【CN110046851A】基于MultiPaxos的无人车物流任务分配方法【专利】
一种基于改进遗传算法的多异构无人机任务分配方法[发明专利]
![一种基于改进遗传算法的多异构无人机任务分配方法[发明专利]](https://img.taocdn.com/s3/m/ea0708b96429647d27284b73f242336c1eb93011.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010642900.1(22)申请日 2020.07.06(71)申请人 燕山大学地址 066004 河北省秦皇岛市海港区河北大街西段438号(72)发明人 韩松 范晨晨 李鑫滨 赵海红 (74)专利代理机构 大连东方专利代理有限责任公司 21212代理人 姜威威 李洪福(51)Int.Cl.G06Q 10/04(2012.01)G06Q 10/06(2012.01)G06N 3/12(2006.01)(54)发明名称一种基于改进遗传算法的多异构无人机任务分配方法(57)摘要本发明公开了一种基于改进遗传算法的多异构无人机任务分配方法，属于无人机技术领域，该方法通过综合考虑资源消耗、任务完成效果和负载均衡、资源有限、任务优先级等多重约束，建立了任务分配优化模型；采用矩阵编码方式将每个可行的任务分配方案编码为一个完整的染色体；针对现有遗传算法求解精度不足、求解速度过慢的问题，提出了模糊精英度的概念，并在此基础上对各遗传操作进行改进，利用改进后的遗传算法对构建的优化模型进行求解，在有限的迭代次数内获得最优的任务分配方案。
本发明在多智能体协同控制领域有良好的通用性，具有求解速度快、求解精度高的优点，能够有效解决具有多重约束的多异构无人机系统的任务分配问题。
权利要求书3页 说明书12页 附图5页CN 111860984 A 2020.10.30C N 111860984A1.一种基于改进遗传算法的多异构无人机任务分配方法，其特征在于：包括以下步骤：S1:基于无人机本体设计约束和任务场景要求，构建具有多重约束的多异构无人机系统任务分配优化模型；S2:针对无人机的异构性和任务的独特性，采用矩阵编码方式，将任意一个适用于任务分配优化问题的可行解编码为一个矩阵形式的完整染色体；S3:采用改进的遗传算法对任务分配优化模型进行求解，在最大迭代次数下求得的最优解即为多异构无人机系统的最佳任务分配方案。
基于粒子群算法的多无人机任务分配方法剖析
第25卷第9期V ol.25No.9控制与决策Control and Decision2010年9月Sep.2010基于粒子群算法的多无人机任务分配方法文章编号:1001-0920(201009-1359-05李炜,张伟(电子科技大学电子科学技术研究院,成都610054摘要:作为多无人机系统应用的一项关键技术,任务分配是一个多维互异离散变量的优化问题.采用混合整数线性规划方法构造优化函数,并利用群智算法中的粒子群算法来求最优解,这样可以解决多无人机的任务分配问题.针对互异性要求进行必要的算法改进.数值仿真实验表明,该粒子群算法可以迅速找到优化函数的最优解,从而高效地实现多无人机的任务分配.关键词:多无人机;任务分配;粒子群算法;多维互异变量;代价函数中图分类号:V249.122文献标识码:AMethod of tasks allocation of multi-UA Vs based on particles swarm optimizationLI Wei,ZHANG Wei(Research Institute of Electronic Science and Technology,University of Electronic Science and Technology of China,Chengdu610054,China.Correspondent:LI Wei,E-mail:aegeanwei@Abstract:Task allocation is a kind of key technology in the application of multi-UA Vs systems,and it is a mutually exclusive multi-dimensions optimal problem.Mixed integer linear program is applied to build the optimal function,and particle swarm optimization(PSOalgorithm is utilized for searching the best solution in order to realize the task allocation of multi-UA Vs system.In the PSO algorithm,it is necessary to make some modification to suit for the acquirement of mutually exclusive. The numerical simulation shows that the presented algorithm canfind the optimal solution rapidly and accomplish the task allocation of multi-UA Vs e fficiently.Key words:Multi-UA Vs;Tasks allocation;PSO;Mutually exclusive;Cost function1引言由多个简单无人机通过协同、协作组成集群系统来完成单个无人机无法完成或难以完成的工作[1],已经成为各国研究者的普遍共识.因此,对于多无人机系统的研究受到了广泛关注.多无人机可实现多种作战任务,而基本的工作状态包括4种:1搜索目标状态:遵照事先规划的搜索路径飞行,寻找地面目标;2识别目标状态:利用目标识别算法判断目标为真目标、被击中的目标还是暂时无法确切判断类型的目标;3攻击目标状态:对于已经被识别为真的目标,无人机进入交会阶段,对其实施攻击;4毁伤评估状态:判断被攻击的目标是否还具备战斗力[2-4].针对无人机在某一时刻发现的目标,如何能够合理地将无人机以最佳的任务状态分配给最适合的目标是能否发挥多无人机协同工作效能的关键.国内外对该问题的研究已经成为热点.其中有代表性的研究成果包括:1采用网络最优模型进行任务分配的方法,它是模拟货物的供应需求的转换和变化,从而实现无人机和目标之间的任务分配[5,6];2利用多智能体的方法,将每个无人机都作为一个智能体,通过相互之间的交互实现任务的分配[7,8];3利用禁忌搜索的方法,依次对无人机分配任务,反复迭代,直至找到最优解[9];4采用混合整数线性规划方法,该方法可以找到一个最优解,但计算量较大[10,11].因此,在此基础上,有很多研究者结合蚁群算法、退火算法、遗传算法等最优化方法找到最优解.目前,通过模拟生物群体的行为来解决计算问题已经成为了新的研究热点.其中粒子群算法作为一种具有较强寻优能力、简收稿日期:2009-08-27;修回日期:2009-10-23.基金项目:国防预研项目(402030203;电子科技大学中青年学术带头人培养计划项目.作者简介:李炜(1980−,男,内蒙古包头人,助理研究员,博士,从事多机协同、智能控制等研究;张伟(1974−,男,四川达州人,副研究员,博士,从事智能系统、仿真技术等研究.1360控制与决策第25卷单通用,且鲁棒性强的方法被广泛应用于科学研究和工程实践中.本文的目标就是采用整形线性规划方法构造最优函数,利用群智算法中的粒子群算法求出最优解,从而实现多无人机的目标分配.2构造任务分配函数无人机根据识别目标的类型所需执行的任务包括3种:1对于真目标,执行攻击任务;2对于被攻击过的目标,执行毁伤评估任务;3对于无法判断类型的目标,执行再识别的任务.无人机根据自身与目标所处的位置和角度对目标进行分类识别,并且确定分类识别的置信度.如果识别结果低于预置的置信域,则报告为暂时无法识别类型的目标,这样选择无人机执行再识别的任务;一旦目标被确认为真目标,则无人机可以选择该目标进行交会;一旦无人机和目标满足了交会条件,无人机即可对目标进行攻击;目标被攻击后,其他无人机可对其进行毁伤评估,判断其状态,完全被摧毁或是仍然可以工作.从上述的描述可以看出,无人机对目标识别分类的准确程度是影响任务分配的首要因素.没有对目标正确的识别也就不会有合理的任务分配.为了简化目的,本文在建模时,认为无人机可以正确地对目标进行识别分类,而不会出现识别类型错误的情况.此外,值得注意的是,本文研究的对象是微小型无人机,其对目标的攻击是通过自身的战斗部起爆来实现的,即无人机实施攻击也意味着本身生命周期的结束.无人机的任务分配过程中需要考虑的因素包括:任务的优先级、时间约束以及任务路径的可飞性.任务的优先级是指对于每个被发现的目标根据其识别类型顺次执行相应的任务,例如经识别认为是真目标时,则应该先执行攻击任务,然后才能执行毁伤评估.时间约束是指给定的任务需要在一个特定的时间域内完成,超过了这个时间域,就可能意味着任务的失败,特别是在打击时间敏感目标的过程中,如果完成任务所需的时间过长,则很可能会丢失目标,从而使任务失败.如果假设所有无人机的飞行速度相同,那么任务路径越短,所对应的任务完成时间也就越短.任务路径的可飞性是指无人机在执行任务时所需飞过的路径满足运动学和动力学约束条件.2.1距离因素如果假设无人机飞行速度相同,则时间约束条件就转化为无人机与目标之间的距离因素.无人机与目标的距离越近,则完成任务的时间就越短,因此将该无人机分配给此目标的机率也就越大.用数学表达式表示如下:设距离因素对任务分配的影响为α1,则a1=w1d ij/d max.(1其中:d ij表示第j个无人机到第i个目标直接的距离;d max表示所有无人机中相对第i个目标的最大距离; w1为(0−1之间的一个数,表示距离因素对于任务分配影响程度的权重值,数值越大表明距离因素对任务分配的结果影响越大,反之则越小.2.2角度因素任务路径的可飞性要求飞行路径的最大曲率要满足无人机飞行性能的要求.在任务分配时,无人机所产生的路径受到多种不确定因素的影响,很难精确地对可飞路径加以量化描述.本文主要根据无人机当前的飞行方向与目标视线之间的夹角来描述产生任务路径的可飞性.如图1所示,θ表示无人机当前飞行方向与目标视线之间的夹角,虚线表示任务路径.由图1可以看出,目标1与无人机1生成的夹角θ11要小于目标2与无人机1生成的夹角θ21,相应的任务路径的曲率也较小,可飞性也就相应的越好;而对目标2而言,与无人机1生成的夹角θ21要大于与无人机2生成的夹角θ22,相应的任务路径曲率也较大,所以可飞性也就越差.因此,利用无人机当前的飞行方向与目标视线之间的夹角可大致地定量描述产生任务路径的可飞性.12θ11θ22θ21v2v12 1图1无人机可飞性示意图设无人机当前的飞行方向与目标视线之间的夹角对任务分配的影响为a2=w2θij/θmax.(2其中:θij为第j个无人机的飞行方向与第i个目标视线的夹角;θmax为无人机飞行方向与目标视线的最大夹角,根据夹角的定义,θmax=180;w2为飞行方向与目标实现夹角对于任务分配结果的影响程度,数值越大,表明对结果的影响越显著,反之则越微弱.2.3时间因素无人机剩余飞行时间主要用来评价执行任务的代价.例如在执行攻击任务时,选择一架刚出发的无人机要比选择一架燃油即将耗尽的无人机付出的代价大得多.因此,在进行任务分配时,尽可能将作战任务分配给剩余飞行时间少的无人机.对任务分配的影第9期李炜等:基于粒子群算法的多无人机任务分配方法a 3=w 3jt max.其中:t j 为无人机j 的剩余飞行时间;t max 为无人机最大的飞行时间;w 3为无人机剩余飞行时间对任务分配结果的影响程度,数值越大,表明剩余飞行时间对结果的影响越大,反之越小.综上所述,可构造无人机任务分配的代价函数为C (x ij =P i (α1+α2+α3=P i (w 1d ijd max +w 2θij θmax +w 3t j t max.(4其中:x ij 为j 无人机作用于i 目标;P i 为目标的识别概率,当P i 落入不同的识别置信区域时,分别判定为无法识别类型的目标、真目标、被攻击的目标;相对应地,将C (x ij 的定义域写为{R cost ,A cost ,B cost },分别为再识别任务代价、攻击任务代价和毁伤评估任务代价.对应不同的目标类型,式中的权重取值不同.2.4优化问题由此可将任务规划问题转化为寻找下列优化问题的最优解:Cost =minn ∑i =0C (x ij x ij .(5s .t .C (x ij ∈{R cost ,A cost ,B cost };(6n ∑ix ij =1,j =1,2,⋅⋅⋅;(7m ∑jx ij =1or 0,i =1,2,⋅⋅⋅;(8x ij ∈{0,1},i =1,2,⋅⋅⋅,j =1,2,⋅⋅⋅.(9其中:n 为目标的数量,m 为无人机的数量,i 为目标编号,j 为无人机编号,C (x ij 为i 无人机与j 目标之间的代价系数.约束条件(6表示代价系数只能是3种代价系数之一;约束条件(7表示对于任意一个目标,当前时刻只能有一个无人机对其发生作用;约束条件(8表示在任意时刻,任意一个无人机至多对一个目标发生作用,并假设无人机的数量大于等于各类目标的总数量,对于未与目标配对的无人机则继续执行搜索任务;约束条件(9表示x ij =0为(0-1变量,当j 无人机作用于i 目标时,x ij =1,否则x ij =0,表示如下:x ={1,子弹药j 作用于目标i ;0,否则.3粒子群算法求解粒子群优化算法是由美国的Kennedy 和Elberhart 受到鸟群觅食行为的启发,于1995年提出的.最初的设想是仿真简单的社会系统,研究解释复杂的社会行维搜索空间“流动”的,粒子在搜索空间内的位置变化是以一个个体成功地超过其他个体的社会心理意向为基础的.因此,群中粒子的变化受到其邻近粒子经验或知识的影响,一个粒子的搜索行为受到群中其他粒子的搜索行为的影响.粒子群算法具有计算的快速性和算法本身的易实现性,由于粒子群迁移过程是有方向性的,搜索过程中运用反馈原理并采用并行计算技术,具有较高的搜索效率,这是其他算法所不具备的优势.无人机的任务分配问题是离散变量问题,因此利用粒子群算法来进行优化问题求解时,需要将更新的速度离散化,粒子的位置也随之被离散化.具体方法是利用Miranda 和Fonscca 提出的概率舍入的方法[12],按速度更新后的数值到取值空间内每个整数的距离的概率比例进行舍入.3.1基本优化算法将n ∑i =0x ij 记为微粒X k ,其位置变化表现为编号为i 的目标和编号为j 的无人机之间的任务配对情况.它经历过的最好位置记为p best ,在群体所有微粒经历过的最好位置的索引号记为g best .微粒k 的速度用V k =(v k 1,v k 2,⋅⋅⋅,v kn 表示,对于每一代,v ki 根据如下方程迭代:v ki (t +1=w p v ki (t +c 1r 1(p ki (t −X ki (t +c 2r 2(p gi (t −X gi (t ,(10X ki (t +1=X ki (t +v ki (t +1.(11其中:w p 为线性递减权重[13];c 1,c 2为学习常数,r 1,r 2为介于0到1的随机数;p ki (t 为每个微粒到目前为止,所出现的最优位置;p gi (t 为所有微粒到目前位置,所出现的最优位置.在搜索时,微粒的位置被最大位置和最小位置限制,如果某微粒在某维的位置超出该维的最大位置或者最小位置(弹目的任务分配超过了目标数或无人机数范围,则该微粒的位置被限制为该维的最大位置或最小位置.同样,微粒的速度也被限制于最大速度和最小速度之间[14],具体公式如下:v ki ={v max ,v ki >v max ;−v max ,v ki <−v max .其中:v max 为设定的最大速度向量.当粒子速度过大时,将可导正回适当速度向量,如粒子往负向速度过大时,则会限定最大负向速度.3.2粒子群改进算法流程在任务分配的求解问题中,变量的取值是离散1362控制与决策第25卷的,所以为非连续的优化问题.在利用PSO算法进行优化时,必须进行变量的离散化:一方面需要将粒子的位置离散化,另一方面也要将更新速度离散化.同时更为重要的是,在利用PSO算法时,必须要满足约束条件(7和(8的要求.因此粒子在选择新位置的时候,并不是在全定义域内进行选择.粒子移动的位置表示该粒子对于任务分配的结果,目标的数目也是微粒的维数,粒子的更新速度为无人机和目标之间的任务配对的变化情况.根据约束条件要求,任意目标只能有一个无人机对其发生作用,任一无人机至多也只能对一个目标执行任务.因此在PSO算法的寻优过程中,微粒各维的最终位置应该是互异的,在本文中采用多次迭代的方法,直到各维变量的位置都不同时,才继续往下执行,具体的算法流程如图2所示.图2粒子群算法流程图Step1:初始化设置微粒群的规模,惯性权值,加速系数,最大允许迭代次数.Step2:针对每个微粒,生成随机的初始无人机和目标的任务配对,并计算目标评价函数.Step2.1:依次对每个目标分配一个无人机来执行作战任务,如果无人机和目标的任务分配出现同一个无人机对两个不同的目标执行任务时,则再重新分配,直到此类情况不再出现(不重复原则.Step2.2:当每个微粒的初始弹目任务分配满足要求时,按目标评价函数评价各微粒的初始适应值.Step3:根据公式计算各微粒新的速度,并对各微粒新的速度进行限幅处理.Step4:根据公式计算各微粒新的位置,并对各微粒新的位置进行限幅处理.Step5:当微粒处于新位置时,同时存在微粒对于无人机和目标的任务分配出现Step2.1的情况时,重新执行Step3和Step4,直到满足要求.Step6:按目标评价函数重新评价各微粒适应值.Step7:对每个微粒,比较其当前适应值和其个体经历过的最好适应值,若当前适应值更优,则令当前适应值为其个体历史最好的适应值,并保存当前位置为其个体历史最好位置(个体最优弹目任务分配.Step8:比较群体所有微粒的当前适应值和全局历史最好的适应值,若某微粒的当前适应值更优,则令该微粒的当前适应值为全局历史最好适应值,并保存该微粒的当前位置为全局历史最好位置(全局历史最优弹目任务分配.Step9:若满足停止条件,则搜索停止,输出搜索结果;否则,返回Step3继续搜索.Step10:g best为搜索到的最优值.粒子群改进算法伪码如下:初始化粒子数量、最大迭代次数、结束标志阈值、目标数量、无人机数量;For i=1粒子数计算每个粒子的初始位置(为每个目标分配无人机;计算粒子初始移动速度;End;DoFor i=1粒子数根据目标代价函数计算粒子p i的个体适应值;If此适应值优于此前该粒子最好位置p best的适应值更新p best值;End;End;从所有粒子中找出个体适应值最大的位置p best赋给g best,并记录该粒子的任务分配结果;For i=1粒子数根据公式更新p i的速度,速度被限制在[−v max, v max]之间;根据公式更新p i的位置,位置被限制在可行域上(可行的任务分配;End;While(当最优适应值大于结束标志域且迭代次数小于最大迭代数输出最优结果.4数值仿真为了验证本文提出的任务分配算法的性能,设定静止目标数量为5个,分别处于(300,10,(350,10, (400,10,(450,10和(500,10.其中:目标3为无法识别的目标,目标4为被攻击过的目标,其他目标都为第9期李炜等:基于粒子群算法的多无人机任务分配方法1363真目标.无人机的数量为50个,其x 坐标50开始,依次增大10;y 坐标都为500,速度方向都是指向y 轴的负半轴.分别设粒子数量为1000,2000,5000,最大迭代次数为100,惯性权值设为0.5.经过多次计算得出的最终结果为:第25号无人机对第1个目标执行攻击任务,第30号无人机对第2个目标执行攻击任务,第35号无人机对第3个目标执行再识别任务,第40号无人机对第4个目标执行毁伤评估的任务,第45号无人机对第5个目标执行攻击任务,最终的代价函数适应值为0.78.在粒子数设为1000时,经过100次的迭代会出现结果不最优的情况.而当粒子数设为5000时,每次计算都可以获得最优解.由此可以看出,粒子数的规模对寻找最优解有直接的影响,如图3所示.204060801000.80.911.1Na=5000Na=2000Na=1000图3适应函数值收敛曲线由图3可知,在粒子数较多时,经过较少的迭代次数(30代就可以收敛到最优值,而当粒子较少时,一般需要经过更多次的迭代才可以收敛到最优值.将无人机的飞行方向改为从与,x 轴正向呈−65˚开始,以一度的差值依次递减.经过多次计算得到的结果为:第25号无人机对第1个目标执行攻击任务,第32号无人机对第2个目标执行攻击任务,第35号无人机对第3个目标执行再识别任务,第38号无人机对第4个目标执行毁伤评估的任务,第40号无人机对第5个目标执行攻击任务,最终的代价函数适应值为1.187.此外,在此条件下,将权重值w 2从1.5调整到0.5时,最优结果又变为:第23号无人机对第1个目标执行攻击任务,第25号无人机对第2个目标执行攻击任务,第28号无人机对第3个目标执行再识别任务,第30号无人机对第4个目标执行毁伤评估的任务,第32号无人机对第5个目标执行攻击任务,最终的代价函数适应值为0.862.5结论多无人机的任务分配是多维互异离散变量寻优问题,对其求解是一项非常耗费计算的工作.利用概念清晰、搜索速度快、易于实现的粒子群算法来进行求解是一项非常好的选择.本文通过对速度更新和位置更新的多次迭代来适应多维变量互异性的要求,获得了比较好的寻优效果.从文中的数值仿真结果可以看出,在1000∼2000个粒子群规模的条件下,经过几十次迭代就可以找到最优解,耗费计算资源小,可满足机载计算机甚至是单片机的运算要求.因此,利用粒子群算法可以高效快速地解决多人机的任务分配问题.参考文献(References[1]David Frelinger,Joel Kvitky,William Stanley.Proliferated autonomous weapons[R].SantaMonica:RandCorporation.[2]Corey Schumacher,Phillip R Chandler,Steven Rasmussen.Task allocation for wide area search munitinos[D].Anchorage:Wright-Patterson Air Force Base,2002.[3]Robert Dunkel Ⅲ.Investigation of cooperative behavior in autonomous wide area search munitions[D].Ohio:Air Force Institute of Technology,2002.[4]Orhan Gozaydin.Analysis of cooperative behavior for autonomous wide area search munitions[R].Ohio:Air Force Institute of Technology,2002.[5]Kendall Nygard,Phillip Chandler,Meir Pachter.Dynamic network flow optimization models for air vehicle resource allocation[C].American Control Conf.Arlington,2001:25-27.[6]Schumacher C J,Chandler P R,Rasmussen S J.Task allocation for wide area search munitions via iterative network flow optimization [C].Proc of the AIAAGuidance,Navigation,and Control Conf.Monterey,2002:3472-3477.[7]姚宗信,李明,陈宗基.多机协同作战任务决策方法多智能体结构框架[J].电光与控制,2008,15(3:1-4.(Yao Z X,Li M,Chen Z J.Multi-agent framework of mission decision-making method for multi-aircraft cooperative combat[J].Eletronics Optics and Control,2008,15(3:1-4.[8]曹菊红,高晓光.多架无人机协同作战智能指挥控制系统[J].火力与指挥控制,2003,28(5:22-24.(Cao J H,Gao X G.Agent-based design for multi-ucav intelligent command and control cooperative system[J].Fire Control and Command Control,2003,28(5:22-24.[9]Ryan J L,Bailey T G,Moore J T,et al.Unmanned aerial vehicles (UA Vroute selection using reactive Tabu search [J].Military Operations Research,1999,(4:5-24.[10]Richards A,Bellingham J,Tillerson M,et al.Coordinationand control of multiple UA Vs [C].Proc of the AIAA Guidance,Navigation,and Control Conf.Monterey,2002.[11]Schumacher C J,Chandler P R,Pachter M,et al.Constrained optimization for UA V task assignment [C].Proc of the AIAA Guidance,Navigation,and Control Conference.Providence,2004.(下转第1368页。
一种基于无人机快递柜优化分配方法[发明专利]
![一种基于无人机快递柜优化分配方法[发明专利]](https://img.taocdn.com/s3/m/c81314f459eef8c75ebfb35d.png)
专利名称：一种基于无人机快递柜优化分配方法专利类型：发明专利
发明人：朱洁,黄海平,刘晗,贾梦颖
申请号：CN201910761851.0
申请日：20190819
公开号：CN110276502A
公开日：
20190924
专利内容由知识产权出版社提供
摘要：本发明提供一种基于无人机快递柜优化分配方法，包含快递柜空间优化调度流程和无人机转移包裹流程。
在快递柜空间优化流程中，调度中心根据已经放置的包裹信息和快递柜空闲储物格信息，对包裹放置进行二次优化，其优化目标包括空间优化和距离优化，空间优化指尽可能把包裹放置到与其体积最接近的储物格中，距离优化是指尽可能将包裹放置在离消费者接近的快递柜中；在生成优化的放置方案后根据无人机可用状态，利用无人机在给定时间阈值内完成包裹的快速转移，从而提高快递柜存储空间的使用率，提高消费者的满意度。
申请人：南京邮电大学
地址：210023 江苏省南京市栖霞区文苑路9号
国籍：CN
代理机构：南京正联知识产权代理有限公司
代理人：张玉红
更多信息请下载全文后查看。
优化物流机器人路径规划与任务分配的智能算法
优化物流机器人路径规划与任务分配的智能算法随着物流行业的发展，物流机器人在实现高效、智能化的物流运输方面起到了重要作用。
而物流机器人的路径规划与任务分配是影响其工作效率的关键因素。
为了提高物流机器人的工作效能和减少成本，需要利用智能算法来优化路径规划和任务分配。
在优化路径规划方面，可以运用启发式搜索算法如最短路径算法（Dijkstra算法、A*算法）、遗传算法、蚁群算法、模拟退火算法等来寻找最佳路径。
这些算法基于机器人所处的环境和任务要求，通过迭代搜索和评估，寻找出符合要求的路径。
例如，蚁群算法模拟了蚂蚁寻找食物的行为，通过信息素的更新和挥发来引导机器人选择更优的路径。
另外，遗传算法可以通过基因编码和交叉、变异操作来搜索适应度更高的路径。
这些智能算法可以有效地减少机器人行驶距离，节约时间成本。
除路径规划外，任务分配也是优化物流机器人工作效率的重要环节。
常用的智能算法包括贪心算法、最大流最小割算法、模糊逻辑算法等。
贪心算法根据特定的评价指标（如距离最近、工作时间短）选择最优任务，逐步完成任务分配。
最大流最小割算法解决了将各个任务分配到机器人上的问题，通过构建任务和机器人之间的关联网络，求解最大流，将任务分配最优化。
模糊逻辑算法则可以通过设置不同的权重和模糊规则，结合任务的特性和机器人的能力，实现智能化的任务分配。
而要进一步提高路径规划和任务分配的效率，可以结合机器学习和深度学习方法。
机器学习可以分析和利用历史数据，通过训练模型进行路径规划和任务分配的决策。
深度学习则可以通过神经网络模型来学习和预测物流机器人的行为，达到更准确的路径规划和任务分配。
例如，可以建立一个基于深度强化学习的模型，通过设定奖励和惩罚机制，机器人可以通过与环境的交互来学习最优的路径规划和任务分配策略。
此外，在优化物流机器人路径规划与任务分配的智能算法中，还需要考虑实际应用中的各种限制条件和需求。
例如，机器人的工作能力、工作时间、充电需求等都会影响路径规划和任务分配的决策。
基于状态转移策略遗传算法的异构多无人机任务分配方法
专利名称：基于状态转移策略遗传算法的异构多无人机任务分配方法
专利类型：发明专利
发明人：杨振,李枭扬,陈曦,闵令通,侍佼,支元杰,周德云
申请号：CN202111044647.0
申请日：20210907
公开号：CN113971502A
公开日：
20220125
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于状态转移策略遗传算法的异构多无人机任务分配方法，包括：确定待执行任务，并在获取每个待执行任务的第一信息以及无人机的第二信息后，生成第一种群；若当前迭代次数大于等于2，则利用上一次迭代过程中得到的最佳个体对第一种群进行更新；根据预设收益函数、第一种群和更新后的第一种群，确定第二种群；从第二种群中确定交叉父代进行交叉操作，得到第三种群后，确定第三种群的收益；从第三种群中确定变异父代进行变异操作，得到第四种群后，确定第四种群的收益；确定本次迭代过程的最佳个体，在当前迭代次数达到预设迭代次数时，根据最佳个体确定各无人机对应的待执行任务。
本发明提高了无人机任务分配方法的效率和收敛性。
申请人：西北工业大学
地址：710072 陕西省西安市碑林区友谊西路127号
国籍：CN
代理机构：西安嘉思特知识产权代理事务所(普通合伙)
代理人：王萌
更多信息请下载全文后查看。
无人物流车辆调度中的优化策略探讨
无人物流车辆调度中的优化策略探讨随着科技的日益发展，无人物流车辆调度系统正逐渐成为物流行业的新趋势。
而在无人物流车辆调度中，找到一套高效的优化策略是至关重要的。
本文将就无人物流车辆调度中的优化策略进行探讨，并提出一些切实可行的方案。
首先，一个高效的无人物流车辆调度系统需要有效的路径规划。
路径规划的优化可以减少行驶时间和成本，并增加运货量。
针对这一问题，可以运用智能算法来解决。
例如，可以利用遗传算法、模拟退火算法等，通过对不同可能路径进行搜索和调整，最终找到最优路径。
此外，还可以使用实时交通信息来更新路径规划，以应对突发情况，提高系统的鲁棒性。
其次，合理分配任务也是提高无人物流车辆调度效率的关键。
在任务分配过程中，不仅要考虑车辆之间的负载平衡，还需要考虑车辆与任务之间的匹配度。
一种可行的优化策略是基于模型的分配方法，即利用历史数据建立数学模型，通过分析各个变量之间的关系来进行任务分配。
这样可以提高任务完成率，减少任务超时和延迟。
此外，技术的应用也是无人物流车辆调度优化的关键因素之一。
例如，可以利用物联网技术将车辆、货物和任务信息进行实时监测和交互，实现整个调度过程的可视化。
同时，可以利用大数据分析技术对调度系统进行优化和改进。
通过分析大量的数据，可以深入了解车辆的使用情况和运输需求，从而制定更加精准的调度策略。
另外，还可以借鉴共享经济的思想来优化无人物流车辆调度。
共享经济的核心理念是资源共享和优化利用。
在物流行业中，可以考虑建立一个无人物流车辆共享平台，通过将各个企业的物流需求进行整合，实现资源优化利用，减少空载率和空闲时间。
这有助于降低物流成本，提高效率，同时也有利于减少环境污染。
除了以上的策略，还可以考虑引入机器学习和人工智能技术来优化无人物流车辆调度。
例如，可以利用机器学习算法对车辆和货物进行预测，从而提前做出应对措施。
同时，可以利用人工智能技术对调度系统进行自动化管理，提高系统的智能化水平和自适应性。
物流行业无人车配送路线规划与优化方案
物流行业无人车配送路线规划与优化方案第1章绪论 (3)1.1 研究背景与意义 (3)1.2 国内外研究现状 (3)1.3 研究内容与目标 (3)第2章无人车配送概述 (4)2.1 无人车配送发展历程 (4)2.2 无人车配送技术体系 (4)2.3 无人车配送的优势与挑战 (4)2.3.1 优势 (4)2.3.2 挑战 (5)第3章配送路线规划基础理论 (5)3.1 图论基本概念 (5)3.1.1 图的表示方法 (5)3.1.2 图的遍历 (5)3.1.3 最短路径算法 (5)3.2 车辆路径问题（VRP） (5)3.2.1 VRP的类型 (6)3.2.2 VRP的约束条件 (6)3.3 车辆路径问题的求解方法 (6)3.3.1 精确算法 (6)3.3.2 启发式算法 (6)3.3.3 集成算法 (6)第4章无人车配送路线规划算法 (7)4.1 经典算法概述 (7)4.2 遗传算法 (7)4.3 粒子群优化算法 (7)4.4 蚁群算法 (7)第5章无人车配送路线优化策略 (8)5.1 节点选择策略 (8)5.1.1 客户需求优先级分析 (8)5.1.2 节点聚类分析 (8)5.1.3 道路条件及交通限制考虑 (8)5.2 车辆分配策略 (8)5.2.1 车辆类型与载货量匹配 (8)5.2.2 车辆能耗与续航能力考虑 (8)5.2.3 车辆调度策略 (8)5.3 路线调整策略 (9)5.3.1 实时路况监测与路线调整 (9)5.3.2 遇突发需求时的路线调整 (9)5.3.3 路线优化算法的应用 (9)第6章多约束条件下的无人车配送路线规划 (9)6.1 时间窗约束 (9)6.1.1 时间窗的定义与意义 (9)6.1.2 时间窗约束下的配送路线规划方法 (9)6.2 车辆载重约束 (9)6.2.1 载重约束的重要性 (9)6.2.2 载重约束下的配送路线规划方法 (9)6.3 交通安全约束 (10)6.3.1 交通安全约束的必要性 (10)6.3.2 交通安全约束下的配送路线规划方法 (10)第7章无人车配送路线规划与优化实证分析 (10)7.1 实证数据与预处理 (10)7.2 模型构建与求解 (10)7.3 结果分析与评价 (10)第8章无人车配送路线规划与优化系统设计 (11)8.1 系统需求分析 (11)8.1.1 功能需求 (11)8.1.2 非功能需求 (11)8.2 系统架构设计 (12)8.2.1 总体架构 (12)8.2.2 模块划分 (12)8.3 关键模块设计与实现 (12)8.3.1 路线规划模块 (12)8.3.2 路线优化模块 (13)8.3.3 任务分配模块 (13)8.3.4 实时监控模块 (13)8.3.5 数据分析模块 (13)第9章无人车配送路线规划与优化的应用前景 (13)9.1 城市物流配送 (13)9.1.1 高效配送线路规划 (13)9.1.2 实时交通信息融合 (13)9.1.3 配送任务动态调度 (13)9.1.4 城市配送末端配送优化 (13)9.2 园区物流配送 (13)9.2.1 园区内部配送线路优化 (13)9.2.2 园区配送任务协同调度 (13)9.2.3 无人车与人工配送的互补 (13)9.2.4 园区物流配送安全与环保 (14)9.3 农村物流配送 (14)9.3.1 农村配送线路规划与优化 (14)9.3.2 无人车在农村物流配送的适应性 (14)9.3.3 农村物流配送任务分配策略 (14)9.3.4 农村物流配送与农业生产的协同 (14)第10章总结与展望 (14)10.1 工作总结 (14)10.2 存在问题与改进方向 (14)10.3 未来发展趋势与应用前景 (15)第1章绪论1.1 研究背景与意义经济全球化及电子商务的迅速发展，物流行业呈现出日益增长的态势。
无人配送车任务分配方法、系统和无人配送车[发明专利]
![无人配送车任务分配方法、系统和无人配送车[发明专利]](https://img.taocdn.com/s3/m/83091fdf4bfe04a1b0717fd5360cba1aa8118c28.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201710264445.4(22)申请日 2017.04.21(71)申请人 北京京东尚科信息技术有限公司地址 100195 北京市海淀区杏石口路65号西杉创意园四区11号楼东段1-4层西段1-4层申请人 北京京东世纪贸易有限公司(72)发明人 吴迪 张潮 李雨倩 贾士伟 李政 李祎翔 孙志明 张连川 (74)专利代理机构 中国国际贸易促进委员会专利商标事务所 11038代理人 赵倩男(51)Int.Cl.G06Q 10/08(2012.01)G06K 9/62(2006.01)(54)发明名称无人配送车任务分配方法、系统和无人配送车(57)摘要本发明公开了一种无人配送车任务分配方法、系统和无人配送车，涉及无人配送领域。
其中的方法包括：各无人配送车确定配送任务集，其中，各配送任务集中的任务点的位置距离相应无人配送车的位置小于距离阈值，任意两个配送任务集中的任务数量之间的差小于数量阈值；基于配送任务集利用聚类算法建立相邻无人配送车之间的协商任务集；根据相邻无人配送车之间的协商任务集，各无人配送车通过协商机制完成任务分配。
本发明能够使得各无人配送车在无中心计算节点或主节点条件下获取合理的分配任务点，从而实现任务负载的均匀。
另外，利用聚类算法建立相邻无人配送车之间的协商任务集，极大的减少了协商任务数量，提高了无人配送车的执行效率。
权利要求书3页 说明书10页 附图6页CN 107093046 A 2017.08.25C N 107093046A1.一种无人配送车任务分配方法，其特征在于，包括：各无人配送车确定配送任务集，其中，各配送任务集中的任务点的位置距离相应无人配送车的位置小于距离阈值，任意两个配送任务集中的任务数量之间的差小于数量阈值；基于配送任务集利用聚类算法建立相邻无人配送车之间的协商任务集；根据相邻无人配送车之间的协商任务集，各无人配送车通过协商机制完成任务分配。
【CN110046818A】一种多机器人任务分配方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910301092.X(22)申请日 2019.04.15(71)申请人 广州高新兴机器人有限公司地址 510530 广东省广州市萝岗区开创大道2819号512室(72)发明人 柏林 宿凯 刘彪 (74)专利代理机构 广州国鹏知识产权代理事务所(普通合伙) 44511代理人 何志军(51)Int.Cl.G06Q 10/06(2012.01)(54)发明名称一种多机器人任务分配方法(57)摘要本发明属于机器人技术领域，具体涉及一种多机器人任务分配方法，本方案将机器人的属性数据与服务器任务列表的任务相匹配，以快速匹配方法，对现场机器人进行任务分配，同时结合机器人在运转的过程中，及时发现闲置资源，充分调动资源去分担任务量，结合更多的设备来对现场任务有个更有效率的完成方法。
本方案能提高服务器任务列表和机器人的匹配度，能把任务分配到适合的机器人任务列表中，提高任务的效率，执行力和节省更多的时间，也能在机器人运行过程当中把现有的未完成的任务重新分配给空闲机器人，把任务更均衡，完成任务时间更少。
权利要求书2页 说明书5页 附图3页CN 110046818 A 2019.07.23C N 110046818A1.一种多机器人任务分配方法，分为静态任务分配和动态任务分配，其特征在于，包括步骤：S0：机器人连接服务器，服务器启动任务分配；S1：服务器定时扫描是否存在任务需等待分配；当服务器上存在任务分配时，则选择静态任务分配规则S2，当服务器上不存在任务需要分配，且有机器人处在执行任务状态时，选择动态任务分配规则S3,当服务器不存在任务需要分配且不存在机器人处于执行任务状态，结束任务分配。
2.根据权利要求1所述的多机器人任务分配方法，其特征在于，静态任务分配规则S2包括如下步骤：(1)获取服务器中任务列表中的任务；(2)判断是否存在任意空闲机器人；如果存在，则获取一个空闲机器人，进入步骤(4)；如果不存在，则进入步骤(3)；(3)获取一个正在执行任务的机器人；(4)获取待分配机器人的多个因素数据；(5)判断各个因素数据是否符合预设要求；(6)基于判断结果，执行服务器任务分配。
基于聚类算法的多无人机系统任务分配
基于聚类算法的多无人机系统任务分配
龙国庆;祝小平;董世友
【期刊名称】《火力与指挥控制》
【年(卷),期】2011(036)012
【摘要】针对现有任务分配方法在任务点较多时不易解算,且计算量大的问题,提出了基于模糊C-均值聚类算法的多无人机系统任务分配方法.首先,利用模糊C-均值聚类算法得到的隶属度矩阵对任务点进行初始分配；其次,针对基于空间划分聚类可能造成各UAV任务不均衡的问题,设计任务的局部优化调整规则；最后,结合单旅行商问题,利用Tabu Search算法为各UAV设计最优任务航线.仿真结果表明,该方法能有效解决多无人机系统的任务分配问题,算法具有较好的时效性.
【总页数】6页(P54-59)
【作者】龙国庆;祝小平;董世友
【作者单位】西北工业大学航天学院,西安710072;西北工业大学第365研究所,西安710072;西北工业大学航天学院,西安710072
【正文语种】中文
【中图分类】V279
【相关文献】
1.基于MAS的多无人机系统集散式控制体系结构研究 [J], 赵昀;李胜;陈庆伟;胡维礼
2.基于多无人机系统的编队包含控制 [J], 赵学远;周绍磊;王帅磊;闫实
3.基于自适应遗传算法的多无人机协同任务分配 [J], 王树朋;徐旺;刘湘德;邓小龙
4.基于改进PGA-PSO的多无人机协同雷达侦察任务分配 [J], 狄城弘;周陬;顾宇;周兰兰
5.基于本体的多无人机系统语义互操作方法 [J], 吴江;陈宗基
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910268757.1
(22)申请日 2019.04.03
(71)申请人 南京邮电大学
地址 210003 江苏省南京市鼓楼区新模范
马路66号
(72)发明人 孙俭 沈佳慧 郭光浩 张迎周
(74)专利代理机构 南京苏科专利代理有限责任
公司 32102
代理人 陈望坡 姚姣阳
(51)Int.Cl.
G06Q 10/08(2012.01)
G06Q 10/06(2012.01)
(54)发明名称基于Multi-Paxos的无人车物流任务分配方法(57)摘要本发明公开了基于Multi -Paxos的无人车物流任务分配方法，具体包括以下步骤：步骤一：构建两层次物流物理模型和三阶段任务状态模型，形成同城物流运输的具体场景；步骤二：无人车利用Multi -paxos选举算法对任务进行竞选；步骤三：无人车基于TSP旅行商问题用分支限界算法确定获得的任务包序列。
本发明利用Multi -Paxos选举算法进行任务分配，分支限界法进行任务点序列的确定，在控制去中心化物流运输系统场景上，更加适用于当今例如外卖等的同城物流模式，实现更加高效的动态无人车任务分配，创造更短的平均任务完成时间和更加稳健的调
度系统。
权利要求书5页 说明书11页 附图3页CN 110046851 A 2019.07.23
C N 110046851
A
权 利 要 求 书1/5页CN 110046851 A
1.基于Multi-Paxos的无人车物流任务分配方法，其特征在于：具体包括以下步骤：
步骤一：构建两层次物流物理模型和三阶段任务状态模型，形成同城物流运输的具体场景；
步骤二：无人车利用Multi-paxos选举算法对任务进行竞选；
步骤三：无人车基于TSP旅行商问题用分支限界算法确定获得的任务包序列。
2.根据权利要求1所述的基于Multi-Paxos的无人车物流任务分配方法，其特征在于：在步骤一中，物流物理模型构建及信息初始化的具体步骤如下：
基于地理区域依据实际需要划分多个单元，每个单元内设置一个集中站和多台无人小车；集中站主要负责小车的能量供给和维护，跨单元任务的中转和暂存，所属单元的信息收集、总结和递交；无人小车只负责任务的竞选，任务点序列确定和执行；
步骤(1.1)：集中站信息初始化Concentrator(id,i,n,Nmax)，其中Concentrator.id是集中站地理位置信息，Concentrator.i是未处理的进站跨单元任务数，Concentrator.n是集中站暂放的任务数(包括Concentrator.i)，Concentrator.Nmax为集中站最大负荷存储量；当Concentrator.n接近Concentrator.Nmax时向监视平台发送预警信息；
步骤(1.2)：由每个集中站负责该区域订单的收集以及该单元订单库(即任务库)的生成变动和管理；
任务库MissionBase(num,t,n,list[]).其中MissionBase.num是任务库编号，M i s s i o n B a s e.t是任务库所限时间线，M i s s i o n B a s e.n是任务库中任务数，MissionBase.list[]是任务库中依据任务发布时间(从其他单元运转来的跨单元任务包同样遵守该规则)排序的任务序列；任务库根据时间段进行更替，当MissionBase.n＝0时，MissionBase.t以时间间隔MissionBase.TInterval进行后移，直至MissionBase.t大于等于当前时；只有在MissionBase.t之前发布的任务才能进入任务库被分配，也即只有前一个时间段的任务全部被分配执行，后一个时间段的任务才能进入被分配就绪状态；在进站任务流较大时段，MissionBase.t可能早于当前时间；在进站任务流较小时段，MissionBase.t 可能迟于当前时间，则进库任务会实时更新；
步骤(1.3)：无人小车任务初始化AGV(num,type,id,f,situation,n).其中AGV.num是小车编号，AGV.type是小车种类，AGV.id是小车地理位置信息，AGV.f是小车剩余燃料量，AGV.situation是小车当前状态,AGV.n是小车执行的任务包数；当AGV.type＝1时，无人车为一般型，正常参与任务分配；当AGV.type＝2和AGV.type＝3时，无人车分别为急速型和超大负荷型，分别只运输标有加急件和重大件标识的任务包，由于该两种任务包相对于一般任务包的比例极小，且其分别的时效性和体积质量较大的特点，两种车型均采用一次一任务包的规则；当小车没有竞争任务包处于空闲状态时，AGV.situation＝0；当小车在执行任务包时，AGV.situation＝1；当小车正在竞争任务包时，AGV.situation＝2；当小车处于维护无法工作状态时，AGV.situation＝3。
小车只有在所竞选得的任务消耗总和逼近AGV.f或者已竞选完任务库中的任务包的情况下，才会去执行任务；
步骤(1.4)：不同单元间跨单元任务则采用一辆或多辆大型无人车轮询各单元集中站的方式进行运输。
3.根据权利要求1所述的基于Multi-Paxos的无人车物流任务分配方法，其特征在于：在步骤一中，三阶段任务状态模型构建以及任务信息初始化的具体步骤如下：
2。