基于一种蚁群算法的多机器人动态感知任务分配

多机器人系统在具有任务聚集特征的动态感知任务环境下执行搜集任务时,存在着由于任务分配不当而引起的冲突加剧问题.针对这一问题,提出了一种基于排斥信息素型蚁群算法的多机器人任务自主分配方法.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,采用本文所提方法可以实现多机器人搜集任务的自主分配,有效减少机器人的空间冲突,尤其在机器人数量较多的情况下,更能显示出该方法的优势.     

基于改进蚁群算法的多机器人任务分配方法

研究了动态环境下多机器人对多目标点的探测;针对通常采用的是单物品拍卖的方法进行任务分配但是无法得到全局最优解的缺点,提出了用组合拍卖的方法来解决多机器人的任务分配问题;由于组合拍卖(WDP)本身是一个NP-hard的问题,所以文中通过对蚁群算法进行改进,成功地解决了此类任务分配问题;实验表明,该算法有效地缓解了容易出现的早熟停滞现象,达到较好的最优解,收敛速度快且求解质量稳定,满足了多机器人动态任务分配的要求。     

基于信息素的多机器人协作任务分配

针对多机器人系统未知环境下自主任务分配问题,提出了将虚拟吸引信息素和虚拟排斥信息素相结合的多机器人任务分配方法。在动态未知环境下,进行了多机器人协作搜集实验,实验结果表明所提方法既可以避免多个机器人集中在一个空间内造成冲突加剧的现象,又可以实现多机器人自主地进行任务分配目的。     

基于博弈论的多机器人系统任务分配算法

对多机器人系统任务分配策略进行了形式化描述,为任务分配方案的求解提供了一种数学描述工具;针对多机器人系统中机器人决策之间的相互依存性,引入博弈论的思想分析了多机器人系统的任务分配问题,提出了一种基于博弈论的多机器人系统任务分配算法(GT-MRTA).实验结果表明,算法复杂度较低,计算量较小,鲁棒性较好,获得的任务分配方案质量较高.     

多机器人系统任务分配的研究进展

多机器人系统任务分配是机器人研究领域一个关键的研究课题。从多机器人任务分配分类及问题描述、多机器人任务分配的研究动态等方面对多机器人任务分配进行了综述,并根据近期文献探讨了多机器人系统任务分配需要解决的若干重要问题。     

基于效用函数的多机器人系统任务分配

目前所采用的多机器人系统任务分配方法大多都忽略了任务分配的解质量问题。从定量的角度出发,提出了一种基于效用函数的多机器人系统任务分配策略,在机器人能力向量和子任务要求的能力向量基础上,建立了效用函数的数学模型,根据效用函数大小进行任务分配。仿真实验在足球机器人仿真比赛平台上进行,结果表明该任务分配算法对异构多机器人系统合作具有很好的通用性,且算法快速简单,能够实现任务到机器人的最优映射。     

基于资源拍卖的农业多机器人任务分配

针对农田环境中多机器人协同作业的问题,提出一种基于资源的任务分配算法,用于在具有机器人资源的再填充站的长期任务中高效地执行多个任务.针对多机器人任务分配问题,对多机器人任务进行建模,并分析任务相关模型及任务能量指标.在进行拍卖算法任务分配时,在考虑机器人数目约束、工作时间约束、距离约束的基础上,加入任务执行能力的约束,考虑机器人在长期任务执行期间资源量消耗问题,使各个农机有序地为农田地块服务,降低整个系统的执行代价,提高任务完成量.利用MATLAB平台进行仿真实验,生成多机器人多任务点的分配优化结果,并设置多组不同数量的机器人,对比该算法同其他三种算法的效果.仿真结果表明,该算法可以有效地提高作业效率,在相同条件下使资源消耗量及任务完成量达到最优,证明了其优越性,同时计算结果与实际作业完成量更接近,提高了结果的精准性.     

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。     

多机器人系统任务分配概率模型研究

建立系统的概率模型是描述和分析自组织多机器人系统的一条新思路。运用包括随机过程、矩阵论和线性代数等数学方法建立自组织多机器人系统的任务分配模型,克服了现存模型对任务类型数目无可扩展性的缺点。为了验证模型的一般性和有效性,以时间离散状态连续的马尔科夫链的极限分布作为任务分配的理论结果,优点是可以预测多机器人系统任务分配的长期稳定行为。任务分配的目的是保持执行任意一种任务的机器人数量占机器人总数的比例与该种任务所占总任务量的比例相等。仿真实验的结论也说明了任务分配模型可以达到理想的分配效果。     

基于蚁群-遗传融合框架的仓储群机器人任务分配

将智能仓储中的自主移动群机器人订单任务分配,建模成群机器人协同调度的多目标优化问题,将成员机器人完成拣货任务的路径代价和时间代价作为优化目标.设计了蚁群-遗传算法融合框架并在其中求解.该框架中,蚁群算法作为副算法,用于初始种群优化;遗传算法改进后作为主算法.具体地,在遗传算法轮盘赌选择算子后引入精英保留策略,并在遗传操作中加入逆转算子.针对不同数量的订单任务,使用不同规模的群机器人系统进行了任务分配仿真实验.结果表明,在本文所提的融合框架中求解,较分别使用蚁群算法或遗传算法单独求解,性能上具有明显优势,能够发挥蚁群算法鲁棒性好和遗传算法全局搜索能力强的特点,提高智能仓储系统的整体运行效率.     

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。     

基于市场法及能力分类的多机器人任务分配方法

针对多机器人系统研究中如何有效地实现复杂任务的分布式动态分配这个基础性问题，提出了一种对这类问题进行形式化描述的一般方法．该方法从能力分类的角度出发，提出了机器人及任务能力向量的概念，并对多机器人任务分配问题进行了形式化描述，讨论了单个及多个机器人合作完成任务的能力条件．基于这种形式化描述方法，提出了一种采用市场机制的完全分布式的多机器人任务分配方法．仿真实验结果表明该方法能够有效地实现多机器人复杂任务的动态分布式分配．     

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.     

优化路径分配的多作业机器人任务规划

提出一种优化路径分配的多机器人任务规划框架。对任务规划问题进行形式化描述,在此基础上,探讨实现优化路径分配的任务规划的关键技术,包括追索最短道路求解方法、多目标任务分配的随机化求解和概率框架的更新模型。实验结果表明,该理论框架具有可行性和实用性。     

一种基于密封第二价格拍卖的任务分配算法

任务分配是MAS研究的核心问题之一,合理的任务分配可以提高系统的整体性能,如何得到合理的分配结果是多Agent任务分配关心的问题。为此,研究者们提出了很多解决算法,但很少考虑到Agent的能力及偏好。论文给出了一种基于密封第二价格拍卖（SPSB）的任务分配算法,强调了Agent的能力及偏好,体现了Agent的自利特性。论文以多Agent运输军需问题为背景,进行了仿真实验,结果表明该算法是合理、有效的,优于ReA-MRTA[4]算法。     

基于拍卖的动态任务分配算法

动态任务分配是开放式MAS系统研究的重点。在文献[9]给出的算法基础上,针对任务分配或执行过程中,随时有新任务出现的情况,本文提出一种改进算法,同时考虑Agent对已知任务和未来任务的期望度,以引导Agent合理出价,从而得到较优的分配结果。通过在多Agent运输军需问题中的应用,验证了该算法是合理有效的。     

一种面向多核处理器并行系统的启发式任务分配算法

多核处理器使得并行系统的结构更加复杂并且其中任务个数大大增加,为了在这类系统中高效地进行任务分配,建立了任务分配模型,并提出了一种包含两轮操作的启发式任务分配算法,分别完成进程到处理节点和进程内线程到处理器核的分配.每轮操作经过带回溯的多次迭代处理,最终得到任务到处理器核的分配方案.与穷举查找法和遗传算法的对比测试表明该算法能在较短时间内求得近优解,并且当线程个数增大时,算法的求解时间远小于遗传算法.     

基于深度优先的分步分治算法研究

Top-k服务组合问题对于学术界和工业界来讲,都有实际的研究意义和应用场景。文中分析了理解top-k问题的关键所在解图,提出了基于深度优先的分步分治算法进行服务组合。该算法对用户请求的输出参数分别进行求解,该过程可并行处理,在求解结束后再进行合并。该方法可以支持分布式、并行处理框架,从而在应对大规模的服务集合时,能快速、高效地提供满足用户需求的组合服务;提出了通过构造解图的方法进行搜索求解,通过求解＂关键路径＂和＂非关键路径＂与合并＂关键路径＂和＂非关键路径＂得到解图。