CN117992222A - 一种适用于大规模异构集群任务分配问题的快速求解方法 - Google Patents

一种适用于大规模异构集群任务分配问题的快速求解方法 Download PDF

Info

Publication number
CN117992222A
CN117992222A CN202410135797.XA CN202410135797A CN117992222A CN 117992222 A CN117992222 A CN 117992222A CN 202410135797 A CN202410135797 A CN 202410135797A CN 117992222 A CN117992222 A CN 117992222A
Authority
CN
China
Prior art keywords
task
matrix
unmanned
platform
allocation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410135797.XA
Other languages
English (en)
Other versions
CN117992222B (zh
Inventor
杨东晓
李娟�
黎宏林
李亿俍
刘畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202410135797.XA priority Critical patent/CN117992222B/zh
Publication of CN117992222A publication Critical patent/CN117992222A/zh
Application granted granted Critical
Publication of CN117992222B publication Critical patent/CN117992222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • 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
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5017—Task decomposition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种适用于大规模异构集群任务分配问题的快速求解方法，涉及集群任务分配技术领域，通过一种不完全的最优化算法，生成一个异构集群任务分配问题的次优初始解，利用初始解优化遗传算法，加快遗传算法收敛速度，包括模型提取、单平台转移优化、初始种群生成和遗传算法迭代四个步骤；本发明采用上述的一种适用于大规模异构集群任务分配问题的快速求解方法，能够增强遗传算法的局部搜索能力，在不增大种群规模与迭代次数的前提下保障最终分配方法的优越性，减小计算耗时。

Description

一种适用于大规模异构集群任务分配问题的快速求解方法
技术领域
本发明涉及集群任务分配技术领域，尤其是涉及一种适用于大规模异构集群任务分配问题的快速求解方法。
背景技术
异构集群的任务规划是指将任务合理地分配给不同的无人平台，提高任务资源投入的均衡性，并充分发挥异构平台之间能相互协同、能力互补的优点，提升集群整体任务效能。任务分配算法的优劣直接影响到整个系统协作的效率，目前常见的无人集群任务规划方法有：
最优化方法：对于简单的无人集群任务规划问题，可以将其简化为与数学规划相关的模型，然后采用穷举法、线性规划、动态规划等方法进行求解，能得到评价指标下最优的分配方案。
遗传算法：遗传算法是一种基于达尔文生物进化论中的遗传和自然选择的原理的启发式优化算法，通过模拟自然界中物种进化的过程，从而找到较优解。遗传算法的主要步骤包括个体编码、适应度评估、选择、交叉和变异。个体编码将优化问题中的参数转化为个体的染色体编码，一种染色体编码代表一个对应的优化问题的解。适应度评估要求根据问题具体要求以及编码方式设定一个适应度函数，对每个染色体进行评价。选择操作是依据染色体的适应度值而选取优秀染色体作为下一代的父母，或在代际之间依据适应度值保留较优的个体。选择操作能逐渐提高整个种群的适应度水平。交叉操作是指通过对两个或多个个体的染色体片断进行互换，产生新的个体的过程。变异操作是指在个体染色体中进行随机变化的过程。这种随机变化有助于跳出局部最优解，以期望找到更优的解，也可以用于保持多样性，避免过早收敛。遗传算法经过多轮迭代能逐渐提高整个种群的适应度水平并生成最终的解。
拍卖算法：拍卖算法对经济中的竞拍过程进行模拟，在分布式任务分配问题中有广泛的应用。拍卖算法旨在模拟市场拍卖过程来实现无人平台的任务分配。在拍卖算法中，每个无人平台会出一个价格，表示其愿意为该任务支付的最高价格，任务将分配给出价最高的无人平台。如果多个无人平台都想执行同一任务，那么它们的出价可能会受到竞争的影响。
以拍卖算法为代表的分布式算法在无人集群的任务分配中缺乏全局视角，其资源利用效率较最优化方法和遗传算法等集中式方法更低。而随着无人机数量、目标数量、任务数量等规模的增大，以及约束条件的增加使得问题更加复杂化，采用最优化方法求解集群任务分配问题的求解难度呈指数级增长。遗传算法的缺陷在于其局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。
因此，有必要提供一种适用于大规模异构集群任务分配问题的快速求解方法，来解决上述问题。
发明内容
本发明的目的是提供一种适用于大规模异构集群任务分配问题的快速求解方法，能够增强遗传算法的局部搜索能力，在不增大种群规模与迭代次数的前提下保障最终分配方法的优越性，减小计算耗时。
为实现上述目的，本发明提供了一种适用于大规模异构集群任务分配问题的快速求解方法，通过一种不完全的最优化算法，生成一个异构集群任务分配问题的次优初始解，利用初始解优化遗传算法，加快遗传算法收敛速度，包括模型提取、单平台转移优化、初始种群生成和遗传算法迭代四个步骤；
S1：模型提取：根据获得的任务信息，对N个不同地点的任务进行分解，将其划分为P个部分；
S2：单平台转移优化：将所有无人平台平均分配去执行N个任务，得到无人平台任务分配矩阵UPA0；
S3：初始种群生成：制定遗传算法染色体编码方式并确定初始种群，将单平台转移优化策略得到的初始解进行编码，在该编码的可行领域内随机取popsize·0.3个染色体，在全局可行解空间内随机取popsize·0.7个染色体，将两者混合组成遗传算法的初始种群；
S4：遗传算法迭代：通过步骤S3中得到的初始解优化遗传算法，遗传算法包括交叉运算、变异运算和选择运算。
优选的，在步骤S1中，对这N个任务的P个部分进行评价，得到任务资源需求矩阵TRD＝(dij)N×P和任务价值矩阵TV＝(vij)N×P，其中dij和vij分别代表完成任务i的第j个部分的预估资源需求量与任务收益；
评定异构集群内的U种无人平台的资源携带量矩阵URC＝(cij)U×P，其中cij代表无人平台类型i携带的用于完成任务第j个部分的资源数量；根据特定的任务分配方案，对无人平台进行任务分配，确定无人平台任务分配矩阵UPA＝(aij)N×U，其中aij代表执行任务i的j类型无人平台数量；同一无人平台只能且必须执行一项任务，无人平台任务分配矩阵UPA满足无人平台数量约束Mj是异构集群内第j种无人平台的数量；
确定任务资源实际供给矩阵TRS＝(sij)N×P和该分配方案的适应度f(UPA)，其中TRS＝UPA×URC，表示任务i的第j个部分的任务资源实际供给量为参与执行该任务的所有无人平台所携带的对应任务资源之和；g(·)是任务资源实际供给比例到任务收益获取比例的函数，g(·)是非线性的。
优选的，在步骤S2中，若分配结果中存在小数，则随机舍入，保证分配矩阵满足无人平台数量约束，以无人平台任务分配矩阵为起点，按单平台转移优化方法进行迭代优化；单平台转移优化方法内容如下：
对无人平台类型u的分配结果进行优化时，从任务1到任务N，记录执行该任务的无人平台类型u的数量增加1导致的任务总体适应度的增加值记录执行该任务的无人平台类型u的数量减少1导致的任务总体适应度的减小值的绝对值
若适应度增加值的最大值大于适应度减小值的最大值：
则将一台类型u的无人平台从参与任务k的执行转为参与任务j的执行；
记Aab为变换矩阵，
则，
从无人平台类型1到无人平台类型U，依次按上述方法对任务分配矩阵执行单平台转移优化，若执行完一轮优化后，任务总适应度值增大，则继续进行下一轮优化，直到总适应度停止增长，此时分配方案为最优分配方案，记作UPAopt。
优选的，在步骤S3中，染色体编码方式涉及将任务分配方案转换为染色体形式，将任务分配矩阵UPA用一维染色体表示，在异构集群任务分配场景中，存在N个位置分布不同的任务，参与执行这些任务的无人平台类型总数为U，种群内个体的染色体长度为N×U，染色体上的每个基因代表着执行任务i的j型无人平台数量，将无人平台任务分配矩阵UPA按行分段并连接，得到对应的染色体编码。染色体上的第(i-1)×u+j个基因对应着任务分配矩阵UPA的元素aij，代表着参与执行第i个任务的j型无人平台的数量；
随机赋值生成任务分配矩阵UPA，对分配矩阵的每一列，选取可增删修改的元素列表，在该列表中随机挑选元素增加或减少元素的值使该列满足无人平台数量约束，将符合无人平台数量约束的任务分配矩阵按行拆分拼接为相应的染色体个体。
优选的，在步骤S3中，将符合无人平台数量约束的全局随机分配矩阵和邻域随机分配矩阵混合，得到基于单平台转移优化的遗传算法初始种群；
全局随机分配矩阵的生成方法如下：
无人平台任务分配矩阵UPA的第i列的各元素之和应为Mi，将UPA的第i列元素取为其中floor(·)函数代表向下取整，rand()函数用于生成一个0到1之间的随机数；
领域随机分配矩阵的生成方法如下：
无人平台任务分配矩阵UPA的第i列的各元素之和应为Mi，初始解各列各元素的浮动范围定为±ceil(Mi·0.1)，生成的随机分配矩阵在初始解邻域内，其中ceil(·)函数代表向上取整；
对全局随机矩阵和邻域随机矩阵的修正方法如下：
S31：记随机分配矩阵为UPAR＝(rij)N×U，依次取出随机分配矩阵的第i列元素，计算出离满足无人平台数量约束的差值若δ＞0，从分配矩阵UPAR的第i列各元素中共减去δ个i型无人平台，δ＜0，从分配矩阵UPAR的第i列各元素中共增加δ个i型无人平台；
S32：当δ＞0时，建立可减元素列表list-，对于全局随机分配矩阵，只要元素大于0就可以减小，list-＝{n|rni＞0}；对于邻域随机分配矩阵，除了满足元素大于0的条件外，元素rni距离初始解UPAopt对应位置的元素ani距离应小于0.2倍的i类型无人平台中总数Mi，list-＝{n|rni＞0and|rni-ani|＜0.2·Mi}；当δ＜0时，各元素都不小于0，建立可增元素列表list+，全局随机分配矩阵各元素都小于Mi，list+＝{1，...，N}；邻域随机分配矩阵需满足初始解的距离限制，list+＝{n||rni-ani|＜0.2·Mi}；
S33：可增减列表建立后，从列表中随机选出成员，令其对应元素加1或减1以减小偏差；
S34：更新偏差值并重复步骤S32和步骤S33直到偏差值为0；
S35：重复步骤S31到步骤S34，直到分配矩阵各列均满足无人平台数量约束。
优选的，在步骤S4中，交叉操作：依次取初始种群中每一个染色体为父本，随机取另一染色体为母本，两者进行算数平均并进行随机舍入，要求染色体满足无人平台数量约束，得到对应的子代染色体；
变异操作：按照指定的变异概率p选择子代内待变异的个体，对于选中的个体，在1到N内随机取两个不同整数a、b，在1到U内随机一个整数c，然后将染色体上的第(a-1)·U+c个基因块和第(b-1)·U+c个基因块交换，得到满足约束的新染色体；
选择操作：取父代种群与子代种群中相对应的每一对染色体进行比较，保留适应度值较大的染色体，组成下一代种群；
重复交叉操作、变异操作和选择操作的遗传算法基本迭代步骤，直到达到最大迭代次数，或每一代种群中的最大适应度值保持10轮迭代过程不再增长，此时算法收敛于最终解。
因此，本发明采用上述一种适用于大规模异构集群任务分配问题的快速求解方法，具备以下有益效果：
(1)本发明利用单一无人平台的在任务分配间的转移以快速生成初始解。
(2)本发明在求解大规模异构集群任务分配问题时，引入初始解使得遗传算法在不扩大种群规模与迭代次数的情况下仍能保障解的优越性，减少计算耗时。
(3)本发明在初始解邻域和全局解空间混合取样改善遗传算法局部搜索能力弱的缺点。
(4)本发明随机生成符合无人平台数量约束的全局解和邻域解的方法。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明一种适用于大规模异构集群任务分配问题的快速求解方法的流程图；
图2是本发明对全局随机矩阵和邻域随机矩阵的修正方法流程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其它要素的可能。术语“内”、“外”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。在本发明中，除非另有明确的规定和限定，术语“附着”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明提供了一种适用于大规模异构集群任务分配问题的快速求解方法，通过一种不完全的最优化算法，生成一个异构集群任务分配问题的次优初始解，利用初始解优化遗传算法，加快遗传算法收敛速度，包括模型提取、单平台转移优化、初始种群生成和遗传算法迭代四个步骤；
S1：模型提取：根据获得的任务信息，对N个不同地点的任务进行分解，将其划分为P个部分；在步骤S1中，对这N个任务的P个部分进行评价，得到任务资源需求矩阵TRD＝(dij)N×P和任务价值矩阵TV＝(vij)N×P，其中dij和vij分别代表完成任务i的第j个部分的预估资源需求量与任务收益；
评定异构集群内的U种无人平台的资源携带量矩阵URC＝(cij)U×P，其中cij代表无人平台类型i携带的用于完成任务第j个部分的资源数量；根据特定的任务分配方案，对无人平台进行任务分配，确定无人平台任务分配矩阵UPA＝(aij)N×U，其中aij代表执行任务i的j类型无人平台数量；同一无人平台只能且必须执行一项任务，无人平台任务分配矩阵UPA满足无人平台数量约束Mj是异构集群内第j种无人平台的数量；
确定任务资源实际供给矩阵TRS＝(sij)N×P和该分配方案的适应度f(UPA)，其中TRS＝UPA×URC，表示任务i的第j个部分的任务资源实际供给量为参与执行该任务的所有无人平台所携带的对应任务资源之和；g(·)是任务资源实际供给比例到任务收益获取比例的函数，大多数情况下g(·)是非线性的。
S2：单平台转移优化：将所有无人平台平均分配去执行N个任务，得到无人平台任务分配矩阵UPA0；在步骤S2中，若分配结果中存在小数，则随机舍入，保证分配矩阵满足无人平台数量约束，以无人平台任务分配矩阵为起点，按单平台转移优化方法进行迭代优化；单平台转移优化方法内容如下：
对无人平台类型u的分配结果进行优化时，从任务1到任务N，记录执行该任务的无人平台类型u的数量增加1导致的任务总体适应度的增加值记录执行该任务的无人平台类型u的数量减少1导致的任务总体适应度的减小值的绝对值
若适应度增加值的最大值大于适应度减小值的最大值：
则将一台类型u的无人平台从参与任务k的执行转为参与任务j的执行；
记Aab为变换矩阵，
则，
从无人平台类型1到无人平台类型U，依次按上述方法对任务分配矩阵执行单平台转移优化，若执行完一轮优化后，任务总适应度值增大，则继续进行下一轮优化，直到总适应度停止增长，此时分配方案为最优分配方案，记作UPAopt。
如果任务资源供应与任务收益的关系是线性的，UPAopt将是最佳的分配方案。然而，在更普遍和更贴合实际的情况下，这种关系通常是非线性的。在这种情况下，UPAopt只是通过单一平台策略得到的最佳分配，而非全局最佳。然而，异构集群任务分配问题的全局最优解很可能位于UPAopt的邻域内，这意味着以此解为基础生成遗传算法的初始种群，可以显著提高算法的局部搜索能力，并加速求解速度。
S3：初始种群生成：制定遗传算法染色体编码方式并确定初始种群，将单平台转移优化策略得到的初始解进行编码，在该编码的可行领域内随机取popsize·0.3个染色体，在全局可行解空间内随机取popsize·0.7个染色体，将两者混合组成遗传算法的初始种群；这些个体可以有效改善遗传算法的局部搜索能力，加快其收敛速度。在步骤S3中，染色体编码方式涉及将任务分配方案转换为染色体形式，将任务分配矩阵UPA用一维染色体表示，在异构集群任务分配场景中，存在N个位置分布不同的任务，参与执行这些任务的无人平台类型总数为U，种群内个体的染色体长度为N×U，染色体上的每个基因代表着执行任务i的j型无人平台数量，将无人平台任务分配矩阵UPA按行分段并连接，得到对应的染色体编码。染色体上的第(i-1)×u+j个基因对应着任务分配矩阵UPA的元素aij，代表着参与执行第i个任务的j型无人平台的数量；
采用随机数赋值生成的染色体个体一般难以满足无人平台数量约束的约束。因此，随机赋值生成任务分配矩阵UPA，对分配矩阵的每一列，选取可增删修改的元素列表，在该列表中随机挑选元素增加或减少元素的值使该列满足无人平台数量约束，将符合无人平台数量约束的任务分配矩阵按行拆分拼接为相应的染色体个体。
在步骤S3中，将符合无人平台数量约束的全局随机分配矩阵和邻域随机分配矩阵混合，得到基于单平台转移优化的遗传算法初始种群；
全局随机分配矩阵的生成方法如下：
无人平台任务分配矩阵UPA的第i列的各元素之和应为Mi，将UPA的第i列元素取为其中floor(·)函数代表向下取整，rand()函数用于生成一个0到1之间的随机数；
领域随机分配矩阵的生成方法如下：
无人平台任务分配矩阵UPA的第i列的各元素之和应为Mi，初始解各列各元素的浮动范围定为±ceil(Mi·0.1)，生成的随机分配矩阵在初始解邻域内，其中ceil(·)函数代表向上取整；在矩阵各列都进行小范围随机波动后，将生成的新矩阵内为负数的元素全部更改为零。
如图2所示，对全局随机矩阵和邻域随机矩阵的修正方法如下：
S31：记随机分配矩阵为UPAR＝(rij)N×U，依次取出随机分配矩阵的第i列元素，计算出离满足无人平台数量约束的差值若δ＞0，从分配矩阵UPAR的第i列各元素中共减去δ个i型无人平台，δ＜0，从分配矩阵UPAR的第i列各元素中共增加δ个i型无人平台；
S32：当δ＞0时，建立可减元素列表list-，对于全局随机分配矩阵，只要元素大于0就可以减小，list-＝{n|rni＞0}；对于邻域随机分配矩阵，除了满足元素大于0的条件外，元素rni距离初始解UPAopt对应位置的元素ani距离应小于0.2倍的i类型无人平台中总数Mi，list-＝{n|rni＞0and|rni-ani|＜0.2·Mi}；当δ＜0时，各元素都不小于0，建立可增元素列表list+，全局随机分配矩阵各元素都小于Mi，list+＝{1，...，N}；邻域随机分配矩阵需满足初始解的距离限制，list+＝{n||rni-ani|＜0.2·Mi}；
S33：可增减列表建立后，从列表中随机选出成员，令其对应元素加1或减1以减小偏差；
S34：更新偏差值并重复步骤S32和步骤S33直到偏差值为0；
S35：重复步骤S31到步骤S34，直到分配矩阵各列均满足无人平台数量约束。将符合无人平台数量约束的全局随机矩阵和邻域随机矩阵混合，即可得到基于单平台转移优化的遗传算法初始种群。
S4：遗传算法迭代：通过步骤S3中得到的初始解优化遗传算法，遗传算法包括交叉运算、变异运算和选择运算。
在步骤S4中，交叉操作：依次取初始种群中每一个染色体为父本，随机取另一染色体为母本，两者进行算数平均并进行随机舍入，要求染色体满足无人平台数量约束，得到对应的子代染色体；
变异操作：按照指定的变异概率p选择子代内待变异的个体，对于选中的个体，在1到N内随机取两个不同整数a、b，在1到U内随机一个整数c，然后将染色体上的第(a-1)·U+c个基因块和第(b-1)·U+c个基因块交换，得到满足约束的新染色体；
选择操作：取父代种群与子代种群中相对应的每一对染色体进行比较，保留适应度值较大的染色体，组成下一代种群；
重复交叉操作、变异操作和选择操作的遗传算法基本迭代步骤，直到达到最大迭代次数，或每一代种群中的最大适应度值保持10轮迭代过程不再增长，此时算法收敛于最终解。
因此，本发明采用上述一种适用于大规模异构集群任务分配问题的快速求解方法，能够增强遗传算法的局部搜索能力，在不增大种群规模与迭代次数的前提下保障最终分配方法的优越性，减小计算耗时。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (6)

1.一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：通过一种不完全的最优化算法，生成一个异构集群任务分配问题的次优初始解，利用初始解优化遗传算法，加快遗传算法收敛速度，包括模型提取、单平台转移优化、初始种群生成和遗传算法迭代四个步骤；
S1：模型提取：根据获得的任务信息，对N个不同地点的任务进行分解，将其划分为P个部分；
S2：单平台转移优化：将所有无人平台平均分配去执行N个任务，利用单平台转移优化方法改善分配方案，得到全局次优的无人平台任务分配矩阵UPAopt；
S3：初始种群生成：制定遗传算法染色体编码方式并确定初始种群，将单平台转移优化策略得到的初始解进行编码，在该编码的可行领域内随机取popsize·0.3个染色体，在全局可行解空间内随机取popsize·0.7个染色体，将两者混合组成遗传算法的初始种群；
S4：遗传算法迭代：通过步骤S3中得到的初始解优化遗传算法，遗传算法包括交叉运算、变异运算和选择运算。
2.根据权利要求1所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S1中，对这N个任务的P个部分进行评价，得到任务资源需求矩阵TRD＝(dij)N×P和任务价值矩阵TV＝(vij)N×P，其中dij和vij分别代表完成任务i的第j个部分的预估资源需求量与任务收益；
评定异构集群内的U种无人平台的资源携带量矩阵URC＝(cij)U×P，其中cij代表无人平台类型i携带的用于完成任务第j个部分的资源数量；根据特定的任务分配方案，对无人平台进行任务分配，确定无人平台任务分配矩阵UPA＝(aij)N×U，其中aij代表执行任务i的j类型无人平台数量；同一无人平台只能且必须执行一项任务，无人平台任务分配矩阵UPA满足无人平台数量约束Mj是异构集群内第j种无人平台的数量；
确定任务资源实际供给矩阵TRS＝(sij)N×P和该分配方案的适应度f(UPA)，其中TRS＝UPA×URC，表示任务i的第j个部分的任务资源实际供给量为参与执行该任务的所有无人平台所携带的对应任务资源之和；是任务资源实际供给比例到任务收益获取比例的函数，g(·)是非线性的。
3.根据权利要求2所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S2中，若分配结果中存在小数，则随机舍入，保证分配矩阵满足无人平台数量约束，以无人平台任务分配矩阵为起点，按单平台转移优化方法进行迭代优化；单平台转移优化方法内容如下：
对无人平台类型u的分配结果进行优化时，从任务1到任务N，记录执行该任务的无人平台类型u的数量增加1导致的任务总体适应度的增加值记录执行该任务的无人平台类型u的数量减少1导致的任务总体适应度的减小值的绝对值
若适应度增加值的最大值大于适应度减小值的最大值：
则将一台类型u的无人平台从参与任务k的执行转为参与任务j的执行；
记Aab为变换矩阵，
则，
从无人平台类型1到无人平台类型U，依次按上述方法对任务分配矩阵执行单平台转移优化，若执行完一轮优化后，任务总适应度值增大，则继续进行下一轮优化，直到总适应度停止增长，此时分配方案为最优分配方案，记作UPAopt。
4.根据权利要求3所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S3中，染色体编码方式涉及将任务分配方案转换为染色体形式，将任务分配矩阵UPA用一维染色体表示，在异构集群任务分配场景中，存在N个位置分布不同的任务，参与执行这些任务的无人平台类型总数为U，种群内个体的染色体长度为N×U，染色体上的每个基因代表着执行任务i的j型无人平台数量，将无人平台任务分配矩阵UPA按行分段并连接，得到对应的染色体个体，染色体上的第(i-1)×u+j个基因对应着任务分配矩阵UPA的元素aij，代表着参与执行第i个任务的j型无人平台的数量；
随机赋值生成任务分配矩阵UPA，对分配矩阵的每一列，选取可增删修改的元素列表，在该列表中随机挑选元素增加或减少元素的值使该列满足无人平台数量约束，将符合无人平台数量约束的任务分配矩阵按行拆分拼接为相应的染色体个体。
5.根据权利要求4所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S3中，将符合无人平台数量约束的全局随机分配矩阵和邻域随机分配矩阵混合，得到基于单平台转移优化的遗传算法初始种群；
全局随机分配矩阵的生成方法如下：
无人平台任务分配矩阵UPA的第i列的各元素之和应为Mi，将UPA的第i列元素取为其中floor(·)函数代表向下取整，rand()函数用于生成一个0到1之间的随机数；
领域随机分配矩阵的生成方法如下：
无人平台任务分配矩阵UPA的第i列的各元素之和应为Mi，初始解各列各元素的浮动范围定为±ceil(Mi·0.1)，生成的随机分配矩阵在初始解邻域内，其中ceil(·)函数代表向上取整；
对全局随机矩阵和邻域随机矩阵的修正方法如下：
S31：记随机分配矩阵为UPAR＝(rij)N×U，依次取出随机分配矩阵的第i列元素，计算出离满足无人平台数量约束的差值若δ＞0，从分配矩阵UPAR的第i列各元素中共减去δ个i型无人平台，δ＜0，从分配矩阵UPAR的第i列各元素中共增加δ个i型无人平台；
S32：当δ＞0时，建立可减元素列表list-，对于全局随机分配矩阵，只要元素大于0就可以减小，list-＝{n|rni＞0}；对于邻域随机分配矩阵，除了满足元素大于0的条件外，元素rni距离初始解UPAopt对应位置的元素ani距离应小于0.2倍的i类型无人平台中总数Mi，list-＝{n|rni＞0and|rni-ani|＜0.2·Mi}；当δ＜0时，各元素都不小于0，建立可增元素列表list+，全局随机分配矩阵各元素都小于Mi，list+＝{1，...，N}；邻域随机分配矩阵需满足初始解的距离限制，list+＝{n||rni-ani|＜0.2·Mi}；
S33：可增减列表建立后，从列表中随机选出成员，令其对应元素加1或减1以减小偏差；
S34：更新偏差值并重复步骤S32和步骤S33直到偏差值为0；
S35：重复步骤S31到步骤S34，直到分配矩阵各列均满足无人平台数量约束。
6.根据权利要求5所述的一种适用于大规模异构集群任务分配问题的快速求解方法，其特征在于：在步骤S4中，交叉操作：依次取初始种群中每一个染色体为父本，随机取另一染色体为母本，两者进行算数平均并进行随机舍入，要求染色体满足无人平台数量约束，得到对应的子代染色体；
变异操作：按照指定的变异概率p选择子代内待变异的个体，对于选中的个体，在1到N内随机取两个不同整数a、b，在1到U内随机一个整数c，然后将染色体上的第(a-1)·U+c个基因块和第(b-1)·U+c个基因块交换，得到满足约束的新染色体；
选择操作：取父代种群与子代种群中相对应的每一对染色体进行比较，保留适应度值较大的染色体，组成下一代种群；
重复交叉操作、变异操作和选择操作的遗传算法基本迭代步骤，直到达到最大迭代次数，或每一代种群中的最大适应度值保持10轮迭代过程不再增长，此时算法收敛于最终解。
CN202410135797.XA 2024-01-31 2024-01-31 一种适用于大规模异构集群任务分配问题的快速求解方法 Active CN117992222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410135797.XA CN117992222B (zh) 2024-01-31 2024-01-31 一种适用于大规模异构集群任务分配问题的快速求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410135797.XA CN117992222B (zh) 2024-01-31 2024-01-31 一种适用于大规模异构集群任务分配问题的快速求解方法

Publications (2)

Publication Number Publication Date
CN117992222A true CN117992222A (zh) 2024-05-07
CN117992222B CN117992222B (zh) 2024-08-30

Family

ID=90886802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410135797.XA Active CN117992222B (zh) 2024-01-31 2024-01-31 一种适用于大规模异构集群任务分配问题的快速求解方法

Country Status (1)

Country Link
CN (1) CN117992222B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070005522A1 (en) * 2005-06-06 2007-01-04 Wren William E Resource assignment optimization using direct encoding and genetic algorithms
CN111860984A (zh) * 2020-07-06 2020-10-30 燕山大学 一种基于改进遗传算法的多异构无人机任务分配方法
CN116050086A (zh) * 2022-12-15 2023-05-02 中国航空工业集团公司西安航空计算技术研究所 一种基于遗传算法的多机空战任务分配方法
CN116739254A (zh) * 2023-06-06 2023-09-12 中国舰船研究设计中心 一种水面无人集群多目标快速分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070005522A1 (en) * 2005-06-06 2007-01-04 Wren William E Resource assignment optimization using direct encoding and genetic algorithms
CN111860984A (zh) * 2020-07-06 2020-10-30 燕山大学 一种基于改进遗传算法的多异构无人机任务分配方法
CN116050086A (zh) * 2022-12-15 2023-05-02 中国航空工业集团公司西安航空计算技术研究所 一种基于遗传算法的多机空战任务分配方法
CN116739254A (zh) * 2023-06-06 2023-09-12 中国舰船研究设计中心 一种水面无人集群多目标快速分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王子泉 等: "弱信息交互条件下的无人机集群决策方法", 《 北京航空航天大学学报》, 14 September 2023 (2023-09-14) *

Also Published As

Publication number Publication date
CN117992222B (zh) 2024-08-30

Similar Documents

Publication Publication Date Title
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
US20210133536A1 (en) Load prediction method and apparatus based on neural network
CN110197439B (zh) 考虑源网荷多边不完全信息博弈的增量配电网规划方法
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
CN116663861B (zh) 装配式构件生产鲁棒性和资源均衡结合的调度优化方法
CN113128839B (zh) 面向高端装备分布式制造与多模式运输的协同调度方法
CN110222816B (zh) 深度学习模型的建立方法、图像处理方法及装置
CN117992222B (zh) 一种适用于大规模异构集群任务分配问题的快速求解方法
CN111652413A (zh) 基于多Agent分布式海量数据处理的工业电力负荷预测方法
CN115277445B (zh) 一种基于QoS目标的微服务系统调度优化方法
CN114781280B (zh) 基于循环神经网络的交互式收率优化方法及系统
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
CN112598176A (zh) 遗传与贪婪算法融合的众包高效分派方法
CN113205171A (zh) 一种离散二进制粒子群电机多目标优化方法
CN113781100A (zh) 符合消费导向的产品属性测定方法、装置、电子设备以及可读存储介质
CN113297293A (zh) 一种基于约束优化进化算法的自动化特征工程方法
CN113111446A (zh) 选配方法
CN114565236B (zh) 一种双碳目标下的电力综合能源系统调度方法及装置
CN118449140B (zh) 一种风光储多目标电源选址定容预测系统及方法
CN115187409B (zh) 能源投资策略的确定方法、装置、电子设备及存储介质
Jiao Human resource allocation method based on multi objective optimization
CN114841472B (zh) 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法
CN118171585B (zh) 一种超长桩基结构设计和质量控制方法及系统
CN112734286B (zh) 一种基于多策略深度强化学习的车间调度方法
CN118780745A (zh) 一种考虑碳排放全寿命周期评价的项目建设多目标优选方法

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
GR01 Patent grant
GR01 Patent grant