RoboCup标准平台组中基于改进合同网协议的任务分配算法

针对RoboCup标准平台组SPL中多机器人之间的协同问题,提出了基于改进合同网协议的任务分配算法。首先对RoboCup多机器人系统建立层次结构分解模型和单体机器人行为任务树模型,并采用AHP层次分析法确定各个任务权重。其次,提出基于改进合同网协议的任务分配策略,相对于传统合同网协议,改进的合同网协议将标书公示机制引入任务分配模型;同时,提出了优先招标策略并对合同网协议流程和评价函数进行了改进和扩展。     

基于MAS机器人协作机制的研究与应用

本文是在通过分析IR-SDS智能机器人系统平台的基础上实现基于MAS理论的多机器人协作机制,并且在分析合同网和熟人协作机制的基础上,提出了实时响应较好的合同网能力协作机制。通过在IR-SDS上进行实验,并分析实验结果证明了该协作机制的实时性和优越性。     

基于BDI模型的多机器人智能体系统设计

BDI模型是智能体设计的一种成熟结构，本文将BDI模型应用于多机器人智能体系统设计中．文章先从形式逻辑角度描述系统模型，然后讨论基于合同网的多机器人智能体的协作机制，最后给出基于BDI模型的多机器智能体的实现模型．     

分布式对象技术在多机器人系统中的应用

本文介绍了我们建立的基于Ａｇｅｎｔ的分布协作式多机器人装配系统——ＤＡＭＡＳ，在此基础上研究了多机器人合作的协商协议，采用了改进的合同网协议方法．针对多机器人协商协议的软件实现，采用了应用前景广阔的分布式对象技术，介绍了多机器人合作装配的协商协议的具体实现方法     

基于任务熟人集的合同网模型的改进

合同网模型广泛应用于基于多Agent系统的各种应用系统中，以解决分布合作求解和任务分配问题，在讨论基本合同网模型的缺点和不足的基础上，给出了一个任务熟人集的概念，随后提出一种改进的合同网模型和基于任务熟人集选择修选结点和协商策略方法的选择机制，该模型有效地降低通讯量，减少了协商时间和信息流量，提高了系统效率。     

基于CORBA的多机器人应用互操作系统的研究与实现

本文针对异构分布环境下的多机器人系统,提出了一种基于CORBA规范和框架 请求代理（FRB）这一方式的应用系统集成模型．为实现分布异构环境下的多机器人的通信 、协同、编程,支持系统任务重组与重构、应用互操作提供一条有效途径．并给出了一个自 行设计的面向多机器人基于CORBA的对象互操作的方法、机制．给出基于CORBA的应用编程接 口（API）与扩展接口定义语言X IDL,通过基于CORBA的多机器人基本对象类的建立与对象 的实现,实现基于CORBA的多机器人互操作与开放分布处理原型系统．     

基于人工免疫系统的异构多机器人联盟形成

对动态环境下多机器人联盟形成问题进行了研究,提出了一种基于人工免疫系统的异构多机器人联盟形成方法.该方法在对比人工免疫系统与多机器人系统相似关系的基础上,利用人工免疫系统的隐喻机制为面向动态感知任务的异构多机器人联盟形成问题提供了一种新的思路和解决方法.进行了未知非结构化环境下的多机器人协作搜集仿真实验,仿真结果表明所提方法可以使多机器人系统自主地形成机器人联盟以完成动态感知任务,提高了多机器人系统执行任务的效率.     

基于传感器信息的多机器人任务分配研究

多机器人协作是当前机器人学和人工智能的研究热点之一。针对多机器人系统中的任务分配问题,提出一种基于集中式和分布式的混合式控制结构,在机器人得到传感器信息后,使用合同网协议来完成任务分配,最终实现多机器人协作。在player/stage仿真平台进行的实验表明:多机器人系统能够有效地进行任务分配与协作,提出的解决方案是行之有效的。     

战场环境中多无人机动态任务调度

采用了基于合同网的分布式规划方法，研究了战场环境中多无人机动态任务调度问题，并建立了数学模型，提出了分布式的任务调度体系结构，设计了一种基于代价变换的概率路标图路径规划算法，该算法能够在任务调度阶段，快速预估无人机执行不同任务的飞行航路，扩展了合同网协议，可在一次拍卖中“并发”进行多次交易，提高了任务调度的效率。通过多种合同类型的综合，解决了复杂战场态势下的任务调度问题。     

基于多Agent协商机制的PCB装配调度系统

文中针对PCB装配调度问题设计了一个基于多Agent调度系统模型，给出了模型的体系结构与功能描述，系统将任务和优先权机制与基于合同网协议和KQML消息的竞标机制两者相结合，实现PCB装配的优化调度，详细介绍了多多Agent之间的KQML消息通信机制，给出一个应用实例。     

基于分层模型的卷烟成品物流配送优化调度

在约束条件下,卷烟成品物流配送任务的调度是一个典型的NP难题。通过对配送任务类型的分析,提出基于任务分层模型的优化调度方法,该方法运用调度启发信息对配送任务进行分类,不同类型的任务采用不同的算法求解,有效地缩小了问题搜索空间,通过实践验证了该方法的效果。     

基于PQR-tree的空间查询代价模型

空间信息处理和地理信息系统等领域的数据管理涉及到海量、高维空间数据对象的处理。本文针对传统数据索引结构在处理这类空间数据时所存在的内存使用过大、I/O消耗过多等问题,通过改进选择查询的代价模型,给出了基于PQR-tree的查询和代价模型,以提高空间数据查询的性能。提出了基于PQR-tree的三阶段并行查询的方法,分别在任务创建、分配、执行阶段进行优化。提出在任务创建和任务分配阶段应用于空间查询中过滤和精炼阶段的有效算法。测试表明,本文算法在处理各种不同分布类型数据集过程中有效降低了空间数据处理对时间和空间的代价和需求,并且并行机制下的代价模型在预测和评估方面也具有较好的精确度。     

一种基于高阶混合投影估计的网络嵌入方法

特征提取对于网络分析任务而言是至关重要的,而网络嵌入学习的目的则是根据网络的结构和语义信息自动化构建节点或边的特征。现有的方法将网络嵌入分解为网络数据挖掘和数据降维两个独立的过程,因而无法很好地在潜在空间中对节点的分布进行建模描述。因此,提出了一种基于高阶混合投影估计的网络嵌入方法,该方法借鉴谱分解的思想,利用线性投影算子将网络从高维结构空间映射至低维特征空间,然后利用混合概率模型对节点的分布进行建模以维持网络的社区结构性质。此外,该方法还融入了局部节点相似性来防止发生过拟合现象。最后,为了验证该方法的有效性和鲁棒性,在四个真实的网络数据集之上和现有的网络嵌入算法进行了对比实验,在链路预测任务中,该方法分别将Micro-F1和Macro-F1指标的基准线平均提升了3.97%和2.23%,在节点分类任务中,该方法将AUC值的基准线平均提升了10.43%。     

移动群智感知中基于任务质量的多任务分发参与者选择

任务分发作为移动群智感知领域的关键研究问题是目前的热点和难点,针对该领域中多任务分发条件下的参与者选择方法进行研究,根据参与者的历史任务完成情况,利用参与者累计信誉以及参与意愿构建参与者服务质量模型(QoS).在最大化QoS的基础上,采用启发式贪心算法解决参与者的选择问题.提出以任务为中心和以用户为中心的两种选择方案,在算法中引入距离约束因子、完整度约束因子以及信誉度约束因子,在保证任务完成质量的前提下,尽可能提升平台最终收益和参与者的收益.对两种算法的可行性和有效性进行评估,与现有的算法在选择出的参与者人数、移动距离以及数据质量等方面进行详细对比,分析各种因素对选择结果的影响.在实验过程中,建立阶跃型数据定价模型,对参与者上传的数据质量进行量化对比.实验结果表明,所提出的算法较现有的算法在服务质量方面取得了很好的效果.     

基于大数据的结构化SVM的黏着语词性标注的研究

传统的条件随机场(Conditional Random Fields,CRF)方法虽然可以容纳任意长度的上下文信息且特征设计灵活, 但训练代价大、模型复杂度高,尤其在序列标注任务中由于需要计算整个标注序列的联合概率分布使其缺点更加突出。为此, 结合一种结构化方式的支持向量机(Structured Support Vector Machine,SSVM)方法,根据黏着语的构词特征和语料的上下文信 息进行词性标注研究,本模型相比传统SVM,通过附加额外的约束条件使特征函数能够拟合分布,进而用于处理不同领域内词 性标注。通过相关黏着语词性标注实验结果显示,SSVM的词性标注方法相比传统的词性标注算法,准确率有了一定的提高。     

允许存储的变周期随机动态车队调度双层模型交替求解策略

针对一类允许存储的变周期随机动态车队调度问题进行研究.难点在于运输任务数量不确定、运输任务可存储、计划周期内各时段长度不同、车辆荷载不同.根据问题表述建立数学模型,进而设定新的决策向量和状态向量,对问题模型进行可分离形式改造.引入排队原理设计运输任务产生机制和模型分离参数拟合过程,在此基础上,建立由内层模型与外层模型共同构成的双层模型体系,并给出双层模型的交替求解算法. 通过仿真实验和数值分析验证了所提出算法的可行性和有效性.     

“任务驱动”方式与“小组教学”方法相结合的程序设计实验教学

本文根据程序设计课程的特点以及现有的实验教学方法,提出了"任务驱动"方式与"小组教学"方法相结合的实验教学方法,并深入实践和应用。实践教学表明,这种方法能够很好地培养学生的自学能力、合作与创新精神,极大地提高了学生的动手能力,较好的达到了程序设计课程实验教学目的,值得尝试与推广。     

服务网格中资源可用性评估方法研究*

资源可用性的预测与评估是动态网格环境下合理资源选择和保证服务质量的前提和基础。基于相关资源和任务的历史信息,利用概率论方法对资源可用性进行了预测与评估,提出了资源离线时间、本地任务执行时间、等待队列长度、等待时间等可用性尺度,证明并给出这些尺度的分布函数。实验表明,基于相关历史信息对资源可用性进行预测方法有效,并且根据资源可用性评估及提取的相关可用性尺度来确定任务调度的候选资源,可大大减少候选资源数目,从而降低调度的时间复杂度。     

基于深度强化学习的空间众包任务分配策略

针对动态在线任务分配策略难以有效利用历史数据进行学习、同时未考虑当前决策对未来收益的影响的问题,提出基于深度强化学习的空间众包任务分配策略.首先,以最大化长期累积收益为优化目标,基于马尔科夫决策过程从单个众包工作者的角度建模,将任务分配问题转化为对状态动作价值Q的求解及工作者与任务的一对一分配.然后采用改进的深度强化学习算法对历史任务数据进行离线学习,构建关于Q值的预测模型.最后,动态在线分配过程中实时预测Q值,作为KM(Kuhn-Munkres)算法的边权,实现全局累积收益的最优分配.在出租车真实出行数据集上的实验表明,当工作者数量在一定规模内时,文中策略可提高长期累积收益.     

P2P流媒体系统中数据请求任务转移算法研究

数据请求任务调度是P2P流媒体系统设计时需要考虑的重要问题之一。针对网状拓扑结构中每个节点接收到的请求分布不均问题,提出一种基于带宽和链路延迟的数据请求任务转移算法。实验结果表明,相比于未采用数据请求任务转移的算法,所提算法提高了平均播放质量和上行带宽利用率,从而改善了系统的性能。