✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
在多无人机系统中,任务分配是一个关键问题,影响着系统的效率和鲁棒性。本文提出了一种基于合同网协议 (CNP) 和共识的捆绑算法 (CBBA),以解决多无人机任务分配问题。该算法通过 CNP 协议进行任务协商,并通过共识机制确保任务分配的公平性和效率。
引言
随着无人机技术的快速发展,多无人机系统在各种领域得到了广泛应用。在多无人机系统中,任务分配是一个至关重要的环节,它直接影响着系统的整体性能。任务分配问题是一个 NP 难问题,目前已有多种算法被提出,但仍存在一些挑战,例如任务冲突、资源约束和公平性问题。
CNP 协议
CNP 协议是一种分布式协调协议,用于在多智能体系统中进行任务分配。该协议基于以下原理:
-
**任务协商:**智能体通过交换消息来协商任务分配。
-
**承诺:**智能体可以对任务做出承诺,表示愿意执行该任务。
-
**冲突检测:**智能体检测任务冲突,并协商解决冲突。
CBBA 算法
CBBA 算法是一种基于 CNP 协议的捆绑算法。该算法将任务捆绑成多个子任务,并通过 CNP 协议进行子任务分配。CBBA 算法的具体步骤如下:
-
**任务捆绑:**将任务捆绑成多个子任务。
-
**CNP 协商:**使用 CNP 协议进行子任务分配。
-
**共识:**通过共识机制确保任务分配的公平性和效率。
共识机制
共识机制是一种分布式协议,用于在多智能体系统中达成一致。在 CBBA 算法中,共识机制用于确保任务分配的公平性和效率。共识机制的具体步骤如下:
-
**提案:**智能体提出任务分配提案。
-
**投票:**智能体对提案进行投票。
-
**达成一致:**当提案获得超过一定数量的投票时,达成一致。
仿真实验
为了评估 CBBA 算法的性能,我们进行了仿真实验。实验结果表明,CBBA 算法能够有效解决多无人机任务分配问题,并具有以下优点:
-
**高效率:**CBBA 算法能够快速找到任务分配方案,提高了系统的效率。
-
**高公平性:**CBBA 算法通过共识机制确保了任务分配的公平性,防止了少数智能体垄断任务。
-
**鲁棒性:**CBBA 算法能够应对任务冲突和资源约束等挑战,提高了系统的鲁棒性。
结论
本文提出了一种基于 CNP 协议和共识的捆绑算法 CBBA,用于解决多无人机任务分配问题。CBBA 算法通过 CNP 协议进行任务协商,并通过共识机制确保任务分配的公平性和效率。仿真实验表明,CBBA 算法具有高效率、高公平性和鲁棒性,能够有效解决多无人机任务分配问题。
📣 部分代码
clear
num_of_UAVs = 4; % Num of UAVs
time = 1300;
sample_arena = Arena; % Arena , If you want to change the position of static
% Obstacals, see the Arena.m file
tic
for i = 1:1:num_of_UAVs
% Initialising the Aircrafts
UAVs(i) = AirCraft(i);
end
sample_mission_planner = mission_planner(UAVs, sample_arena );
% Initialising the mission planner
N = time/sample_arena.dt;
%% Loop run
for i = 1:1:N
for k = 1:1:numel(UAVs)
sample_mission_planner.plan_mission(k);
% Plan mission i,e get the new command for the k-th UAV
end
for k = 1:1:numel(UAVs)
UAVs(k).move(sample_arena);
% move the K-th UAV
end
⛳️ 运行结果
🔗 参考文献
[1] 林晨.面向无人机集群任务分配的分布式算法研究[D].电子科技大学,2019.
[2] 龙腾,曹严,孙景亮,等.基于非死锁合同网算法的多机分布式时序任务分配方法.2022[2024-03-19].
[3] 解涛,郭建胜,张晓丰,等.基于CNP方法的多无人机实时任务分配[J].电光与控制, 2023, 30(10):102-107.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类