基于改进黑猩猩算法的异构多无人机协同任务分配

针对异构多无人机对地面多类型固定目标的任务分配问题,提出一种基于协同多任务分配模型和改进黑猩猩算法的任务分配方法。通过对四元组内元素的设定完成模型构建,建立总收益最高、威胁代价最低、总航程最短的多目标评价函数。使用改进黑猩猩算法完成模型求解,引入混沌反向学习策略提升初始种群分布的多样性,在迭代阶段使用抢食行为动态调整策略,提升了跳出局部最优解的能力。实验表明:相比原算法,改进黑猩猩算法所得任务分配方案在保持较高任务收益和较低威胁代价的同时,在两种规模场景下的平均总航程分别降低了22.6%和21.1%。

基于协同进化的混合变量多目标粒子群优化算法求解无人机协同多任务分配问题

无人机多机协同控制系统近年来已被广泛地应用在军事打击、海洋监测、陆地航拍和灾情探测等领域.针对无人机协同多任务分配问题,为了更加准确地描述无人机协同多任务分配场景,本文考虑实际应用场景下的多种复杂约束,并以无人机飞行总航程最少和任务完成时间最短为优化目标,构建了混合变量多约束的无人机协同多任务分配问题模型M-CMTAP.为了高效求解上述模型,本文提出一种基于协同进化的混合变量多目标粒子群优化算法C-MOPSO.C-MOPSO采用基于任务分配和路径规划的编码方法表示无人机的任务分配结果和路径规划结果及基于约束处理的可行解初始化方法生成可行粒子;同时利用基于结构学习的重组策略对粒子进行更新以提高种群的多样性和收敛性;并引入协同进化策略在两个子种群之间进行合作进化以提高算法的搜索效率.根据无人机和目标的分布状态设计4个代表性的测试实例并验证算法性能,实验结果表明,与其他采用协同进化策略的算法相比,所提算法在解的收敛性和解集多样性上均具有显著的性能优势.

基于集合覆盖理论的Agent协作问题研究

多智能Agent系统中的协作体现多Agent系统(MAS)的灵活性、整体性,通过协作提高Agent群体完成任务的效率.将集合覆盖理论(SCP)引入MAS系统协作行为中的任务分配问题求解,使用改进的低logarithmic ratio bound集合覆盖理论求解方法,详细阐述了利用SCP理论求解Agent任务分配问题的算法,并根据一个战场作战Agent任务分配实例进行了计算,有效地解决战场作战Agent的任务分配问题.

允许协助条件下的指派问题研究

就许多指派场合常常要求加强合作,提高工作效率,但经典指派问题并没有讨论任务完成者之间可以相互协助以及如何协助等情况,详细阐述了在允许协助条件下指派问题中的合作效率概念及其计算公式,并对帮助对象的选取提出了几条常用原则和对应算法。最后,基于帮助对象的选取原则和匈牙利算法,对该问题最优化算法进行了具体描述,计算实例表明该算法是有效的。

多Agent系统协作求解的粒子模型方法

讨论了多Agent系统分布协作求解和粒子协作之间的关系,提出了一种多Agent系统协作求解粒子模型方法,将任务资源规划协作求解过程转化为多粒子共同寻优的过程.引入了协作程度变化参数,建立了需求强度计算公式和效益目标函数,并构造了适合求解的粒子群算法.通过算法的寻优计算,得到了任务资源规划协作求解的最优解.仿真实验结果表明,对于复杂的任务资源规划问题,该方法能描述和处理Agent本身自组织现象和社会交互行为的随机性和并发性,并具有良好的收敛性和有效性.

网络环境下教学模式探讨

文章探索网络环境下任务驱动教学模式、问题探究教学模式、协同式教学模式和研究性教学模式及其特点,指出现代信息技术教学模式不是对传统教学模式的否定,在具体教学中,教师可以根据授课内容要综合运用多种教学模式,提高教学质量。

一种改进多目标灰狼优化算法的多无人机任务分配

针对多无人机对空中移动目标协同执行多任务问题,本文提出了一种基于并行机制的多目标灰狼优化算法。结合无人机空中态势模型,以最小化执行代价和最小化时间代价为双目标函数,建立了多无人机协同多任务分配模型;将多个无人机视为并行的灰狼子群,对每个子群分别采用分层编码和多目标优化算法保留其最优个体;通过档案室共享策略获得整个群体的最优解;仿真对比验证了改进多目标灰狼优化算法与传统的智能算法。研究结果表明:与多目标灰狼优化算法和多目标粒子群算法相比,基于并行机制的多目标灰狼优化算法在代价函数均值方面分别降低了约3.8%和4.1%,在收敛值方面分别降低了约15.5%和6.2%,具有更好的稳定性和收敛性。

基于AC-DSDE进化算法多UAVs协同目标分配

多无人机协同目标分配最优问题(Multi-UAV cooperative target allocation optimal problem,MUCTAOP),旨在求解组合分配问题的最小代价值,是最具有挑战性的多约束组合优化问题之一.结合进化算法解决MUCTAOP需要考虑两个关键因素:1)在进化过程中保持覆盖问题空间的“探索性”和“开发性”平衡;2)建立符合实际战场复杂环境的多约束条件.为解决这两个关键因素,本文提出一种新的近似聚类混合双策略差分进化算法(Approximate clustering dualstrategy differential evolution algorithm,AC-DSDE).首先,根据父代种群适应度值将个体分成“探索类个体”与“开发类个体”;然后根据混合双策略变异方案平衡后代多样性与收敛性;最后,结合无人机自身性能约束、协同约束和实际三维复杂环境构建约束函数.实验结果表明,本文所提出的AC-DSDE算法能够快速地找到合理的分配方案.

基于蚁群算法的无人机协同多任务分配

采用蚁群算法对无人机协同多任务分配问题(CMTAP)进行研究。在通用CMTAP模型的基础上,综合考虑包括动态任务时间约束和无人机任务能力的差别多类复杂约束条件,建立扩展的协同多任务分配模型。在多子群蚁群算法的基础上,提出了基于分工机制的蚁群算法对CMTAP进行求解。根据协同多任务分配的特点,设计了基于任务能力评估的问题解构造策略和基于任务代价的状态转移规则,提高了算法的性能。仿真实验结果表明该方法能有效地解决无人机协同多任务分配问题。

多无人机系统协同多任务分配模型与仿真

针对多约束条件下的多无人机系统协同多任务分配问题(CMTAP),提出了利用多约束条件下的多车场车辆路径问题(MDVRPMC)对协同多任务分配问题进行建模,在设计基于Pareto最优的遗传模拟退火算法的基础上,对存在任务点动态时间窗口约束、任务类型约束、无人机任务能力约束等条件下的协同多任务分配问题进行了求解。实例仿真表明,该方法能有效地解决多无人机系统的协同多任务分配问题。