[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

说明书

本发明公开了一种基于动态蚁群劳动分工模型的多AUV任务分配方法，首先建立异构多AUV动态任务分配问题数学模型，然后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；最后采用循环竞争方案，解决任务冲突问题，为每个AUV分配任务。本发明方法能高效地完成任务分配过程，与传统的群智能任务分配方法相比，具有很好的自组织性、鲁棒性及快速性且能得出无冲突的任务分配方案。

技术领域

本发明属于水下航行器技术领域，具体涉及一种多AUV任务分配方法。

背景技术

AUV任务分配通过构建科学健壮的数学模型，设计优化算法完成任务配置，使个体的资源得到充分利用，高效地完成任务，体现了多AUV系统的高层组织形式与运行机制。因此，针对异构多AUV系统和海洋环境的特殊性，为提升多AUV系统的智能化水平，开展多AUV系统协同任务分配方法的研究具有重要的意义。

传统的任务分配方法如数学规划法、遗传算法(GA)、蚁群算法(ACO)、粒子群算法(PSO)通过不断的扩展和改进已经成功应用于多旅行商问题、车间调度问题、多处理器资源分配问题、车辆路径问题等。如曾文权通过设置PSO算法中速度惯性权重和加速度系数的自动调整，以及引入GA中的变异操作，实现了对PSO算法的改进，运用改进的PSO算法解决虚拟企业中的任务分配问题。秦新立针对传统ACO求解多机器人任务分配收敛速度慢且易陷入局部最优问题,引入局部优化变异算子和改进模拟退火算法来解决多机器人任务分配问题。这类集中式算法虽然易于理解，理论上可以获得任务分配的最优方案，但巨大的计算复杂性对于中心节点来说是一个巨大的挑战，不适合大规模的任务分配系统。另外，战场具有高度的不确定性和动态性，在没有充分利用智能体自适应和协同特性的情况下，很难处理任务重新分配，集中式方法获得的结果具有非常普通的实时性能。

为了充分利用智能体的协同特性，许多分布式算法如面向协商的熟人网和合同网分配方式，对策论联盟形成策略，依据价格的市场拍卖，面向结构的自组织方法等是动态环境中常采用的任务分配方法。如Cheng Q研究了一种用于多AUV系统的基于拍卖的多约束任务分配算法，提出一种多层成本计算方法，其中根据四种类型的约束将成本的计算分为四层，解决了多个约束问题。Lee考虑到机器人的资源问题，提出了一种面向资源的分布式拍卖算法，在拍卖过程中具有有限通信范围的客户代理和机器人构建一个自组网络树，并以分散的方式相互协商进行任务分配。然而这类分布式算法过度依赖于系统中的信息交换和共享，对时延要求较高。故寻找一种具有良好的自组织性、鲁棒性以及快速性的任务分配方法在水下动态任务分配问题上尤为迫切。

群集智能是指众多行为简单的个体相互作用过程中涌现产生的整体智能行为。蚁群作为一类社会性群体，其劳动分工行为具有明显的自适应的特征。令人惊奇的是，蚂蚁是在并不知晓任何关于群体需求的全局信息的情况下，自动地对群体内的个体进行分工，并达到相对平衡，其结果不但使得每个蚂蚁都在忙碌地工作，而且任务的分工又恰好符合群体对各项任务的要求。这体现了蚁群劳动分工的一个显著特点就是由个体行为柔性产生群体分工的可塑性，即执行各项任务的蚂蚁的比率在内部繁衍生息的压力和外部侵略挑战的作用下是可以变化的。这种自下而上的机制强调个体对环境的动态响应，并通过个体的本地意识和响应交互来产生全局自组织行为。蚁群劳动分工在解决任务分配过程中有很好的柔性。在没有集中控制且不提供全局模型的前提下，蚁群劳动分工模型为寻找复杂的分布式问题的解决方案提供了基础。

发明内容