一种基于任务分配协调策略与粒子群算法的任务分配方法组成比例

本发明专利技术公开了一种基于任务分配协调策略与粒子群算法的任务分配方法，包括以下步骤：1)利用粒子群算法优化分配半径，得到初始分配结果；2)运用协调策略对初始分配结果进行调整，完成第一次分配；3)重复步骤1)‑2)，对未分配任务进行再次分配，直至任务完全分配。本发明专利技术的基于任务分配协调策略与粒子群算法的任务分配方法，将任务协调策略与粒子群算法相结合，解决复杂约束条件下仓储物流多机器人任务分配中常见的任务分配重叠、任务过载荷以及机器人在执行任务时电量的剩余或不足等问题。

A task allocation method based on task allocation coordination strategy and particle swarm optimization algorithm

【技术实现步骤摘要】
一种基于任务分配协调策略与粒子群算法的任务分配方法
本专利技术属于任务分配领域，尤其是一种基于任务分配协调策略与粒子群算法的任务分配方法。
技术介绍
随着网络电商的逐渐兴起，网购已经成为人们消费的主要方式之一。传统的物流仓库已经无法满足日益增长的繁重物流任务，现代科技的发展，使得多机器人协作越来越成为仓储物流中不可或缺的一部分。多机器人协作可以代替仓库中工人完成一系列危险系数高，难度系数大的任务，不仅提高了效率，而且降低完成任务成本。仓储物流多机器人任务分配问题正成为近年来研究热点和发展方向。多机器人任务分配(multi-robottaskallocation,MRTA)是指机器人在执行多个任务时，在满足各种约束条件下，为机器人找到最佳的任务分配方案，在保证机器人执行任务代价最小的情况下，能获得最大的收益。目前，对仓储物流多机器人任务分配的研究越来越深入，Multi-objectiveoptimizationfordynamictaskallocationinamulti-robotsystem提出了一种解决多机器人任务分配问题的方法：使用多目标优化来估计，然后为它的任务提出报价，对时间或能量等资源有了更好地利用。Groupingdelegationtaskallocationmodelformulti-robotcollaborationsystem针对多机器人的任务分配问题，提出了一种分组委托模型，将多个机器人分为多个不同的组，从而实现多机器人的任务分配。根据机器人的特点，完成特定的任务，其他机器人可以通过协作加入协作组，当一个任务不能由组内成员完成时，可以要求组外机器人完成任务。Gametheory-basednegotiationformultiplerobotstaskallocation基于博弈论的协商方法研究了多机器人的任务分配问题，基于契约网络的初始任务分配方法，提出了一种利用效用函数选择协商机器人并构造协商集的新方法。Balancingtaskallocationinmulti-robotsystemsusingK-meansclusteringandauctionbasedmechanism建立了一个平衡多机器人任务分配问题的数学模型，然后提出了一种分三个阶段求解该模型的方法。第一阶段使用K均值聚类技术将“n”个任务分组为“n”个任务组，目的是尽可能减小任务之间的距离，第二阶段计算机器人和集群组合的移动成本，第三阶段将机器人分配给集群，以经济有效地利用所有机器人。Ginicoefficient-basedtaskallocationformulti-robotsystemswithlimitedenergyresources开发一种基于基尼系数的任务分配方法，充分利用多机器人系统有限的能量资源，使任务数量最大化。同时，在考虑资源消耗的情况下，将基于市场的分配机制引入到基于基尼系数的方法中，该方法可以根据应用环境灵活地优化任务完成数和资源消耗。ADistributedMarket-basedAlgorithmfortheMulti-robotAssignmentProblem中提出了两种基于市场的分布式算法来解决N个机器人竞争N个任务的分配问题，假设每个机器人只能分配一个任务。第一种算法称为DMB，它表示一种分布式的基于市场的算法，每个机器人对每个任务进行投标。第二种算法是DMB的扩展，它包括在机器人之间交换任务，以提高整个任务的效率。Provably-GoodDistributedAlgorithmforConstrainedMulti-RobotTaskAssignmentforGroupedTask提出一种分布式算法，算法是机器人数量和任务数量多项式。在这种算法中，任务构成不相交的组，并且对机器人可以执行的任务数量(包括在整个任务中以及在每个任务组中)有限制。每个机器人获得每项任务的收益(或产生成本)，任务分配的总体目标是最大化(最小化)机器人的总收益(成本)。Optimalbidvaluationusingpathfindingformulti-robottaskallocation提出了一种将路径规划与任务分配集成到机器人任务投标中的新方法，这种组合为路径规划提供了一个很好的替代方案，利用该模型进行评标，在不牺牲业绩的前提下计算出投标成本，在仓储物流任务分配中更加实用。
技术实现思路
本专利技术的目的在于解决现有分配技术中任务分配重叠、任务过载荷以及机器人在执行任务时电量剩余或不足的问题，提供一种基于任务分配协调策略与粒子群算法的任务分配方法。为达到上述目的，本专利技术采用以下技术方案予以实现：一种基于任务分配协调策略与粒子群算法的任务分配方法，包括以下步骤：1)利用粒子群算法优化分配半径，得到初始分配结果；2)运用协调策略对初始分配结果进行调整，完成第一次分配；3)重复步骤1)-2)，对未分配任务进行再次分配，直至任务完全分配。进一步的，步骤1)包括以下步骤：101)根据机器人的状况设置粒子种群个数、粒子初始值和速度值，初始化POS，得到一群随机粒子；102)将所述粒子种群个数、粒子初始值和速度值代入性能指标函数，计算函数个体极值和群体极值；所述性能指标函数为：式中，Si为第i个机器人所分配的任务数量，tmax为所有任务完成的时间，elei为第i个机器人完成分配任务的耗电量，ω1,ω2,ω3分别代表任务数量、完成任务所用时间、耗电量的权重系数；103)粒子通过跟踪个体极值和群体极值来更新速度和位置值；104)将更新后的数值代入式(11)中，重新计算性能指标函数值，更新函数值；105)更新个体极值和群体极值；106)重复步骤103)-105)，直至性能指标函数值达到最大。进一步的，步骤2)具体包括：201)判断初始的任务分配中是否有机器人任务分配重叠，若没有任务分配重叠，转步骤203)；若存在任务分配重叠，转步骤202)；202)若n个任务被m个机器人重叠分配，从[1,m]按顺序给m个机器人编号，然后产生n个[1,m]之间的随机整数，按照产生的随机数分别把n个任务分配给m个机器人，转步骤203)；203)判断第i个机器人分配的任务数是否大于机器人任务载荷上限，若第i个机器人分配的任务均小于或等于机器人任务载荷上限，转步骤205)；若第i个机器人任务数量大于机器人任务载荷，转步骤204)；204)第i个机器人所分配的任务超出最大任务载荷k个，计算第i个机器人与其所分配的任务之间欧式距离，将欧式距离机器人最远的k个任务，舍弃并标注为未分配的任务，转步骤205)；205)判断第i个机器人带电量是否大于所分配的任务所需电量，若第i个机器人带电量均大于所分配的任务所需电量，转步骤207)；若第i个机器人带电量小于其分配的任务所需电量，转步骤207)；206)以第i个机器人完成任务最多为标准，依次舍弃耗电量最多的任务直至小于机器本文档来自技高网...

【技术保护点】
1.一种基于任务分配协调策略与粒子群算法的任务分配方法，其特征在于，包括以下步骤：/n1)利用粒子群算法优化分配半径，得到初始分配结果；/n2)运用协调策略对初始分配结果进行调整，完成第一次分配；/n3)重复步骤1)-2)，对未分配任务进行再次分配，直至任务完全分配。/n

【技术特征摘要】
1.一种基于任务分配协调策略与粒子群算法的任务分配方法，其特征在于，包括以下步骤：
1)利用粒子群算法优化分配半径，得到初始分配结果；
2)运用协调策略对初始分配结果进行调整，完成第一次分配；
3)重复步骤1)-2)，对未分配任务进行再次分配，直至任务完全分配。


2.根据权利要求1所述的基于任务分配协调策略与粒子群算法的任务分配方法，其特征在于，步骤1)包括以下步骤：
101)根据机器人的状况设置粒子种群个数、粒子初始值和速度值，初始化POS，得到一群随机粒子；
102)将所述粒子种群个数、粒子初始值和速度值代入性能指标函数，计算函数个体极值和群体极值；
所述性能指标函数为：



式中，Si为第i个机器人所分配的任务数量，tmax为所有任务完成的时间，elei为第i个机器人完成分配任务的耗电量，ω1,ω2,ω3分别代表任务数量、完成任务所用时间、耗电量的权重系数；
103)粒子通过跟踪个体极值和群体极值来更新速度和位置值；
104)将更新后的数值代入式(11)中，重新计算性能指标函数值，更新函数值；
105)更新个体极值和群体极值；
106)重复步骤103)-105)，直至性能指标函数值达到最大。


3.根据权利要求1所述的基于任务分配协调策略与粒子群算法的任务分配...

【专利技术属性】
技术研发人员：陈海洋，阳杰，牛龙辉，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61