协同任务规划仿真实验系统的设计与实现

本文基于AnyLogic软件设计并实现了多智能体协同任务规划仿真实验系统，构建了模块化、可组合的“智能体-环境-任务”三要素模型。文章完成了系统的总体架构设计及各模块的开发，并设计了可视化界面。用户可通过可视化界面，自定义环境、智能体和任务的相关参数，对各种规划方法进行仿真实验，能够更加直观和便捷地观察仿真流程、查看相关数据，有利于学生理解多智能体协同任务规划的过程。本文为学生开展探究性学习、自主实验和创新实践提供了先进手段和开放平台。同时，该实验系统也可用于对多种场景的任务规划算法进行仿真验证。     

基于深度强化学习的人机协作组装任务分配

为适应人机协作组装任务分配日趋复杂的任务结构和高维的任务状态空间，提出了一种基于深度强化学习的人机协作组装任务分配方法。首先，将人机协作组装任务分配形式化为强化学习问题，设计了4通道帧图进行任务分配环境状态的表示，并构建了通用化的组装闯关游戏模拟环境。其次，为解决深度Q网络(DQN)算法频繁的情节重启导致探索效率低下的问题，提出了存档机制及其改进算法Archive DDQN(Double DQN),并介绍了利用该算法与模拟环境交互以进行人机协作组装任务分配的流程方法。最后，通过2种不同难度的组装模拟环境进行对比实验，验证了所提出方法的有效性。     

基于混合遗传禁忌搜索算法的多机器人任务分配

为解决传统遗传算法在求解仓储多机器人任务分配问题时，收敛速度慢且容易陷入局部极值的问题，该文提出一种混合遗传禁忌搜索算法。首先以机器人配送成本最小为目标建立数学模型；然后在传统的遗传算法中引入禁忌搜索算法中的禁忌表和藐视准则，来对遗传算法每次迭代后的种群进行优化调整，使得算法能够跳出局部最优且快速收敛。仿真结果表明，混合遗传禁忌搜索算法能有效地改善遗传算法的全局寻优能力，提升仓储的整体运行效率。     

基于改进BINN的人机多点巡检问题研究

为提高多变电站巡检的工作效率，在考虑障碍物存在的情况下，提出一种基于改进生物激励神经网络的巡检方法。该方法通过改进生物激励神经网络的激励输入和路径决策，避免了算法在进行路径决策时因依赖神经元活性值分布导致的路径错判问题和转向次数多的问题。仿真结果表明，相较于改进前的算法，改进后的生物激励神经网络算法在多变电站路径规划上具有明显优势，路径长度缩短了50.22 m,转动角度减小了11.65°,转向次数减少了5次，分别为10.11 m、40.23°、15次；相较于常规路径规划算法PRM算法和Dijkstra算法，该方法在路径长度、转动角度和转向次数各项指标上仍具有明显的优势。该方法可实现多变电站的多点协同巡检和区域覆盖巡检，提高多变电站巡检工作效率。     

无线网络中具有MEC的多UAV飞行轨迹优化

搭载有移动边缘计算（MEC）设备的无人机（UAV）群可辅助无线网络，因此，考虑一个UAV集群的系统模型，其中UAVs从基地出发通过无线信息传输（WIT）系统为用户提供通信服务，完成任务之后UAVs返回基地。针对该系统，着重探讨UAV巡航轨迹与通信延迟的关系，以及UAV的最佳巡航速度。将UAV集群通信延迟的优化分为任务节点的分组、访问排序和飞行轨迹的转折点求解共3个子问题，构建相关的数学建模。提出一种基于模因算法（MA）框架的元启发式算法，通过大量的仿真实验验证了所提算法的优越性。     

结合遗传算法和滚动调度的多机器人任务分配算法

研究多机器人任务分配（MRTA）的目的是提高智能工厂中机器人完成任务的效率。针对现有算法在处理大规模、多约束的MRTA时存在不足的问题，提出一种结合遗传算法和滚动调度的MRTA算法（ACGARS）。首先，在遗传算法中采用基于有向无环图（DAG）的编码方式高效地处理任务之间的优先级约束；其次，在遗传算法的初始种群中加入先验知识以提高算法的搜索效率；最后，设计基于任务组的滚动调度策略用于减小求解问题的规模，从而实现对大规模问题的高效求解。在大规模问题实例上的实验结果表明，相较于构造性启发式算法（CHA）、最小化干扰算法（MIA）和基于惩罚策略的遗传算法（GAPS）生成的方案，当任务组数为20时，所提算法生成的方案的平均订单完成时间分别缩短了30.02%、16.86%和75.65%，验证了所提算法能有效地缩短订单的平均等待时间，提升多机器人任务分配效率。     

TAMP:面向区域覆盖的层次化多机器人任务分配方法

作为诸多移动机器人应用的基础，完全覆盖旨在为机器人规划出一条访问目标区域所有点且耗时最短的无碰撞路径。此类覆盖应用中，利用多台机器人协同覆盖可以有效缩短覆盖时间并提升系统的鲁棒性，同时也增加了算法设计复杂度和机器人协同管理难度。因此，文中研究了已知环境下的多机器人覆盖问题，该问题已被证明是一个NP难题。文中提出了一种启发式的基于多层次图划分的多机器人任务分配方法(Multi-robot Task Assignment Based on Multi-level Graph Partitioning, TAMP),该方法包含一种粗化任务分配算法和一种精细任务分配算法。粗化任务分配算法采用分层粗化的方法，通过图的极大匹配实现了节点融合以降低图的规模，并基于均匀种子的图增长方式获取了一个接近均衡的初始任务分配结果，提高算法效率；精细任务分配算法在粗化任务分配算法的基础上，提出了一种基于边界节点交换的Lazy&Lock策略，用于实现任务细分，提高求解精度。文中在不同规模的随机图和真实世界的治安巡逻场景下进行了仿真验证。仿真结果表明，相比经典的任务分配方法，TAMP方法将可求解的最大计算规...     

改进自组织映射的多无人机协同任务分配方法

针对现有算法对多无人机（UAV）协同进行多任务分配时存在负载均衡和执行效率方面的不足，提出一种改进的自组织映射（ISOM）算法。该算法根据飞行时间和任务执行时间设计了UAV的负载均衡度，以提升任务完成的效率；还设计了新的非线性变化的学习率和邻域函数保证ISOM算法的稳定性和快速收敛。然后，在不同任务环境对ISOM算法进行了有效性验证。实验结果表明，与结合遗传算法的粒子群优化（GA-PSO）、Gurobi和ORTools算法相比，ISOM算法的任务完成时间可分别减少15.5%、12.7%和7.3%；在TSPLIB数据集的实例KroA100、KroA150、KroA200上进行航迹长度减小的有效性验证时，与杂草优化（IWO）算法、改进的单亲遗传算法（IPGA）和蚁群单亲遗传算法（AC-PGA）的对比结果表明，ISOM算法在无人机数量为2、3、4、5、8时，均获得了最小的航迹长度。由此可见，ISOM算法在解决多UAV协同多任务分配问题时效果显著。