时序约束下多智能体协同任务分配的优化算法

本文主要探讨了多智能体系统中的一个重要问题——考虑时序约束的多目标多任务分配。在这个研究领域，多智能体协同工作，每个智能体需要执行多个任务，而这些任务之间存在着明确的时间顺序或依赖关系。传统上，多任务分配问题往往忽视了这种时序约束，而这可能导致任务执行的混乱和效率降低。 为了克服这一挑战，作者提出了一种扩展的一致性包算法（Consistency-Based Bundle Algorithm, CBBA）的改进版本。原始的CBBA算法是一个分布式优化框架，适用于解决多智能体任务分配问题，但没有充分处理任务间的时序关联。作者通过引入优先级机制，将任务划分为不同的层级，智能体在构建任务包和任务路径时，仅考虑高优先级阶段的任务，确保任务的执行顺序得以遵循。这种策略既保持了CBBA算法原有的优化特性，又满足了任务的时序约束。 通过与经典的多任务分配问题算法进行对比实验，研究结果表明，改进后的算法在求解稳定性、可靠性方面表现优秀，能够在满足任务时序约束的同时，有效地减少计算时间，提高了整体的执行效率。这对于实际应用，如在智能制造、无人机编队控制、物流调度等场景中，具有显著的优势。 因此，本文的研究对于提升多智能体系统在面对有严格时间限制的任务环境下的协作性能具有重要的理论价值和实践意义，为后续的分布式优化算法设计提供了新的思路和改进方向。