CN114995162A - 多机器人的任务分配方法、装置、电子设备及存储介质 - Google Patents
多机器人的任务分配方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114995162A CN114995162A CN202210917080.1A CN202210917080A CN114995162A CN 114995162 A CN114995162 A CN 114995162A CN 202210917080 A CN202210917080 A CN 202210917080A CN 114995162 A CN114995162 A CN 114995162A
- Authority
- CN
- China
- Prior art keywords
- task
- robot
- robots
- allocation
- tasks
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 61
- 230000003044 adaptive effect Effects 0.000 claims abstract description 50
- 230000005484 gravity Effects 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manipulator (AREA)
Abstract
本发明涉及机器人控制技术领域,具体公开了一种多机器人的任务分配方法、装置、电子设备及存储介质,其中,方法包括以下步骤:根据分配比值设定自适应参数;以自适应参数作为万有引力常量,以任务的优先级或复杂性为任务质量,并仿照万有引力定律获取任务和机器人之间的关系作为引力信息;根据引力信息对机器人进行任务分配以生成任务分配集合;根据任务分配集合更新自适应参数,直至自适应参数的迭代更新次数达到预设的迭代次数;以最后获取的任务分配集合作为最优任务分配集合;该方法能针对多种不同机器人数量和任务数量的情况进行任务分配,摆脱了传统方法局部最优的缺陷,从而减少分配方法对机器人初始分布的依赖。
Description
技术领域
本申请涉及机器人控制技术领域,具体而言,涉及一种多机器人的任务分配方法、装置、电子设备及存储介质。
背景技术
随着机器人技术的发展,机器人在生产物流、疫情防控等方面的应用不断扩展。对于一些复杂的任务,单个机器人无法胜任,需要通过多机器人之间的协调与合作来完成。
目前,多机器人的任务分配方法难以根据机器人分布和任务特性进行调节,只能依靠单一的距离信息进行任务分配,导致机器人不能按照任务需求适性调节任务分配,一般只能实现局部最优的分配方式,无法综合机器人探索能力和利用率进行合理的任务分配。
针对上述问题,目前尚未有有效的技术解决方案。
发明内容
本申请的目的在于提供一种多机器人的任务分配方法、装置、电子设备及存储介质,以综合机器人探索能力和利用率进行合理的任务分配。
第一方面,本申请提供了一种多机器人的任务分配方法,用于将多个任务分配给多个机器人,每个所述任务至少分配给一个所述机器人,所述方法包括以下步骤:
S1、根据分配比值设定自适应参数,所述分配比值为所述任务的优先级或复杂性与所述任务对应分配的机器人数量的比值;
S2、以所述自适应参数作为万有引力常量,以所述任务的优先级或复杂性为任务质量,并仿照万有引力定律获取所述任务和所述机器人之间的关系作为引力信息;
S3、根据所述引力信息对所述机器人进行任务分配以生成任务分配集合;
S4、根据所述任务分配集合更新所述自适应参数并返回步骤S2,直至所述自适应参数的迭代更新次数达到预设的迭代次数;
S5、以最后获取的所述任务分配集合作为最优任务分配集合。
本申请的多机器人的任务分配方法,实现任务分配集合的迭代更新,使得最终获取的最优任务分配集合能综合平衡机器人的利用率和探索能力进行任务分配,使得本申请的方法能针对多种不同机器人数量和任务数量的情况进行任务分配,能解决任务分配不合理的问题。
所述的多机器人的任务分配方法,其中,步骤S3包括以下子步骤:
S31、根据所述引力信息获取每个所述机器人选择不同任务的分配概率;
S32、根据所述分配概率对所述机器人进行任务分配以生成所述任务分配集合。
所述的多机器人的任务分配方法,其中,步骤S32包括以下步骤:
基于轮盘赌选择法根据所述分配概率对所述机器人进行任务分配以生成所述任务分配集合。
在该示例的方法中,机器人选择各个任务的分配概率和其适应度可以成比例,选中概率也越大,表明对应的适应度越大,即该机器人越适合分配到该任务。
所述的多机器人的任务分配方法,其中,所述根据所述任务分配集合更新所述自适应参数的步骤包括:
获取所述任务分配集合中每个所述任务对应重新分配的机器人数量;
根据所述任务对应重新分配的机器人数量更新所述自适应参数。
所述的多机器人的任务分配方法,其中,步骤S1中的所述分配比值根据最小化的平均绝对误差进行设定,所述平均绝对误差为所有所述任务的归一化任务质量和归一化机器人数量之差的绝对值的均值。
在该示例的方法中,分配比值优选为根据最小化的平均绝对误差进行设定,使得对于所有任务而言,每个任务的优先级或复杂性与其对应分配的机器人数量匹配,即分配比值的设定过程为:在不考虑机器人与任务的位置关系的情况下,根据任务的优先级或复杂性获取其最适当分配的机器人的数量,即获取机器人利用率最高的分配结果。
所述的多机器人的任务分配方法,其中,步骤S2包括以下步骤:
为第r个机器人与第t个任务之间的引力信息,为第t个任务的自适应参数,为第r个机器人所在位置与第t个任务所在位置之间的距离信息,为正数,为距离信息与所述引力信息的相关性指数常量,为第t个任务的任务质量,为第r个机器人的质量。
所述的多机器人的任务分配方法,其中,所述任务质量为归一化处理后的质量。
第二方面,本申请还提供了一种多机器人的任务分配装置,用于将多个任务分配给多个机器人,每个所述任务至少分配给一个所述机器人,所述装置包括:
自适应模块,用于根据分配比值设定自适应参数,所述分配比值为所述任务的优先级或复杂性与所述任务对应分配的机器人数量的比值;
引力计算模块,用于以所述自适应参数作为万有引力常量,以所述任务的优先级或复杂性为任务质量,并根据万有引力定律获取所述任务和所述机器人之间的引力信息;
分配模块,用于根据所述引力信息对所述机器人进行任务分配以生成任务分配集合;
更新模块,用于根据所述任务分配集合更新所述自适应参数并发送至所述引力计算模块,以使所述引力计算模块、所述分配模块、所述更新模块依次重复执行相应操作,直至所述自适应参数的迭代更新次数达到预设的迭代次数;
输出模块,用于以最后获取的所述任务分配集合作为最优任务分配集合。
本申请的多机器人的任务分配装置,实现任务分配集合的迭代更新,使得最终获取的最优任务分配集合能综合平衡机器人的利用率和探索能力进行任务分配,使得本申请的装置能针对多种不同机器人数量和任务数量的情况进行任务分配,能解决任务分配不合理的问题。
第三方面,本申请还提供了一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知,本申请提供了一种多机器人的任务分配方法、装置、电子设备及存储介质,其中,方法采用表征了任务的优先级或复杂性与其分配机器人数量的相关性的自适应参数来调整引力信息的计算结果,并根据引力信息计算获取任务分配集合,再根据任务分配集合更新自适应参数,从而实现任务分配集合的迭代更新,使得最终获取的最优任务分配集合能综合平衡机器人的利用率和探索能力进行任务分配,使得本申请的方法能针对多种不同机器人数量和任务数量的情况进行任务分配,摆脱了传统方法局部最优的缺陷,从而减少分配方法对机器人初始分布的依赖。
附图说明
图1为本申请实施例提供的多机器人的任务分配方法的流程图。
图2为本申请实施例提供的多机器人的任务分配装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
附图标记:201、自适应模块;202、引力计算模块;203、分配模块;204、更新模块;205、输出模块;301、处理器;302、存储器;303、通信总线。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
第一方面,如图1所示,本申请一些实施例中的一种多机器人的任务分配方法,用于将多个任务分配给多个机器人,每个任务至少分配给一个机器人,方法包括以下步骤:
S1、根据分配比值设定自适应参数,分配比值为任务的优先级或复杂性与任务对应分配的机器人数量的比值;
S2、以自适应参数作为万有引力常量,以任务的优先级或复杂性为任务质量,并仿照万有引力定律获取任务和机器人之间的关系作为引力信息;
S3、根据引力信息对机器人进行任务分配以生成任务分配集合;
S4、根据任务分配集合更新自适应参数并返回步骤S2,直至自适应参数的迭代更新次数达到预设的迭代次数;
S5、以最后获取的任务分配集合作为最优任务分配集合。
具体地,应当理解的是,本申请实施例的方法适用于多机器人进行多区域任务分配的场景,如智慧园区的任务调配、机器人物流输送任务、公共区域的巡逻任务分配等,尤其适用于包含多个位置任务点的智慧园区。
更具体地,任务的优先级或复杂性反应了该任务的重要程度,优先级或复杂性越高一般需要分配更多的机器人来完成该任务,而在实际分配过程中,机器人、任务具有位置特性,即不同机器人达到任务位置需要耗费的时间成本不同,导致仅以优先级或复杂性作为任务分配标准来分配机器人数量常常未能取得最优的分配结果,本申请实施例的方法旨在综合平衡机器人的利用率和探索能力实现任务分配,以获取最优的任务分配结果,即获取步骤S5中的最优任务分配集合。
更具体地,任务的优先级、复杂性可以是基于任务自身需要达成的主要目的和/或任务的输入参数进行设定,如物流输送任务为根据输送物料的总量设定优先级、复杂性等,还可以用户自行设定、调整。
更具体地,分配比值反映了对应任务的优先级或复杂性与其分配机器人数量的相关性,而任务的优先级或复杂性为任务产生时与任务自身特性关联的固定数据,故每个任务对应的分配比值取决于该任务分配的机器人的数量,即分配比值能初步反映对应任务是否分配给合适数量的机器人,同时,综合所有任务的分配比值可反映出所有机器人分配任务的利用率。
更具体地,应当理解的是,任务对应分配的机器人数量可以理解为选择了该任务的机器人的数量。
更具体地,本申请实施例根据万有引力定律计算获取机器人与任务之间的引力信息,该引力信息表征了机器人与任务之间的相互作用力,即表现了机器人对任务的位置关联情况,引力信息越大,表明该机器人越适合分配到对应的任务。
更具体地,根据分配比值设定的自适应参数具有与分配比值相同的特性,万有引力的基本计算式为,其中F为引力值,G为万有引力常量,M、m为两个待计算引力的物体的质量,r为两个待计算引力的物体之间的距离,一般情况下,万有引力常量G为定值使得引力值由两个物体之间的距离及两个物体的质量决定;在本申请实施例中,以自适应参数作为万有引力常量,使得机器人与任务之间的引力信息由自适应参数、机器人与任务之间的距离及机器人与任务的质量决定,其中,在机器人与任务之间的距离及机器人与任务的质量不变时,任务分配的机器人数量越多,分配比值越小,使得自适应参数变小,导致关于该任务的引力信息均变小,表明了任务分配的机器人数量越多,对机器人产生的引力信息越小;本申请实施例获取的引力信息反映了机器人与任务的位置关联情况及任务与机器人数量的分配情况,为后续获取关于综合平衡机器人的利用率和探索能力的最优任务分配集合提供数据基础。
更具体地,应当理解的是,为满足步骤S3生成任务分配集合的需求,步骤S2获取引力信息的过程为获取每个机器人与不同任务之间的引力信息。
更具体地,应当理解的是,步骤S3进行任务分配的过程需符合“每个任务至少分配给一个机器人”的分配条件。
更具体地,步骤S3可以是优先将引力信息大的任务分配给对应的机器人,还可以是根据引力信息大小设置相应的概率以概率性地将任务分配给对应的机器人,还可以是优先将引力信息大的机器人配对给对应的任务,还可以是根据引力信息大小设置相应的概率以概率性地将机器人配对给对应的任务,以使得获取到的任务分配集合关联于当前的自适应参数,在本申请实施例中,步骤S4优选为根据引力信息大小设置相应的概率以概率性地将机器人配对给对应的任务或根据引力信息大小设置相应的概率以概率性地将任务分配给对应的机器人。
更具体地,步骤S3根据引力信息的大小对机器人任务进行分配,分配后产生的任务分配集合中,每个任务分配到的机器人数量会产生变化,即使得原来步骤S1中的分配比值产生变化生成新的分配比值,使得步骤S4能基于新的分配比值更新自适应参数,在更新自适应参数返回步骤S2相当于在机器人和任务的质量及机器人与任务之间的距离不变的情况下,重新设定任务的优先级或复杂性与其分配机器人数量的相关性,以改变机器人与任务之间的引力信息,由于分配比值的任务优先级或复杂性不变,故更新自适应参数的过程实质上是改变任务对应分配的机器人数量以改变分配比值的过程,使得本申请实施例的方法在执行步骤S4后执行步骤S2-步骤S3能针对新的自适应参数生成新的任务分配集合,新的任务分配集合反映了改变自适应参数下的新的任务分配结果,其中,步骤S3基于引力信息进行任务分配使得分配结果在当前自适应参数前提下倾向于充分利用机器人的探索能力的方向发展,步骤S4根据任务分配集合更新自适应参数能使下一次分配结果倾向于提高机器人的利用率的方向发展;如此类推,重复执行S2-步骤S4能逐步获得综合平衡机器人的利用率和探索能力的任务分配结果,步骤S5将该任务分配结果视为最优任务分配集合。
更具体地,应当理解的是,步骤S4更新了每个任务对应的自适应参数,更新后的自适应参数可以是与原来的自适应参数不同或相同。
更具体地,为了提高分析效率,步骤S4中预设有迭代次数,在迭代更新迭代次数的自适应参数后,步骤S5以最后生成的任务分配集合作为最优任务分配集合。
更具体地,任务分配集合包含了每个机器人的任务分配结果,即该任务分配集合的元素为每个机器人所分配到的任务。
本申请实施例的多机器人的任务分配方法,采用表征了任务的优先级或复杂性与其分配机器人数量的相关性的自适应参数来调整引力信息的计算结果,并根据引力信息计算获取任务分配集合,再根据任务分配集合更新自适应参数,从而实现任务分配集合的迭代更新,使得最终获取的最优任务分配集合能综合平衡机器人的利用率和探索能力进行任务分配,使得本申请实施例的方法能针对多种不同机器人数量和任务数量的情况进行任务分配,能解决任务分配不合理的问题,并能适用于不同机器人初始位置以及任务优先级或复杂性不平衡等多种场景。
另外,本申请实施例的方法根据任务分配集合更新自适应参数,将有助于算法摆脱传统方法局部最优的缺陷,从而减少分配方法对机器人初始分布的依赖。
在一些优选的实施方式中,步骤S3包括以下子步骤:
S31、根据引力信息获取每个机器人选择不同任务的分配概率;
S32、根据分配概率对机器人进行任务分配以生成任务分配集合。
具体地,对于每个机器人而言,分配概率大小与引力信息大小成正比。
更具体地,根据分配概率对机器人进行任务分配的过程可以是将每个机器人对应分配概率最高的任务分配给该机器人,还可以是根据引力信息的大小来设置相应的概率,以通过概率选择的方式对机器人进行任务分配。
更具体地,本申请实施例优选为采用概率选择的方式来对机器人进行任务分配,使得机器人能根据分配概率选择任务,其中,分配概率越高,机器人选择对应的任务的概率越高,使得获取的任务分配集合关联于引力信息的同时提高了任务分配结果的多样性,即使得任务分配集合在倾向提高机器人探索能力方向发展的同时保留一定的异样概率进行迭代更新,使得最终获取的最优任务分配集合更可靠。
更具体地,对于每个机器人而言,其对应于各个任务的分配概率的总和为1。
在一些优选的实施方式中,步骤S32包括以下步骤:
基于轮盘赌选择法根据分配概率对机器人进行任务分配以生成任务分配集合。
具体地,在该轮盘赌选择法中,机器人选择各个任务的分配概率和其适应度可以成比例,其中,机器人选中一任务的概率也越大,表明该机器人与该任务的适应度越大,即该机器人越适合分配到该任务;其中,适应度为机器人与任务之间的关联程度,本申请实施例的方法利用引力信息来表征适应度。
在一些优选的实施方式中,根据任务分配集合更新自适应参数的步骤包括:
S41、获取任务分配集合中每个任务对应重新分配的机器人数量;
S42、根据任务对应重新分配的机器人数量更新自适应参数。
具体地,由前述内容可知,任务分配集合包含了每个机器人的任务分配结果,故步骤S41能根据任务分配集合快速统计出每个任务对应重新分配的机器人数量,该重新分配的机器人数量为根据引力信息进行分配获取的,故与原来的自适应参数对应的分配比值没有直接关联,对于每一个任务而言,重新分配的机器人数量可能与原来分配比值中的机器人数量是一致的,也可能是不一致的;而对于任务分配的机器人数量产生变化的场合,可以认为是:对于该任务而言,原本分配的机器人的数量生成的新的分配结果因机器人探索能力的差异产生分配不合理,故需根据的分配结果对前面的引力信息进行补偿修正,即需对自适应参数进行更新并根据新的自适应参数重新进行任务分配,使得任务分配集合逐步平衡机器人的探索能力和利用率。
在一些实施方式中,步骤S1中的分配比值中的任务对应分配的机器人数量可以是预设的,还可以是随机化生成的,还可以是根据任务的优先级或复杂性匹配生成的,使得相应的分配比值为预设的或随机化生成的或根据任务的优先级或复杂性匹配生成的。
在一些优选的实施方式中,步骤S1中的分配比值根据最小化的平均绝对误差进行设定,平均绝对误差为所有任务的归一化任务质量和归一化机器人数量之差的绝对值的均值。
具体地,随机化生成的分配比值可能会造成自适应参数偏差过大而增加获取最优任务分配集合所需的迭代次数或时间,因此,在本申请实施例中,分配比值优选为根据最小化的平均绝对误差进行设定,使得对于所有任务而言,每个任务的优先级或复杂性与其对应分配的机器人数量匹配,即分配比值的设定过程为:在不考虑机器人与任务的位置关系的情况下,根据任务的优先级或复杂性获取其最适当分配的机器人的数量,即获取机器人利用率最高的分配结果。
更具体地,基于上述过程设定的分配比值第一次执行步骤S2-步骤S4能获取对应于机器人利用率最高时的自适应参数所产生的任务分配集合,即加入机器人与任务之间的距离信息进行任务分配分析,任务分配集合中的机器人分配情况与原来设定的分配比值的机器人分配情况产生差异即表明考虑到机器人实际分布情况不应采用原来利用率最高的机器人分配结果,而需综合考虑机器人探索能力和利用率进行分配,故需重复执行步骤S2-步骤S4以逐步优化分配结果;本申请实施例的方法通过最小化的平均绝对误差进行设定分配比值,能使得任务分配集合从最优化的机器人利用率的分配结果朝向平衡机器人探索能力和利用率进行优化,有效缩短了整个迭代更新过程,使得步骤S4中预设的迭代次数更小,从而减少整个任务分配的分析时间。
在一些优选的实施方式中,步骤S2包括以下步骤:
基于下式计算获取引力信息:
为第r个机器人与第t个任务之间的引力信息,为第t个任务的自适应参数,为第r个机器人所在位置与第t个任务所在位置之间的距离信息,为一个取值很小的正数,为距离信息与引力信息的相关性指数常量,为第t个任务的任务质量,为第r个机器人的质量。
更具体地,在本申请实施例中,每个机器人的质量均相同,且视为1,以简化整个引力信息的计算过程。
在一些优选的实施方式中,任务质量为归一化处理后的质量。
具体地,为了简化整个分配运算逻辑并反映出每个任务质量在所有任务质量之中的重要程度,本申请实施例将任务质量设定为归一化处理后的质量。
更具体地,任务质量通过以下公式进行归一化处理获得:
在一些优选的实施方式中,对于平均绝对误差而言,归一化机器人数量为该任务分配机器人数量在机器人总数内的占比,即为:
因此,平均绝对误差为MAE,满足:
在一些优选的实施方式中,为了进一步简化任务分配分析的运算过程,步骤S1的分配比值调整为归一化任务质量和归一化机器人数量的比值,并将自适应参数设定为:
其中,为一个取值很小的正数,α为倍率常量,用于调整任务质量与机器人数量不匹配时的自适应参数,使得一个任务对应分配的机器人数量过多时,基于α进行指数性减小,反之基于α进行指数性增大,在本申请实施例中,α优选设定为1.35。
第二方面,如图2所示,本申请一些实施例中提供的一种多机器人的任务分配装置,用于将多个任务分配给多个机器人,每个任务至少分配给一个机器人,装置包括:
自适应模块201,用于根据分配比值设定自适应参数,分配比值为任务的优先级或复杂性与任务对应分配的机器人数量的比值;
引力计算模块202,用于以自适应参数作为万有引力常量,以任务的优先级或复杂性为任务质量,并根据万有引力定律获取任务和机器人之间的引力信息;
分配模块203,用于根据引力信息对机器人进行任务分配以生成任务分配集合;
更新模块204,用于根据任务分配集合更新自适应参数并发送至引力计算模块,以使引力计算模块202、所述分配模块203、所述更新模块204依次重复执行相应操作,直至自适应参数的迭代更新次数达到预设的迭代次数;
输出模块205,用于以最后获取的任务分配集合作为最优任务分配集合。
本申请实施例的多机器人的任务分配装置,采用表征了任务的优先级或复杂性与其分配机器人数量的相关性的自适应参数来调整引力信息的计算结果,并根据引力信息计算获取任务分配集合,再根据任务分配集合更新自适应参数,从而实现任务分配集合的迭代更新,使得最终获取的最优任务分配集合能综合平衡机器人的利用率和探索能力进行任务分配,使得本申请实施例的装置能针对多种不同机器人数量和任务数量的情况进行任务分配,能解决任务分配不合理的问题,并能适用于不同机器人初始位置以及任务优先级或复杂性不平衡等多种场景。
在一些优选的实施方式中,本申请实施例的多机器人的任务分配装置用于执行上述第一方面提供的多机器人的任务分配方法。
第三方面,如图3所示,本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当计算设备运行时,处理器301执行该计算机程序,以在执行该计算机程序时执行上述实施例的任一可选的实现方式中的方法。
第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
综上,本申请实施例提供了一种多机器人的任务分配方法、装置、电子设备及存储介质,其中,方法采用表征了任务的优先级或复杂性与其分配机器人数量的相关性的自适应参数来调整引力信息的计算结果,并根据引力信息计算获取任务分配集合,再根据任务分配集合更新自适应参数,从而实现任务分配集合的迭代更新,使得最终获取的最优任务分配集合能综合平衡机器人的利用率和探索能力进行任务分配,使得本申请实施例的方法能针对多种不同机器人数量和任务数量的情况进行任务分配,摆脱了传统方法局部最优的缺陷,从而减少分配方法对机器人初始分布的依赖。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种多机器人的任务分配方法,用于将多个任务分配给多个机器人,其特征在于,每个所述任务至少分配给一个所述机器人,所述方法包括以下步骤:
S1、根据分配比值设定自适应参数,所述分配比值为所述任务的优先级或复杂性与所述任务对应分配的机器人数量的比值;
S2、以所述自适应参数作为万有引力常量,以所述任务的优先级或复杂性为任务质量,并仿照万有引力定律获取所述任务和所述机器人之间的关系作为引力信息;
S3、根据所述引力信息对所述机器人进行任务分配以生成任务分配集合;
S4、根据所述任务分配集合更新所述自适应参数并返回步骤S2,直至所述自适应参数的迭代更新次数达到预设的迭代次数;
S5、以最后获取的所述任务分配集合作为最优任务分配集合。
2.根据权利要求1所述的多机器人的任务分配方法,其特征在于,步骤S3包括以下子步骤:
S31、根据所述引力信息获取每个所述机器人选择不同任务的分配概率;
S32、根据所述分配概率对所述机器人进行任务分配以生成所述任务分配集合。
3.根据权利要求2所述的多机器人的任务分配方法,其特征在于,步骤S32包括以下步骤:
基于轮盘赌选择法根据所述分配概率对所述机器人进行任务分配以生成所述任务分配集合。
4.根据权利要求1所述的多机器人的任务分配方法,其特征在于,所述根据所述任务分配集合更新所述自适应参数的步骤包括:
获取所述任务分配集合中每个所述任务对应重新分配的机器人数量;
根据所述任务对应重新分配的机器人数量更新所述自适应参数。
5.根据权利要求1所述的多机器人的任务分配方法,其特征在于,步骤S1中的所述分配比值根据最小化的平均绝对误差进行设定,所述平均绝对误差为所有所述任务的归一化任务质量和归一化机器人数量之差的绝对值的均值。
7.根据权利要求1所述的多机器人的任务分配方法,其特征在于,所述任务质量为归一化处理后的质量。
8.一种多机器人的任务分配装置,用于将多个任务分配给多个机器人,其特征在于,每个所述任务至少分配给一个所述机器人,所述装置包括:
自适应模块,用于根据分配比值设定自适应参数,所述分配比值为所述任务的优先级或复杂性与所述任务对应分配的机器人数量的比值;
引力计算模块,用于以所述自适应参数作为万有引力常量,以所述任务的优先级或复杂性为任务质量,并根据万有引力定律获取所述任务和所述机器人之间的引力信息;
分配模块,用于根据所述引力信息对所述机器人进行任务分配以生成任务分配集合;
更新模块,用于根据所述任务分配集合更新所述自适应参数并发送至所述引力计算模块,以使所述引力计算模块、所述分配模块、所述更新模块依次重复执行相应操作,直至所述自适应参数的迭代更新次数达到预设的迭代次数;
输出模块,用于以最后获取的所述任务分配集合作为最优任务分配集合。
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-7任一项所述方法中的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210917080.1A CN114995162B (zh) | 2022-08-01 | 2022-08-01 | 多机器人的任务分配方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210917080.1A CN114995162B (zh) | 2022-08-01 | 2022-08-01 | 多机器人的任务分配方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114995162A true CN114995162A (zh) | 2022-09-02 |
CN114995162B CN114995162B (zh) | 2022-11-08 |
Family
ID=83021938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210917080.1A Active CN114995162B (zh) | 2022-08-01 | 2022-08-01 | 多机器人的任务分配方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114995162B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860366A (zh) * | 2022-11-17 | 2023-03-28 | 桂林电子科技大学 | 一种社区机器人智慧协调管控方法、***和可读存储介质 |
CN117610899A (zh) * | 2024-01-24 | 2024-02-27 | 纳博特南京科技有限公司 | 一种基于优先度的多机器人的任务分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562537A (zh) * | 2017-08-21 | 2018-01-09 | 中南大学 | 一种基于万有引力搜索的云计算任务调度方法 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
KR20210082576A (ko) * | 2019-12-26 | 2021-07-06 | 금오공과대학교 산학협력단 | Gsa에 기반하는 군집 무인항공기의 정찰 방법 |
CN114423063A (zh) * | 2022-01-19 | 2022-04-29 | 东北电力大学 | 一种基于改进引力搜索算法的异构无线网络业务接入控制方法及装置 |
-
2022
- 2022-08-01 CN CN202210917080.1A patent/CN114995162B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562537A (zh) * | 2017-08-21 | 2018-01-09 | 中南大学 | 一种基于万有引力搜索的云计算任务调度方法 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
KR20210082576A (ko) * | 2019-12-26 | 2021-07-06 | 금오공과대학교 산학협력단 | Gsa에 기반하는 군집 무인항공기의 정찰 방법 |
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
CN114423063A (zh) * | 2022-01-19 | 2022-04-29 | 东北电力大学 | 一种基于改进引力搜索算法的异构无线网络业务接入控制方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860366A (zh) * | 2022-11-17 | 2023-03-28 | 桂林电子科技大学 | 一种社区机器人智慧协调管控方法、***和可读存储介质 |
CN115860366B (zh) * | 2022-11-17 | 2024-05-14 | 桂林电子科技大学 | 一种社区机器人智慧协调管控方法、***和可读存储介质 |
CN117610899A (zh) * | 2024-01-24 | 2024-02-27 | 纳博特南京科技有限公司 | 一种基于优先度的多机器人的任务分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114995162B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114995162B (zh) | 多机器人的任务分配方法、装置、电子设备及存储介质 | |
US11681982B2 (en) | Automated guided vehicle control and organizing inventory items using stock keeping unit clusters | |
Chen et al. | A set-based discrete PSO for cloud workflow scheduling with user-defined QoS constraints | |
CN107688493B (zh) | 训练深度神经网络的方法、装置及*** | |
US10235403B2 (en) | Parallel collective matrix factorization framework for big data | |
CN112398899A (zh) | 一种面向边缘云***的软件微服务组合优化方法 | |
US20090007101A1 (en) | Optimal policies for load balancing for distributed and strategic agents (more technically, optimal coordination mechanisms for machine scheduling) | |
US11544796B1 (en) | Cross-domain machine learning for imbalanced domains | |
US9953284B2 (en) | Systems and methods for prioritizing funding of projects | |
CN110392882A (zh) | 在包括虚拟化网络功能的网络中批量创建被管功能 | |
US9189733B2 (en) | Systems and methods for vector scalability of evolutionary algorithms | |
CN108205570A (zh) | 一种数据检测方法和装置 | |
CN110322020B (zh) | 分布式随机梯度下降的自适应学习率调度 | |
CN112639841B (zh) | 用于在多方策略互动中进行策略搜索的采样方案 | |
CN114423023A (zh) | 一种面向移动用户的5g网络边缘服务器部署方法 | |
CN115330189A (zh) | 一种基于改进飞蛾火焰算法的工作流优化调度方法 | |
CN111260288B (zh) | 订单管理方法、装置、介质及电子设备 | |
Psomas et al. | Beyond beyond dominant resource fairness: Indivisible resource allocation in clusters | |
US11861352B2 (en) | Smart deployment using graph optimization | |
US20230177425A1 (en) | System and method for resource allocation optimization for task execution | |
CN115756772A (zh) | 面向边缘云混合作业的动态编排与任务调度方法及*** | |
CN116339932A (zh) | 资源调度方法、装置和服务器 | |
US11816550B1 (en) | Confidence score generation for boosting-based tree machine learning models | |
CN116579585B (zh) | 资源分配方法、装置、计算机设备和存储介质 | |
Azari et al. | Service composition with knowledge of quality in the cloud environment using the cuckoo optimization and artificial bee colony algorithms |
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 |