态分配系统的系统框图;
图3为根据本申请实施例的基于人工智能的任务动态分配系统的架构图;
图4为根据本申请实施例的基于人工智能的任务动态分配系统中任务信息和无人机信息特征编码模块的框图;
图5为根据本申请实施例的基于人工智能的任务动态分配系统中任务信息特征提取单元的框图;
图6为根据本申请实施例的基于人工智能的任务动态分配系统中无人机信息特征提取单元的框图;
图7为根据本申请实施例的基于人工智能的任务动态分配系统中任务分配特征优化模块的框图;
图8为根据本申请实施例的基于人工智能的任务动态分配系统中模型训练模块的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上述背景技术所言,随着无人机技术的发展,具有自主能力的无人机由于其灵活性强、效率较高等优点在各个领域得到了广泛的应用。当任务环境越来越复杂时,单无人机由于其执行能力有限,无法完成长时间、大规模的任务,通过多无人机的协同来完成任务逐渐成为无人机应用的主流。同时,在突发应急救援情况下,由于任务时间约束、新任务的随机下发等不确定性事件的影响,实际场景中的静态任务分配方案会导致任务完成度低的问题,动态的任务分配方案变得越来越重要。因此,期待一种基于人工智能的任务动态分配方案。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为动态任务分配提供了新的解决思路和方案。
实施例1:
一种基于人工智能的任务动态分配方法,如图1所示,包括以下步骤:
S110、获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息,其中,各个任务相关信息包括优先级、时间限制、位置信息,无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力;
S120、对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,基于所述执行任务特征向量和所述无人机状态特征向量,得到任务分配特征向量;
S130、对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;
S140、基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;
S150、基于任务分配器对待执行任务进行分配,生成任务分类策略。
获取无人机编队执行任务时实时的待执行任务序列中各个任务的优先级、时间限制、位置信息以及无人机编队中各个无人机的位置、速度、电量、可使用负载能力。应不难理解,任务优先级反映了任务的重要程度或紧急程度。获取任务的优先级信息可以帮助系统在任务分配时优先考虑重要或紧急的任务,以确保关键任务能够得到及时处理。通过考虑任务的优先级,可以提高任务执行的效率和任务完成度。所要执行的任务可能会有时间限制,即任务需要在规定的时间内完成。获取任务的时间限制信息可以帮助系统评估任务的紧迫程度,并在任务分配时考虑时间限制的约束。这样可以避免任务超时或延误,确保任务按时完成。任务和无人机的位置信息是实现任务分配和协同执行的关键数据。通过获取任务的位置信息,系统可以了解任务在空间上的分布和要求。获取无人机的位置信息可以帮助系统了解无人机的当前位置和可用性,以便将任务分配给最近或最适合的无人机。位置信息还可以用于规划无人机的路径和避免碰撞等问题。无人机的位置、速度、电量和可使用负载能力等状态信息对任务分配和协同执行至关重要。通过获取无人机的位置和速度信息,系统可以了解无人机的运动状态,以便更好地规划任务分配和路径规划。电量信息可以帮助系统评估无人机的剩余电量,并合理安排任务,避免电量不足导致任务中断。可使用负载能力信息可以帮助系统评估无人机的负载能力,以确保任务分配合理,不超过无人机的承载能力。
在本申请实施例中,获取无人机编队执行任务时实时的待执行任务序列中各个任务的优先级、时间限制、位置信息以及无人机编队中各个无人机的位置、速度、电量、可使用负载能力的一个可实施方式可以为:待执行任务序列各个任务的优先级、时间限制、位置信息可以通过任务调度器或者任务管理系统,当任务的优先级或者时间限制发生变化时,任务管理系统应更新相应的优先级和时间限制字段;无人机的位置信息可以通过无人机配备的定位设备获取,无人机的速度、电量、可使用负载能力可以分别通过无人机的惯性导航系统、电量传感器以及负载传感器获取数据,一般这些无人机的相关数据都会被传输到中央控制系统中,这些数据可以通过无线通信进行实时传输,以确保系统能够及时获取最新的信息并进行任务分配和协同执行的决策。当然,各个任务相关信息及无人机状态信息足够多以形成数据集,数据集经过预处理如步骤S120的处理,后续会被应用于训练模型,数据越多,模型训练的结果越精确。最终会通过训练好的任务分配器对待分配的待执行任务,即通过待执行任务序列中各个任务相关信息及无人机状态信息进行分配,进而生成任务分类策略。
此实施例中,将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量。不难理解,为了将任务的关键信息转化成计算机可以处理的形式,有利于后续针对任务特征提取的步骤,因此,将任务的优先级、时间限制、位置信息按照任务样本维度排列成向量。这样可以统一任务的表现形式,将它们组织为一个向量可以使任务的表示形式更加简洁、规范和可操作。
任务参数输入向量中包含了任务的优先级、时间限制和位置信息等关键信息,但这些信息并不直接适合用于任务分配的决策。为了从这些信息中捕捉到任务的重要特征,因此,在本申请的技术方案中将所述任务参数输入向量输入到包含一维卷积层和全连接层的序列编码器以得到执行任务特征向量。应很好理解,一维卷积层可以通过滑动窗口的方式对任务参数进行局部特征提取,而全连接层可以对提取的特征进行更全局的整合和抽象。这样,通过序列编码器,可以从任务参数中提取出更具有代表性的特征,用于后续的任务分配决策。还值得一提的是,包含一维卷积层和全连接层的序列编码器引入了非线性变换和建模的能力。任务参数输入向量通常包含了复杂的关联关系和非线性特征,通过序列编码器的非线性变换,可以更好地捕捉任务参数之间的复杂关系。这样,任务特征向量可以更准确地反映任务的重要特征,提高任务分配决策的准确性和效果。序列编码器中的卷积层和全连接层参数是可以通过训练自适应学习得到的。通过在大量任务样本上进行训练,序列编码器可以学习到任务参数的有效特征表示,从而提高任务分配的性能。通过反向传播算法和优化方法,可以调整序列编码器的参数,使其能够更好地适应任务分配问题的特征和要求。
因此,得到执行任务特征向量,包括以下步骤:
将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量;
将所述任务参数输入向量输入到序列编码器中,得到所述执行任务特征向量,其中,序列编码器包括一维卷积层和全连接层。
具体地,在一个实施例中,基于所述全连接层,通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征;
所述全连接编码模型,表示如下:
其中,是所述任务参数输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,表示矩阵乘法;
基于一维卷积层,通过预设一维卷积编码模型对所述任务参数输入向量进行一维卷积编码并提取出输入向量中各个位置的特征值间的高维隐含关联特征;
所述一维卷积编码模型,表示如下:
其中,a为卷积核在x方向上的宽度,为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述任务参数输入向量,/>表示对所述任务参数输入向量进行一维卷积编码。
在一个实施例中,所述对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,包括以下步骤:
将各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵;
将无人机状态输入矩阵通过卷积神经网络模型以得到所述无人机状态特征向量,其中,所述卷积神经网络模型使用全局转换矩阵作为滤波器。
为了对无人机的状态进行编码,因此将所述无人机状态输入矩阵通过使用全局转换矩阵作为滤波器的卷积神经网络模型以得到无人机状态特征向量。本领域普通技术人员应该知晓,卷积神经网络在特征提取领域方面表现优异。它通过使用卷积层、池化层和全连接层等组件,可以自动学习输入数据的特征表示。在任务动态分配中,我们可以将无人机状态输入矩阵看作是一个二维图像。全局转换矩阵是CNN模型中的一种滤波器(filter)或卷积核(kernel)。它是一个小的二维矩阵,可以在输入矩阵上进行卷积操作,提取输入数据的局部特征。全局转换矩阵的大小和数量可以根据任务需求和模型设计进行调整。在CNN模型中,卷积操作是指将全局转换矩阵作为滤波器,在输入矩阵上进行滑动计算。具体而言,将全局转换矩阵与输入矩阵的每个局部区域进行点乘运算,并将结果相加得到卷积后的特征值。通过在输入矩阵上不同位置进行卷积操作,可以提取不同位置的特征信息。通过使用全局转换矩阵作为滤波器,在无人机状态输入矩阵上进行卷积操作后进行池化,可以得到无人机状态特征向量。这个无人机状态特征向量包含了输入矩阵中的特征信息。
具体地,所述任务分配特征向量,通过融合模型得到,融合模型的计算公式如下:
其中,表示所述无人机状态特征向量,/>表示所述执行任务特征向量,/>表示级联函数,/>表示所述任务分配特征向量。
考虑到任务参数包括任务的优先级、时间限制和位置信息,而无人机状态包括无人机的位置、速度、电量以及可使用负载能力,这些信息在任务分配过程中都扮演着重要角色。例如,任务的位置信息和无人机的位置信息直接影响任务分配的效率,任务的优先级和无人机的电量则会影响任务的紧急程度和无人机的可用性,因此这些特征之间会存在一定程度的相关性。然而,当特征之间存在相关性时,会增加模型在训练过程中过拟合的风险。在任务分配特征向量中,如果特征之间高度相关,模型可能会过度依赖这些相关特征来做决策,而忽略其他可能存在的重要特征,导致模型在生成任务分配策略时出现过拟合的问题。此外,特征之间的相关性也可能导致降低任务分配特征向量的显著性。当特征之间存在较高的相关性时,一些特征可能会提供重复或冗余的信息,导致特征向量的多样性和信息量降低。这可能会影响生成器在生成任务分配策略时的准确性,因为模型无法充分利用各个特征之间的差异性,而是过度依赖相关特征进行生成,降低了生成任务分配策略的精准度。为了解决这个技术问题,在本申请技术方案中,对所述任务分配特征向量进行基于类别概率值的相关干涉补偿以得到补偿后任务分配特征向量。
在一个实施例中,所述对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量,包括以下步骤:
将所述任务分配特征向量通过激活函数以得到类别概率特征向量;
计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵;
对所述干涉矩阵进行奇异值分解以得到相关干涉矩阵;
将所述任务分配特征向量与所述相关干涉矩阵进行相乘以得到补偿特征向量;
将所述补偿特征向量与所述任务分配特征向量进行拼接以得到所述补偿后任务分配特征向量。
在一个实施例中,所述计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵,包括以下步骤:
创建Django项目和应用的文件,并存储所述任务分配特征向量和所述类别概率特征向量;
创建视觉函数模型,计算所述协方差矩阵,其中,所述视觉函数来自NumPy库;
配置URL路由,将所述URL路由和所述视觉函数模型进行对应;
运行Django开发服务器,访问所述URL路由,进而计算并显示所述协方差矩阵,所述协方差矩阵即为干涉矩阵。
在一个实施例中,所述基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,包括以下步骤:
获取训练待执行任务序列中各个任务的优先级、时间限制、位置信息以及训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力;
将所述训练待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为训练任务参数输入向量;
将所述训练任务参数输入向量输入到所述序列编码器以得到训练执行任务特征向量;
将所述训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到训练无人机状态输入矩阵;
将所述训练无人机状态输入矩阵通过卷积神经网络模型以得到训练无人机状态特征向量;
将所述训练执行任务特征向量和所述训练无人机状态特征向量进行融合以得到训练任务分配特征向量;
对所述训练任务分配特征向量进行优化以得到补偿后训练任务分配特征向量;
基于预设迁移因数模型,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数;
将所述补偿后训练任务分配特征向量通过所述生成器以得到生成损失函数值;
以所述概率密度联合相关迁移因数和所述生成损失函数值之间的加权和作为损失函数值,对所述序列编码器、所述卷积神经网络模型和所述生成器进行训练。
考虑到训练执行任务特征向量是通过待执行任务的优先级、时间限制和位置信息提取得到的,而训练无人机状态特征向量是通过无人机编队中各个无人机的位置、速度、电量和可使用负载能力提取得到的。这些数据来源的不同可能导致提取的特征具有不同的方向性,使得在特征空间中指向不同的维度。并且,训练执行任务特征向量是通过序列编码器(包含一维卷积层和全连接层)进行特征提取得到的,而训练无人机状态特征向量是通过卷积神经网络模型(使用全局转换矩阵作为滤波器)进行特征提取得到的。这些特征提取模块可能采用不同的网络结构和参数设置,导致它们提取的特征具有不同的方向性。由于训练执行任务特征向量和训练无人机状态特征向量在高维特征空间中指向不同的维度,当将它们进行融合以得到训练任务分配特征向量时,它们的概率密度方向异性会导致训练任务分配特征向量的整体概率密度分布不均一。这意味着在特征空间中,某些区域可能更密集地分布有训练执行任务特征向量,而其他区域可能更密集地分布有训练无人机状态特征向量。这种不均一分布可能会影响到任务分配策略的性能,需要在融合和生成过程中进行适当的处理和调整,以解决这个问题。基于此,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数,以提高特征向量的表征能力和生成性能。
考虑到所述训练执行任务特征向量和所述训练无人机状态特征向量在高维特征空间内分别指向不同维度,这使得在融合所述训练执行任务特征向量和所述训练无人机状态特征向量以得到生成特征向量的过程中,所述训练执行任务特征向量和所述训练无人机状态特征向量存在概率密度方向异性,即两个特征向量在高维特征空间内的特征分布和特征形状不一致,从而影响了特征向量之间的信息匹配和对齐,进而影响了特征向量的表征能力和生成性能。为了解决这个问题,在本申请的技术方案中,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数作为损失函数值,即通过一种基于概率密度的方法,使每个特征向量都能够根据其与另一个特征向量的概率密度的相关性或依赖性,得到一个概率密度联合相关迁移因数。通过引入该损失函数,可以使得每个特征向量都能够根据其在高维特征空间内的沿时序的子区域间和子区域内的相关性或依赖性,得到一个时序相关性和时序依赖性的迁移,来促进特征向量间向着与时序对应的高维子方向双向逼近,以满足特征向量的融合表达在特征概率上的相关性,从而提高特征向量的表征能力和生成性能。
那么概率密度联合相关迁移因数的计算公式表示如下:
其中,表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>间的协方差,且/>和/>分别表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>的自方差,/>表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述概率密度联合相关迁移因数。
实施例2:
图2为根据本申请实施例的基于人工智能的任务动态分配系统的系统框图。图3为根据本申请实施例的基于人工智能的任务动态分配系统的架构图。如图2和图3所示,在基于人工智能的任务动态分配系统100中,包括:任务信息和无人机信息收集模块110,用于获取无人机编队执行任务时实时的待执行任务序列中各个任务的优先级、时间限制、位置信息以及无人机编队中各个无人机的位置、速度、电量、可使用负载能力;任务信息和无人机信息特征编码模块120,用于对所述待执行任务序列中各个任务的优先级、时间限制、位置信息以及无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行特征编码以得到任务分配特征向量;任务分配特征优化模块130,用于对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;模型训练模块200,基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;任务分配策略结果生成模块140,用于基于所述补偿后任务分配特征向量,生成任务分类策略。
具体地,在本申请的技术方案中,首先,获取无人机编队执行任务时实时的待执行任务序列中各个任务的优先级、时间限制、位置信息以及无人机编队中各个无人机的位置、速度、电量、可使用负载能力。应不难理解,任务优先级反映了任务的重要程度或紧急程度。获取任务的优先级信息可以帮助系统在任务分配时优先考虑重要或紧急的任务,以确保关键任务能够得到及时处理。通过考虑任务的优先级,可以提高任务执行的效率和任务完成度。所要执行的任务可能会有时间限制,即任务需要在规定的时间内完成。获取任务的时间限制信息可以帮助系统评估任务的紧迫程度,并在任务分配时考虑时间限制的约束。这样可以避免任务超时或延误,确保任务按时完成。任务和无人机的位置信息是实现任务分配和协同执行的关键数据。通过获取任务的位置信息,系统可以了解任务在空间上的分布和要求。获取无人机的位置信息可以帮助系统了解无人机的当前位置和可用性,以便将任务分配给最近或最适合的无人机。位置信息还可以用于规划无人机的路径和避免碰撞等问题。无人机的位置、速度、电量和可使用负载能力等状态信息对任务分配和协同执行至关重要。通过获取无人机的位置和速度信息,系统可以了解无人机的运动状态,以便更好地规划任务分配和路径规划。电量信息可以帮助系统评估无人机的剩余电量,并合理安排任务,避免电量不足导致任务中断。可使用负载能力信息可以帮助系统评估无人机的负载能力,以确保任务分配合理,不超过无人机的承载能力。
在本申请实施例中,获取无人机编队执行任务时实时的待执行任务序列中各个任务的优先级、时间限制、位置信息以及无人机编队中各个无人机的位置、速度、电量、可使用负载能力的一个可实施方式可以为:待执行任务序列各个任务的优先级、时间限制、位置信息可以通过任务调度器或者任务管理系统,当任务的优先级或者时间限制发生变化时,任务管理系统应更新相应的优先级和时间限制字段;无人机的位置信息可以通过无人机配备的定位设备获取,无人机的速度、电量、可使用负载能力可以分别通过无人机的惯性导航系统、电量传感器以及负载传感器获取数据,一般这些无人机的相关数据都会被传输到中央控制系统中,这些数据可以通过无线通信进行实时传输,以确保系统能够及时获取最新的信息并进行任务分配和协同执行的决策。
图4为根据本申请实施例的基于人工智能的任务动态分配系统中任务信息和无人机信息特征编码模块的框图。如图4所示,包括:任务信息特征提取单元121,用于对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取以得到执行任务特征向量;无人机信息特征提取单元122,用于对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取以得到无人机状态特征向量;任务-无人机匹配特征生成单元123,用于将所述执行任务特征向量和所述无人机状态特征向量进行融合以得到所述任务分配特征向量。
图5为根据本申请实施例的基于人工智能的任务动态分配系统中任务信息特征提取单元的框图。如图5所示,包括:任务参数结构化子单元1211,用于将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量;任务参数编码子单元1212,用于将所述任务参数输入向量输入到包含一维卷积层和全连接层的序列编码器以得到所述执行任务特征向量。
接着,将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量。不难理解,为了将任务的关键信息转化成计算机可以处理的形式,有利于后续针对任务特征提取的步骤,因此,将任务的优先级、时间限制、位置信息按照任务样本维度排列成向量。这样可以统一任务的表现形式,将它们组织为一个向量可以使任务的表示形式更加简洁、规范和可操作。
任务参数输入向量中包含了任务的优先级、时间限制和位置信息等关键信息,但这些信息并不直接适合用于任务分配的决策。为了从这些信息中捕捉到任务的重要特征,因此,在本申请的技术方案中将所述任务参数输入向量输入到包含一维卷积层和全连接层的序列编码器以得到执行任务特征向量。应很好理解,一维卷积层可以通过滑动窗口的方式对任务参数进行局部特征提取,而全连接层可以对提取的特征进行更全局的整合和抽象。这样,通过序列编码器,可以从任务参数中提取出更具有代表性的特征,用于后续的任务分配决策。还值得一提的是,包含一维卷积层和全连接层的序列编码器引入了非线性变换和建模的能力。任务参数输入向量通常包含了复杂的关联关系和非线性特征,通过序列编码器的非线性变换,可以更好地捕捉任务参数之间的复杂关系。这样,任务特征向量可以更准确地反映任务的重要特征,提高任务分配决策的准确性和效果。序列编码器中的卷积层和全连接层参数是可以通过训练自适应学习得到的。通过在大量任务样本上进行训练,序列编码器可以学习到任务参数的有效特征表示,从而提高任务分配的性能。通过反向传播算法和优化方法,可以调整序列编码器的参数,使其能够更好地适应任务分配问题的特征和要求。
在本申请实施例中,将所述任务参数输入向量输入到包含一维卷积层和全连接层的序列编码器以得到执行任务特征向量的一个可实施方式可以为:使用所述序列编码器的全连接层以如下全连接编码模型对所述任务参数输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征;其中,全连接编码模型为:
其中是所述任务参数输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;使用所述序列编码器的一维卷积层以如下一维卷积编码模型对所述任务参数输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征;其中,所述一维卷积编码模型为:
其中,a为卷积核在x方向上的宽度,为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述任务参数输入向量,/>表示对所述任务参数输入向量进行一维卷积编码。
图6为根据本申请实施例的基于人工智能的任务动态分配系统中无人机信息特征提取单元的框图。如图6所示,包括:无人机数据结构化子单元1221,用于将所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵;无人机状态编码子单元1222,用于将所述无人机状态输入矩阵通过使用全局转换矩阵作为滤波器的卷积神经网络模型以得到所述无人机状态特征向量。
无人机的位置、速度、电量和可使用负载能力是无人机的关键状态属性,它们对任务分配和执行起着重要作用。为了简化数据处理过程,使得模型可以更方便地对无人机状态进行分析和建模,因此在本申请的技术方案中将所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵。将无人机状态属性按照无人机样本维度整合到输入矩阵中,可以统一数据的结构和格式。无人机编队中每个无人机的状态属性数量或许不同。通过将状态属性按照无人机样本维度整合到矩阵中,可以统一数据的维度和形状,方便进行后续的数据处理和模型训练。
为了对无人机的状态进行编码,因此将所述无人机状态输入矩阵通过使用全局转换矩阵作为滤波器的卷积神经网络模型以得到无人机状态特征向量。本领域普通技术人员应该知晓,卷积神经网络在特征提取领域方面表现优异。它通过使用卷积层、池化层和全连接层等组件,可以自动学习输入数据的特征表示。在任务动态分配中,我们可以将无人机状态输入矩阵看作是一个二维图像。全局转换矩阵是CNN模型中的一种滤波器(filter)或卷积核(kernel)。它是一个小的二维矩阵,可以在输入矩阵上进行卷积操作,提取输入数据的局部特征。全局转换矩阵的大小和数量可以根据任务需求和模型设计进行调整。在CNN模型中,卷积操作是指将全局转换矩阵作为滤波器,在输入矩阵上进行滑动计算。具体而言,将全局转换矩阵与输入矩阵的每个局部区域进行点乘运算,并将结果相加得到卷积后的特征值。通过在输入矩阵上不同位置进行卷积操作,可以提取不同位置的特征信息。通过使用全局转换矩阵作为滤波器,在无人机状态输入矩阵上进行卷积操作后进行池化,可以得到无人机状态特征向量。这个无人机状态特征向量包含了输入矩阵中的特征信息。
在本申请实施例中,将所述无人机状态输入矩阵通过使用全局转换矩阵作为滤波器的卷积神经网络模型以得到无人机状态特征向量的一个可实施方式可以为:以如下公式对无人机状态输入矩阵进行处理以得到所述无人机状态特征向量;其中,所述公式为:
其中,为第i层神经网络的输入,/>为第i层神经网络的输出,/>为第i层神经网络的转换矩阵,/>为第i层神经网络的偏置矩阵,/>表示非线性激活函数。
紧接着,将所述执行任务特征向量和所述无人机状态特征向量进行融合以得到任务分配特征向量。应不难理解,执行任务特征向量是描述任务的关键属性的向量表示。这个向量可以包含任务的位置、优先级、时限等信息,任务特征向量帮助模型理解任务的要求和约束,从而进行任务分配决策。无人机状态特征向量是从无人机状态输入矩阵中提取的特征表示。这个特征向量可以用于描述无人机的能力和状态。将执行任务特征向量和无人机状态特征向量进行融合操作,可以将任务特征与无人机状态特征进行关联。通过级联操作,可以将任务特征和无人机状态特征进行融合,得到一个新的特征向量,其中每个元素都反映了任务与无人机状态之间的关系。
在本申请实施例中,将所述执行任务特征向量和所述无人机状态特征向量进行融合以得到任务分配特征向量的一个可实施方式可以为:以如下融合模型将所述执行任务特征向量和所述无人机状态特征向量进行融合以得到所述任务分配特征向量;其中,所述融合模型为:
其中,表示所述无人机状态特征向量,/>表示所述执行任务特征向量,/>表示级联函数,/>表示所述任务分配特征向量。
特别地,在本申请技术方案中,考虑到任务参数包括任务的优先级、时间限制和位置信息,而无人机状态包括无人机的位置、速度、电量以及可使用负载能力,这些信息在任务分配过程中都扮演着重要角色。例如,任务的位置信息和无人机的位置信息直接影响任务分配的效率,任务的优先级和无人机的电量则会影响任务的紧急程度和无人机的可用性,因此这些特征之间会存在一定程度的相关性。然而,当特征之间存在相关性时,会增加模型在训练过程中过拟合的风险。在任务分配特征向量中,如果特征之间高度相关,模型可能会过度依赖这些相关特征来做决策,而忽略其他可能存在的重要特征,导致模型在生成任务分配策略时出现过拟合的问题。此外,特征之间的相关性也可能导致降低任务分配特征向量的显著性。当特征之间存在较高的相关性时,一些特征可能会提供重复或冗余的信息,导致特征向量的多样性和信息量降低。这可能会影响生成器在生成任务分配策略时的准确性,因为模型无法充分利用各个特征之间的差异性,而是过度依赖相关特征进行生成,降低了生成任务分配策略的精准度。为了解决这个技术问题,在本申请技术方案中,对所述任务分配特征向量进行基于类别概率值的相关干涉补偿以得到补偿后任务分配特征向量。
图7为根据本申请实施例的基于人工智能的任务动态分配系统中任务分配特征优化模块的框图。如图7所示,所述任务分配特征优化模块130,包括:类别概率特征向量生成单元131,用于将所述任务分配特征向量通过激活函数以得到类别概率特征向量;协方差矩阵计算单元132,用于计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵;相关干涉矩阵生成单元133,用于对所述干涉矩阵进行奇异值分解以得到相关干涉矩阵;补偿特征向量生成单元134,用于将所述任务分配特征向量与所述相关干涉矩阵进行相乘以得到补偿特征向量;特征向量拼接单元135,用于将所述补偿特征向量与所述任务分配特征向量进行拼接以得到所述补偿后任务分配特征向量。
具体地,所述协方差矩阵计算单元132,包括:创建Django项目和应用的文件,并存储所述任务分配特征向量和所述类别概率特征向量;创建视觉函数模型,计算所述协方差矩阵,其中,所述视觉函数来自NumPy库;配置URL路由,将所述URL路由和所述视觉函数模型进行对应;运行Django开发服务器,访问所述URL路由,进而计算并显示所述协方差矩阵,所述协方差矩阵即为干涉矩阵。
更具体地,1.创建Django项目和应用的文件:首先,确保你己经安装了Django。使用以下命令创建一个Django项目和一个应用:
django-admin startproject covariance_ calculation
cd covariance_calculation
python manage .py startapp covariance_app
2.定义模型:在covariance_app/models.py 文件中定义模型来存储分类特征向量和类別概率特征向量。例如:
from django.db import models
class Featurevector(models.Model):
vector_namemodels. CharField (max_ lengthe=100)
# Define fields for feature vector data
# For example, you can use FloatField for feature values
feature_value = models.FloatField()
Class Probabilityvector (models.Model):
vector_name = models.CharField (max_ lengthalea=100)
probabilsty_valve = models.FloatField()
3.创建视四:在 covariance_app/views.py 文件中编写视图函数来计算协方差矩阵。这里可以使用NumPy库来进行矩阵计算。
from django.shortcuts import render
import numpy as np
def calculate covariance matrix(request):
feature vectors = Featurevector.objects.all()
probability_vectors =Probabilityvector.objects.all()
# Extract feature values and probability values
Feature_values = [vector,feature_value for vector in feature_vectors]
Probability_values = [vector.probability value for vector inprobability_vectors]
# Calculate covariance matrix
Covariance_matrix =np.cov(feature values, probability values)
Return render(request,'covariance_matrix,html',{'covariance_matrix':covariance matrix})
4创建模板:在covariance_app/templates/covariance_matrix.htm 文件中编写模板来显示计算得到的协方差矩阵,
<!DOCTYPE html>
<html>
<head>
<title>Covariance Matrix</title>
</head>
<body>
<h1>Covariance Matrix</h1>
<p>{{ covariance matrix }}/p>
</body>
</html>
5. 配置URL路由:在covariance_calculation/urls.py 文件中配置URL路由,将视图区数和URL路径对应起来。
from django.urls import path
from covariance_app import views
urlpatterns = [path("calculate_covariance_matrix/",views.calculate_covariance_matrix, name='calculate_covariance_matrix"),]
6.运行服务器:运行Django开发服务器,然后访问对应的URL来计算并显示协方差矩阵。
python manage.py runserver
在本申请的技术方案中,对所述任务分配特征向量进行基于类别概率值的相关干涉补偿以得到补偿后任务分配特征向量,其首先通过激活函数将任务分配特征向量转换为类别概率特征向量,以得到关于数据样本所属类别的概率信息。接着,计算任务分配特征向量和类别概率特征向量之间的协方差矩阵,这将作为干涉矩阵。通过对干涉矩阵进行奇异值分解,得到相关干涉矩阵,从而找出特征之间的相关干涉,并为后续的补偿过程做准备。进一步将任务分配特征向量与相关干涉矩阵相乘,得到补偿特征向量,以消除特征之间的相关干涉,使得补偿后的特征向量更具区分度。最后,将补偿特征向量与原始任务分配特征向量拼接在一起,得到补偿后的任务分配特征向量,这样可以减少相关干涉和增强特征区分度,这里,相关干涉是指特征之间存在相关性,这会降低生成器的性能,而相关干涉补偿过程通过计算和移除特征之间的相关干涉来减轻这个问题。同时,通过增强特征的区分度,补偿后的任务分配特征向量可以更好地区分不同类别的数据样本,从而提高生成器进行生成的准确性。
最后,将所述补偿后任务分配特征向量通过任务分配生成器以得到生成结果,所述生成结果为任务分配策略。任务分配生成器的作用是将补偿后任务分配特征向量转化为实际可执行的任务分配策略。通过将补偿后任务分配特征向量通过生成器生成任务分配策略,可以实现动态的任务分配。在实际应用中,任务环境可能会发生变化,新的任务可能会随机下发,任务的优先级和时间限制可能会改变。通过生成器,可以根据当前的补偿后任务分配特征向量实时生成适应当前环境的任务分配策略,从而提高任务的完成度和效率。
在本申请实施例中,任务分配生成器的具体形式为生成对抗网络(GAN),生成对抗网络(GAN)是一种深度学习模型,由生成器(Generator)和判别器(Discriminator)两部分组成。生成器负责生成伪造的数据样本,而判别器则负责判断给定样本是真实样本还是生成器生成的伪造样本。生成器的目标是生成逼真的任务分配策略,使判别器无法区分真实策略和生成策略。生成器通过最小化生成策略被判别为生成的概率来更新参数。判别器的目标是准确地区分真实策略和生成策略。判别器通过最大化判别生成策略为生成的概率和判别真实策略为真实的概率来更新参数。生成器和判别器交替进行训练,通过对抗学习的方式不断优化生成器和判别器的性能。将所述补偿任务分配特征向量通过任务分配生成器以得到生成结果,所述生成结果为任务分配策略的一个可实施方式可以为:将所述补偿后任务分配特征向量输入所述任务分配生成器以由所述任务分配生成器通过反卷积编码生成所述任务分配策略。
在基于人工智能的任务动态分配系统100中,还包括对所述包含一维卷积层和全连接层的序列编码器、所述使用全局转换矩阵作为滤波器的卷积神经网络模型和所述生成器进行训练的模型训练模块200。
特别地,在本申请技术方案中,考虑到训练执行任务特征向量是通过待执行任务的优先级、时间限制和位置信息提取得到的,而训练无人机状态特征向量是通过无人机编队中各个无人机的位置、速度、电量和可使用负载能力提取得到的。这些数据来源的不同可能导致提取的特征具有不同的方向性,使得在特征空间中指向不同的维度。并且,训练执行任务特征向量是通过序列编码器(包含一维卷积层和全连接层)进行特征提取得到的,而训练无人机状态特征向量是通过卷积神经网络模型(使用全局转换矩阵作为滤波器)进行特征提取得到的。这些特征提取模块可能采用不同的网络结构和参数设置,导致它们提取的特征具有不同的方向性。由于训练执行任务特征向量和训练无人机状态特征向量在高维特征空间中指向不同的维度,当将它们进行融合以得到训练任务分配特征向量时,它们的概率密度方向异性会导致训练任务分配特征向量的整体概率密度分布不均一。这意味着在特征空间中,某些区域可能更密集地分布有训练执行任务特征向量,而其他区域可能更密集地分布有训练无人机状态特征向量。这种不均一分布可能会影响到任务分配策略的性能,需要在融合和生成过程中进行适当的处理和调整,以解决这个问题。基于此,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数,以提高特征向量的表征能力和生成性能。
图8为根据本申请实施例的基于人工智能的任务动态分配系统中模型训练模块的框图。如图8所示,模型训练模块200包括:训练任务信息和无人机信息收集单元210,用于获取训练待执行任务序列中各个任务的优先级、时间限制、位置信息以及训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力;训练任务信息结构化单元220,用于将所述训练待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为训练任务参数输入向量;训练任务特征提取单元230,用于将所述训练任务参数输入向量输入到所述包含一维卷积层和全连接层的序列编码器以得到训练执行任务特征向量;训练无人机信息结构化单元240,用于将所述训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到训练无人机状态输入矩阵;训练无人机信息编码单元250,用于将所述训练无人机状态输入矩阵通过所述使用全局转换矩阵作为滤波器的卷积神经网络模型以得到训练无人机状态特征向量;训练任务分配特征生成单元260,用于将所述训练执行任务特征向量和所述训练无人机状态特征向量进行融合以得到训练任务分配特征向量;补偿训练任务分配特征生成单元270,用于对所述训练任务分配特征向量进行优化以得到补偿后训练任务分配特征向量;概率密度联合相关迁移因数计算单元280,用于计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数;生成损失函数值计算单元290,用于将所述补偿后训练任务分配特征向量通过所述生成器以得到生成损失函数值;模型训练单元300,用于以所述概率密度联合相关迁移因数和所述生成损失函数值之间的加权和作为损失函数值,对所述包含一维卷积层和全连接层的序列编码器、所述使用全局转换矩阵作为滤波器的卷积神经网络模型和所述生成器进行训练。
具体地,以如下计算公式计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数;其中,所述计算公式为:
其中表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>间的协方差,且/>和/>分别表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>的自方差,/>表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述概率密度联合相关迁移因数。
考虑到所述训练执行任务特征向量和所述训练无人机状态特征向量在高维特征空间内分别指向不同维度,这使得在融合所述训练执行任务特征向量和所述训练无人机状态特征向量以得到生成特征向量的过程中,所述训练执行任务特征向量和所述训练无人机状态特征向量存在概率密度方向异性,即两个特征向量在高维特征空间内的特征分布和特征形状不一致,从而影响了特征向量之间的信息匹配和对齐,进而影响了特征向量的表征能力和生成性能。为了解决这个问题,在本申请的技术方案中,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数作为损失函数值,即通过一种基于概率密度的方法,使每个特征向量都能够根据其与另一个特征向量的概率密度的相关性或依赖性,得到一个概率密度联合相关迁移因数。通过引入该损失函数,可以使得每个特征向量都能够根据其在高维特征空间内的沿时序的子区域间和子区域内的相关性或依赖性,得到一个时序相关性和时序依赖性的迁移,来促进特征向量间向着与时序对应的高维子方向双向逼近,以满足特征向量的融合表达在特征概率上的相关性,从而提高特征向量的表征能力和生成性能。
综上所述,基于本申请实施例的基于人工智能的任务动态分配系统100被阐明,其首先获取实时的待执行任务的相关信息以及执行任务的无人机编队的相关信息,并对获取到的信息进行特征提取,然后将待执行任务的特征和无人机状态的特征进行匹配以生成任务分配相关特征,最后将任务分配相关特征通过生成器以生成任务分配策略。这样,能够有效解决无人机编队任务分配中的问题,提高任务的完成度和执行效率,适应复杂任务环境下的需求变化。
如上所述,根据本申请实施例的基于人工智能的任务动态分配系统100可以实现在各种终端设备中,例如用于基于人工智能的任务动态分配的服务器等。在一个示例中,根据本申请实施例的基于人工智能的任务动态分配系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于人工智能的任务动态分配系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于人工智能的任务动态分配系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能的任务动态分配系统100与该终端设备也可以是分立的设备,并且该基于人工智能的任务动态分配系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型,所有等同的技术方案也属于本发明的范畴。
本说明书中的各个实施例均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、相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
本文中使用的术语仅仅出于描述特定实施例的目的,并且不旨在限制本公开。如本文中所使用的,除非上下文另有明确指示,否则单数形式“一”、“一个”以及“该”旨在还包括复数形式。将进一步理解,术语“包括(comprise和/或comprising)”当在本说明书中使用时,指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在,但不排除一个或多个其它特征、整数、步骤、操作、元件组件和/或其群组的存在或添加。
本领域技术人员将理解,本文中示出和描述各种示例实施例,每个示例实施例具有特定实施例中的某些特征,但本公开不因此被限制。相反,本公开能够被修改以合并此前未描述但与本公开的范围相称的任何数量的变体、变更、替换、组合、子组合或等同布置。另外,虽然已经描述本公开的各种实施例,但将理解的是,本公开的方面可仅包括所描述的实施例中的一些实施例。因此,本公开将不被视为受前述描述所限制,而是仅受所附权利要求书的范围所限制。
Claims (20)
1.一种基于人工智能的任务动态分配方法,其特征在于,包括以下步骤:
获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息,其中,各个任务相关信息包括优先级、时间限制、位置信息,无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力;
对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,基于所述执行任务特征向量和所述无人机状态特征向量,得到任务分配特征向量;
对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;
基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;
基于任务分配器对待执行任务进行分配,生成任务分类策略。
2.根据权利要求1所述的基于人工智能的任务动态分配方法,其特征在于,所述对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,包括以下步骤:
将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量;
将所述任务参数输入向量输入到序列编码器中,得到所述执行任务特征向量,其中,序列编码器包括一维卷积层和全连接层。
3.根据权利要求2所述的基于人工智能的任务动态分配方法,其特征在于,基于所述全连接层,通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征;
所述全连接编码模型,表示如下:
其中,是所述任务参数输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;
基于一维卷积层,通过预设一维卷积编码模型对所述任务参数输入向量进行一维卷积编码并提取出输入向量中各个位置的特征值间的高维隐含关联特征;
所述一维卷积编码模型,表示如下:
其中,a为卷积核在x方向上的宽度,为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述任务参数输入向量,/>表示对所述任务参数输入向量进行一维卷积编码。
4.根据权利要求1所述的基于人工智能的任务动态分配方法,其特征在于,所述对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,包括以下步骤:
将各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵;
将无人机状态输入矩阵通过卷积神经网络模型以得到所述无人机状态特征向量,其中,所述卷积神经网络模型使用全局转换矩阵作为滤波器。
5.根据权利要求1所述的基于人工智能的任务动态分配方法,其特征在于,所述任务分配特征向量,通过融合模型得到,融合模型的计算公式如下:
其中,表示所述无人机状态特征向量,/>表示所述执行任务特征向量,/>表示级联函数,/>表示所述任务分配特征向量。
6.根据权利要求1所述的基于人工智能的任务动态分配方法,其特征在于,所述对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量,包括以下步骤:
将所述任务分配特征向量通过激活函数以得到类别概率特征向量;
计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵;
对所述干涉矩阵进行奇异值分解以得到相关干涉矩阵;
将所述任务分配特征向量与所述相关干涉矩阵进行相乘以得到补偿特征向量;
将所述补偿特征向量与所述任务分配特征向量进行拼接以得到所述补偿后任务分配特征向量。
7.根据权利要求6所述的基于人工智能的任务动态分配方法,其特征在于,计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵,包括以下步骤:
创建Django项目和应用的文件,并存储所述任务分配特征向量和所述类别概率特征向量;
创建视觉函数模型,计算所述协方差矩阵,其中,所述视觉函数来自NumPy库;
配置URL路由,将所述URL路由和所述视觉函数模型进行对应;
运行Django开发服务器,访问所述URL路由,进而计算并显示所述协方差矩阵,所述协方差矩阵即为干涉矩阵。
8.根据权利要求1所述的基于人工智能的任务动态分配方法,其特征在于,所述基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,包括以下步骤:
获取训练待执行任务序列中各个任务的优先级、时间限制、位置信息以及训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力;
将所述训练待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为训练任务参数输入向量;
将所述训练任务参数输入向量输入到所述序列编码器以得到训练执行任务特征向量;
将所述训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到训练无人机状态输入矩阵;
将所述训练无人机状态输入矩阵通过卷积神经网络模型以得到训练无人机状态特征向量;
将所述训练执行任务特征向量和所述训练无人机状态特征向量进行融合以得到训练任务分配特征向量;
对所述训练任务分配特征向量进行优化以得到补偿后训练任务分配特征向量;
基于预设迁移因数模型,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数;
将所述补偿后训练任务分配特征向量通过所述生成器以得到生成损失函数值;
以所述概率密度联合相关迁移因数和所述生成损失函数值之间的加权和作为损失函数值,对所述序列编码器、所述卷积神经网络模型和所述生成器进行训练。
9.根据权利要求8所述的基于人工智能的任务动态分配方法,其特征在于,所述预设迁移因数模型,计算公式表示如下:
其中,表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量间的协方差,且/>和/>分别表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>的自方差,/>表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述概率密度联合相关迁移因数。
10.一种基于人工智能的任务动态分配系统,其特征在于,包括:
任务信息和无人机信息收集模块,用于获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息,其中,各个任务相关信息包括优先级、时间限制、位置信息,无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力;
任务信息和无人机信息特征编码模块,用于对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取,得到执行任务特征向量,对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取,得到无人机状态特征向量,基于所述执行任务特征向量和所述无人机状态特征向量,得到任务分配特征向量;
任务分配特征优化模块,用于对所述任务分配特征向量进行基于类别概率值的相关干涉补偿,得到补偿后任务分配特征向量;
模型训练模块,基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练,得到任务分配器,其中,任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器;
任务分配策略结果生成模块,用于基于任务分配器对待执行任务进行分配,生成任务分类策略。
11.根据权利要求10所述的基于人工智能的任务动态分配系统,其特征在于,所述任务信息和无人机信息特征编码模块包括任务信息特征提取单元、无人机信息特征提取单元及任务-无人机匹配特征生成单元;
任务信息特征提取单元用于得到执行任务特征向量;
无人机信息特征提取单元用于得到无人机状态特征向量;
任务-无人机匹配特征生成单元用于得到所述任务分配特征向量。
12.根据权利要求11所述的基于人工智能的任务动态分配系统,其特征在于,所述任务信息特征提取单元,包括:
任务参数结构化子单元,用于将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量;
任务参数编码子单元,用于将所述任务参数输入向量输入到序列编码器中,得到所述执行任务特征向量,其中,序列编码器包括一维卷积层和全连接层;
其中,基于所述全连接层,通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征;
所述全连接编码模型,表示如下:
其中,是所述任务参数输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;
基于一维卷积层,通过预设一维卷积编码模型对所述任务参数输入向量进行一维卷积编码并提取出输入向量中各个位置的特征值间的高维隐含关联特征;
所述一维卷积编码模型,表示如下:
其中,a为卷积核在x方向上的宽度,为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述任务参数输入向量,/>表示对所述任务参数输入向量进行一维卷积编码。
13.根据权利要求11所述的基于人工智能的任务动态分配系统,其特征在于,所述无人机信息特征提取单元,包括:
无人机数据结构化子单元,用于将各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵;
无人机状态编码子单元,用于将无人机状态输入矩阵通过卷积神经网络模型以得到所述无人机状态特征向量,其中,所述卷积神经网络模型使用全局转换矩阵作为滤波器。
14.根据权利要求11所述的基于人工智能的任务动态分配系统,其特征在于,所述任务-无人机匹配特征生成单元,被设置为:
所述任务分配特征向量,通过融合模型得到,融合模型的计算公式如下:
其中,表示所述无人机状态特征向量,/>表示所述执行任务特征向量,/>表示级联函数,/>表示所述任务分配特征向量。
15.根据权利要求10所述的基于人工智能的任务动态分配系统,其特征在于,所述任务分配特征优化模块,包括:
类别概率特征向量生成单元,用于将所述任务分配特征向量通过激活函数以得到类别概率特征向量;
协方差矩阵计算单元,用于计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵;
相关干涉矩阵生成单元,用于对所述干涉矩阵进行奇异值分解以得到相关干涉矩阵;
补偿特征向量生成单元,用于将所述任务分配特征向量与所述相关干涉矩阵进行相乘以得到补偿特征向量;
特征向量拼接单元,用于将所述补偿特征向量与所述任务分配特征向量进行拼接以得到所述补偿后任务分配特征向量。
16.根据权利要求15所述的基于人工智能的任务动态分配系统,其特征在于,所述协方差矩阵计算单元,包括:
创建Django项目和应用的文件,并存储所述任务分配特征向量和所述类别概率特征向量;
创建视觉函数模型,计算所述协方差矩阵,其中,所述视觉函数来自NumPy库;
配置URL路由,将所述URL路由和所述视觉函数模型进行对应;
运行Django开发服务器,访问所述URL路由,进而计算并显示所述协方差矩阵,所述协方差矩阵即为干涉矩阵。
17.根据权利要求10所述的基于人工智能的任务动态分配系统,其特征在于,所述模型训练模块,包括:
训练任务信息和无人机信息收集单元,用于获取训练待执行任务序列中各个任务的优先级、时间限制、位置信息以及训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力;
训练任务信息结构化单元,用于将所述训练待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为训练任务参数输入向量;
训练任务特征提取单元,用于将所述训练任务参数输入向量输入到所述序列编码器以得到训练执行任务特征向量;
训练无人机信息结构化单元,用于将所述训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到训练无人机状态输入矩阵;
训练无人机信息编码单元,用于将所述训练无人机状态输入矩阵通过卷积神经网络模型以得到训练无人机状态特征向量;
训练任务分配特征生成单元,用于将所述训练执行任务特征向量和所述训练无人机状态特征向量进行融合以得到训练任务分配特征向量;
补偿训练任务分配特征生成单元,用于对所述训练任务分配特征向量进行优化以得到补偿后训练任务分配特征向量;
概率密度联合相关迁移因数计算单元,基于预设迁移因数模型,计算所述训练执行任务特征向量和所述训练无人机状态特征向量之间的概率密度联合相关迁移因数;
生成损失函数值计算单元,用于将所述补偿后训练任务分配特征向量通过所述生成器以得到生成损失函数值;
模型训练单元,用于以所述概率密度联合相关迁移因数和所述生成损失函数值之间的加权和作为损失函数值,对所述序列编码器、所述卷积神经网络模型和所述生成器进行训练。
18.根据权利要求17所述的基于人工智能的任务动态分配系统,其特征在于,所述预设迁移因数模型设置于概率密度联合相关迁移因数计算单元中,预设迁移因数模型计算公式表示如下:
其中,表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量间的协方差,且/>和/>分别表示所述训练执行任务特征向量/>和所述训练无人机状态特征向量/>的自方差,/>表示向量的指数运算,对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,/>表示所述概率密度联合相关迁移因数。
19.一种计算机程序产品,其特征在于,包括计算机指令,该计算机指令被处理器执行时实现如权利要求1至9中任一所述的方法。
20.一种基于人工智能的任务动态分配装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410387174.1A CN117973820A (zh) | 2024-04-01 | 2024-04-01 | 基于人工智能的任务动态分配系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410387174.1A CN117973820A (zh) | 2024-04-01 | 2024-04-01 | 基于人工智能的任务动态分配系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117973820A true CN117973820A (zh) | 2024-05-03 |
Family
ID=90859955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410387174.1A Pending CN117973820A (zh) | 2024-04-01 | 2024-04-01 | 基于人工智能的任务动态分配系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973820A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080584A2 (en) * | 2006-01-11 | 2007-07-19 | Carmel-Haifa University Economic Corp. Ltd. | Uav decision and control system |
KR20160082627A (ko) * | 2014-12-26 | 2016-07-08 | 서울대학교산학협력단 | 무인기의 시장기반 분산형 임무 할당 방법 및 이를 수행하기 위한 프로그램이 기록된 기록매체 |
CN111291984A (zh) * | 2020-01-21 | 2020-06-16 | 北京大学 | 多无人机分布式任务选择和轨迹设计方法及装置 |
CN113157000A (zh) * | 2021-05-06 | 2021-07-23 | 西北工业大学 | 基于虚拟结构和人工势场的飞行编队协同避障自适应控制方法 |
CN113220022A (zh) * | 2021-05-06 | 2021-08-06 | 西北工业大学 | 基于事件触发估计信息传输的飞行编队有限时间自适应控制方法 |
CN113296963A (zh) * | 2021-07-27 | 2021-08-24 | 南京信息工程大学 | 一种考虑用户移动性的无人机辅助的边缘计算方法 |
CN114594794A (zh) * | 2022-03-08 | 2022-06-07 | 大连理工大学 | 一种考虑子系统执行能力的多机协同任务规划方法 |
CN114841055A (zh) * | 2022-03-31 | 2022-08-02 | 西北工业大学 | 一种基于生成对抗网络的无人机集群任务预分配方法 |
WO2022241808A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州中国科学院先进技术研究所 | 一种多机器人轨迹规划方法 |
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 |
US20230078448A1 (en) * | 2019-11-05 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Robotic Fleet Provisioning for Value Chain Networks |
CN116126015A (zh) * | 2022-12-19 | 2023-05-16 | 南昌航空大学 | 基于改进人工蜂群算法的动态环境多无人机任务分配方法 |
CN116319599A (zh) * | 2023-02-20 | 2023-06-23 | 养哇(南京)科技有限公司 | 一种承载voip业务的信道分配系统及其方法 |
CN116755397A (zh) * | 2023-05-26 | 2023-09-15 | 北京航空航天大学 | 一种基于图卷积策略梯度的多机协同任务调度方法 |
CN116957304A (zh) * | 2023-09-20 | 2023-10-27 | 飞客工场科技(北京)有限公司 | 无人机群协同任务分配方法及系统 |
CN117522078A (zh) * | 2023-12-21 | 2024-02-06 | 上海大学 | 无人系统集群环境耦合下的可迁移任务规划方法及系统 |
-
2024
- 2024-04-01 CN CN202410387174.1A patent/CN117973820A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080584A2 (en) * | 2006-01-11 | 2007-07-19 | Carmel-Haifa University Economic Corp. Ltd. | Uav decision and control system |
KR20160082627A (ko) * | 2014-12-26 | 2016-07-08 | 서울대학교산학협력단 | 무인기의 시장기반 분산형 임무 할당 방법 및 이를 수행하기 위한 프로그램이 기록된 기록매체 |
US20230078448A1 (en) * | 2019-11-05 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Robotic Fleet Provisioning for Value Chain Networks |
CN111291984A (zh) * | 2020-01-21 | 2020-06-16 | 北京大学 | 多无人机分布式任务选择和轨迹设计方法及装置 |
CN113157000A (zh) * | 2021-05-06 | 2021-07-23 | 西北工业大学 | 基于虚拟结构和人工势场的飞行编队协同避障自适应控制方法 |
CN113220022A (zh) * | 2021-05-06 | 2021-08-06 | 西北工业大学 | 基于事件触发估计信息传输的飞行编队有限时间自适应控制方法 |
WO2022241808A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州中国科学院先进技术研究所 | 一种多机器人轨迹规划方法 |
CN113296963A (zh) * | 2021-07-27 | 2021-08-24 | 南京信息工程大学 | 一种考虑用户移动性的无人机辅助的边缘计算方法 |
CN114594794A (zh) * | 2022-03-08 | 2022-06-07 | 大连理工大学 | 一种考虑子系统执行能力的多机协同任务规划方法 |
CN114841055A (zh) * | 2022-03-31 | 2022-08-02 | 西北工业大学 | 一种基于生成对抗网络的无人机集群任务预分配方法 |
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 |
CN116126015A (zh) * | 2022-12-19 | 2023-05-16 | 南昌航空大学 | 基于改进人工蜂群算法的动态环境多无人机任务分配方法 |
CN116319599A (zh) * | 2023-02-20 | 2023-06-23 | 养哇(南京)科技有限公司 | 一种承载voip业务的信道分配系统及其方法 |
CN116755397A (zh) * | 2023-05-26 | 2023-09-15 | 北京航空航天大学 | 一种基于图卷积策略梯度的多机协同任务调度方法 |
CN116957304A (zh) * | 2023-09-20 | 2023-10-27 | 飞客工场科技(北京)有限公司 | 无人机群协同任务分配方法及系统 |
CN117522078A (zh) * | 2023-12-21 | 2024-02-06 | 上海大学 | 无人系统集群环境耦合下的可迁移任务规划方法及系统 |
Non-Patent Citations (1)
Title |
---|
WANG XINZENG: "Based on PSO algorithm multiple task assignments for cooperating UAVs", 《2010 INTERNATIONAL CONFERENCE ON EDUCATIONAL AND INFORMATION TECHNOLOGY (ICEIT 2010)》, 19 September 2010 (2010-09-19), pages 25 - 28 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7065199B2 (ja) | 画像処理方法及び装置、電子機器、記憶媒体並びにプログラム製品 | |
CN108809694B (zh) | 业务编排方法、系统、装置与计算机可读存储介质 | |
CN111611085B (zh) | 基于云边协同的人机混合增强智能系统、方法、装置 | |
CN112199189A (zh) | 深度学习模型对资源受限边缘设备的适应 | |
CN113467944B (zh) | 面向复杂软件系统的资源部署装置及方法 | |
CN113037877A (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN106202092A (zh) | 数据处理的方法及系统 | |
CN111967271A (zh) | 分析结果的生成方法、装置、设备及可读存储介质 | |
CN111966361A (zh) | 用于确定待部署模型的方法、装置、设备及其存储介质 | |
CN116047934A (zh) | 一种无人机集群的实时仿真方法、系统以及电子设备 | |
Gand et al. | A fuzzy controller for self-adaptive lightweight edge container orchestration | |
CN113010296B (zh) | 基于形式化模型的任务解析与资源分配方法及系统 | |
CN114490922A (zh) | 一种自然语言理解模型训练方法及装置 | |
CN117014389A (zh) | 算网资源配置方法及系统、电子设备、存储介质 | |
CN117973820A (zh) | 基于人工智能的任务动态分配系统及方法 | |
CN108770014B (zh) | 网络服务器的计算评估方法、系统、装置及可读存储介质 | |
CN106647411B (zh) | 信息物理融合系统CPS的Agent构造方法及装置 | |
CN115497194A (zh) | 一种驾驶数据处理方法、装置及存储介质 | |
CN114819095A (zh) | 业务数据处理模型的生成方法、装置及电子设备 | |
US20180173757A1 (en) | Apparatus and Method for Analytical Optimization Through Computational Pushdown | |
CN111737491A (zh) | 一种交互过程的控制方法、装置、存储介质及设备 | |
CN110929790A (zh) | 一种船舶数据筛选方法及相关装置 | |
CN110377769A (zh) | 基于图数据结构的建模平台系统、方法、服务器及介质 | |
CN116980423B (zh) | 模型调度方法、装置、计算系统、设备及可读存储介质 | |
US20230408726A1 (en) | Weather forecasting using teleconnections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |