基于博弈论的多机器人任务分配算法

为了寻找一种合理有效的多机器人任务分配算法,基于多机器人协作救火任务环境,以博弈论纳什均衡为基础,研究多机器人的任务分配问题。根据任务模型特点和纳什均衡的主要特征提出了一种基于博弈论的任务分配算法。博弈的效用函数同时考虑了距离、火势和燃烧时间等因素,机器人根据此效用函数选择行为策略,促使机器人尽快扑灭惩罚值较大的火灾而获得较大的奖励值。利用任务总收益函数值的大小评价算法的优劣性。收益函数与火势、燃烧时间和机器人扑灭火灾数有关,这切合实际救火模型。实验结果证明了该任务分配算法的有效性。     

一种基于改进适应度的多机器人协作策略

通过对基于适应度的协作策略及其改进方法的研究发现,针对机器人在两个任务的适应度相同时无法选择出最匹配任务的问题,提出通过加入与机器人起止位置有关的距离适应度函数,使得机器人可以选择出最优匹配任务;同时,针对外部能力适应度,采用更符合实际的高斯分布模型来计算适应度.仿真结果表明,改进后的算法不仅实现了最优匹配,而且算法更高效,更节省能量.     

基于免疫遗传算法的多机器人环境探索

针对多机器人环境探索中的任务分配和路径规划问题,将环境中所有待探索的任务点根据短距离优先策略分配至个体机器人,利用改进的免疫遗传算法对机器人分配到的任务点进行优化探索,提出了带有初始任务点优化的路径规划方法,使机器人能够不重复并且高效地遍历工作环境中的所有探索点.通过建立多机器人仿真实验系统,随机产生环境中的任务点和机器人等数据信息,并在此条件下对本文方法进行实验验证.结果表明,本文方法能够有效地实现多机器人环境探索问题.     

多机器人任务分配与路径规划算法

针对多机器人任务分配和路径规划存在的移动方向角偏差问题,本文引入矢量方向来修改机器人的运动方向角,提出了一种改进的基于矢量方向的自组织算法,使一组机器人在自动避开环境中障碍物的情况下能够有效地到达所有指定的目标位置。采用基于矢量方向的自组织算法对多机器人系统进行任务分配,使机器人能够访问各个目标位置,整个过程包括获胜神经元的选择、优胜邻域函数的确定以及权值的修改。根据引入的矢量方向法更新SOM获胜神经元的权值,使每个机器人在访问相应目标的过程中能自动的避开障碍物,以避免在路径规划过程中横穿障碍物,进而实现机器人的自动、有效路径规划。仿真实验结果表明:与传统的SOM算法相比,本文所提出的算法在机器人数量与任务目标点数量相同或机器人数量小于任务目标点数量的情况下,能够自主地避开环境中的障碍物并进行合理地任务分配,具有较高的有效性和实用性。     

未知环境中基于免疫网络的多机器人自主协作

为了实现机器人全自主的协同作业，利用单个agent的智能性以及免疫系统良好的工作机理，将人
工免疫系统与agent技术相结合，提出一种免疫agent模型（IAN）.在模型中机器人和环境被分别认为是
抗体和抗原,并且基于此模型设计了一种可应用于未知环境中的多机器人自主协作方法，多个异质机器人
自主协作完成在未知环境中的多个任务.算法中根据抗体和抗原、抗体和抗体之间的相互作用，系统自主
选择合适的抗体消灭抗原，同时充分考虑异质机器人的差异性和独特性.在仿真实验中，多个能力不同的
机器人通过协作将几个原先未知的箱子顺利地推到了目标点，实现了未知环境中的自主协作.     

电子制造供应链采购任务分配

为了能在多供应商之间分配采购任务使双方整体效益达到最优,结合电子制造业典型特点和多供应商环境下电子元器件采购特征,提出了4种不同类型的供应商协作模式：连续补给型、一般协作型、订货供给型和紧密协作型.主要针对一般协作型、订货供给型和紧密协作型3种类型供应商,采用两种不同的任务分配策略：成本优先控制策略和交货期优先控制策略,分别建立电子制造供应链采购任务分配模型,同时考虑产品总的采购成本,基于两种分配策略构造了采购任务分配算法.通过计算一个实例来验证采购任务分配模型和说明该算法是如何求解问题的,结果表明,准时交货率得到最大保证,而成本得到有效降低.     

多机器人编队系统体系结构的设计与性能分析

根据多机器人智能编队的要求,设计分层多机器人体系结构,该结构主要有3层：协作任务层、协调行为层、动作控制层,协作任务层应用势场栅格法增强路径的安全性和可靠性并降低了计算复杂度;协调行为层应用强化学习法增强了机器人群体的智能性;动作控制层应用模糊控制实现了动作的匹配;通讯模块在各个层次上实现数据的传递,这种结构既能实现机器人个体的自主性和智能性,又能满足多机器人之间的协作与协调性的需要,每一层任务分配清晰,层层规划中都有智能体现,是一个真正的智能性结构,最后,仿真试验进一步验证了这种结构的有效性,此结构有很好的可扩展性,可以应用于相似的多机器人系统。     

基于分解策略的多机器人编队控制方法

根据多机器人在不确定环境中编队智能行进控制的要求,以多移动机器人为对象,提出了一种基于分解策略的多机器人编队控制方法,将复杂的多机器人编队问题分解为若干组2个机器人之间的协调问题.建立了多机器人编队的基本队形模型,提出了基于主从方式的多机器人控制策略,根据基于行为的方法设计了机器人的基本子行为,通过带权值的各子行为的叠加合成得到机器人的最终行为,给出了机器人的速度调节方案.计算机仿真结果验证了该方法的有效性和可行性,具有较好的可扩展性.     

跨企业产品协同开发中的设计任务分解与分配

通过对跨企业产品协同开发任务分解过程的分析,提出了相应的任务分解原则.利用模糊匹配法考查供应商关于新产品的设计和制造能力,判断任务分解的可行性;同时引入任务间影响度和响应度概念考查子任务间交互与影响,最终将任务分解为相对独立的子任务集合.基于分解得到的设计任务集合以及待选供应商集合,将供应商产品质量、成本等任务分配影响因素和供应商信息及其资源利用状况等供应商影响因素相结合,建立设计对象的分配优化模型.综合考虑任务分配的影响因素,基于提出的任务分配策略和分配原则,选择跨企业产品协同开发链中的最优供应商.     

基于拟生灭过程的群集机器人任务分配宏观分析与预测

以预测由个体局部规则涌现的全局行为为目的,提出一种新的群集机器人任务分配宏观模型,提供了解系统性能与作为模型参数的群集规模之间关系的分析手段,尤其是该模型对于任务类型和群集规模都没有限制。通过拟生灭过程模型建立系统任务分配动态性的演化方程,首次引入矩阵分析法到群集机器人领域,求解了宏观模型的闭式稳态解,发现了系统任务分配在稳态服从的统计规律。进行了包含上百个机器人的仿真,其结果说明了模型预测与分析的正确性和可靠性。     

日常养老情境的异构多机器人动态多任务分配

针对异构多机器人系统动态任务分配问题,基于多智能体技术,利用符合养老情境特点的多智能体组织结构,提出处理养老情境下任务类型相对固定的异构多机器人多任务动态分配机制. 建立基于被服务对象满意度函数的投标值计算模型,兼顾多任务的动态分配与被服务对象的满意度. 根据拓扑排序算法,提出多智能体系统死锁的检测及处理方法,解决执行智能体自锁、各执行智能体间互锁的问题. 对不同任务情况在不同分配机制下的被服务对象满意度进行仿真. 仿真结果表明,在避免死锁的情况下,所提机制能够兼顾养老情景下的动态任务分配和被服务对象的满意度.     

Multi-robot task allocation for exploration

The problem of allocating a number of exploration tasks to a team of mobile robots in dynamic environments was studied. The team mission is to visit several distributed targets. The path cost of target is proportional to the distance that a robot has to move to visit the target. The team objective is to minimize the average path cost of target over all targets. Finding an optimal allocation is strongly NP-hard. The proposed algorithm can produce a near-optimal solution to it. The allocation can be cast in terms of a multi-round single-item auction by which robots bid on targets. In each auction round, one target is assigned to a robot that produces the lowest path cost of the target. The allocated targets form a forest where each tree corresponds a robot＇s exploring targets set. Each robot constructs an exploring path through depth-first search in its target tree. The time complexity of the proposed algorithm is polynomial. Simulation experiments show that the allocating method is valid.     

面向多点侦察和通信服务的多无人机协同任务分配

针对多无人机对多个异构任务目标进行侦察和通信服务的协同优化问题,通过考虑不同目标的任务要求和价值,以及多机协同增益与任务行为制约关系,构建斯坦伯格博弈模型,将上层无人机建立为博弈领导者,下层无人机建立为博弈的跟随者,并提出一种分布式策略更新迭代算法,实现了多无人机任务分配方案的稳定收敛以及系统任务收益优化.仿真结果显示,所提方法能有效提升多无人机系统同时完成多个任务的效益,并能在不同环境下实现面向异构任务价值的高效协同.     

基于群体智能的多机器人任务分配

针对具有松散和紧密耦合型任务的大规模多机器人系统,研究了基于群体智能的任务分配方法。系统采用层次结构,高层用蚁群算法实现松散耦合型任务分配的寻优,提出逆转分配思想让蚂蚁代表任务,为每个任务选择任务的承担者。底层分别提出了基于蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成——产生紧耦合型任务解,并进行仿真。仿真结果表明,基本蚁群算法得到的解质量最差;粒子群蚁群算法得到的分配解最好,但是运算时间最长;量子蚁群算法得到的解稍次于粒子群蚁群算法,但分配时间比另两种算法减少了一半。因此,在大规模的多机器人任务分配中,量子蚁群算法具有更强的适用性。     

未知环境探测的多机器人协作策略研究

提出了一种基于观测点融合的改进免疫网络探测算法,完成多机器人对未知区域的快速、高效的探索任务.该算法在大大减少通信量,又能准确计算各全局观测点花费的情况下,将不同机器人的局部观测点融合在一张地图上,使机器人的协作能力充分发挥.利用T细胞函数修正了免疫网络浓度模型,同时免疫模型参数的确定考虑各观测点的扩散度和探索方向对系统性能的影响.将仿真试验与市场法和基本免疫算法比较,结果证明INEA算法使机器人之间的协作程度明显提高,而增加观测点扩散度和探索方向一致度指标,加快了系统的探索效率.     

面向层级结构的任务动态分配策略

当前的任务分配策略主要考虑了候选者的个体属性,而忽略了候选者下属资源对任务分配的影响.针对企业层次化的组织结构特点,提出一种面向层级结构的任务动态分配策略,充分考虑了层级结构下任务候选者拥有的人力资源对任务分配的影响,给出了基于该策略的可量化候选者属性适配度计算方法,并改进了传统的能力适配度计算方法.仿真实验结果表明：考虑了下属资源的任务动态分配模型进一步提高了任务分配的适应性,分配结果更加符合预期.      

Genetic Algorithm Based Combinatorial Auction Method for Multi-Robot Task Allocation

An improved genetic algorithm is proposed to solve the problem of bad real-time performance or inability to get a global optimal/better solution when applying single-item auction （SIA） method or combinatorial auction method to multi-robot task allocation. The genetic algorithm based combinatorial auction （GACA） method which combines the basic-genetic algorithm with a new concept of ringed chromosome is used to solve the winner determination problem （WDP） of combinatorial auction. The simulation experiments are conducted in OpenSim, a multi-robot simulator. The results show that GACA can get a satisfying solution in a reasonable shot time, and compared with SIA or parthenogenesis algorithm combinatorial auction （PGACA） method, it is the simplest and has higher search efficiency, also, GACA can get a global better/optimal solution and satisfy the high real-time requirement of multi-robot task allocation.