CN111736461B - 基于q学习的无人机任务协同分配方法 - Google Patents
基于q学习的无人机任务协同分配方法 Download PDFInfo
- Publication number
- CN111736461B CN111736461B CN202010612864.4A CN202010612864A CN111736461B CN 111736461 B CN111736461 B CN 111736461B CN 202010612864 A CN202010612864 A CN 202010612864A CN 111736461 B CN111736461 B CN 111736461B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- task
- aerial vehicle
- execution
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出了一种基于Q学习的无人机任务协同分配方法,实现步骤为:初始化参数;根据无人机及任务的位置信息获取每个无人机的邻居无人机集合;确定敏感无人机和间接无人机;然后每个敏感无人机执行任务并向其邻居无人机发送通信包;根据通信包获取每个间接无人机的Q表;再初始化Q学习参数;间接无人机进行Q学习,最后获取无人机任务协同分配结果。本发明在无人机的Q学习过程中充分考虑了全局信息和局部信息,实现了对无人机自身Q表的优化,在保证所有任务均得到其所需执行量基础上有效提高了任务分配的收敛速度。
Description
技术领域
本发明属于无人机任务分配技术领域,涉及一种无人机任务协同分配方法,具体涉及一种基于Q学习的无人机任务协同分配方法,可用于无人机探测任务分配。
背景技术
由于无人机成本低、安全度高的特点,无人机任务协同分配在民用中广泛应用于环境检测和地理测绘等场景。无人机任务协同分配问题可以描述为场景中多个无人机去执行多个任务,每个任务需要无人机提供相应执行量且该执行量随无人机至任务的距离而衰减,目的是寻找一种有效合理的分配方案将任务分配给不同的无人机,使所有任务均得到其所需执行量。无人机任务协同分配的难点是随无人机数量的增长,问题规模成指数型增长,寻找最优结果困难。无人机任务协同分配主要基于启发式算法进行求解,典型算法为遗传算法、蚁群算法、粒子群算法等。
相对于其他启发式算法,粒子群算法具有更好的全局收敛性,例如申请公布号为CN108876086A,名称为“一种基于粒子群算法的无人机任务分配方法”的专利申请,利用粒子群算法解决无人机任务分配问题。该方法首先设置微粒种群规模、惯性权值、最大允许迭代次数,然后针对每个微粒生成随机的初始无人机和任务的配对,并计算出目标评价函数,接着找出个体及群体的最优值,更新各个粒子,再根据粒子群优化算法,更新遍历全部粒子,保留最优微粒。该方法采用整形线性规划方法构造最优函数,并利用粒子群算法寻找最优解,具有全局收敛能力,所有任务均能得到其所需执行量。该方法的缺点在于,过分寻求全局最优结果,容易陷入局部最优收敛,导致任务分配的收敛速度较慢。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种基于Q学习的无人机任务协同分配方法,旨在保证所有任务均得到其所需执行量基础上提高任务分配的收敛速度。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)初始化参数:
初始化大小为X·Y·Z的空间场景中待执行任务集合为T={t1,t2,...,ti,...,tm},能执行T中任务的无人机集合为At={at1,at2,...,atj,...,atn},任务所需执行量集合E={e1,e2,...,ei,...,em},其中,ti表示第i个任务,m表示任务总数,m>0,atj表示第j个无人机,n表示无人机总数,n>0,ei表示任务ti需要的总执行量;
(2)获取每个无人机atj的邻居无人机集合:
通过空间场景中每个无人机atj的位置坐标,计算atj与其他n-1个无人机atw的距离dsjw,并将atw中dsjw小于预设的通信距离阈值max_pass的无人机作为atj的邻居,得到atj的邻居无人机子集合则At的邻居无人机集合为NEI={Ne1,...,Nej,...,Nen},其中,w∈n,w≠j,max_pass>0,表示atj的第h个邻居,j_num为atj的邻居数量;
(3)确定敏感无人机和间接无人机:
(3a)通过空间场景中每个无人机atj与每个任务ti的位置坐标,计算atj与ti间的距离bsji,得到距离集合BIS={Bs1,...,Bsj,...,Bsn},其中,Bsj表示atj与m个任务的距离子集合,Bsj={bsj1,...,bsji,...,bsjm},bisji>0;
(3b)将At中Bsj小于预设的距离阈值L的n**个无人机作为敏感无人机其余n-n**个无人机作为间接无人机则每个敏感无人机atby与m个任务的距离子集合为Bsby,每个间接无人机atcx与m个任务的距离子集合为Bscx,其中,L>0,atby表示第y个敏感无人机,n**表示敏感无人机的数量,atcx表示第x个间接无人机,n*表示间接无人机的数量,n*=n-n**;
(4)每个敏感无人机atby向其邻居无人机发送通信包:
(5)获取每个间接无人机atcx的Q表:
(6)初始化Q学习参数:
初始化迭代次数k,最大迭代次数K,K≥100,学习率αk,折扣率γk,探索判别值εk,1>αk>0,1>γk>0,1>εk>0,并令k=1;
(7)获取无人机任务协同分配结果:
(7a)每个间接无人机atcx选择最新发送时间timebst对应的通信包packbst,得到与pabst对应的任务标号ρ,并更新为再通过计算atcx对每个任务ts的转移概率得到atcx对应m个任务的概率子集合则C的转移概率集合为其中:
1>δ>0,1>β>0,M>0;
(7f)通过对应的将ene更新为将更新为通过对应的将er更新为并判断是否成立,若是,atcx不与Neicx中的无人机通信,否则,将作为通信包任务pacx,将当前时间作为通信包发送时间timecx,并将pacx和timecx构成atcx的通信包packcx发送至Necx中的邻居无人机;
(7h)判断k=K是否成立,若是,将与相同的atω组合成执行每个任务ti的无人机集合则执行T的无人机集合TC={TN1,...,TNi,...,TNm},否则,令k=k+1,计算学习率αk、折扣率γk和探索判别值εk,并执行步骤(7a),其中,表示第ζ个执行ti的无人机,Lai表示执行ti的无人机数量,αk和γk的计算公式分别为:
本发明与现有技术相比,具有如下优点:
本发明在获取无人机任务协同分配结果时,通过计算无人机对每个任务的转移概率获取无人机对每个任务转移值,并将转移值最优任务作为执行的任务,然后获取执行任务后的回报值,再将所得回报值用于无人机的Q学习,以实现对无人机自身Q表的优化,充分考虑了全局信息和局部信息,避免了陷入局部最优的情况,与现有技术相比,在保证全局优化能力的基础上,有效提高了任务协同分配的收敛速度。
附图说明
图1本发明实现流程图。
图2本发明与现有技术收敛时间的仿真对比图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本发明包括如下步骤:
步骤1)初始化参数:
初始化大小为X·Y·Z的空间场景中待执行任务集合为T={t1,t2,...,ti,...,tm},能执行T中任务的无人机集合为At={at1,at2,...,atj,...,atn},每个任务需要无人机提供相应执行量,任务所需执行量集合E={e1,e2,...,ei,...,em},其中,ti表示第i个任务,m表示任务总数,m>0,atj表示第j个无人机,n表示无人机总数,n>0,ei表示任务ti需要的总执行量,本实施例中,X=800米,Y=800米,Z=800米,m=10,n=1000;
步骤2)获取每个无人机atj的邻居无人机集合:
通过空间场景中每个无人机atj的位置坐标,计算atj与其他n-1个无人机atw的距离dsjw,并将atw中dsjw小于预设的通信距离阈值max_pass的无人机作为atj的邻居,得到atj的邻居无人机子集合则At的邻居无人机集合为NEI={Ne1,...,Nej,...,Nen},其中:
步骤3)确定敏感无人机和间接无人机:
(3a)通过空间场景中每个无人机atj与每个任务ti的位置坐标,计算atj与ti间的距离bsji,得到距离集合BIS={Bs1,...,Bsj,...,Bsn},其中:
(3b)将At中Bsj小于预设的距离阈值L的n**个无人机作为敏感无人机其余n-n**个无人机作为间接无人机则每个敏感无人机atby与m个任务的距离子集合为Bsby,每个间接无人机atcx与m个任务的距离子集合为Bscx,其中,L>0,atby表示第y个敏感无人机,n**表示敏感无人机的数量,atcx表示第x个间接无人机,n*表示间接无人机的数量,n*=n-n**,atby的邻居无人机集合为Neby,atcx的邻居智能体集合为Necx,本实施例中,L=80米;
步骤4)每个敏感无人机atby向其邻居无人机发送通信包:
步骤5)获取每个间接无人机atcx的表,atcx接收其邻居无人机集合中的敏感无人机发送的通信包,并将通信包中所含信息用于初始化atcx的表,从而实现atcx与其Necx集合中敏感无人机的局部协同,避免方法陷入局部最优,提高收敛速度:
其中:
步骤6)初始化Q学习参数:
初始化迭代次数k,最大迭代次数K,K≥100,学习率αk,折扣率γk,探索判别值εk,1>αk>0,1>γk>0,1>εk>0,并令k=1,本实施例中,K=1000,αk=0.999,γk=0.1,εk=1;
步骤7)获取无人机任务协同分配结果:
(7a)每个间接无人机atcx选择最新发送时间timebst对应的通信包packbst,得到与pabst对应的任务标号ρ,并更新为再通过计算atcx对每个任务ts的转移概率得到atcx对应m个任务的概率子集合则C的转移概率集合为atcx接收其邻居无人机发送的通信包,并将通信包中所含信息用于更新atcx对各任务的累计执行量,实现atcx与其Necx中无人机的局部协同,同时将atcx对各任务的累计执行量及距离代价作为全局信息,用于计算atcx对每个任务的转移概率,使转移概率在atcx选取新任务时产生诱导或抑制效果,从而保证方法全局优化能力并避免方法陷入局部最优,提高收敛速度,其中:
1>δ>0,1>β>0,M>0,本实施例中,δ=0.5,β=0.5,M=1;
(7c)根据atcx对每个任务ts的转移概率随机选取T中一个任务作为atcx的待执行的任务用转移概率集合指导atcx随机选择任务,使atcx利用全局信息进行探索,从而保证方法全局优化能力,提高收敛速度,其中表示T中第ne个任务;
(7d)根据atcx对每个任务ts的转移概率计算atcx对每个任务ts的转移值得到atcx对应m个任务的转移值子集合则C的转移值集合为并将中最大转移值对应的任务作为atcx待执行的任务atcx利用转移概率及自身表计算对任务ts转移值使转移值综合评价中的全局信息和中的局部信息,并根据转移值选择最优任务执行,从而保证方法全局优化能力并避免陷入局部最优,提高收敛速度,其中:
其中,表示执行ti的所有无人机的集合, 表示At中第z个执行ti的无人机,vgi表示执行ti的无人机数量,表示立即回报值,表示延时回报值,Max>0,立即回报值取决于无人机选择新任务后新旧任务执行量的改变,反映atcx选择新任务的局部收益,延时回报值取决于全部任务的执行情况,反映atcx选择新任务的全局收益,两者共同构成回报值,从而使回报值包含全局信息和局部信息,本实施例中,Max=1;
(7f)通过对应的将ene更新为将更新为通过对应的将er更新为实现atcx执行任务并判断是否成立,若是,atcx不与Neicx中的无人机通信,否则,将作为通信包任务pacx,将当前时间作为通信包发送时间timecx,并将pacx和timecx构成atcx的通信包packcx发送至Necx中的邻居无人机;
(7g)每个间接无人机atcx利用Q学习公式,通过和计算执行任务后表,并通过将更新为atcx通过自身表及所获取的回报值计算回报值中的延时回报值使拥有全局信息,同时结合本身和即时回报值的局部信息,实现对表优化,从而保证方法的全局优化能力,并避免陷入局部最优,提高收敛速度,其中:
(7h)判断k=K是否成立,若是,将与相同的atω组合成执行每个任务ti的无人机集合则执行T的无人机集合TC={TN1,...,TNi,...,TNm},否则,令k=k+1,计算学习率αk、折扣率γk和探索判别值εk,并执行步骤(7a),令学习率随k值增大而减小,并令折扣率随任务所需执行量的减小而增大,使每个间接无人机atcx计算表时更多地考虑自身表中的局部信息,从而增强方法在k值变大后的局部优化能力,提高收敛速度,其中,表示第ζ个执行ti的无人机,Lai表示执行ti的无人机数量,αk、γk和εk的计算公式分别为:
εk=εk-1·V
下面结合仿真实验,对本发明的技术效果作进一步的说明。
1.仿真条件和内容:
实验运行的环境:操作***为Microsoft windows 10,编程仿真语言为matlab。实验使用了五个不同的场景,每个场景除任务和无人机分布位置不同外其余均相同,收敛时间为50次独立试验后求均值结果。
对本发明与现有的一种基于粒子群算法的无人机任务分配方法的收敛时间进行对比仿真,其结果如图2所示。
2.仿真结果分析:
参照图2,图2对比了本发明与现有技术的平均收敛时间,横坐标为五个不同场景,纵坐标为无人机任务协同分配达到收敛的平均时间,在五个不同场景下,本发明的平均收敛时间分别为220.4382s、145.5698s、248.282s、125.9832s、175.6162s,现有技术的平均收敛时间为491.28s、580.15s、413.48s、526s、535.53s。本发明使用Q学习方法,综合考虑局部和全局信息,在保证全局优化的基础上避免陷入局部最优,起到加速作用。本发明在收敛速度上具有绝对优势,相对于现有技术提速一倍以上。实验结果表明,本发明可以有效提升无人机任务分配的收敛速度。
Claims (6)
1.一种基于Q学习的无人机任务协同分配方法,其特征在于,包括如下步骤:
(1)初始化参数:
初始化大小为X·Y·Z的空间场景中待执行任务集合为T={t1,t2,...,ti,...,tm},能执行T中任务的无人机集合为At={at1,at2,...,atj,...,atn},任务所需执行量集合E={e1,e2,...,ei,...,em},其中,ti表示第i个任务,m表示任务总数,m>0,atj表示第j个无人机,n表示无人机总数,n>0,ei表示任务ti需要的总执行量;
(2)获取每个无人机atj的邻居无人机集合:
通过空间场景中每个无人机atj的位置坐标,计算atj与其他n-1个无人机atw的距离dsjw,并将atw中dsjw小于预设的通信距离阈值max_pass的无人机作为atj的邻居,得到atj的邻居无人机子集合则At的邻居无人机集合为NEI={Ne1,...,Nej,...,Nen},其中,w∈n,w≠j,max_pass>0,表示atj的第h个邻居,j_num为atj的邻居数量;
(3)确定敏感无人机和间接无人机:
(3a)通过空间场景中每个无人机atj与每个任务ti的位置坐标,计算atj与ti间的距离bsji,得到距离集合BIS={Bs1,...,Bsj,...,Bsn},其中,Bsj表示atj与m个任务的距离子集合,Bsj={bsj1,...,bsji,...,bsjm},bisji>0;
(3b)将At中Bsj小于预设的距离阈值L的n**个无人机作为敏感无人机其余n-n**个无人机作为间接无人机则每个敏感无人机atby与m个任务的距离子集合为Bsby,每个间接无人机atcx与m个任务的距离子集合为Bscx,其中,L>0,atby表示第y个敏感无人机,n**表示敏感无人机的数量,atcx表示第x个间接无人机,n*表示间接无人机的数量,n*=n-n**;
(4)每个敏感无人机atby向其邻居无人机发送通信包:
(5)获取每个间接无人机atcx的Q表:
(6)初始化Q学习参数:
初始化迭代次数k,最大迭代次数K,K≥100,学习率αk,折扣率γk,探索判别值εk,1>αk>0,1>γk>0,1>εk>0,并令k=1;
(7)获取无人机任务协同分配结果:
(7a)每个间接无人机atcx选择最新发送时间timebst对应的通信包packbst,得到与pabst对应的任务标号ρ,并更新为再通过计算atcx对每个任务ts的转移概率得到atcx对应m个任务的概率子集合则C的转移概率集合为其中:
1>δ>0,1>β>0,M>0;
(7f)通过对应的将ene更新为将更新为通过对应的将er更新为并判断是否成立,若是,atcx不与Neicx中的无人机通信,否则,将作为通信包任务pacx,将当前时间作为通信包发送时间timecx,并将pacx和timecx构成atcx的通信包packcx发送至Necx中的邻居无人机;
(7h)判断k=K是否成立,若是,将与相同的atω组合成执行每个任务ti的无人机集合则执行T的无人机集合TC={TN1,...,TNi,...,TNm},否则,令k=k+1,计算学习率αk、折扣率γk和探索判别值εk,并执行步骤(7a),其中,表示第ζ个执行ti的无人机,Lai表示执行ti的无人机数量,αk和γk的计算公式分别为:
6.根据权利要求1所述的基于Q学习的无人机任务协同分配方法,其特征在于,步骤(7h)中所述探索判别值εk的计算公式为:
εk=εk-1·V
其中,1>V>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612864.4A CN111736461B (zh) | 2020-06-30 | 2020-06-30 | 基于q学习的无人机任务协同分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612864.4A CN111736461B (zh) | 2020-06-30 | 2020-06-30 | 基于q学习的无人机任务协同分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736461A CN111736461A (zh) | 2020-10-02 |
CN111736461B true CN111736461B (zh) | 2021-05-04 |
Family
ID=72653743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612864.4A Active CN111736461B (zh) | 2020-06-30 | 2020-06-30 | 基于q学习的无人机任务协同分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736461B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027673B (zh) * | 2023-03-29 | 2023-06-06 | 中国电子科技集团公司第二十九研究所 | 一种基于模糊神经网络的装备控制自主决策方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN104684040A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于模糊推理的q学习车载网建立路由路径的方法 |
CN105069530A (zh) * | 2015-08-13 | 2015-11-18 | 肇庆学院 | 一种基于多目标优化的多机器人任务分配方法 |
CN108040353A (zh) * | 2017-12-18 | 2018-05-15 | 北京工业大学 | 一种q学习的无人机集群智能地理路由方法 |
CN109474960A (zh) * | 2018-11-14 | 2019-03-15 | 南京邮电大学 | 一种基于q学习的双连接流量分配方法 |
CN109655066A (zh) * | 2019-01-25 | 2019-04-19 | 南京邮电大学 | 一种基于Q(λ)算法的无人机路径规划方法 |
CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算***中联合卸载判决和资源分配的方法 |
CN110488859A (zh) * | 2019-07-15 | 2019-11-22 | 北京航空航天大学 | 一种基于改进Q-learning算法的无人机航路规划方法 |
CN110662238A (zh) * | 2019-10-24 | 2020-01-07 | 南京大学 | 一种针对边缘网络下突发请求的强化学习调度方法及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108701251B (zh) * | 2016-02-09 | 2022-08-12 | 谷歌有限责任公司 | 使用优势估计强化学习 |
US11593659B2 (en) * | 2018-03-30 | 2023-02-28 | Visa International Service Association | Method, system, and computer program product for implementing reinforcement learning |
-
2020
- 2020-06-30 CN CN202010612864.4A patent/CN111736461B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN104684040A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于模糊推理的q学习车载网建立路由路径的方法 |
CN105069530A (zh) * | 2015-08-13 | 2015-11-18 | 肇庆学院 | 一种基于多目标优化的多机器人任务分配方法 |
CN108040353A (zh) * | 2017-12-18 | 2018-05-15 | 北京工业大学 | 一种q学习的无人机集群智能地理路由方法 |
CN109474960A (zh) * | 2018-11-14 | 2019-03-15 | 南京邮电大学 | 一种基于q学习的双连接流量分配方法 |
CN109655066A (zh) * | 2019-01-25 | 2019-04-19 | 南京邮电大学 | 一种基于Q(λ)算法的无人机路径规划方法 |
CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算***中联合卸载判决和资源分配的方法 |
CN110488859A (zh) * | 2019-07-15 | 2019-11-22 | 北京航空航天大学 | 一种基于改进Q-learning算法的无人机航路规划方法 |
CN110662238A (zh) * | 2019-10-24 | 2020-01-07 | 南京大学 | 一种针对边缘网络下突发请求的强化学习调度方法及设备 |
Non-Patent Citations (4)
Title |
---|
A task scheduling algorithm based on Q-learning and shared value function for WSNs;ZhenchunWei,等;《Computer Networks》;20171024;第126卷;第141-149页 * |
Q-learning based Routing Scheduling For a Multi-Task Autonomous Agent;Omar Bouhamed等;《2019 IEEE 62nd International Midwest Symposium on Circuits and Systems (MWSCAS)》;20190807;第634-637页 * |
基于状态回溯代价分析的启发式Q学习;方敏,等;《模式识别与人工智能》;20130915;第26卷(第09期);第838-844页 * |
多无人机***的协同目标分配和航迹规划方法研究;赵明;《中国博士学位论文全文数据库 工程科技II辑》;20170215(第02(2017)期);第C031-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111736461A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134146B (zh) | 一种不确定环境下的分布式多无人机任务分配方法 | |
CN112925350B (zh) | 一种多无人机分布式协同目标搜索方法 | |
Chen et al. | Efficiency and fairness oriented dynamic task offloading in internet of vehicles | |
CN111770454B (zh) | 移动群智感知中位置隐私保护与平台任务分配的博弈方法 | |
CN111736461B (zh) | 基于q学习的无人机任务协同分配方法 | |
CN108415760B (zh) | 一种基于移动机会网络的群智计算在线任务分配方法 | |
CN112926827B (zh) | 一种基于性能影响算法的多无人机任务重分配方法 | |
CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及*** | |
Verma et al. | Censored semi-bandits: A framework for resource allocation with censored feedback | |
CN111313957A (zh) | 基于分类多目标优化的混合卫星通信***资源分配方法 | |
CN113742089A (zh) | 异构资源中神经网络计算任务的分配方法、装置和设备 | |
CN116263681A (zh) | 移动边缘计算任务卸载方法、装置、设备及存储介质 | |
CN111680934B (zh) | 基于群体熵和q学习的无人机任务分配方法 | |
Wu et al. | Consensus based distributive task allocation for multi-AUV in searching and detecting | |
CN116089083A (zh) | 一种多目标数据中心资源调度方法 | |
CN111125848A (zh) | 一种危险品运输网络应急救援资源分配方法 | |
CN103164747B (zh) | 一种战场抢修资源重组优化决策方法 | |
CN115907051A (zh) | 任务分配的方法、装置、设备、存储介质及程序产品 | |
Petrenko et al. | Method and algorithm for task allocation in a heterogeneous group of UAVs in a clustered field of targets | |
CN111813525A (zh) | 一种异构***工作流调度方法 | |
CN110188925A (zh) | 一种时域连续型空间众包任务分配方法 | |
Guerrero et al. | Swarm-like methodologies for executing tasks with deadlines | |
Lin et al. | A new partition-based random search method for deterministic optimization problems | |
CN117933669B (zh) | 一种动态任务分配方法、装置、计算机设备和存储介质 | |
Doe et al. | DSORL: Data Source Optimization With Reinforcement Learning Scheme for Vehicular Named Data Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |