基于改进合同网算法的多无人机任务分配

传统合同网算法在任务分配过程中存在任务分配不合理,不能有效利用资源的问题;其在进行任务分配时,不能按照任务需求进行任务分配,任务分配效率低下。针对以上问题,文中提出一种基于改进合同网算法的多无人机任务分配方法。该方法通过优化每架无人机的负载平衡,并结合时间和协作要求,解决任务分配不合理的问题,提高任务的分配和执行效率。     

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。     

无人机辅助的双层深度强化学习任务卸载算法

为了解决无人机轨迹优化、用户功率分配和任务卸载策略问题,提出了一种双层深度强化学习任务卸载算法。上层采用多智能体深度强化学习来优化无人机的轨迹,并动态分配用户的传输功率以提高网络传输速率;下层采用多个并行的深度神经网络来求解最优卸载决策以最小化网络的时延和能耗。仿真结果表明,该算法使得无人机能够跟踪用户的移动,显著降低系统的时延和能耗,能够给用户提供更优质的任务卸载服务。     

应用粒子群优化分配WSN多目标跟踪节点任务

针对WSN多目标跟踪时传感器节点任务分配竞争冲突问题,提出一种基于最近邻的离散粒子群优化节点跟踪任务分配算法.通过构建多目标多传感器节点联盟协同跟踪任务分配问题的数学模型和目标函数,采用最近邻法对粒子群节点任务分配进行初始化,以目标函数作为适应值函数指引粒子飞行,快速实现节点优化分配.实验表明:在节点覆盖较稀疏情况下,粒子群优化节点任务分配方法与最近邻方法相比,能耗大大减少,并能有效解决多目标跟踪节点任务分配冲突问题和多个监测联盟对传感器资源竞争冲突时系统能耗增加的问题.PSO算法对于实际环境的WSN多目标跟踪具有优越性.     

多约束下多无人机的任务规划研究综述

高度信息化的发展使得无人机作战优势凸显。准确的无人机任务规划技术是完成给定任务的重要保障。任务分配、路径规划是构成无人机任务规划技术的两个核心部分。基于该技术,首先讨论了无人机任务规划的发展状况、分类标准、体系结构。其次,分别详细介绍了影响任务分配、路径规划的重要指标,如分类标准、约束指标、相应模型、代表算法、评价指标等,然后,分别分析对比求解任务分配的启发式算法、数学规划方法、随机智能优化算法的优缺点和求解路径规划的数学规划方法、人工势场法、基于图形学法、智能优化算法的优缺点;最后,总结了无人机任务规划存在的开放性问题、未来发展方向和研究重点。     

多无人机协同直播场景下自适应任务卸载决策

针对多无人机协同执行任务过程中计算量大和能耗高的问题,基于计算卸载原理以及博弈理论,提出一种多无人机自适应任务卸载方案.在方案中首先对系统进行建模,构造出多节点相互制约的移动卸载模型;其次,根据卸载模型分别构建无人机执行任务时的时延与能耗计算方法,通过综合考虑延时和能耗两方面因素,生成系统全局代价函数;然后,设计出基于博弈理论和纳什均衡的自适应任务卸载算法,通过卸载算法与权重的分配实现最优计算节点的选取,实现整个直播系统的代价最小,从而平衡无人机计算时延与能量消耗;最后,与现有卸载模型相比,所提出的方案在任务执行过程中具有较强的移动性,能耗更低且时效性更高.仿真结果验证了所提出理论的有效性,具有现实意义.     

基于顺序扩展一致性包算法的多无人机分布式任务分配

以异构多无人机协同执行复杂的耦合多任务为背景,提出一种求解分布式任务分配问题非死锁的顺序扩展一致性包算法.首先,建立考虑任务载荷资源、任务时序、威胁区等约束条件的时序多任务分配模型;其次,对一致性包算法的任务包构建过程和冲突消解规则进行扩展,并设计一种基于有向图深度优先搜索的方法进行任务方案的死锁检测和修正,以实现无冲突和无死锁的任务分配;然后,将关联任务之间的时序约束转化为软时间窗约束,利用顺序分层的策略进行求解;最后,为了提高任务分配结果的可靠性,采用Dubins曲线路径将航路规划耦合到任务分配中.仿真实验表明,所提出的算法能够快速有效地求解异构多无人机分布式耦合多任务分配问题,具备良好的最优性和时效性.     

基于两阶段迭代优化的空天观测资源协同任务规划方法

为提高空天观测资源协同观测能力,基于分而治之框架,提出一种两阶段迭代优化方法以解决空天观测资源协同任务规划问题.第1阶段,根据观测机会和冲突度构造适应度函数,基于适应度将任务分配到合适的子规划中心;第2阶段,子规划中心根据分配到的任务进行资源调度,得到各类观测资源的观测计划,并将资源观测方案和观测收益反馈给第1阶段.第1阶段再根据第2阶段的反馈结果,结合禁忌表策略,对任务分配方案进行迭代调整和更新,直到生成近似最优或满意的任务分配方案和资源观测方案.为验证所提出方法的有效性,开展大量仿真实验.实验结果表明,与最大权重最先分配算法、基于适应度的任务分配算法、基于资源优先度的任务分配算法相比,所提出方法在任务收益率方面提高了2.40%sim14.14%.研究成果可为空天观测资源传感网络的协同管控提供技术支持.     

考虑充电设施的无人机配送路径规划研究

为解决偏远农村地区物流配送存在的困难,对无人机配送进行系统性规划,共分3个阶段：考虑到续航里程限度,建立了充电设施选址模型;从绿色路由的角度,以最小化总能耗作为目标,建立了考虑充电设施的无人机多包裹配送路径规划模型;根据实际无人机数量进行任务分配,建立了任务分配模型。第一、三阶段的模型应用SCIP求解器求解。对第二阶段的混合整数非线性规划模型,设计了双层启发式算法CW节约-改进和修复乌鸦搜索算法(CW-IRCSA)求解。实验表明,对于洪格尔高勒镇的案例,充电设施的选址有利于节约资源,能得到能耗最低的配送路径,且任务分配合理;对于100个及以下的需求点规模,与CW节约-离散修复乌鸦搜索算法(CW-DRCSA)、CW节约-修复模拟退火(CW-RSA)相比,CW-IRCSA算法具有较高的求解精确度;在偏远地区,相对于传统卡车配送模式,无人机配送成本平均节约61.45%。     

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.     

基于粒子群算法的移动边缘计算任务分配方法

为提高移动终端任务分配效率,降低计算能量损耗,提出基于粒子群算法的移动边缘计算任务分配方法。通过构建异构网络获取完整的需要分配的任务,明确任务分配时所需的特定条件,即分配消耗和时延等。将分配任务转化成寻找分配结果的最优解,构建最优解模型,利用粒子群算法对模型实施求解,经过不断迭代和更新,生成最优边缘计算任务的分配结果。实验结果表明,粒子群方法在分配任务数量为20~100之间时计算时间在1 s~3.3 s;当任务数量为100时,本文方法能耗仅为4107 J;粒子群方法在任务达到率达到100%时,其时延仅为12.5 ms;其任务分配计算时间短、能量消耗小和数据传输的时延短,能较好地满足实际应用需要。     

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%。     

面向单任务质量保障的移动群智感知任务分配

在移动群智感知中,现有的任务分配方法大多关注平台的整体感知质量,未充分考虑任务对工人、预算等资源的竞争,无法有效保障大规模任务分配场景下每个任务的感知质量,从而导致平台资源利用率降低。针对该问题,提出一种面向单任务质量保障的任务分配方法。为高效利用平台预算,考虑任务的难度和位置以及工人的设备能耗和理性因素,设计平台的激励成本。为保障每个任务的感知质量,考虑任务间的资源竞争情况并设计2种衡量指标,分别是从任务的角度根据差异化感知质量需求设计任务覆盖效率,以及从工人的角度基于最大熵原理设计工人利用效率,将这2种衡量指标相结合作为平台的系统效用,在平台资源有限的情况下以平台系统效用最大化为优化目标,提出一种融合交叉和变异操作的天牛群（BSO）算法。实验结果表明,与PSO、GA等基线方法相比,BSO算法的系统效用最大值平均提升13.51%,寻优速度平均提高40.61%,利用该算法获取的具有最大系统效用的任务分配方案可以有效保障每个任务的感知质量。     

大数据云中心虚拟机资源高效分配应用研究

为降低大数据云中心的能量消耗和实现资源的优化配置,提出一种虚拟机资源高效分配策略;提出的策略对选定的特征上具备相似性任务分组的聚类进行定义,将各组任务映射到定制化的高效虚拟机类型;其高效指的是以最低限度的资源损耗成功执行任务;虚拟机的相关参数为核数量、内存量和存储量;虚拟机分配基于日志中提取的历史数据,并以任务的使用模式为基础;提出的资源分配策略以任务的实际资源使用量为基础,实现了能源消耗的降低;实验结果表明:不同聚类任务下,提出的虚拟机资源分配策略可以大幅节约能源消耗,具有较低的平均任务拒绝次数。     

异构集群下的任务调度算法研究

针对异构集群下高效节能的任务调度算法进行了研究, 提出了一种基于复制的任务调度算法, 在任务初始分配的基础上, 分别从能源感知和性能—能源平衡两个角度考虑任务的复制。建立了由计算和通信造成的能源消耗的数学模型, 并进行了大量的实验。实验结果表明, 与已有的BEATA算法相比, 该算法能明显地减少异构集群处理并行应用的调度长度和能耗。分析结果发现, 任务复制的方法在减少调度长度的同时会增加相应的能耗, 能同比优化调度长度和能耗的任务调度方法是今后的研究方向。     

数据驱动下交互网络群智感知任务分配仿真

采用当前方法在交互网络中分配群智感知任务时,分配任务所用的时间较长,存在用户完成任务的概率较低,分配效率低的问题,提出一种数据驱动下交互网络群智感知任务分配方法。分析群智感知环境,将能耗最小化和时间最小化作为感知任务分配的约束条件,通过信誉模型计算用户在交互网络中的信誉值,将感知任务优先分配给信誉值高的用户,在交互网络中设置因子,控制用户完成任务花费的代价,通过用户处理感知任务对应的效用值对用户信誉值进行更新,在交互网络中竞争下一个感知任务,直到分配完交互网络中存在的感知任务为止,实现交互网络群智感知任务的分配。仿真结果表明,所提方法的分配效率高、任务完成率高。     

基于异步奖励深度确定性策略梯度的边缘计算多任务资源联合优化

移动边缘计算（MEC）系统中,因本地计算能力和电池能量不足,终端设备可以决定是否将延迟敏感性任务卸载到边缘节点中执行。针对卸载过程中用户任务随机产生且系统资源动态变化问题,提出了一种基于异步奖励的深度确定性策略梯度（asynchronous reward deep deterministic policy gradient,ARDDPG）算法。不同于传统独立任务资源分配采用顺序等待执行的策略,该算法在任务产生的时隙即可执行资源分配,不必等待上一个任务执行完毕,以异步模式获取任务计算奖励。ARDDPG算法在时延约束下联合优化了任务卸载决策、动态带宽分配和计算资源分配,并通过深度确定性策略梯度训练神经网络来探索最佳优化性能。仿真结果表明,与随机策略、基线策略和DQN算法相比,ARDDPG算法在不同时延约束和任务生成率下有效降低了任务丢弃率和系统的时延和能耗。     

基于强化学习的移动边缘计算任务卸载方法

最佳卸载策略直接影响移动计算任务卸载的时延与能耗,因此提出基于强化学习方法的移动边缘计算任务卸载方法。首先对移动设备的计算任务卸载形式展开具体分析,并基于分析结果获取计算任务卸载能量消耗、发射功率、传输速率等相关参数值,以此建立移动边缘计算任务卸载模型。最后基于建立的卸载模型结合Q-Learning算法对计算任务实施强化学习,找出计算任务的最佳卸载策略,从而实现移动边缘计算任务的实时卸载。实验结果表明,使用强化学习方法开展移动边缘计算任务卸载时,卸载能耗低、时延小。     

仿灰狼合作捕食行为的无人机集群动态任务分配

大规模无人机集群可以承担单个无人机无法完成的复杂任务, 为提高无人机集群执行任务的成功率与可 靠性, 综合考虑资源均衡与多目标分配的任务规划必不可少. 灰狼是一种典型的团队合作狩猎动物, 在捕食过程中 体现出明显的社会层级结构与合作捕食行为. 通过分析灰狼群体的狩猎过程, 对灰狼的群体交互机制与合作捕食行 为建模; 在此基础上, 将灰狼合作捕食行为机制映射至无人机集群动态任务分配中, 给出了无人机集群动态任务分 配流程. 仿真结果表明, 当无人机集群数量与任务节点关系不同时, 所提无人机集群动态任务分配方法在资源均衡 度与有效性方面均有明显优势.