【技术实现步骤摘要】
本专利技术涉及多智能体任务分配，尤其涉及一种复杂约束条件的异构多智能体任务分配方法。
技术介绍
1、近年来，针对复杂任务的多智能体协作被广泛应用于监控、协同处理、海战、搜救等民用和军事领域。多智能体任务分配问题的本质属于复杂的组合优化数学优化问题，通过将给定的信息和资源转化为相应的数学优化问题，合理分配资源，在最短时间内生成最优解。在实际的任务环境中，任务分配的有效性受到各种主客观因素的影响，如智能体之间的沟通能力和资源配备情况、智能体解决任务分配问题的问题模型、目标函数和约束条件的构建、求解方法的选择等。因此，任务分配的目的是将给定的任务分配环境信息转化为数学优化问题，并在最短时间内生成最优的分配方案。
2、目前对多智能体任务分配的研究主要集中在同构而非异构，主要分为集中式和分布式。集中式任务分配方法主要包括优化法和启发式方法，这两种方法在传统的任务分配中应用广泛，虽然寻优能力较强，但当问题规模较大、中心节点计算负荷较大时，容易陷入局部优化，系统鲁棒性较差。为了消除上述集中式任务分配方法的缺点，分布式方法以其计算效率高、可扩展性好、鲁棒性强等优点被广泛应用于智能体系统的任务分配当中。常见的分布式任务分配算法主要包括基于契约网络的市场拍卖方法，这是一种广泛应用于多agent任务分配的分布式方法，其核心处理是防止冲突，通过通信协商解决各个问题；分布式马尔可夫决策方法主要关注agent之间的矛盾和不确定性，一致性问题是多agent协同控制的基本问题。在上述方法的基础上，为了进一步提高任务分配性能结合共识算法的收敛性和拍卖
技术实现思路
1、本专利技术的目的是通过改进现有的cbba算法，提出了一种改进的异构多智能体共识基础组算法(h-cbga)，进一步提升具有多个复杂约束的异构多智能体任务分配问题的解决能力，有效提高了任务分配的可靠性和分配方案的生成速度。具体地，将待执行的复杂任务分解为多个子任务后，考虑子任务执行的时间序列和任务目标对异构智能体的影响，提出异构智能体任务分配总体目标函数和约束条件。h-cbga通过任务选择及复杂任务重规划来实现动态场景下有效的异构多智能体任务分配。然后进一步优化了任务包构建和冲突解决机制，提高了新任务出现和智能体失效两种动态场景下的任务分配性能。
2、本专利技术的技术方案如下：一种复杂约束条件的异构多智能体任务分配方法，包括步骤如下：
3、步骤1)、将待执行的复杂任务分解为多个子任务后，根据子任务执行的时间序列和任务目标对异构多智能体的影响，提出异构多智能体协同任务分配总体目标函数和约束条件；
4、步骤2)、提出一种改进的异构多智能体一致性组合算法h-cbga，通过任务选择及复杂任务重规划实现动态场景下有效的异构多智能体任务分配；设置优化任务包构建和冲突解决机制，考虑任务执行能力、固定通信拓扑、任务所需智能体数量、时间窗口约束条件，进行新任务出现和智能体失效两种动态场景下的任务重分配。
5、所述异构多智能体协同任务分配是指一组具有不同能力的智能体，根据多个子任务的执行成本和任务完成收益，分配出最优的任务执行计划；异构多智能体协同任务分配的基本信息由以下三元组表示：
6、auction＝<t,a,u>
7、其中，t表示任务集合：nt表示任务总个数；a表示智能体集合：nu表示智能体总个数；u表示任务完成收益集合：
8、s1.1：子任务的属性通过8元组描述：
9、<idt,post,typet,vt,numt,tt,st,ct>
10、其中，idt：任务编号标识符；post：任务目标位置坐标；typet：任务类型；vt：任务目标值；numt：所需智能体数量；tt：任务时间窗口；st、ct为智能体在任务中的两种不同损耗能力；
11、s1.2：根据异构多智能体的特征和动态状态，智能体的属性通过以下7元组表示：
12、
13、其中，第i个智能体的编号标识；第i个智能体的类型；第i个智能体的初始位置坐标；第i个智能体的值；ai型智能体的搜索能力；ai型智能体的攻击能力；第i个智能体可执行的最大任务数。
14、所述改进的异构多智能体共识基础组算法h-cbga的设定依托以下前提和原则实现；
15、1)没有任何禁区或障碍物；
16、2)没有黑色信息，目标预测信息已知，每个智能体拥有相同的信息，并且相互之间均沟通；
17、3)异构智能体具有不同的运动参数，包括智能体速度和单位时间内的燃料消耗，定义如下：
18、v＝[v1,v2,...,vnu]
19、f＝[f1,f2,...,fnu]
20、其中，nu表示智能体的数量；
21、5)执行任务的总收益最大化；
22、6)最小化执行任务的行程和威胁成本；
23、7)所有智能体都能够得到使用。
24、所述异构多智能体协同任务分配总体目标函数和约束条件构建如下：
25、s2.1：目标函数分析：
26、1)收益分析：当智能体执行任务时，产生执行收益；任务基础值为cj，最早开始时间为tmin_start，最晚开始时间为tmax_start，执行开始时间为tstart，则智能体执行任务的收益值表示为：
27、
28、其中，p∈[0,1]表示不同类型在执行相应任务时的能力值；λj∈[0,1]表示任务执行的衰减因子；
29、2)成本分析：智能体执行任务时，成本函数表示如下：
30、
31、其中，dij表示智能体i当前位置到任务j位置的距离；vi表示智能体i的价值；
32、3)任务目标总价值分析：根据智能体完成任务的收益和成本分析，最本文档来自技高网...
【技术保护点】
1.一种复杂约束条件的异构多智能体任务分配方法，其特征在于，包括步骤如下，
2.根据权利要求1所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述异构多智能体协同任务分配是指一组具有不同能力的智能体，根据多个子任务的执行成本和任务完成收益，分配出最优的任务执行计划；异构多智能体协同任务分配的基本信息由以下三元组表示：
3.根据权利要求2所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述改进的异构多智能体共识基础组算法H-CBGA的设定依托以下前提和原则实现；
4.根据权利要求3所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述异构多智能体协同任务分配总体目标函数和约束条件构建如下：
5.根据权利要求4所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述改进的异构多智能体共识组合算法对原本的一致性包算法进行了扩展，考虑动态环境下智能体失效和新任务出现的突发情况，提出部分重新规划分配策略，智能体通过将部分捆绑的任务释放出来，与新增加的任务一起重新规划到每个智能体的捆绑任务中；
6.
7.根据权利要求6所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述冲突解决机制根据简单任务和复杂任务划分，不同的任务类型发生任务冲突时，进行冲突解决方式不同；
8.根据权利要求7所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述动态分配场景中，当有新任务或智能体失效将触发动态任务分配时，两种情况下的任务重新分配如下：
...【技术特征摘要】
1.一种复杂约束条件的异构多智能体任务分配方法，其特征在于，包括步骤如下，
2.根据权利要求1所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述异构多智能体协同任务分配是指一组具有不同能力的智能体，根据多个子任务的执行成本和任务完成收益，分配出最优的任务执行计划；异构多智能体协同任务分配的基本信息由以下三元组表示：
3.根据权利要求2所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述改进的异构多智能体共识基础组算法h-cbga的设定依托以下前提和原则实现；
4.根据权利要求3所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述异构多智能体协同任务分配总体目标函数和约束条件构建如下：
5.根据权利要求4所述的复杂约束条件的异构多智能体任务分配方法，其特征在于，所述改进的异构多智能体共识组合算...
【专利技术属性】
技术研发人员：夏卫国，王鹏，张少卿，孙希明，杨东岳，纪德东，李仲昆，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。