基于自组织算法的情感机器人追捕任务分配

提出了基于自组织映射(self organizing map,SOM)神经网络的自组织算法,把任务分配融入网络训练过程中.通过竞争获胜函数值在网络训练(任务分配)中的决定作用,并结合算法自身任务分配的实时性,由各情感机器人根据情感等因素提供竞争获胜函数值,并对值进行强化学习调整.这样使情感直接有效地参与任务分配决策,优化了算法性能.最后,通过仿真实验验证了本文所提出算法的有效性,特别是随着情感机器人团队规模扩大,追捕时间会比现有算法缩短一半以上.     

面向多机器人动态任务分配的事件驱动免疫网络算法

为实现多机器人系统的动态任务分配与协作,提出了一种面向多机器人动态任务分配的事件驱动免疫网络算法。将生物免疫网络的工作机理应用到多机器人动态任务分配算法中,借鉴Jerne的独特型免疫网络假说和Farmer提出的抗体激励动态方程,设计了多机器人任务分配与自主协作模型;基于事件驱动机制,设计了多机器人动态任务分配算法,并引入焦躁模型来解决任务死锁问题。仿真和实际多机器人系统实验结果表明,基于本文算法的多机器人系统在动态任务场景中具有较强的适应性和自主规划协调能力。     

基于博弈论及Q学习的多Agent协作追捕算法

多Agent协作追捕问题是多Agent协调与协作研究中的一个典型问题。针对具有学习能力的单逃跑者追捕问题，提出了一种基于博弈论及Q学习的多Agent协作追捕算法。首先,建立协作追捕团队，并构建协作追捕的博弈模型；其次,通过对逃跑者策略选择的学习，建立逃跑者有限的Step-T累积奖赏的运动轨迹，并把运动轨迹调整到追捕者的策略集中；最后,求解协作追捕博弈得到Nash均衡解，每个Agent执行均衡策略完成追捕任务。同时,针对在求解中可能存在多个均衡解的问题，加入了虚拟行动行为选择算法来选择最优的均衡策略。C#仿真实验表明，所提算法能够有效地解决障碍环境中单个具有学习能力的逃跑者的追捕问题，实验数据对比分析表明该算法在同等条件下的追捕效率要优于纯博弈或纯学习的追捕算法。     

一种多机器人协作追捕-逃跑问题策略研究

提出一种多机器人协作追捕多个移动目标策略,基于主从式协作结构提出了分区主从式协作方法,在确定追捕目标点后通过引入追捕意向、追捕耗时,心智态度等三个指标概念选择最优合作追捕团队成员,并根据逃跑者状况以及协作效用判断追捕结果,评价追捕效率,仿真试验结果证明该策略的可行性及有效性.     

一种多机器入协作追捕-逃跑问题策略研究

提出一种多机器人协作追捕多个移动目标策略．基于主从式协作结构提出了分区主从式协作方法,在确定追捕目标点后通过引入追捕意向、追捕耗时、心智态度等三个指标概念选择最优合作追摘团队成员,并根据逃跑者状况以及协作效用判断追捕结果,评价追捕效率．仿真试验结果证明该策略的可行性及有效性．     

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.     

平行导引律优化的多机器人免疫围捕算法

为了提高多机器人协作围捕效率,提出了基于平行导引律的多机器人免疫网络协作围捕算法。首先,将围捕者的运动策略作为抗体,逃逸者和目标区域的位置信息作为抗原,通过抗体和抗原的刺激和抑制来构建协作围捕免疫网络;然后,基于平行导引律定义了平行导引律调节因子;最后,通过抗体浓度自适应选择来完成围捕任务。数值测试表明,与其他算法相比,免疫围捕算法不仅保证了围捕成功率,而且所需步数平均减少21%,转角平均减少13%;而仿真平台的测试对比结果表明,围捕算法所需时间平均减少7%,转角平均减少24%,从而验证了基于平行导引律的多机器人免疫围捕算法的有效性。     

面向仓储系统的自动化WSAN“感知一控制”模型研究

建立正确的“感知一控制”模型是实现基于RFID和WSAN的物流仓储系统的关键。研究执行器节点自主移动环境下的多维事件协作检测和跟踪算法;研究基于合同网协议和多竞价拍卖算法的多执行器节点实时任务分配方法,并利用WSAN动态拓扑度相关性和网络同步能力的关系研究执行器的牵制控制策略;同时,基于神经网络模型和竞合博弈模型设计执行器节点的移动控制策略和编队控制策略。模型的有效性可利用扩展的UML建模方法和XMSF集成框架来评估。     

面向仓储系统的自动化WSAN“感知-控制”模型研究

建立正确的"感知-控制"模型是实现基于RFID和WSAN的物流仓储系统的关键。研究执行器节点自主移动环境下的多维事件协作检测和跟踪算法;研究基于合同网协议和多竞价拍卖算法的多执行器节点实时任务分配方法,并利用WSAN动态拓扑度相关性和网络同步能力的关系研究执行器的牵制控制策略;同时,基于神经网络模型和竞合博弈模型设计执行器节点的移动控制策略和编队控制策略。模型的有效性可利用扩展的UML建模方法和XMSF集成框架来评估。     

基于胸腺肽调节机制的多机器人免疫任务分配

针对多机器人系统协作中的任务分配问题,提出一种基于胸腺肽的免疫任务分配算法(TPITAA).借鉴独特型免疫网络假设,将机器人作为B细胞,机器人行为作为抗体,机器人任务作为抗原,通过抗原与抗体间的激励和抑制机理构建免疫分配模型.为进一步提高分配效率,根据胸腺肽的免疫调节机理,定义基于机器人运动方向的胸腺肽反馈函数,实现免疫分配中的抗体激励水平及浓度自调节.仿真实验表明,新算法能实现任务的自动分配,减少任务完成时间,提高系统执行效率,较好地解决多机器人系统中的协作搬运问题.     

Rescheduling policies for large-scale task allocation of autonomous straddle carriers under uncertainty at automated container terminals

This paper investigates replanning strategies for container-transportation task allocation of autonomous Straddle Carriers (SC) at automated container terminals. The strategies address the problem of large-scale scheduling in the context of uncertainty (especially uncertainty associated with unexpected events such as the arrival of a new task). Two rescheduling policies–Rescheduling New arrival Jobs (RNJ) policy and Rescheduling Combination of new and unexecuted Jobs (RCJ) policy–are presented and compared for long-term Autonomous SC Scheduling (ASCS) under the uncertainty of new job arrival. The long-term performance of the two rescheduling policies is evaluated using a multi-objective cost function (i.e., the sum of the costs of SC travelling, SC waiting, and delay of finishing high-priority jobs). This evaluation is conducted based on two different ASCS solving algorithms–an exact algorithm (i.e., branch-and-bound with column generation (BBCG) algorithm) and an approximate algorithm (i.e., auction algorithm)–to get the schedule of each short-term planning for the policy. Based on the map of an actual fully-automated container terminal, simulation and comparative results demonstrate the quality advantage of the RCJ policy compared with the RNJ policy for task allocation of autonomous straddle carriers under uncertainty. Long-term testing results also show that although the auction algorithm is much more efficient than the BBCG algorithm for practical applications, it is not effective enough, even when employed by the superior RCJ policy, to achieve high-quality scheduling of autonomous SCs at the container terminals.     

面向优先级任务的移动边缘计算资源分配方法

目前移动边缘计算中的资源分配方法,多数按照任务请求计算卸载的时间顺序分配计算资源,未考虑实际应用中任务存在优先级的问题。针对此类情况下的计算需求,提出一种面向优先级任务的资源分配方法。根据任务平均处理价值赋予其相应的优先级,对不同优先级的任务进行计算资源加权分配,在保证高优先级任务获取充足计算资源的同时,减少完成所有任务计算的总时间及能耗,从而提高服务质量。仿真结果表明,与平均分配、按任务数据量分配和本地计算方法相比,该方法的计算时延分别降低83.76%、15.05%和99.42%,能耗分别降低84.78%、17.37%和87.69%。     

基于DAMPSO算法的USVs集群攻击任务规划研究

现代防御技术的迅速发展使得水面舰艇的攻击效果大大下降,水面无人舰艇自主编队集群攻击技术已经成为未来海战的关键技术之一,多水面无人舰艇之间的任务规划是保证无人舰艇顺利、高效完成任务的关键。将水面无人舰艇集群攻击任务规划问题看成是多约束的任务分配过程,建立任务规划模型,提出了基于分布式拍卖机制的粒子群优化算法,该算法结合分布式拍卖机制对粒子群优化算法的粒子初始化和寻优过程进行改进,使得粒子既符合任务的约束条件,又保持了多样性,避免粒子在寻优过程中陷入局部最优。仿真结果表明应用分布式拍卖机制粒子群优化算法得到的方案不仅完全满足水面无人舰艇集群攻击任务的要求,而且比传统粒子群优化算法和其他群体智能算法具有更好的收敛性。     

新的多移动机器人任务协商模型

针对多机器人协商中缺少心智状态与实际任务执行能力、通信带宽拥挤导致的低实时性以及从协商历史中缺乏快速学习等问题,提出一种多移动机器人任务协商模型。首先,阐述了机器人基本运动形态;其次,为多机器人协商定义了基于π演算的心智状态(信念、目标、意图、知识更新等)与能力状态(协作、能力判断、任务分配等);再次,构建了多机器人协商模型,研究了协商周期、协商任务、协商效用估计、协商分配协议、学习机制等。最后在机器人足球比赛平台上验证了方法的有效性。     

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。     

基于改进遗传算法的多机器人任务分配方法

多点遍历任务是多机器人协作研究中常用的一个例子,普遍采用的单物品拍卖任务分配方法存在着无法得到全局最优解的缺点。为解决此问题,该文提出用组合拍卖的方法进行任务分配。由于组合拍卖的胜者决定问题（WDP）本身是一个NP—hard问题,怎样在短时间内获得令人满意的解是该文关心的焦点。该文通过对单亲遗传算法进行改进,提出环形染色体的概念,成功地解决了针对此任务的WDP求解问题。仿真试验表明,该算法实现简单,搜索效率高,在较短时间内能够得到满意解,满足多机器人动态任务分配的实时性要求。     

自主式微小型移动机器人群体行为进化的研究

自主式微小型移动机器人群体面临的一些环境常常是未知的、无结构的,同时由于其 自身体积大小的限制,在目前的工业水平上也很难在其上安装一些较为先进的传感器,以致 机器人仅能获取局部的信息,这些原因使得采用传统基于任务的设计方法将十分困难,而采 用基于行为的设计方法时,也很难保证所设计的机器人行为的有效性,为此本文采用了遗传 算法,随机产生了机器人群体中各初始个体的障碍物回避行为及机器设备故障排除行为,当 群体在特定的工作环境中仿真运行时,根据环境的情况和所需实现的任务,使群体行为性能 达到了较为优化的目的．     

基于效用值的足球机器人系统任务分配方法

针对足球机器人系统中的任务分配问题,提出一种基于效用函数值的任务分配方法。在分析足球机器人系统任务分配问题的基础上,对机器人效用函数进行定义,并论述机器人球员相对于不同子任务效用函数的构建过程,给出基于效用值的足球机器人系统任务分配算法。仿真实验结果表明,该方法计算量小、实时性好,任务分配性能优于已有文献中的方法。     

An algorithm for cooperative task allocation in scalable,constrained multiple robot systems

The current trends in the robotics field have led to the development of large-scale multiple robot systems, and they are deployed for complex missions. The robots in the system can communicate and interact with each other for resource sharing and task processing. Many of such systems fail despite the availability of necessary resources. The major reason for this is their poor coordination mechanism. Task planning, which involves task decomposition and task allocation, is paramount in the design of coordination and cooperation strategies of multiple robot systems. Task allocation mechanism allocates the task in a mission to the robots by maximizing the overall expected performance, and thereby reducing the total allocation cost for the team. In this paper, we formulate a heuristic search-based task allocation algorithm for the task processing in heterogeneous multiple robot system, by maximizing the efficiency in terms of both communication and processing cost. We assume a set of decomposed tasks of a mission, which needs to be allocated to the robots. The near-optimal allocation schemes are found using the proposed peer structure algorithm for the given problem, where the number of the tasks is more than the robots present in the system. The cost function is the summation of static overhead cost of robots, assignment cost, and the communication cost between the dependent tasks, if they are assigned to different robots. Experiments are performed to verify the effectiveness of the algorithm by comparing it with the existing methods in terms of computational time and quality of solution. The experimental results show that the proposed algorithm performs the best under different problem scales. This proves that the algorithm can be scaled for larger system and it can work for dynamic multiple robot system.