基于群体智能的多AUV协同任务分配方法研究

发布时间：2020-09-24 22:18

　　在不确定动态海洋环境下的多AUV任务分配问题,是一个复杂的NP(Non-Deterministic Polynomial)完全优化问题,很难找到问题的全局最优解。因此,快速生成解决问题的最优解决方案,使AUV所使用的任务执行时间和能量最小化,获得收益最大化是非常重要的。在多机器人系统协调协作方面,由于复杂任务难以描述、负载均衡难以分配、协作系统建模与控制结构难以模式化等问题,可能导致任务复杂性升级,致使多机器人系统协调与合作效率降低,无法顺利完成任务。由此可见,多AUV科学合理的实施任务分配,并充分利用所有资源指导AUV执行任务规划,使得系统资源消耗代价降到最低,是多AUV协作系统急需解决的热点和难点问题。本文采用群体智能技术中仿生任务分配方法,针对多AUV协同任务分配体系结构、多AUV任务分配、特别是多AUV任务规划和多AUV任务重规划等问题进行了深入的研究。首先,针对不确定的海洋环境中多AUV任务分配类型、任务分配方法、任务分配存在的问题与挑战进行了分析,研究了一种多AUV协同任务分配模型,多AUV分布式任务分配模型和多AUV动态任务分配模型,分析了这三种模型的设计与构建。为了提高多AUV任务分配、任务规划、任务重规划在动态不确定的海洋环境中执行任务的综合能力,以有利于AUV在严酷的未知环境中以最小的代价执行任务,研究了一种多AUV协同任务分配体系结构(MACTA)。其次,针对多AUV系统各个节点负载不均衡、容易陷入局部最优等问题,结合MACTA体系结构中任务分配模块,研究了一种基于混沌优化量子粒子群算法(CQPSO)的多AUV任务分配方法。将多AUV任务分配问题中的优化目标函数、决策变量、约束条件等要素映射到CQPSO算法的各个要素上,通过对算法的改进优化,完成任务分配问题求解。利用logistic函数产生混沌序列,通过对局部优化结果多次迭代,进而产生局部最优解的邻域点,将混沌序列中的最优位置替换当前位置,从而脱离局部最优,获得多AUV任务分配过程的全局最优。再次,针对多AUV航路避障任务规划中缺乏自主性的问题,结合MACTA体系结构中任务规划模块,研究了一种基于响应阈值蚁群算法(ACO)的多AUV任务规划方法。由于AUV所在的海洋环境是复杂动态的,任务规划过程会不断发生变化,需要AUV具有降低任务规划算法计算成本的能力,所以,研究基于响应阈值的蚁群算法任务规划算法,通过构建基于响应阈值的ACO任务规划模型,实现多AUV航路多重避障任务规划。最后,针对多AUV任务规划中不能够独立调整作业方案,实现任务重新规划问题,结合MACTA体系结构中任务重规划模块,研究了一种基于滚动时域微分进化量子蜂群算法(DEQABC)的多AUV任务重规划方法。在多AUV任务重规划中,为了使多AUV能够快速完成任务规划并有效执行任务,实现多级AUV分布式任务重规划的全局优化。通过引入平衡系数因子来分配传统合同网的AUV任务规划,使传统合同网多级AUV分布式任务规划中的不平衡负载等缺陷得到了改善,提出将滚动时域微分进化量子蜂群算法应用于不确定海洋环境下的多AUV动态分布式任务规划过程中,实现了多AUV任务重规划。论文研究了不同的群体智能算法在多AUV任务分配、任务规划和任务重规划模型中的应用,构建了多AUV协同任务分配(MACTA)体系结构,为基于群体智能算法多AUV任务分配研究提供了新方法和新思路。
【学位单位】：哈尔滨工程大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TP18
【部分图文】：

函数,任务分配,方法研究

3 章基于混沌优化 QPSO 的多 AUV 任务分配方法研究43图3.5 函数4211( , ) ( )iif x y f x 测试结果Fig. 3.5 Function Test Results图3.6 函数3642f ( x ) sin (5 ( x 0.05))测试结果Fig. 3.6

测试结果Fig. 3.5 Function Test Results图3.6 函数3642f ( x ) sin (5 ( x 0.05))测试结果Fig. 3.6 Function

函数,博士学位论文

哈尔滨工程大学博士学位论文44图3.7 函数63f ( x ) sin (5 x)测试结果Fig. 3.7 Function Test Results图 3.8 函数2 540.1( ) exp( 2log(2) ( ) sin (5 ))0.8xf x x 测试结果Fig. 3

【参考文献】