物流行业的任务分配&协同调度问题研究

        仓储物流机器人的任务分配将趋向多机器人多任务的分配方式，并对任务执行的动态性和反馈性做出要求。随着电子商务的迅猛发展以及订单任务的不断激增，机器人需要迅速对多个订单做出响应，传统的单机器人单任务的分配方式已不能满足当前所需，多机器人多任务的分配方式将成为主流。当前已有学者开始考虑机器人任务执行过程的实时反馈,这将有助于工作人员更好地了解机器人的实时状态,从而保证任务执行的流畅性和高效性。

        多智能体的集群调度，即集群化和多智能体协同。随着技术的不断发展，特别是随着电商、快递等的迅猛发展，AGV的应用规模迅速扩大，类Kiva机器人的出现，使得多智能体协作的需求越来越多，机器人的作业路径也由简单变得复杂，对多智能体集群调度的需求越来越大。

        多机器人调度的方法主要分为精确算法和启发式算法，精确算法主要包括动态规划法、分支定界法、隐枚举法，启发式算法可分为传统启发式算法和智能优化算法，传统启发式算法包括节约里程法、扫描法语两阶段法；智能优化算法包括蚁群算法、粒子群算法与灰狼算法，具体关系如下图所示。其中也可以根据现实情况制定目标函数与约束条件，将现实问题转变为多目标优化问题。

 

        多机器人调度的标准包括机器人执行任务的能力、任务紧急程度和任务复杂度；分配从机器人的任务需求紧急程度又可以划分为即时分配和延时分配。   

        多机器人调度原则包括路径最短原则、时间最短原则、成本最少原则。  

        多机器人调度的模型包括多旅行商问题（TSPs）、车辆路由问题（VRPs）、混合整数线性规划模型（MILP）,其中MILP适用于多机器人多任务建模。

        多机器人调度的解决方法有以集中控制为基础的智能算法任务分配和以分布式控制为基础的市场机制分配方法。不少文章中针对距离、时间、能耗、协调性、通信等目标函数加入对任务分配的约束。

        多机器人调度存在的问题在于在任务分配的研究中，为获得算法结果的最优性，机器人间需要进行大量的通信，造成分配时间过长，所以如何改进算法以保证分配结果性能不下降情况下缩短通信时间。     

        综上所述多机器人任务分配，即协同调度问题需要考虑的因素较多，需要查阅更多的文献保证模型的鲁棒性与准确性。