多Agent系统中基于招投标的任务分配优化

在利用多Agent系统辅助生产任务分配过程中,为避免仅凭招投标结果来确定任务分配方案时只能获得局部最优的问题,提出了一种生产任务分配全局优化方法。建立了基于招投标结果的生产任务分配优化目标函数,设计了退火进化算法,实现生产任务的综合评标。通过实例验证说明算法求解该问题可行有效,便于获得生产任务分配的全局最优方案。     

多Agent层次任务分配方法

提出了一种层次任务分配方法,用于解决动态环境中的任务分配问题.利用全局分配方法为Agent分配合适的任务,当环境发生变换时,通过局部调整来解决任务和Agent之间的匹配问题,使得每个Agent能够根据局部信息选择理想的任务来执行,提高了分配算法的鲁棒性和多Agent整体效用.仿真实验结果表明,该方法是可行且有效的,能够解决动态环境中的任务分配问题.     

多机器人系统任务分配效用评价算法

为了提高复杂环境中多机器人系统任务分配的决策质量,获取准确、客观的效用评价,提出了一种基于自适应神经-模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)的效用评价算法ANFIS-UE.设计了基于ANFIS的效用评价网络结构,并采用Q学习对效用评价网络的参数进行学习.利用ANFIS优越的函数逼近能力和泛化能力,提高了效用函数的学习效率,能够对连续的状态输入产生连续的效用评价值.实验结果表明,该算法获得的效用评价相对更准确,从而提高了任务分配方案的质量.     

基于势博弈的异构多智能体系统任务分配和重分配EI北大核心CSCD

针对异构多智能体系统,基于势博弈理论提出一种新的任务分配和重分配算法.考虑任务执行同步性和任务时效性的多重约束,导致异构多智能体系统中各个体任务执行时间受到多种限制,建立一个基于势博弈的算法结构,使系统以分布式方式工作.在此基础上,基于势博弈理论设计任务分配算法,保证在较低复杂度的同时,可以得到近似最大化期望全局效用的良好分配方案,并且随后将所提出的方法推广到任务重分配方案实现故障下的容错.最后,针对攻击任务场景对所提算法进行仿真验证,结果表明,在期望全局效用、容错能力和算法复杂度方面具有全面的性能.     

基于服务的异质作战实体协同优化研究

针对作战仿真中异质作战实体协同分配模型存在的信息交互及协同效能低的问题,建立了一种基于服务的作战实体协同分配模型.通过服务调用机制解决异质作战实体任务分配时的信息交互和共享,以基于能力向量的效用函数为适应度函数,应用遗传算法优化初始任务分配方案;以航空协同反潜为背景进行了仿真实例验证,仿真结果表明,优化后的任务分配模型在基本相近的时间内,能有效提高任务分配方案的效能,使得分配方案更逼近全局最优.     

基于分解优化的多星合成观测调度算法

某些卫星的侧摆性能较差, 必须进行合成观测以提高观测效率. 研究了多星联合对地观测中的任务合成观测调度问题. 提出了将原问题分解为任务分配与任务合成的分解优化思路. 任务分配为任务选择卫星资源及时间窗口; 任务合成则针对该分配方案,将分配到各卫星的任务按照轨道圈次分组, 分别进行最优合成. 采用蚁群优化算法(Ant colony optimization, ACO)求解任务分配问题, 通过自适应参数调整及信息素平滑策略, 实现全局搜索和快速收敛间的平衡.提出了基于动态规划的最优合成算法, 求解任务合成子问题,能够在多项式时间内求得最优合成方案. 依据分配方案的合成结果, 得到优化方案的特征信息, 反馈并引导蚁群优化算法对任务分配方案的搜索过程. 大规模测试算例验证了本文算法的效率.     

基于Memetic算法的多无人机任务分配研究

多无人机协同任务分配问题是多无人机协同控制的关键问题.多无人机协同任务分配问题的难点在于复杂多变的环境下存在多个彼此冲突的目标,如何获得多目标问题的最优解,一直是学术界和工程界关注的焦点.根据多无人机任务分配的特点,针对扩展的混合整数线性规划的任务分配模型,将一种多目标文化基因算法应用于多无人机协同任务分配中并进行仿真,结果表明,提出的算法具有较强的全局搜索能力和快速收敛性,并且验证此算法解决多无人机协同任务分配问题的有效性.     

面向延迟接受的移动群智感知多任务分配

针对现有任务分配策略的不足,提出了一种面向延迟接受的移动群智感知多任务分配策略.首先,基于平台和工人的不同需求,提出了一种方法实现任务和工人的双向匹配.其次,考虑到任务的紧急性,设计了一种混合延迟接受算法.最后,为了验证所提策略的性能,将其与两种基准的任务分配方法进行了比较.实验结果表明,所提任务分配策略在提高平台效用和工人满意度方面是有效的.     

基于群体智能的三维碎片全局最优匹配方法

针对传统三维碎片整体匹配过程中误差积累的问题,提出了一种基于群体智能的全局最优匹配方法。该方法对破碎物体的三维多碎片全局匹配建立全局整体碎片匹配的数学模型,将碎片的整体最优匹配求解问题转换为求满足一定约束条件的最优匹配矩阵的组合优化问题,通过将自然社会认知优化算法进行离散化来求解该NP问题。典型实例分析验证了所提方法全局优化能力强,与初始位置无关,有较强的鲁棒性,为三维碎片整体匹配提供一个有效的方法。     

改进计算能量函数下作业车间调度的混沌神经网络方法

神经网络是求解作业车间调度问题的一种有效方法,本文研究可以获得全局最优或近似全局最优的可行解的作业车问调度神经网络方法.给出包括作业车间调度所有约束条件的新的计算能量函数表达式,并把混沌动力学应用于离散Hopfield神经网络作业车间调度中,提出一种改进的暂态混沌离散神经网络作业车间调度方法.仿真结果表明,该方法不仅具有全局搜索能力,而且收敛速度较快,重要的是能够保证神经网络的稳态输出为全局最优或近似全局最优的可行的作业车间调度方案.     

一种基于按劳分配原则的联盟形成策略

联盟形成主要研究如何在联盟内Agent间划分联盟效用,使Agent在决策时愿意形成更优的联盟。但是已有的联盟形成策略对额外效用的平均分配没有考虑到每个Agent对联盟的贡献大小以及加入后的利益,不利于联盟的形成。提出一种基于按劳分配原则的联盟形成策略,该策略运用按能力分配原则对额外效用进行合理分配,体现了“能者多劳,多劳多得”的特点,维护了个体间的利益,优于Shapley值方法和平均分配法,较好地满足了联盟的稳定性和时效性等要求。     

Mobile crowd sensing task optimal allocation: a mobility pattern matching perspective

With the proliferation of sensor-equipped portable mobile devices, Mobile CrowdSensing (MCS) using smart devices provides unprecedented opportunities for collecting enormous surrounding data. In MCS applications, a crucial issue is how to recruit appropriate participants from a pool of available users to accomplish released tasks, satisfying both resource efficiency and sensing quality. In order to meet these two optimization goals simultaneously, in this paper, we present a novel MCS task allocation framework by aligning existing task sequence with users’ moving regularity as much as possible. Based on the process of mobility repetitive pattern discovery, the original task allocation problem is converted into a pattern matching issue, and the involved optimization goals are transformed into pattern matching length and support degree indicators. To determine a trade-off between these two competitive metrics, we propose greedy-based optimal assignment scheme search approaches, namely MLP, MDP, IU1 and IU2 algorithm, with respect to matching length-preferred, support degree-preferred and integrated utility, respectively. Comprehensive experiments on realworld open data set and synthetic data set clearly validate the effectiveness of our proposed framework on MCS task optimal allocation.     

一种基于利益均衡的联盟形成策略

联盟形成是多Agent系统中的一个关键问题,主要研究如何在联盟内Agent间划分联盟效用,使Agent在决策时愿意形成全局更优的联盟.但已有策略对额外效用的平均分配没有顾及后加入联盟的Agent的利益,不利于全局优化联盟的形成.对此,给出一种基于利益均衡的联盟形成策略,在非减性效用分配等原则的基础上,提高了对额外效用分配的合理性,在面向任务的领域中可以达到全局优化解,较好地满足了稳定性、时效性以及分布等要求.     

时空众包环境下时效均衡的在线任务分配算法

针对时空众包任务分配研究中单一考虑任务分配总效用或任务等待时间，导致总体分配效果不佳的问题，提出一种基于分配时间因子的动态阈值算法。首先，基于预估等待分配时间和已等待分配时间计算任务的分配时间因子；其次，综合考虑任务的回报值和分配时间因子进行任务分配排序；然后，在初始值的基础上增加动态调整项为每一项任务设置阈值；最后，根据阈值条件为每一项任务设置候选匹配集，并从候选匹配集中选择匹配系数最大的候选匹配对加入结果集，完成任务分配。通过实验证明，该算法在任务分配率达到95.8%的情况下，与贪心算法相比，在分配总效用方面提升20.4%；与随机阈值算法相比，在分配总效用方面提升17.8%，在任务平均等待时间方面缩短13.2%；与基于两阶段框架模型的在线微任务分配改进（TGOA-Greedy）算法相比，在分配总效用方面提升13.9%。实验结果表明，该算法能够在提升任务分配总效用的同时缩短任务的平均等待时间，实现分配总效用与任务等待时间两者间的均衡。     

基于机器人效用函数的多机器人系统任务分配

针对现有的多机器人系统任务分配方法只是采用算法进行寻优,而没有将任务分配结果加以量化的缺陷,提出了一种基于机器人效用函数的多机器人系统任务分配新方法。该方法首先定义机器人效用函数,并说明其可解;接着给出了最佳任务分配方案的定义,并证明其存在性和惟一性;最后通过实例对本方法的有效性进行了验证。     

偏好匹配满意度最大化的众包任务分配

众包任务分配机制对众包任务完成质量起着至关重要的作用,然而现有的分配方法未在稳定性条件下考虑众包用户双边偏好,分配结果的准确性有待提高,并且存在众包用户因不满意当前分配对象而导致众包任务完成质量较低的问题.为此提出一种基于偏好匹配的众包任务分配方法,该方法首先考虑众包任务与工人的双边偏好,根据偏好序计算任务与工人的满意...     

基于QMix的车辆云计算资源动态分配方法

城市交通智能化和通信技术的进步会产生大量基于车辆的应用,但目前车辆有限的计算资源无法满足车辆应用的计算需求与延迟性约束。车辆云（VC）可以高效地调度资源,从而显著降低任务请求的延迟与传输成本。针对VC环境下任务卸载与计算资源分配问题,提出一个考虑异质车辆和异质任务的计计资源分配算法。对到达的任务构建M/M/1队列模型与计算模型,并定义一个效用函数以最大化系统整体效用。针对环境中车辆地理分布的高度动态系统变化,提出基于双时间尺度的二次资源分配机制（SRA）,使用两个不同时间尺度的资源分配决策动作,对其分别构建部分可观测马尔可夫决策过程。两个决策动作通过执行各自的策略获得的奖励进行连接,将问题建模为两层计算资源分配问题。在此基础上提出基于二次资源分配机制的多智能体算法SRA-QMix求解最优策略。仿真结果表明,与深度确定性策略梯度算法对比,该算法的整体效用值和任务完成率分别提高了70%、6%,对于QMix和MADDPG算法分别应用SRA后的任务完成率分别提高了13%与15%,可适用于动态的计算资源分配环境。     

Pareto蚁群算法与遥感技术耦合的水资源优化配置

为了尝试用Pareto蚁群算法(PACA)和遥感技术(RS)来求解复杂的水资源优化配置问题,建立了以经济、社会和生态环境综合效益最大为目标,以供水、需水、水质等为约束条件的基于像元的水资源优化配置模型.通过局部信息素强度限制、全局信息素动态更新、Pareto解集过滤器构建等策略,使蚂蚁向信息素浓度大的优化边界移动,以提高PACA的全局搜索能力和收敛速度.以中原地区某县为仿真对象,借助RS获取其土地利用类型,利用PACA在栅格地图上求解水资源优化配置模型,并得到水资源最优配置方案.最后PACA与遗传算法(GA)和BP神经网络算法(BP-ANN)进行了比较.结果表明,PACA能有效地求解大范围、多目标水资源优化配置模型,并提高了算法的全局搜索能力、收敛速度和计算结果的精度.