[发明专利]一种基于动态蚁群劳动分工模型的多AUV任务分配方法

权利要求书

1.一种基于动态蚁群劳动分工模型的多AUV任务分配方法，其特征在于，包括以下步骤：

步骤1：建立异构多AUV动态任务分配问题数学模型；

步骤1-1：异构多AUV系统动态任务分配问题定义为在一定区域内，有N个异构AUV执行M个不同特性的任务，且在执行过程中，任务的数量和状态会发生变化，为保证任务执行的效率，需要异构多AUV系统实时进行动态任务分配；

步骤1-2：N个不同参数的AUV组成AUV群体，表示为AUV＝{AUV₁,AUV₂,…,AUV_N}；

将AUV的参数用集合进行描述，即：

{AUV_State AUV_Position AUV_Resource AUV_Speed AUV_Ability AUV_Scope}

其中，AUV_State代表AUV的状态，指空闲或执行任务；AUV_Position代表AUV所处的位置；AUV_Resource代表AUV携带的资源总量，简化表示为RC；AUV_Speed代表AUV的航行速度；AUV_Ability代表AUV执行任务的能力；AUV_Scope代表AUV执行任务的范围；

步骤1-3：被AUV执行的不同任务集合表示为TASK＝{TASK₁,TASK₂,…,TASK_M}，M表示任务的个数；将各任务使用集合进行描述，即：

{TASK_State TASK_Position TASK_Resource TASK_Value}

其中，TASK_State代表任务的状态，指任务是否被完成；TASK_Position代表任务所处的位置；TASK_Resource代表任务的需求资源数量，简化表示为RT；TASK_Value代表任务的价值；

步骤1-4：将异构多AUV系统动态任务分配问题表示为集合{TASK,AUV,U_total}，即输入一组任务给多AUV系统，通过动态任务分配使得系统整体效能最大；其中U_total表示系统的效能函数，即目标函数；

步骤1-5：建立异构多AUV系统动态任务分配问题的约束条件：

其中，决策变量x_(i,j)表示AUV_i是否执行任务TASK_j，x_(i,j)＝1表示AUV_i执行TASK_j，x_(i,j)≠1表示不执行；j表示任务序号，i表示AUV序号；C表示一个AUV执行同一任务的次数，c表示一个AUV执行同一任务的次数序号；

式(1)中第1个条件表示同一时刻，一个任务能被多个AUV执行；

式(1)中第2个条件表示同一时刻，任意一个AUV只能执行一个任务；

式(1)中第3个条件表示同一AUV对于同一任务只能执行一次；

式(1)中第4个条件表示单个AUV或多AUV自行组成的联盟执行任务时，其携带的资源总量RC_k必须满足任务所需的资源数量TASK_Recource(t)才能完成该任务，其中λ(λ≥1)表示联盟中AUV的个数；

步骤2：采用动态蚁群劳动分工模型，将AUV对应为蚂蚁；根据动态蚁群劳动分工模型的刺激—响应原理，将动态蚁群劳动分工的环境刺激模型、响应阈值模型及转移概率模型在异构多AUV系统动态任务分配问题上进行一一映射：

步骤2-1：环境刺激模型映射；

用s_j(t)表示t时刻任务TASK_j所对应的环境刺激值；初始时刻任务TASK_j的环境刺激值s_j(0)大小仅取决于执行的任务价值，即：

其中，TASK_Value(j)表示第j个任务的价值；

各个AUV结合任务的环境刺激值与自身对任务的响应阈值决定是否执行该项任务，如果该项任务没有被执行，则该项任务的环境刺激值随时间变化而变化，其变化规则为：

s_j(t+1)＝(1-η)*(s_j(t)+δ_j) (3)

其中，s_j(t+1)表示t+1时刻任务TASK_j所对应的环境刺激值，δ_j表示任务TASK_j单位时间内环境刺激值的增量；η表示任务的完成度；

用表示AUV从当前所执行任务转去执行任务TASK_j的相对环境刺激值：

当AUV_i处于空闲状态时，则假定环境中存在一个虚任务TASK₀与之对应且不对其状态进行更新，该任务TASK₀的环境刺激值s₀满足以下公式：

s₀＝min(s₁,s₂,…,s_M) (5)其中，s₁,s₂,…,s_M分别表示第1个到第M个任务的环境刺激值；

步骤2-2：响应阈值模型映射；

用ξ_ij(t)表示t时刻AUV_i执行TASK_j的响应阈值，其计算公式为：

其中，及分别表示t+1时刻AUV_i到任务TASK_j的下一预测步的的距离及到达所需时间；w₁与w₂为考虑距离和时间的权重；n表示剩余资源数量不为零的AUV个数，m表示任务所需资源不为零的任务个数；

φ_i表示学习因子，反映AUV_i的学习能力，φ_i1，φ_i的更新公式为：

其中，N_k(t-T)表明AUV_i在时刻t之前执行相同类型任务k的次数；Stu∈(0,1)是初始学习因子；

为t时刻AUV_i的资源消耗因子，表示AUV_i的响应阈值随着资源消耗增大而增大，从而达到不执行任务的目的；的计算如下：

其中，RC_i(0)和RC_i(t)分别表示AUV_i最初携带的资源及t时刻自身所拥有的资源；

ψ_i(t)表示t时刻AUV_i的剩余资源占有率，计算如下：

用表示AUV_i从当前所执行任务转去执行TASK_j的相对响应阈值：

AUV_i对虚任务TASK₀的响应阈值ξ_i0(t)满足以下公式：

ξ_i0(t)＝max(ξ_i1,ξ_i2,…,ξ_iM) (11)

其中，ξ_i1,ξ_i2,…,ξ_iM分别表示AUV_i对第1个到第M个任务的响应阈值；

步骤2-3：转移概率模型映射；

用p_ij表示下一时刻AUV_i转去执行TASK_j的转移概率p_ij：

步骤3：采用循环竞争方案，解决任务冲突问题，为每个AUV分配任务；

步骤3-1：如果存在AUV_i未被分配任务，则循环执行步骤3-2至步骤3-14，直至所有AUV均被分配任务；

当所有AUV均被分配任务时，分配过程结束，结束循环竞争方案；

步骤3-2：所有AUV_i依据p_ij最大原则选择任务；

步骤3-3：当存在任务被多个AUV选择，则执行步骤3-4至步骤3-13；

当每个任务都被N个AUV中的一个选择时，则结束循环；

步骤3-4：如果任务TASK_j在上次循环中已被分配AUV执行，则执行步骤3-5；否则跳至步骤3-6；

步骤3-5：提取已被分配任务TASK_j的AUV，参与此次循环对任务TASK_j的竞争；

步骤3-6：如果任务TASK_j的需求资源数量RT_jmin(RC_i)，则执行步骤3-7，否则跳至步骤3-8；

步骤3-7：分配ξ_ij最小的AUV执行任务TASK_j；

步骤3-8：如果min(RC_i)RT_jmax(RC_i)，则执行步骤3-9，否则跳至步骤3-10；

步骤3-9：在满足RC_iRT_j的AUV中分配ξ_ij最小的AUV执行任务TASK_j；

步骤3-10：如果max(RC_i)RT_jsum(RC_i)，则执行步骤3-11，否则跳至步骤3-12；

步骤3-11：将参与竞争的AUV按其对TASK_j的响应阈值ξ_ij从小到大排列并依次选择AUV_i执行任务TASK_j直到∑_iRC_i≥RT_j；

步骤3-12：将所有AUV分配去执行任务TASK_j；

步骤3-13：将竞争中淘汰的AUV对应的p_ij设置为0，表示下一次循环时不再考虑选择执行任务TASK_j；

步骤3-14：如果存在AUV_i满足p_ij＝0(j＝1,2,…,M)，则为任务AUV_i分配虚任务。