迭代法无人机任务分配集群目标领域的性能评估

沙特国王大学学报在一个目标Vyacheslav Petrenkoa，Fariza Tebuevaa，Vladimir Antonova，Sergey Ryabtseva，Artur Sakolchikb，Dina Satybaldinaca俄罗斯联邦白俄罗斯国立大学白俄罗斯国立大学cL.N.哈萨克斯坦共和国古米廖夫欧亚国立大学阿提奇莱因福奥文章历史记录：收到2022年2023年2月20日修订2023年2月24日接受2023年3月2日在线发布保留字：多机器人系统任务分配迭代法集体决策A B S T R A C T本文的目的是评估的性能开发迭代方法分配任务的无人机群在集群目标领域。提出了一种在集群目标区域内，当任务数量明显超过智能体数量时，在无人机群智能体之间分配任务的迭代方法无人机解决的主要任务是监视和侦察，检测危险物体或紧急地点，搜索受害者等。解决上述问题的效率是通过同时使用一组无人机来实现的，其中的元件（代理）可以并行执行检查和扫描各个区域的任务同时，任务的数量可以大大超过无人机群代理的数量。在这种情况下，要组织一群无人机的工作，需要解决劳动分工的问题，考虑问题的条件。仿真结果表明，该方法以最小化智能体出行距离为目标进行任务分配，具有较高的效率。版权所有©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍机器人技术正被引入人类活动的各个领域。机器人用于执行日常任务，勘探，自然和人为紧急情况的清算，农业，地质，反恐行动等，同时，微电子的密集发展导致了机器人的小型化和使用众多机器人的能力-本文使用了出版物中介绍的群体机器人技术术语（Kalyaev等人，2009; Zakiev等人， 2018年）。 MRS组被理解为具有相同或不同的专业化，结构和感觉设备的代理人的同质或异质组。MRS应用的优点是高移动性、低维护成本、执行多任务的能力以及可扩展性。由于磁共振群具有随机性和非线性的特点，建立数学模型来检验和优化控制模型是困难的。缺乏从代理的特定行为到通用行为*通讯作者。电子邮件地址：v.o. mail.ru（V. 安东诺夫）。不允许构建用于管理机器人组的有效系统（Chung等人，2018年）。在这方面，出现了用于控制MRS组的大量任务。这些任务之一就是俗称的分工任务。目前，许多研究致力于一个群体的无人机或智能体的一组MRS的代理之间的任务分配问题。许多著名的科学家提出了自己的方法和算法来解决这个问题。Pshikhopov等人（2015）的分析显示了解决这个问题的各种理论方法，特别是对于相同数量的代理和子任务。通过流行度，我们可以区分启发式算法（Kowalczyk，2002; Mathew等人，2015）、分析算法（Chopra等人，2017; Nam和Shell，2015;Notomista等人，2019;Zavlanos等人，2008年），算法基于市场经济模式（Bertsekas和Castañon，1991年; Luo例如，2015; Zavlanos等人，2008）、势场方 法 （ Zavlanos 和 Pappas ， 2008 ， 2007 ） 、 概 率 和 随 机 算 法（Berman等人，2009年; Liu等人，2020）、基于机器学习和ANN的方法（Mouton等人， 2011; Zhao等人， 2021 ）、模 糊逻辑方法（ Mukhedkar 和 Naik ， 2013; Wei 等 人 ，2021 ） 、 蚁 群 算 法（Brutschy等人，2012年;廖例如，2014; Oliveira等人，2017;Payton等人，2005年，2001年;元例如，2008），动态和整数规划方法https://doi.org/10.1016/j.jksuci.2023.02.0221319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报2841/4f················· gXJ[1/2]JJJJ12pupxXpyypzz.- 是 的- 是 的Σ（Murphey，2000; Sikanen，2008; Yu和LaValle，2016），遗传算法（Patel等人，2020; Shima等人，2006; Soleimanpour-Moghadam和Nezamabadi-Pour，2020），区块链和云计算（Husheng等人，2021; Msala等人， 2019年），混合算法-Rithms（Zhang等人，2012）、粒子群优化（Kong等人，2019年;Wei等人，2020）等。研究（Labella等人， 2007年）的监督下进行的比利时科学家Dorigo致力于应用程序的基础上分析的行为昆虫群的各种任务，包括分工的群体中的小昆虫。Dorigo有一个任务分配方法，可以适应代理配置的动态然而，在执行任务的过程中改变MRS组的配置的问题是值得单独考虑的，并且将在将来针对所提出的方法进行调查先前，在（Petrenko等人， 2020; Ryabtsev等人， （2022年），a全局任务Q的子任务集合qj;q1;q2;·· ·;qj;·· ·qm]呈现为：q= 1/2x;y;z;e]=2/2其中xj;yj;zj根据几何特征形成的子任务簇的的介质是表示为Ww1;w2;;w k;W C ，其中k是簇号; c是集群的数量。子任务字段的聚类是通过将区域划分为相同大小的立方体来执行的。拆分后的子任务wk的集群包括一些子任务qi。函数eij表征了代理a1的能量成本，移动到子任务Qj。UAV群代理基站的集合B1/2b;b;·· ·;b;·· ·b]提出了一种无人机群监测突发事件动态区域的任务分配方法。本文提出了一种适应早期提出的方法和广泛的实验研究的有效性开发的方法。本文考虑了一种特殊的无人机群分工的情况，当任务的数量明显超过智能体的数量时，提出了不按任务分配智能体，而是按任务簇分配智能体的方法。作为所提出的迭代方法的类似物，我们考虑贪婪任务分配算法，这是由于其解的普适性、收敛性（Buffa等人，2012），并且广泛用于均匀MRS组中的任务分配，包括UAV群。贪婪算法的思想是搜索局部最优解，每次检查当前部分解的可接受性（Bouamama等人， 2022年）。这项工作的目的是开发一种迭代的方法来分配任务的无人机群，这将允许匹配代理集群，因为集体决策过程。匹配的标准是最小的旅行距离的代理。该方法用于构建飞行任务以执行分组为集群的多个任务。文章的结构分为五个部分。在材料与方法中，给出了研究问题的数学公式，并描述了实验研究的开发方法和在结果部分，数值指标所提出的方法的有效性相比，模拟。结论部分总结了研究结果。2. 材料和方法2.1. 问题的数学表述设集合A中有n个代理ai，集合Q中有m个任务qj。任务的分配在于每个代理ai的一定数量的子任务qj的性能，以这种方式，如果代理具有一些能量潜力ei，则集合Q的所有子任务都在最小时间t内完成。在本文中，我们考虑的情况下，当一个代理的能量潜力是等价的特工走过的路示意性地，输入数据看起来像这样（图1）。①的人。在数学上，问题陈述可以用以下形式表示一群无人机的智能体集合ai表示为A1/4 ½a1;a2;·· ·;ai;· ··an]：ai½xi;yi;zi;ei];1其中，xi;yi;zi其中p用坐标表征的Δu≥1 Δu表示为：bp¼½xp;yp;zp]：103mm任务分配方法的结果是映射R，将一群无人机的每个智能体ai与唯一任务qj2Q、返回基地的任务bp2B或等待任务e匹配：R：A！Q[B[£：14.00]假设集合A的所有代理ai返回到基站，如果子任务ej^0的当前能量储备等于零，则全局任务Q被认为完成（反射KF：Q¼e k！0的整数;8ai2ARai2B5k¼12.2. 基本任务分配法在解决多任务时，在无人机群中分配任务的基本方法的思想是执行迭代过程以建立“集群代理”类型的关系本文提出了三种在智能体之间分配簇的迭代方法：智能体选 择邻近簇（1V）、智能体 选 择远离簇（2V）和智能体之间均匀分配簇（3V）。该方法的变体之间的差异在于确定用于选择代理的聚类器的顺序在选项IV中，任务被认为是从离发射场最近到离UAV群的发射场最远的集群wk中的qj，在变型2B中，任务被认为是从离发射场最远到离发射场最远的集群w k中的q j。在选项3B中，在全局任务Q的目标字段中选择一定数量的均匀分布的集群图2中给出了任务分配方法的变体的示意性描述，其中：（a）-近簇的基本方法的算法由5个步骤组成。步骤1.选择集群。代理的输入数据是代理的发射中心bp、集群中心wp、任务坐标qk的坐标。附加代理ai交换它们自己的坐标ai xi;yi;zi。不管任务分配方法的变体如何，计算任务簇和代理的基站之间的向量长度L¼rw-bw-b2w-b2。接下来，进行排名，并编制最远和最近的集群列表。对于均匀分布的变体WP诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报28522-¼zMRS集团本地任务基地a_ia_na_1a_2p_1p_213p_jp_.任务艰45679Fig. 1. 在无人机群中分配任务的迭代方法的输入数据方案。b）、d）、图二.任务分配方法的方案：（a）近簇选择;（b）远簇选择;（c）均匀簇选择;（d）贪婪任务分配算法。根据任务的不同，建议按如下方式选择集群。在集群删除的结果列表中，我们使用相同的公式计算所有集群任务到代理基站的向量的长度：r。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffi2ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiLQ-b z： iz- bxqiy-by拉克¼阿齐kwi我们选择每个集群中最远程的任务。接下来，我们编译每个集群中最远程任务的排名列表。从列表中得到的任务集分布如下。对于代理的数量n，我们选择具有列表中的第一个和最后一个任务的我们将剩余任务数N除以z-2关于数量n2名特工，MNz-2。 所得到的值被n-2四舍五入到一个整数，并选择每个Mz任务从A1A1基地A3A2基地A3A2A4A431679a）A1基地A3A1A2基地A3A2A41A41345679c）诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报286¼ ð Þ我我我我名单的末尾。因此，我们得到n个任务，每个任务都绑定到自己的集群。这些集群中的一组将参与分发。步骤2.聚类分析根据所选择的方法选项（1B、2B和3B），接收某个集群以供一组代理Wn评估。代理计算效率指标和在决策协议中执行集群中任务的能力，代表在由所讨论的集群中的获胜代理执行的任务的持续时间内。同时，每项任务的完成情况由各坐席记录并发送到群内。如果存在空闲簇和未占用的代理，则重复步骤2。步骤4.在集群中执行任务。当将集群分配给代理时，代理继续进行第二轮-在集群内执行任务集群中的任务顺序为由效率矩阵F表示：由简单迭代确定，当qjK <10，如果qjK>10决策协议是相同的，并且在所有代理中都可以找到。性能度量Pij基于集群中的任务的能量潜力和代理的储备来确定，如下所述在将代理移动到集群时计算期望的能量成本eik，并且在集群中执行任务的能量成本eijk解决运输问题。If e ike ijk 埃雷湾 >ei，其中eb将座席返回到基点的能量成本，则座席拒绝执行任务eip¼：100IJ采用模拟退火算法求解最短路径在集群中执行任务。迭代问题中的模拟退火可以用来逼近具有多个自由变量的函数的全局最小值。模拟退火方法的算法（Wang等人， 2022）是概率的，并在解决NP完全问题时，在实践中表现出良好的效果。设S是系统的状态集，其在物理意义上反映了代理a i移动通过任务q j的能量消耗u的函数 在克拉斯特W K.功耗函数 u它是由代理根据代理，其条件和环境参数，即代理将花费多少能量在所生成的访问任务序列中移动通过集群wk的任务qj函数F基于初始状态sv（其中v一，二，三... . ）产生新的候选状态SV_V_1，系统可以根据系统状态温度T_V下面是该方法的算法eikeijkeb步骤3.集体决策。在计算性能度量之后，智能体开始决策过程。集体决策程序采用多数决原则，分三轮进行。在第一轮中，特工们决定出动大批无人机1. 将随机状态应用于输入sv，初始温度为tv/dtmax，温度下限为tmin;2. 当tv>tmin时：a. sv1F sv-启动生成新系统状态的功能;b. Duusv1-usv;制定协议，其中每个代理设置其自己的度量Pij，在集群中形成任务如果符合以下条件，则认为方案已收集c. 如果Du≤0，则t v1.5tusv;usv1它包含度量的数量Pij，其等于集群中代理的数量与任务的数量在第二轮中，每个特工都按照他们的协议-用包含总和3.如果Du≤0，则温度下降：tmax<$tv1：一个新的迭代-重复该过程，其中状态被馈送到输入sv1，tmax ¼tv1：4. 如果Du>0，则以概率执行新的迭代按行rwk¼Pn列出的性能指标pij，i¼1;···;m：ij¼1-vtusv1给出了决策主体a选择的和准则的结果执行由公式找到的群集中的任务：r0wk 最大功率：1000W对应于值r0wk的代理a i被分配群集w k。在第三轮中，特工们检查他们在决策协议中的记录。如果乘积准则的最高值与UAV群的i\agent的ID无关，则agent拒绝执行集群中的任务如果代理ID与具有最大条件的行中的ID相匹配，则会为代理分配相关群集，并且代理开始执行任务。群集和代理将从讨论中排除P= D u=expmaxω usv ：108为了使该方法更有效地工作，还对迭代次数进行了限制。步骤5.迭代性。从第二步开始重复该过程，直到自由簇结束。当一个代理从集群中执行任务中被释放时，根据该方法的原理，该代理独立地为自己分配一个集群，通知其他代理新的集群归属的建立2.3. 软件仿真在CoppeliaSim系统中进行了软件仿真。为了评估所提出的解决方案在无人机群中任务分配的有效性，进行了20，000次计算实验。在模拟中实现了以下方法：任务分配的迭代方法;具有远程集群的变体;具有附近集群的变体;具有分布式集群的变体和用于任务分配的贪婪算法（Montenegro等人， 2022年）。无人机群智能体在三维环境中实现（图1）。 3）。在下图中，计算出的代理的飞行路径以颜色突出显示，代理被标记，并且WvW诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报287图三. CoppeliaSim中迭代任务分配方法的软件实现示例表1无人机群智能体完成集群任务的平均时间平均时间和群集大小远距离群集近星系团统一分配期权贪婪算法5× 18× 25043.5647.7443.0438.805× 32× 250 40.25 39.04 39.495× 50× 250 39.49 40.08 40.1038.8038.807× 18× 250 36.06 38.37 39.7824.427× 32× 250 34.68 35.64 33.2224.422019 -05 - 25 10：00：0024.4210× 18× 250 29.81 34.12 26.2924.0210× 32× 250 29.43 32.51 29.5224.0215× 18× 250 28.63 30.99 25.5021.0315× 32× 250 25.21 26.65 25.9421.03发射点是绿色的聚类字段中的点由彩色球体指示，聚类突出显示为立方体。模拟进行了100个任务的群体规模为5，7，10和15代理。代理和任务的初始坐标是随机生成的，在地图上均匀分布。集群大小分别为18、32和50个任务。对每个生成的标测图的结果进行汇总。总共绘制了250幅地图对于一组代理和群集。3. 结果和讨论为了评估软件环境中的有效性，测量了所有代理完成任务的距离和地图执行时间。表1和表2中给出了将任务字段划分为18、32和50个集群时，5、7、10和15个座席的任务完成时间和行进距离的结果。粗体表格表示时间或距离的最佳值诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报288表2无人机群智能体在集群中执行任务时的平均行进距离平均时间和集群大小远距离集群选项近距离集群的变体均匀分布选项贪婪算法5×18×250 717. 68 647. 11 701. 54 596. 135× 32× 250 707.25 487.76 582.73 596.135× 50× 250 708.37 501.00 585.10 596.13电话：+86-510 - 88888888传真：+86-510 - 888888887× 32× 250 791.44 629.82 699.79 927.537× 50× 250 723.58 603.83 650.08 927.5310× 18× 250 974.50 910.941226.57 951.1110× 32× 250 924.57 803.26 815.64 951.1115× 18× 2501196.70 1165.47 1226.821264.7015×32×2501187.22 1107.00 1153.001264.70见图4。 当使用所研究的方法变体执行任务时，代理的总执行时间的花瓣图。在一群无人机中分配任务的方法。图图4和图5示出了由花瓣图呈现的研究结果。图的轮廓与花瓣中心的接近度反映了实验的最佳结果根据研究结果，可以注意到，根据表1，贪婪任务分配算法在任务执行时间方面显示出最佳结果。贪婪任务分配算法的时间效率是从2%到34%的时间减少相对于迭代方法。图五. 当通过所研究的方法执行任务时，智能体行进的总距离的花瓣图。诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报289同时，值得注意的是，最佳能量效率由近聚类方法的变体提供近簇法相对于贪婪算法在任务分配上的能耗降低了28%，这是一个科学的增量。此外，所考虑的迭代方法的变体的标准偏差。标准差将允许您评估任务分配的有效性如何变化。表3和表4显示了实验结果的标准偏差，这些标准偏差是根据代理人行进的时间和距离得出的。 标准偏差图见图1A和1B。 6和图7标准差的图表明，当证明在最小化由代理行进的距离方面的最佳结果时，近聚类的方法在所呈现的集合中具有与该集合的平均值的大的值分布分布式聚类方法显示了用于估计代理旅行距离的标准差的最佳结果。可以得出结论，根据任务分配的有效性邻近簇的方法是最不稳定的，而即使在可变性增加的条件下，该方法也能够提供最佳的能量效率。实验结果表明，远距离聚类方法在全局任务执行时间和能量效率方面均不如近距离和分布式聚类方法。图图4和图5示出了远聚类方法示出了任务执行时间和能量效率之间的平均结果。远距离集群的方法将感兴趣的劳动分工在一个稀薄的领域的任务与有限的能源供应的代理。今后，将对这种方法在执行最偏远任务时的有效性进行研究。本文说明了距离聚类方法在目标领域任务均匀分布的条件下的应用效果不佳。本文描述并评估了一种迭代的任务分配方法在一个MRS群中的有效性，表3座席在群集中执行任务的时间的标准偏差时间和星系团大小的均方差远距离星系团的变异近距离星系团的变异均匀分布贪婪算法5× 18× 250 1.43 3.231.511.105× 32× 250 0.99 4.170.851.105× 50× 250 0.87 2.370.641.107× 18× 250 1.18 1.411.650.897× 32× 250 2.23 3.892.300.897× 50× 250 0.86 1.611.150.8910× 18× 250 2.44 2.221.420.6010× 32× 250 1.33 0.880.290.6015× 18× 250 1.98 2.980.840.6115× 32× 250 1.06 1.050.570.61表4代理在集群中执行任务时的距离标准差时间和聚类大小的均方差远距离聚类的变异近距离聚类的变异均匀分布的变异贪婪算法5×18×250 13. 79 19. 04 15. 12 27. 195× 32× 250 19.13 32.34 16.74 27.195× 50× 250 18.92 44.54 19.05 27.197× 18× 250 23.64 16.90 12.83 19.777× 32× 250 37.00 33.97 33.16 19.772019 - 05- 26 10：00：0010× 18× 250 28.29 14.82 15.45 30.1810× 32× 250 19.60 10.30 25.20 30.1815× 18× 250 47.05 19.38 9.70 31.0915×32×250 45.09 7.01 51.85 31.09见图6。 使用所研究的方法的代理执行任务的时间的标准偏差的条形图。诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报290见图7。 使用所研究的方法执行任务时，座席行进的总距离的标准差条形图。任务数量大大超过代理数量提出了该方法的三种变体，其不同之处在于选择任务簇以建立“簇-代理”关系的顺序为了评估所提出的方法的有效性，我们将它们与贪婪任务发现算法进行了比较。为了进行实验研究，我们在Cop-peliaSim环境中实现了一组无人机的仿真模型（Elmokadem和Savkin，2021）。基于20，000个实验的结果，我们得出结论，它是有前途的使用从附近的集群的迭代方法，以减少能源消耗的代理。根据集群中代理和任务的数量，近集群变体相对于贪婪任务分配算法的行程距离效率高出28%，这是一个显着的优势。与此同时，与贪婪算法相比，近聚类的变体在任务执行时间上损失了2%到34%的量4. 结论因此，理解所提出的方法的有效性和特征值的可变性的测量，在随后的研究中，可以开发用于选择方法的算法用于在无人机群中分配任务，这将允许选择具有最高效率指标的方法，用于在目标的集群区域中执行全局任务结果的标准差分析表明，分布式集群的变体具有可接受的稳定性。在继续的研究中，我们建议开发一种方法来选择MRS组中的任务分配方法，这将允许选择具有最高效率指标的方法来实现全球目标。我们计划通过引入代理的“主从”子系统来改进MRS组中分配任务的迭代方法，以执行具有重要性标准的异构任务所提出的任务分配方法能够通过在任务簇执行过程中对任务簇进行重新分配来适应一组代理的配置变化。所提出的方法的有效性，考虑到在一组代理的配置的变化（减少或增加他们的数量）的条件下的代理的能量储备的限制，计划在下面的工作中进行详细研究拟议研究的一个类似物将是受自然系统启发的算法5. 贡献者所有作者都做出了同样的贡献。所有作者都同意了最后一篇文章。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认这项工作得到了俄罗斯联邦总统为年轻科学家-科学候选人提供的资助引用伯曼，S.，Halasz，A.，Hsieh，M.A.，库马尔，V.，2009.机器人群任务分配的优化随机策略。IEEETrans.Rob.25，927-937。网址：http：//doi.org/10.1109/TRO.2009.2024997Bertsekas，D.P.，卡斯塔尼翁检察官1991.拍卖算法的并行同步和异步实现。并行计算17，707-732。https：//doi.org/10.1016/S0167-8191（05）80062-6.Bouamama，S.，Blum，C.，Pinacho-Davidson，P.，2022.基于种群的迭代贪婪算法最大 化 传 感 器 网 络 生 存 时 间 。 Sensors （ Basel ， Switzerland ） 22 （ 5 ） ， 1804.https://doi.org/10.3390/s22051804网站。Brutschy，A.，Scheidler，A.，Ferrante，E.，Dorigo，M.，Birattari，M.，2012年。 机器人群中的自组织决策，2012年IEEE/RSJ智能机器人和系统国际会议。IEEE，pp. 4272-4273. https://doi.org/10.1109/IROS.2012.6386273网站。Buffa，A.，Maday，Y.，Patera，A.T.，Prud'Homme，C.，Turinici，G.，2012.参数化既约基方法贪婪算法的先验收敛性数学，莫德尔。数字。Anal. 46（3），595-603。https://doi.org/10.1051/m2an/2011056.Chopra，S.，Notarstefano，G.，赖斯，M.，Egerstedt，M.，2017.多机器人分配的匈牙利 方 法 的 分 布 式 版 本 。 IEEETrans.Rob.33 ， 932-947 。https://doi.org/10.1109/TRO.2017.2693377网站。钟山J.，Paranjape，A.A.，Dames，P.，Shen，S.，库马尔，V.，2018年机群机器人研究综述IEEE Trans. Rob. 34，837-855。https://doi.org/10.1109/TRO.2018.2857475.Elmokadem，T.，Savkin，A.V.，2021.走向完全自主的无人机：一项调查。传感器（巴塞尔，瑞士）21（18），6223。https://doi.org/10.3390/s21186223网站。Husheng，W.，豪湖，Renbin，X.，2021.一种面向时空耦合任务的区块链蜂群双抑制分工算法及其在无人机群任务分配中的应用。 J. 系统Eng. 电子学。32，1180网址：//doi.org/10.23919/JSEE.2021.000101。诉Petrenko，F.特布埃瓦河谷安东诺夫等人沙特国王大学学报291Kalyaev，I.A.，Gaiduk，A.R.，Kapustyan，S.G.，2009.机器人群体集体控制模型与算法。莫斯科，菲兹马特利特。孔，X.高，Y.，王，T.，刘杰，徐伟，2019年。基于粒子群优化和贪婪算法的多机器人任务分配策略，在：2019 IEEE第8届联合国际信息技术和人工智能会议（ITAIC）。IEEE，pp. 1643-1646. https://doi.org/10.1109/ITAIC.2019的网站。8785472Kowalczyk，W.，2002.分散机器人建筑编队的目标分配策略，在：第三届机器人运动与 控 制 国 际 研 讨 会 论 文 集 ， 2002 年 。 RoMoCo'02 。 波 兹 南 大 学 Technol ，Poznan，Poland，pp.181-185.https://doi.org/10.1109/ROMOCO.2002.1177105网站。Labella，T.H.，Dorigo，M.，Deneubbery，J.L.，2007.一组机器人中的自组织任务分配。在：阿拉米河，夏蒂拉河Asama，H.（编），分布式自主机器人系统，6。东京，斯普林格。https://doi.org/10.1007/978-4-431-35873-2_38。Liao，T.，Socha，K.，Montes de Oca，硕士，Stutzle，T.，Dorigo，M.，2014.混合变量 优 化 问 题 的 蚁 群 算 法 。 IEEE Trans. Evolut. Comput. 18 ， 503-518 。https://doi.org/10.1109/TEVC.2013.2281531网站。刘，R.，徐，M，Yan，B.，Tsourdos，A.，2020年。具有任务执行不确定性的多无人机分 散任 务分 配 IEEE， pp.271-278.https://doi.org/10 的 网站 。1109/ICUAS48674.2020.9213989。罗湖，加-地查克拉博蒂，N.，Sycara，K.，2015.约束多机器人成组任务分配的分布式算法 。IEEE Trans. Rob. 31 ， 19-30 。 https://doi.org/10.1109/TRO.2014.2370831 网站。马修，N.，史密斯，S.L.，Waslander，S.L.，2015.异构多机器人团队中的包裹递送路径规划。IEEETrans.Autom.Sci.Eng.12，1298-1308.https://doi.org/10.1109/TASE.2015.2461213网站。黑山 ，G. ，查 孔河Fabregas ，E. ，加 西亚， G. ，Schröder， K. ， Marroquín ， A. ，Dormido-Canto，S.，Farias，G.，2022.球形机器人在CoppeliaSim仿真器中的建模与控制。传感器（瑞士巴塞尔）22（16），6020。https://doi.org/10.3390/s22166020网站。Mouton，H.，Roodt，J.，le Roux，H.，2011.强化学习在防空武器分配问题中的应用。Scientia Militaria - S. Afr. J. Military Stud. 39，1-15. https://doi.org/10.5787/39-2-115网站。Msala，Y.，Hamlich，M.，Mouchtachi，A.，2019年。一种新的基于云的鲁棒异构多机器人任务分配方法，在：2019年第五届国际优化与应用会议（ICOA）。IEEE，pp.一比四网址：//doi. org/10.1109/ICOA.2019.8727618。Mukhedkar河，Naik，S.，2013.基于模糊模型的武器目标分配问题。IJAIEM 2，279-289.Murphey，R.A.，2000.基于目标的武器目标分配问题，见：Pardalos，P.M.，皮苏利（编），非线性指派问题pp. 39比53 https://doi.org/10.1007/978-1-4757-3155-2_3网站。南角，壳牌公司，地方检察官2015.多机器人任务分配中资源竞争模型的分配算法IEEETrans. Autom. Sci. Eng.12，889-900. https://doi.org/10.1109/TASE.2015.2415514网站。Notomista，G.，Mayya，S.，Hutchinson，S.，Egerstedt，M.，2019.异构多机器人系统的最优任务分配策略，2019年第18届欧洲控制会议（ECC）。IEEE，pp. 2071-2076. https://doi.org/10的网站。23919/ECC.2019.8795895。Oliveira，S.，Hussin，M.S.，Roli，A.，Dorigo，M.，Stutzle，T.，2017.基于种群的蚁群优化算法在TSP和QAP中的分析，在：2017年IEEE进化计算大会（CEC）。IEEE，pp. 1734- 1741年。https://doi.org/10.1109/CEC.2017.7969511网站。帕特尔河，巴西-地Rudnick-Cohen，E.，Azarm，S.，Otte，M.，徐，H.，赫尔曼，J.W.，2020.使用分散遗传算法在多智能体系统中进行分散任务分配，2020年IEEE机器 人 与 自 动 化 国 际 会 议 （ ICRA ） 。 IEEE ， pp.3770-3776.https://doi.org/10.1109/ICRA40945的网站。2020.9197314。佩顿，D.，每日，M，Estowski，R.，霍华德，M.，李，C.，2001年信息素机器人。奥顿 机器人11，319-324。https://doi.org/10.1023/A:1012411712038网站。佩顿，D.，埃斯特科夫斯基河，霍华德，M.，2005.信息素机器人学和虚拟信息素的逻辑 。 在 ： 计 算 机 科 学 讲 义 。 Springer-Verlag ， Berlin ， pp. 45-57.https://doi.org/10.1007/978-3-540-30552-1_5网站。彼得连科，V.I.，Tebueva，F. B.，Ryabtsev，S.S.，Gurchinsky，M. M.，Struchkov静脉注射2020年。机器人群体关于环境最频繁特征的共识实现方法。IOP确认序列号材料Sci.工程919，. https://doi.org/10.1088/1757-899X/919/4/042025Pshikhopov，V.K.，Soloviev，V.V.，Titov，A.E.，Finaev，V.I.，沙波瓦洛夫，I. O.，2015年。不确定环境中运动对象的群控制。菲兹马特利特。Ryabtsev ， S. ， Sakolchik ， A. ， 安 东 诺 夫 五 世 ， Petrenko ， V. ， Tebueva ， F. ，Makarenko，S.，2022.多机器人系统分工的迭代方法人工生命和机器人国际会议论文集，27，pp。699-702. https://doi.org/10.5954/ICAROB.2022.OS17-7网站。Shima，T.，拉斯穆森，S.J.，斯帕克斯检察官Passino，K.M.，2006.基于遗传算法的无人 机 协 同 多 任 务 分 配 。 Comput. 操 作 员 Res.33 ， 3252-3269.https://doi.org/10.1016/j.cor.2005.02.039.Sikanen，T.，2008.用动态规划解决武器目标分配问题，在：应用数学独立研究项目Soleimanpour-Moghadam，M.，Nezamabadi-Pour，H.，2020.离散遗传算法用于解决 多 机 器 人 系 统 的 任 务 分 配 ， 在 ： 2020 年 第 四 次 群 体 智 能 和 进 化 计 算 会议（CSIEC）。IEEE，pp.006-009.https://doi.org/10.1109/CSIEC49655.2020.9237316网站。王志，王玉，徐，H.，谢，H.，2022.模拟退火算法在堆芯流量分配优化中的应用。能源15，8242。网址：http：//doi.org/10.3390/en15218242魏，T.，永江，H.，岳飞，Z.，文广湖，Xiaomeng，Z.，2021.基于Mamdani型模糊逻辑的多无人机任务分配，2021年第七届机电一体化和工业信息学国际研讨会（ISMII）。IEEE，pp. 184- 187 https://doi.org/10.1109/ISMII52409.2021.00046网站。魏，C.，Ji，Z.，蔡，B.，2020年。多机器人协作任务分配的粒子群优化IEEE机器人。自动。Lett. 5，2530- 2537。https://doi.org/10.1109/LRA.2020.2972894网站。余，J.，LaValle，S.M.，2016.图上的最优多机器人路径规划：完整算法和有效启发式。IEEETrans.Rob.32，1163-1177。网址：http：//doi.org/10.1109/TRO.2016.2593448袁，M.，Ling，M.- X.，Zeng，Q.-美国，2008