文摘

无人机技术的进步使无人机的使用越来越广泛,群是无人机的主要模式应用程序由于其鲁棒性和适应性。同时,任务分配中扮演着重要的角色在一个群来获得高的整体性能和释放潜在的无人机由于大规模群体的复杂性。在本文中,我们关注的实时动态任务的分配问题。我们设计模型为任务分配问题构造约束模型和分配的目标。此外,我们引入一种新颖的基于主体分配机制基于拍卖过程,包括设计三种不同代理商之间的代理和合作机制。此外,我们提出了一种新的算法来计算无人机的投标值,这可以减少无人机之间传递的消息。分配机制的基础上,我们忍受一种新颖的基于代理实时任务分配算法动态任务的无人机群的花蜜。此外,我们进行大量的实验来评估我们的花蜜的性能,结果表明,花蜜是能够解决动态任务的实时任务分配,实现高性能的无人机群。

1。介绍

人工智能的快速发展,高端制造业,和机器人技术,无人机(uav)的性能越来越好。目前,无人机已经取代了人类在各种复杂的情况,例如,公安调查、环保检测、地形勘测和输电线路维护(1- - - - - -3]。此外,由于无人机的隐形性能好、强烈的自主性和可重用性,无人机也被各国广泛用于战场环境。无人机的主要应用模式是蜂群,无人机的相互协作,实现操作的性能。

应该注意的是,由无人机的任务通常有严格时间限制的任务的成功不仅取决于执行还在执行的时间瞬间完成。因此,任务应该分配给合适的无人机群尽快提高他们的成功概率。因此,有两个关键问题,一是如何找到一个合适的无人机群,避免资源浪费,,另一个是如何缩短响应时间,促进群的效率。

由于任务的特点,分配方法中扮演着重要的角色在获得高性能的群。只有实现合理的任务分配,才能完成任务的成本尽可能小,并可以形成不同的无人机之间的协调来实现更高的性能的群。此外,任务分配必须设法节省通信带宽通信能力的无人机通常是有限的(4]。到目前为止,大量的分配算法对无人机进行了研究。然而,这些算法没有充分考虑无人机群的特征,如动态任务的实时响应的要求,低带宽的通信环境,连续任务响应。

为了选择合适的无人机无人机群进行的任务,使响应时间短,我们综合考虑无人机群的特点,设计一种新颖的基于主体和分配机制,然后,开发基于拍卖的动态任务分配算法的任务。

我们工作的主要贡献可以概括如下:(我)我们设计了无人机群task-assigning问题模型,构建了分配约束和目标。(2)我们提出了一个基于主体的分配机制基于拍卖的过程。此外,小说投标值的计算方法是减少开发的沟通。(3)我们研究三个选择策略、M战略、P策略,和D战略,确定赢家投标人。(iv)我们忍受一种新颖的智能任务分配方法,名叫花蜜,动态任务的无人机群。

剩下的纸是组织如下。我们总结了相关的工作部分2。问题描述和模型给出了部分3。部分4的设计是基于代理机制。同时,我们将给一个详细的插图的花蜜算法部分5。提交实验评价和分析部分6。节7,我们的结论是本文总结和未来工作。

2。相关工作

一般来说,对无人机任务分配问题的模型建模主要分成以下三类:混合整数线性规划模型(5),动态网络流优化模型(6),和多重代理系统(7]。这些模型都有自己的优势和适应场景,但在一般情况下,基于主体模型具有广泛的适应性和更好的性能。因此,我们选择多重代理系统的基本模型。对于解决这个问题,许多学者做出了尝试。我们总结他们分为两类:集中式任务分配方法和分布式任务分配方法。

集中解决方案主要包括启发式方法,如遗传算法、粒子群算法、模拟退火算法、蚁群算法等。朱et al。8)关注异构问题的目标分配和无人机的任务序列优化,并使用遗传算法最小化任务执行时间和无人机的总消费。如前所述(9),作者设计了一种改进的粒子群优化方法基于标准粒子群优化和演化博弈理论,他们采用了一种新颖的自适应策略在任务分配过程;结果表明其优于其他同行。另一个启发式方法来解决任务分配问题的蚁群算法(10];作者认为是高度非线性等特性,动态的、高度敌对的,和多通道,他们提出了一个动态蚁群的分工模型基于经典的固定反应阈值模型完成任务分配。在自组织仿真结果确定其有效性,灵活性,和实时响应的动态环境。春et al。11)集中在一个场景,多个飞行器需要起诉地理上分散的目标,针对解决multirobot任务分配问题,他们开发了一个基于混合整数线性规划的最优任务分配算法模型。同时,可以保证解决方案的存在。狼群等典型的集中式算法算法(12和搜索算法13)也显示multirobot系统的有效性在分配任务。由于集中式方法全球信息,他们可以得到一个理想的解决方案在处理小规模群任务分配问题。然而,当规模足够大,它也很容易的效率很低,难以获得解决方案结果很快,原因是任务分配问题是一个np难问题。与此同时,由于集中的方法是基于无人机的状态信息,通信带宽要求的要求获取无人机的实时状态。然而,无人机群的带宽是一个最大的限制在当前群的应用程序。此外,集中式方法也严重依赖中央节点,这使得这种方法不强健,适应性强。

当成群的规模变得更大、灵活性的要求变得越来越高,分布式方法的优势越来越突出。因此,分散算法收到越来越多的关注。例如,迈赫迪和乔纳森14]改善基本的内隐协调的方法来完成这项任务分配过程,但该方法基于无人机之间的数据同步。然而,同步是一个困难的问题为成群有限的通信带宽。之后,这项工作被延长Whitten et al .,和他们认为耦合约束来解决复杂的任务分配过程中的特点。除此之外,他们设计了悲观或乐观的投标策略的概念和任务之间的相对时间限制,并提供可衡量的结果显示,性能改善基线CBBA [15]。如前所述(16],作者考虑有限的带宽,他们通过复制扩展CBBA合作任务修改任务列表,添加了一个判断机制,和仿真提出了他们的算法可以实现更好的无冲突分配较少的通信。此外,杨et al。17)强化学习应用于无人机的任务分配,他们设计了一个网络计划扩张战略的基础上,基于无人机可以改善分配通过自主学习,和他们进行了无人机群实验获得优化的分配在特定的情况下。此外,很多其他算法如序贯拍卖(18,人类主体的协作方法19),和基于投标分组方法(20.使用)。虽然这些分布式算法解决了无人机的任务分配问题,通信限制,实时响应,和连续分配不够,使得这些方法不能适应实际环境。

在这个研究中,我们忍受一种新颖的基于主体任务分配算法基于一种改进的拍卖机制,实现实时动态任务的无人机群的任务分配。提出的基于代理分配机制可以快速响应动态任务很少沟通,并能够不断分配因为相互代理合作基于当地的地位。

3所示。问题描述

研究了动态任务分配问题,我们主要考虑三种无人机的任务,这是侦察(21),(22),和损失评估23]。动态任务,他们会不定期地到达,到达时间的提前是未知的。除此之外,应该尽快分配的任务由于其期限和无人机群的效率。因此,任务应该被分配一个接一个,而不是在一个批处理模式。另一个不容忽视的事实是,所有无人机将在基站之前执行的任务,它应该返回到基站到达它的持续时间。

3.1。模型和符号

在本文中,我们主要集中在分布式无人机群任务分配方法。同时,任务被认为是分开,原因是可以分解的耦合任务的指挥官和其他约束条件,如时间序列为非耦合任务和交互顺序。其他功能无优先的任务包括,deadline-sensitive和非周期。我们使用一组T={t₁,t₂动态任务,…}代表。应该注意的是,任务的数是未知的,因为任务进展出现持续的对抗。为每一个任务t_我∈T,它可以建模为t_我={泰_我,助教_我,道明_我,tp_我,ts_我},泰_我,助教_我,道明_我,tp_我,ts_我表示t_我的类型、到达时间、截止时间、位置和任务补充信息,分别。注意:任务类型泰_我可以侦察任务,任务,或损失评估任务。

我们考虑一组U={u₁,u₂、…u_米}的无人机有不同的功能。一个无人机u_j的群可以建模参数的集合,也就是说,u_j={紫外线_j,ut_j,ud_j,ltf_j,ltp_j,秩_j,tft_j},紫外线_j,ut_j,ud_j,ltf_j,ltp_j,秩_j,tft_j是u_j的速度、能力类型、持续时间、最后一次执行任务的完成时间,最后一次执行任务时,位置依然惊人的资源,和总飞行时间,分别。值得注意的是,每个无人机有一个或两种能力之间的能力集合{侦察、引人注目、损失评估}。除此之外,tft_j是时候从起飞到着陆的基站。

在表1,我们总结本研究的主要符号备查。应该注意的是,ltf_j和ltp_j表示最后一个任务的完成时间和位置的任务列表。如果一个新任务t_n被分配给u_j在现有的最后一个任务的完成,那么的价值ltp_j将发生变化以tp_n和的值ltf_j更改f_新泽西。然而,在没有分配给任务的条件u_j在现有的最后一个任务的完成,的位置u_j将保持不变,这是由于无人机将继续徘徊于节约能源。此外,我们使用秩_j表示保持惊人的资源,用于任务分配。时的值秩_j等于0,这意味着无人机u_j可以不再承担任何惊人的任务。

让pt_ij无人机的准备时间u_j执行任务t_我,指的是飞行时间u_j最后一次执行位置t_我的位置,最后执行的位置u_j将被改变t_我的位置,如果t_我被分配给u_j。此外,sp_ij和se_ij是用来表示准备开始时间和执行开始时间。同时,U(t_我)是指承担任务的无人机t_我。分配矩阵X={x_ij}表示任务和无人机之间的分配关系。在addiyion,元素的值x_ij应该是“1”或“0”,这意味着任务t_我分配给无人机u_j与否。

3.2。约束

假设之前,本文讨论的任务不是可剥离,和一个任务只能分配给一个无人机。另一方面,不同的任务通常有不同的位置要求;因此,每个无人机只能进行一个任务在任何时间。因此,我们可以得出约束C₁如下:

准备开始时间sp_ij、执行开始时间se_ij和完成时间f_ij,他们决定的t_我到达时间和完成时间u_j最后一个任务。图中所示1,准备开始时间sp_ij可以计算如下: 在哪里结核病_我代表了拍卖过程的时间。此外,执行开始时间se_ij可以由公式(3),完成时间f_ij可以计算(4):

是否一个任务t_我可以分配给一个特定的无人机呢u_j与否主要取决于时间约束和能力约束,可以得出的结论C₂: Φ(t_我)意味着所需的任务的能力t_我。时间的约束主要指的是事实,完成时间f_ij必须满足t_我的最后期限。能力约束主要表明,无人机必须有能力处理任务t_我。

另一个约束来引人注目的任务,他们需要保持惊人的资源非空时任务分配。同时,约束被建模为 注意,这种约束是只考虑t_我分配过程因为秩_j可能是0后任务的执行。

3.3。分配目标

无人机群,尽可能更动态的任务应该完成实现群效率。此外,每增加无人机应该执行时间的比例的总飞行时间尽可能实现单个无人机的效率。因此,我们把任务成功率和执行时间比作为两个主要的分配目标。

任务成功率:

执行时间比例:

上述方程表明,我们以代理人为基础的分配方法旨在分配更多的任务无人机在复杂的约束条件,实现更高的无人机成功执行的利用率。

4所示。基于主体分配机制设计

设计的基于主体无人机群的分配方法,我们主要尝试采用拍卖机制(24完成任务分配)。拍卖机制允许代理合作完成任务分配过程在一个分布式的方式,这使得它非常适合无人机任务分配的问题。注意,尽管投标过程管理由中央管理代理,没有中央控制(25]。更重要的是,我们设计投标值的计算当地代理商遵守全球统一规则,减少代理之间的通信负载。

4.1。代理设计

实现基于主体任务分配,三种代理的设计,也就是说。任务代理,经理代理,无人机的代理。他们每个人基于自己的规则,他们会相互合作来完成这项拍卖的过程。我们用一个三元组<米^一个,T^一个,U^一个>表示本文中使用的代理。(我)米^一个代表经理代理。经理代理产生的建筑群体,并将一直存在。此外,经理代理负责管理所有任务代理和无人机代理。(2)T^一个= { , ,…}是一组任务代理表示我^th任务代理在T^一个。任务代理主要负责拍卖和执行任务的。对于每个任务代理,它将构建的到来和消亡完成相应的任务。请注意,定位在无人机负责的任务t_我,系统资源占用完成后将由无人机回收吗t_我。至于该无人机坐落,这取决于任务出现。如果发现任务无人机u_j和批准的指挥官,将定位于u_j;如果任务被分配给无人机的指挥官和发现u_k,将定位于u_k。(3)U^一个= { , ,…,}是一套无人机代理代表了j^th无人机代理U^一个。无人机代理负责无人机资源的管理和投标任务。对于每个无人机代理,它将一直存在相关的无人机。除此之外,每个无人机代理将更新其状态信息,向经理报告代理在以下条件:(1)在无人机代理的建设;(2)一个引人注目的任务后分配给它;和(3)遇到异常情况。

4.2。拍卖机制的设计

在拍卖过程中,主要有两种角色,即。、播音员和投标人。播音员的工作将主要由任务代理,以及投标人将主要由无人机完成代理。因此,我们将专注于不同的代理之间的交互作用来说明拍卖机制。

考虑到无人机群的任务分配的问题,关键是将每个到达任务分配给合适的无人机。在这项工作中,我们使用拍卖机制来确定哪些无人机将适当的一个特定的任务。一样在拍卖活动中,第一步是分析无人机任务需求和选择候选人,我们认为这些作品进入准备阶段。第二阶段是宣布,招标、授予和执行阶段。图2描述的基本活动和交互代理,我们会给更多的拍卖机制的详细说明如下。

4.2.1。准备准备阶段

在这个阶段,主要有三种类型的工作。首先,无人机代理报告基本能力信息时经理代理来代理设计部分中提到的条件。第二,任务代理基本信息发送给经理代理任务代理时生成的。第三,经理候选人完成匹配过程和发送信息的代理人无人机任务代理。

4.2.2。宣布阶段

这一阶段的主要工作是宣布候选人无人机候选无人机的任务代理将获得的信息和基本任务信息发送给这些匹配无人机的邀请。至于无人机代理,他们会收到投标邀请和任务信息。

4.2.3。投标阶段

在这个阶段,每个无人机代理计算投标值根据其状态参数(包括位置、最早结束时间和持续时间)和任务信息。同时,计算应该遵守预定义的共同规则。获得投标价值后,无人机代理会将值发送到任务代理招标。应该注意的是,招标过程不与任务执行冲突,这意味着无人机可以为了一个新的任务在执行分配的任务。原因是未来宣布任务执行时间和没有影响当前执行的过程。

4.2.4。授予阶段

任务代理收到投标人投标值后,将选择一个合适的无人机授予合同根据预定义的选择策略。同时,完成任务任务代理发送的信息将是赢家无人机代理。

4.2.5。执行阶段

在这个阶段,获胜者无人机执行任务并报告结果后的任务代理执行。

在图3,我们举个例子将一个任务分配给合适的无人机根据拍卖机制。在这个例子中,任务t_我是被分配,我们假设有三个无人机代理: , ,和 。任务代理首先将其基本任务信息发送给经理代理米^一个。然后,米^一个选择满足无人机呢t_我的需求匹配的无人机,u₁,u₂,u₃在本例中是选中的。匹配过程后,米^一个发送无人机的信息t_我^一个。第三,发出投标邀请和必要的任务信息 , ,和 ,和无人机将计算投标值t_我本地设备。接下来,三个无人机投标t_我通过发送自己的投标值 。在收到招标的价值观,选择作为获胜者无人机根据投标值和选择策略。最后,发送完整的任务信息并授予。后的任务分配、任务执行和报告将被执行 。

4.3。投标价值

在前面提到的拍卖机制,任务代理选择一个合适的基于投标值的无人机。因此,投标值的计算的效率具有重要意义。在招标过程中,候选人无人机能否满足最后期限是最重要的因素,我们描述这个效应由阶跃函数。

应该考虑另一个因素是执行开始时间,它应该尽可能早。此外,准备时间会更短。此外,最好是有一个短的执行时间。因此,我们计算无人机的投标值u_j到任务t_我通过的以下方程:

4.4。选择策略

在拍卖过程中,任务代理将选择一个投标无人机代理签订合同如果有,至少,一个投标值不是0。注意,不同的选择策略可能有独特的表现。在这项工作中,我们目前的三个选择策略,即M战略,P D策略,策略。同时,我们稍后将详细的插图。

当任务t_我(我=1、2、3、…)到来时,会有一个无人机负责拍卖工作,和我们使用一个(简称播音员)表示无人机。至于无人机竞标t_我,我们使用报价={报价_j,j=1、2、…}表示。我们需要注意的是,当投标值为0时,相应的无人机将不被视为有效的投标人,它不会被添加进组报价。此外,BV = {bv_jj=1、2、…}是投标值集,在其中bv_j代表投标人的投标价值报价_j为一个。应该注意的是,当只有一个投标人报价,它将直接获得,所以选择策略只适用于多个投标人的状况。

4.1.1。M战略

在这种策略下,一个选择最大的投标人投标值。如果报价_k被选中时,它必须满足以下约束:

10/24/11。P策略

在这种策略下,一个根据概率选择投标人的政策。获胜的概率wp_j投标人的报价_j将会由

基于概率选择投标人,我们wp一个随机数,wp∈(0, 1)。不失一般性,我们wp₀= 0。时的值wp满足方程(13),投标人报价_k选择作为一个赢家。

4.4.3。D战略

考虑到任务和无人机之间的距离是一个关键因素,影响了执行效率,D策略试图选择一个投标人与招标的条件值大于0,所有投标人之间最短的距离。值得注意的是,投标人应发送的值距离投标价值播音员。我们让d_j之间的距离一个和投标人报价_j。如果报价_k被选中时,必须满足以下约束:

5。花蜜的方法

上述机制的基础上,我们提出一个新颖的时代nt-based dynamict问一个llocation算法rithm花蜜,无人机群。在本节中,我们将详细的插图花蜜给经理代理的算法,任务代理和无人机代理。

在算法1,我们提出算法的伪代码管理器代理。经理代理初始化它的操作在第1行,之后现有无人机代理将添加到代理设置U^一个。在第3行,函数等()运行在一个独立的线程,等待状态的管理器代理会跳出只有当有请求从无人机任务代理或报告代理。4号线意味着有一个新的任务代理的请求 。同时,经理代理会让候选人无人机代理人将零线5。然后,经理代理投票的所有代理U^一个(第6行)。如果这个任务并不是一个引人注目的任务,所有无人机代理满足任务t_我的能力要求将被添加到集合(第7行)。然而,如果这个任务是一个引人注目的任务,选择代理必须满足额外的资源约束,即。,秩_j不应该是0(9 - 10行)。第12行意味着有一份来自无人机代理 。如果代理是新建的,而不是U^一个,经理代理会将它添加到U^一个和更新相关的状态。否则,的状态信息将直接更新(12 - 15行)。响应一个请求或一份报告后,经理代理将返回功能等()(16行)。同时,经理代理会跳出等待状态,在4号线开始处理下一个请求或报告时到来。

算法的伪代码任务代理给出的算法2。任务代理的建设后,将初始化和分析任务信息(第1行)。2和3行显示任务代理将发送任务需求经理代理和接收候选人无人机代理。应该注意的是,基本要求主要任务类型及其附加信息,分辨率和火力等类型。任务代理将宣布候选人无人机特工的任务(4 - 5行)。在第6行和第7行,任务代理将初始有效投标值设置为一个空集,之后每个投标人的投标值将被接受。如果无人机代理投标值大于0,该值将被添加到有效的投标值集BidValue(9 - 10行)。在11和12行,任务代理将选择一个赢家投标人根据选择的策略。然而,如果设置BidValue是空的,这意味着没有无人机代理可以满足任务要求,和任务应该被拒绝(13 - 14日行)。

算法3描述了无人机代理算法的伪代码。1号线意味着无人机代理,并将初始化。然后,无人机代理将收购状态参数和报告给经理代理注册,和报告信息主要包括能力和剩余资源。在第3行,函数UagentWaiting ()将运行在一个独立的线程中,无人机代理会跳出以下三个条件:等待状态的任务代理招标邀请,从任务代理授予消息,无人机遇到异常情况。注意异常情况主要指设备错误导致的损失的能力。行5 - 7描述第一情况导致无人机代理跳出的等待状态。无人机代理将分析任务信息和计算投标值,之后投标值发送给相应的任务代理。此外,授予消息也会导致无人机代理跳出等待状态(8 - 12行)。无人机代理会将任务添加到无人机任务列表和更新状态参数。如果任务是一个引人注目的任务,无人机代理应该锁定的资源,向经理报告代理。另一种情况,会导致跳出等待状态的异常情况。如果出现这种情况,无人机代理将收购设备状态和报告管理器代理米^一个(13 - 15行)。

正如上文所述,花蜜可以分配任务的到来而不是以批处理方式分配的任务,所以花蜜达到动态实时分配任务。此外,投标值的计算将定位在无人机代理而不是经理代理的状态信息通过彼此之间将会大大减少,所以它能够在有限的带宽环境中使用。

6。实验评价

如部分4有四种选择策略。因此,四种任务分配算法可以生成采用不同的投标人的选择策略,即。、NECTAR-M NECTAR-P, NECTAR-D。应该注意,NECTAR-M采用M策略在选择赢家投标人,NECTAR-P和NECTAR-D采用P D策略,分别。此外,我们将与基线比较算法——随机。为了避免中央控制,以减少通信,随机使用一个基于代理机制(类似于的花蜜)候选人无人机和随机选择获胜者无人机来分配任务。

来验证我们提出的算法的有效性,保证实验的可重复性,我们进行模拟实验来评估性能的花蜜。同时,我们评估算法的性能指标主要包括以下的效率。

6.1。任务成功率(TSR)

它可以被定义为临时避难所=成功的任务总数/到达任务的总数,和数学表达式可以在(7)。

6.2。执行时间比(ETR)

的定义ETR可以被描述为ETR=所有任务的总执行时间/总所有无人机的飞行时间,和数学表达式可以在(8)。

6.3。仿真参数

对于上述参数,我们给出一个详细的设置如下:(我)之后的任务到动态,与平均内部时间1 /泊松分布λ。(2)参数BaseDeadline用于设置任务的最后期限t_我,公式如下: 在参数助教_我代表了到达的时间t_我和BaseDeadline遵循一个均匀分布的区间(40、40 + 10×)。(3)最初的无人机的数量将是150。(iv)的任务都位于一个矩形区域,它的长度是3000米,宽2000米。即时为0的时候,任务的无人机是随机分布的区域。(v)无人机的最大速度设置60根据当前技术(m / s26]。(vi)组能力被每个无人机是一个真正的子集集合{侦察能力,惊人的能力,损伤评估的能力}。惊人的资源,最初的数量是10,这意味着打击任务的无人机可以承担的最大数量是10。惊人的类型的同时,无人机返回基地时惊人的资源会被用完。(七)执行时间遵循均匀分布模式,执行时间的价值是取决于他们的类型。侦察任务的价值e(15、25)之间惊人的任务吗e∼[25],和评估任务e∼(35岁,45岁)。

我们主要进行四组实验研究该算法的有效性,果汁,和分析时间的影响,任务到达率、任务的最后期限和无人机的性能。这些参数表中列出的间隔2。

6.4。性能随时间的变化

首先,我们研究花蜜算法时间性能的变化。指出,时间主要影响的数量惊人的无人机因为罢工资源消耗品,所以后来的时间,更少的惊人的无人机。在这组实验中,λ= 5,的价值一个是4,无人机的数量是150,和统计时间从200年到900年不等。结果图中可以看到4。

从图4(一),我们可以看到,所有的算法实现了任务成功率超过80%的开始,可验证基于代理拍卖过程的有效性。通过对比临时避难所的四个算法,我们可以发现NECTAR-M成功率最高,和随机达到最低的成功率。至于原因,随机最低临时避难所,我们把这种现象归因于随机选择策略。由于战略,它将随机选择一个赢家无人机从候选人无人机满足任务的最后期限。然而,选中的无人机可能需要长时间过渡,等一段时间再开始的任务的执行,这将大大影响无人机的效率,导致资源浪费,所以临时避难所很低。从NECTAR-D和随机的比较,我们会发现它们之间的性能差距大约是6%,我们可以得出结论,距离是一个主要因素影响的任务分配效率。因此,很容易理解,比NECTAR-P NECTAR-D性能略好,原因是NECTAR-P只有更大的概率选择投标值较大的无人机,但NECTAR-D会选择最近的无人机进行任务,导致转换所花费的时间是最短的。至于原因,NECTAR-M最高临时避难所,它可以得出最大投标值的就业选择策略,将距离,执行时间,和无人机等待时间考虑,全面。因此,它会选择相对适合这个任务的无人机,获得更高的效率。NECTAR-M和NECTAR-D之间的比较,我们可以发现NECTAR-M达到更高的性能比NECTAR-D约为4%,这表明等待时间和执行时间将是另一个因素,分配过程中不应该被忽视。

另一个图中观察到的现象4(一)所有算法的性能会降低随着时间的变化。原因是惊人的资源是有限的,和更引人注目的任务可能拒绝由于惊人的资源的枯竭。此外,NECTAR-M之间的性能差距和NECTAR-D随着时间的推移变得越来越小。拒绝的原因可以归因于惊人的任务,这使得利用NECTAR-M只能反映在侦察任务和损失评估任务,导致差距越来越小。

我们从图可以观察到4 (b)NECTAR-M达到最高ETR在四个算法,原因是M策略选择最合适的无人机将减少空闲时间和飞行距离全面,因此,执行时间比例会更高。其他算法的性能ETR是NECTAR-P NECTAR-D和随机,和这一事实的解释是相似的吗临时避难所。一个有趣的观察是,ETRNECTAR-M、NECTAR-P NECTAR-D会稍微降低随着时间的变化,下降速度将增加500年代后的时间。这是因为500年代之后,一些引人注目的无人机的资源被耗尽,无人机将返回基地,可用的惊人的无人机越来越少,所以无人机进行引人注目的任务必须飞更远的距离,导致较低的ETR。然而,ETR随机是首先保持稳定,然后,略有下降。较小的下降的原因ETR是随机不节省的过渡时间,等待时间,和开始执行时间,减少可用的无人机数量少对随机的影响。

从图我们可以得出这样的结论4提出了基于代理的拍卖机制是有效地分配任务无人机群,和分配效率的主要影响因素是过渡距离,等待时间和执行时间。此外,性能验证设计的有效性的花蜜。

6.5。性能影响任务的到达率

在这组实验中,我们关注的影响性能的到达率的花蜜和随机。的参数λ从2到8的增量1。注意,参数λ主要影响到任务的数量在一个特定的时间单位。同时,实验结果呈现在图5。

从图可以看出5(一个)时的价值λ是2,所有算法都实现了100%临时避难所。原因是到达任务的数量很小,所有的任务都可以成功执行无人机资源是充分的。时的值λ大于3,任务成功率的四个算法的增量会减少吗λ。这可以解释为,当任务到达率变得足够大,无人机都达到了一个沉重的负担,他们别无选择,只能拒绝一些任务由于资源有限,因此,临时避难所会减少。

一个有趣的现象在图中找到5(一个)是,增加的吗λ,性能差距的花蜜和随机首先会变得更大,然后,小。原因在于,随着任务的数量增加,花蜜的优势越来越明显,所以性能差距变大。同时,任务载荷达到一定水平时,对随机的花蜜的优势将保持稳定的潜在无人机已经意识到,但总的任务将继续增加λ;因此,在任务总比例的优势将会减少,所以性能差距变得越来越小。

从图5 (b),我们可以观察到ETR的增加会增加吗λ。首先,它将迅速增加,这是由于无人机在轻负荷,和更多的无人机任务将有助于提高利用率。然而,当无人机在沉重的负荷,提高利用率会减缓或几乎为0,所以ETR将增长缓慢或保持稳定。

从图可以得出结论5参数λ对无人机群主要影响工作状态,提出的花蜜能够适应不同的工作负载的环境。

6.6。性能的影响任务的最后期限

我们学习任务的最后期限的影响性能的花蜜在这组实验中。的参数一个从1到7的增量变化1。应该指出的是,参数一个主要影响最后期限,当的价值一个变得更大,任务的最后期限是宽松的。此外,结果是描绘在图6。

我们从图可以观察到6(一)这一临时避难所的花蜜和随机参数的增长而增长一个的价值。这是因为当任务期限是宽松的,任务可以更灵活地分配给无人机,提高了利用无人机。另一个事实可以得出的结论是增长的临时避难所是先升后减慢速度。原因是任务的成功主要是受可用无人机的数量,宽松的期限将有助于促进利用单个无人机,但提升是有限的。因此,的增长临时避难所会放慢脚步,临时避难所最后将保持稳定。此外,我们可以观察到从图6(一)NECTAR-M的增长是最大的,这个验证拟议机制的效率。我们总结的原因是NECTAR-M已经距离和时间考虑全面,所以改善无人机的利用率将会更重要。

从图6 (b),我们可以发现ETR的花蜜和随机增长的增量一个。另一个事实是,在的性能差距ETR不同算法与宽松的期限将变得更大。同时,将类似的解释ETR。

它可以概括从图6当任务有更宽松的期限,分配算法的性能将得到改善,但改善是有限的。此外,我们提出的花蜜上取得更好的改善临时避难所和ETR。

6.7。性能的影响任务的最后期限

在这组实验中,无人机数量的影响研究。同时,无人机数字主要影响无人机可用资源群。结果呈现在图7。

如图7(一),临时避难所的花蜜将继续增长的无人机数量的增加,直到达到100%。原因在于,有更多的无人机可以应对任务,所以可以成功执行多个任务。此外,性能差距上临时避难所之间的花蜜和随机首先会变得更大,然后,小。动态任务到达的解释是,必须回应的到来,当无人机的数量太小,选择的范围很小,和优化的效果是有限的,所以的花蜜的优势并不明显。虽然无人机数量的增加,花蜜会随机获得明显的性能优势;因此,性能差距将变得更大。然而,当无人机的数量足够大,花蜜已经达到100%临时避难所和无人机数量的增加只会促进随机的性能,所以性能差距会变得更小。此外,NECTAR-M取得了最高的临时避难所在所有算法,以及执行比随机的甘美饮料,这说明我们提出的机制和算法健壮。

从图7 (b),我们可以发现ETRNECTERs会略有上升,然后下降。这可以解释任务到达首先需要回应第一,和候选人无人机的数量太小,所以赢家无人机之间的距离和任务可能不短,所以过渡的时间可能太长,导致低效率。随着无人机数量的增长,花蜜将实现更高ETR。的衰落ETR,原因是当无人机足以承担了任务,更多无人机只会带来资源闲置,因此,ETR将下降。对于随机的直接下降ETR,我们把这种现象归因于随机选择策略。因为随机没有综合考虑距离和时间,如果汁,无人机资源不够使用。因此,ETR将下降。

我们可以得出结论,花蜜无论如何都会执行比基线算法的无人机的数量。因此,建议的机制和算法具有良好的适应性。

7所示。结论和未来的工作

在这项研究中,我们调查了无人机群的动态实时任务分配问题,提出了一种新颖的分布式任务分配算法,花蜜,基于代理的情报和拍卖机制。智能代理技术是用来实现无人机的自我管理。同时,拍卖机制是用来完成任务分配过程在一个分布式的方式。我们的贡献包括设计任务分配模型,并基于拍卖的任务分配活动,以及协作处理阶段和流动。此外,我们设计了投标值的计算在本地设备上以减少通信。除此之外,三个选择策略,即。,米strategy, D strategy, and P strategy, were proposed to determine the winner UAVs. Furthermore, we described NECTAR in detail by giving the algorithms for different agents. Finally, we conducted extensive simulation experiments to verify the effectiveness and efficiency, of which the results indicate that NECTAR is an effective task allocation algorithm for assigning dynamic tasks in the UAV swarm, and it is adaptable and robust when the parameters change.

我们花蜜是第一个发现的同类文献中因为花蜜采用智能代理和拍卖机制来解决动态任务分配问题为无人机群在一个分布式的方式,而不是在批处理模式中分配任务。在未来的工作中,我们要解决的问题如下。首先,我们要加强花蜜以弱交流条件考虑和研究如何通过一些有效的规则完成分配过程。其次,我们计划申请花蜜变成真正的无人机系统完成任务分配。

数据可用性

获得的实验数据可以通过联系相应的作者((电子邮件保护))。

的利益冲突

作者宣称没有利益冲突的出版物。

作者的贡献

(a)(陈参与论文写作、综合处理实验,数据。(b) Weidong保参与理念指导,论文指导和修改,重写抽象和介绍,实验和修改代码。(c)通男性进行了实验。朱(d)小民参与算法设计指导,伪代码编写,抛光整个论文的写作。(e)冀王整理相关文献,帮助陈曹国伟在实验分析。(f)瑞王重新划分的数据图表和纠正语法错误提交的版本。

确认

这项工作得到了国家自然科学基金(61872378和61872378号),湖南省杰出青年科学基金(2018号jj1032)和国防科技大学的科研项目(没有。ZK19-03)。