多编组协同任务分配模型及DLS-QGA 算法求解

为解决多智能体编组协同任务分配问题, 定义任务、智能体编组和相关的分配过程变量, 建立以最高任务执行效率为目标的数学模型. 在问题模型中设计考虑资源损耗的编组资源能力更新机制, 提出用于求解该模型的动态列表规划和量子遗传算法的混合任务分配算法, 使用动态列表规划选择处理的任务, 利用量子遗传算法为选定任务分配最合适编组. 最后通过算例表明, 所提出的方法在解决时序逻辑任务分配时能够得到更优更稳定的方案.

     

基于拍卖的多智能体任务分配算法

任务分配是多智能体系统协作关键问题,对此提出一种基于拍卖的多智能体任务分配算法.在限定时间内,利用拍卖算法综合考虑完成任务的效益及各智能体完成任务需付出的代价,得到接近最优的任务分配方案.动态的环境会造成方案滞后,通过动态调整,重要任务可吸引到更多智能体.为减轻动态调整过程的通信负担,引入令牌的概念,由令牌控制智能体发送信息的权利.通过在机器人救援仿真系统中的成功应用,验证了本算法的有效性.     

复杂约束条件下异构多智能体联盟任务分配

分布式任务决策是提高多智能体系统自主性的关键. 以异构多智能体协同执行复杂任务为背景, 首先建立 了一种考虑任务载荷资源约束、任务耦合关系约束及执行窗口约束等条件的异构多智能体分布式联盟任务分配模 型; 其次, 对一致性包算法(CBBA)进行了扩展, 提出了基于改进冲突消解原则的一致性联盟算法(CBCA), 以实现异 构多智能体协同无冲突任务分配, 并进一步证明了在一定条件下CBCA算法收敛于改进顺序贪婪算法(ISGA). 最后 通过数值仿真, 验证了CBCA算法求解复杂约束条件下异构多智能体联盟任务分配问题的可行性和快速性.     

基于动态蚁群劳动分工模型的多AUV任务分配方法

多水下自主航行器(autonomous underwater vehicle,AUV)的动态任务分配问题具有高度非线性、动态不确定性以及多模态的特征,对多AUV任务分配方法的自组织性、鲁棒性以及快速性提出了更高的要求.动态蚁群劳动分工(dynamic ant colony''s labor division,DACLD)模型是一种采用分布式框架的群智能算法,众多行为简单的个体相互作用过程中涌现产生的整体智能行为能很好地适应复杂多变的环境,在解决任务分配问题上具有很好的柔性.引入动态蚁群劳动分工中的刺激-响应原理,建立动态蚁群劳动分工与多AUV任务分配问题之间的映射关系,将任务的状态预测纳入响应阈值,研究基于动态蚁群劳动分工模型的多AUV任务分配方法.同时,针对任务分配过程中可能出现的任务冲突现象,提出新的循环竞争方案以实现最大限度地利用AUV资源.仿真结果表明,所提出的方法能高效地完成任务分配过程,具有很好的自组织性、鲁棒性及快速性.     

基于长短期记忆神经网络的容器云队列在线任务动态分配

针对现有容器云在线任务分配方法分配合理性和资源均衡度较差、任务处理效率较低的问题,提出一种基于长短期记忆神经网络的容器云队列在线任务动态分配方法。描述容器云队列在线任务模型;以节点互补度、资源利用率以及能耗组成任务分配多目标函数;在约束条件下利用长短期记忆神经网络求解任务分配最优方案,完成容器云队列在线任务动态分配。实验结果表明,本文分配方案的分配合理性达到0.925,资源均衡度达到10.255,最长队列长度为10,最大能耗值为5000 W,分配合理性、资源均衡度、任务处理效率均得到改善,分配方案更加合理。     

动态任务分配虚拟企业生产调度研究

针对虚拟企业环境下生产调度具有动态变化的特点,采用多智能体技术,构建了虚拟企业任务调度运行模型.模型中引入了一种动态任务分配技术,以资源智能体所承担的生产任务为对象,构建了以制造时间最小化为目标的Markov博弈模型,并用一系列静态势力场博弈来近似Markov博弈,从而减少了算法的复杂性.实验表明,该调度方法基本等同于集中式任务分配法,并且具有更佳的通信和交流鲁棒性.     

基于信任度的合一系统社会任务分配

在多智体社会网络中,传统的任务分配模型一般采用直接面向任务执行者的分配机制.它们不考虑社会网络组织结构对任务分配性能的巨大影响,也很少透彻地研究不可靠社会中的任务分配.针对这些问题,本文开创性地研究了软硬件合一系统的任务分配,即按递阶、分层的思想设计了协作组织模型,并基于此提出了面向社区基于社会协调“软件人”的任务分配模型.模型研究过程中,提出了基于直接信任度和社区声誉的社区信任度评估机制、基于社区信任度和社区物理能力的节点选择机制、基于负载均衡的社区内任务分配机制和基于上下文资源的任务再分配策略.实验结果表明：与常见的直接面向任务执行者和基于资源的任务分配模型相比,所提出的模型具有更优的任务分配性能,且对社会任务环境变化具有更好的鲁棒性;社区内基于负载均衡的分配机制和基于上下文资源的再分配策略也有效提高了分配性能,降低了网络中的通信密度.     

基于改进合同网算法的多无人机任务分配

传统合同网算法在任务分配过程中存在任务分配不合理,不能有效利用资源的问题;其在进行任务分配时,不能按照任务需求进行任务分配,任务分配效率低下。针对以上问题,文中提出一种基于改进合同网算法的多无人机任务分配方法。该方法通过优化每架无人机的负载平衡,并结合时间和协作要求,解决任务分配不合理的问题,提高任务的分配和执行效率。     

基于模糊认知图的动态网格分布式资源调度

论文利用多代理的理论,通过网格节点自主选择任务来实现网格系统中的资源优化调度。由于各节点的自主性,对于任务分配方案将存在不同的支持度。论文采用模糊认知图,建立了对任务分配方案的支持度的协调控制策略,并在此基础上给出了一种智能的网格资源调度策略。考虑到各个网格节点的资源配置各不相同,提出了标准支持度的概念,保证了支持度协调策略的可行性和有效性。该调度策略无需存在处于上层的资源调度单元,各节点通过协调对任务分配方案的标准支持度即可实现网格资源的优化调度。该策略适用于分布式计算,并支持网格节点的动态变化,具有较好的实时性和鲁棒性。     

多智能体协同任务分配问题研究综述

研究了给定通信基础设施和可用计算资源情况下,多智能体系统协同任务分配问题中集中式、分布式和分散式系统结构运用的适应条件及异步、同步交互方式在不同结构中的应用;分析了分布式或分散式的任务规划中诸如决策一致性策略和一致性算法等必须考虑的问题及其面临的挑战;最后,探讨了多智能体协同任务分配问题分布式和集中式的求解算法。     

Reinforcement learning based resource allocation in business process management

Efficient resource allocation is a complex and dynamic task in business process management. Although a wide variety of mechanisms are emerging to support resource allocation in business process execution, these approaches do not consider performance optimization. This paper introduces a mechanism in which the resource allocation optimization problem is modeled as Markov decision processes and solved using reinforcement learning. The proposed mechanism observes its environment to learn appropriate policies which optimize resource allocation in business process execution. The experimental results indicate that the proposed approach outperforms well known heuristic or hand-coded strategies, and may improve the current state of business process management.     

软件“众包”任务分配方法

传统的任务分配方法主要依赖主观判断和个人经验,这将直接导致较低的人力资源利用效率.结合已有的任务分配方法对人力资源的复杂性和能力差异性考虑不足,在"众包"模式下,提出了一种新型的个性化任务分配方法.该方法在进行任务分配时,不仅考虑接包方的技术能力,同时也考虑到接包方的性格及在线信誉,从而使任务分配过程更有针对性.该方法在"聚慧网"原型中得以应用,实验表明,其在一定程度上可为发包方提供一种有效的任务分配决策支持.     

基于边缘计算的新型任务卸载与资源分配策略

针对移动边缘计算（MEC）中密集型任务卸载时，系统开销较大和延时抖动明显的问题，提出一种新型资源分配策略。首先在系统时延约束下，分析了系统任务执行开销与终端设备的资源分配机制；其次建立了基于计算卸载和任务分配的联合凸优化目标；最后采用拉格朗日乘子法进行迭代更新得到最优解。仿真结果表明，所提任务卸载与资源分配方案在保证用户服务质量的同时降低了任务执行开销，并有效提升了MEC系统性能。     

A novel knowledge graph-based optimization approach for resource allocation in discrete manufacturing workshops

Dynamic personalized orders demand and uncertain manufacturing resource availability have become the research hotspots of intelligent resource optimization allocation. Currently, the data generated from the manufacturing industry are rapidly expanding. Such data are multi-source, heterogeneous and multi-scale. Transforming the data into knowledge to optimize the allocation between personalized orders and manufacturing resources is an effective strategy to improve the cognitive intelligent production level of enterprises. However, the manufacturing processes in resource allocation is diversity. There are many rules and constraints among the data. And the relationship among data is more complicated. There lacks a unified approach to information modeling and industrial knowledge generation from mining semantic information from massive manufacturing data. The research challenge is how to fully integrate the complex data of workshop resources and mine the implicit semantic information to form a viable knowledge-driven resource allocation optimization method. Such method can then efficiently provide the relevant engineering information needed for resource allocation. This research presented a unified knowledge graph-driven production resource allocation approach, allowing fast resource allocation decision-making for given order inserting tasks, subject to the resource machining information and the device evaluation strategy. The workshop resource knowledge graph (WRKG) model was presented to integrate the engineering semantic information in the machining workshop. A distributed knowledge representation learning algorithm was developed to mine the implicit resource information for updating the WRKG in real-time. Moreover, a three-staged resource allocation optimization method supported by the WRKG was proposed to output the device sets needed for a specific task. A case study of the manufacturing resource allocation process task in an aerospace enterprise was used to demonstrate the feasibility of the proposed approach.     

基于任务特征的云计算资源分配策略

云计算中存在大量的服务资源,高效利用这些资源是资源分配的主要任务。通过对任务流的资源占用和执行过程建模分析,掌握任务流特性,提出伙伴关系任务流资源分配方案。多任务流执行过程中出现资源需求增减的时间同步,这种现象持续不断将产生波动共振,本文采用资源申请-仲裁机制来解决这一问题,把共振的任务流转变为伙伴关系任务流来协作使用资源,保持资源的高效利用。实验结果表明,本文算法消耗的资源比静态方式要少,溢出数也要少,实现了资源的充分利用,验证了算法的正确性。     

自动导引车系统资源分配问题的建模及求解

针对自动导引车系统中由任务分派及路径规划共同构成的资源分配问题,基于自动化出入库系统建立模型,提出了一种以粒子群优化(PSO)迭代为框架,并加入无冲突路径规划的优化算法,弥补了以往只按顺序分配任务造成的不足。首先通过粒子群的迭代原理寻找最优任务分派方案;然后通过无冲突的路径规划得到资源分配的结果,同时在解的评价机制中加入了时间窗、工作量均衡及路径无冲突等约束条件,保证方案的可行性。通过模拟自动入库系统,与传统的自动导引车系统调度算法进行了对比,实验结果表明,所提算法在总行驶里程上平均节约了10%左右,且任务分配的均衡性更好,系统的整体效率得到了有效的提升。     

Mining association rules to support resource allocation in business process management

Resource allocation is of great importance for business process management. In business process execution, a set of rules that specify resource allocation is always implied. Although many approaches have been offered to support resource allocation, they are not sufficient to derive interesting resource allocation rules which ensure that each activity is performed by suitable resource. Hence, this paper introduces an association rule mining based approach to mine interesting resource allocation rules from event log. The idea is to concern the ordered correlations between items in event log, and then to present two efficient algorithms to mine real “interesting” rules. The event log of radiology CT-scan examination process provided by the Chinese Huzhou hospital is used to verify the proposed approach. The evaluation results showed that the proposed approach not only is able to extract the rules more efficient and much faster, but also can discover more important resource allocation rules.     

任务分解控制及人员柔性的车间集成调度

针对复杂产品制造环境下制造任务分解与资源配置脱节的问题,提出了制造任务分解与多目标人员柔性车间资源配置优化方法。在对复杂制造任务特点进行分析的基础上,建立了任务分解粒度控制模型和考虑人员柔性的制造单元资源模型,利用自适应非支配排序遗传算法进行求解,得到了较为满意的任务分解和车间资源调度方案。