買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京理工大學(xué)申請的專利基于非支配排序的改進粒子群算法的多智能體協(xié)同任務(wù)分配方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115809547B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211459220.1，技術(shù)領(lǐng)域涉及：G06F30/20；該發(fā)明授權(quán)基于非支配排序的改進粒子群算法的多智能體協(xié)同任務(wù)分配方法是由高陽;彭張弛;錢晨;吳瀟瑞;黃卓;陳慶偉;吳益飛設(shè)計研發(fā)完成，并于2022-11-17向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于非支配排序的改進粒子群算法的多智能體協(xié)同任務(wù)分配方法在說明書摘要公布了：本發(fā)明公開了一種基于非支配排序的改進粒子群算法的多智能體協(xié)同任務(wù)分配方法，建立了多智能體協(xié)同任務(wù)分配的模型，實現(xiàn)了打擊收益、資源消耗、受損概率等多項指標的同時優(yōu)化。本發(fā)明針對多智能體協(xié)同任務(wù)分配的問題的特點，將多目標粒子群算法與非支配排序算法相結(jié)合，融入了非支配排序算法和交叉變異機制，設(shè)計了一種改進慣性權(quán)重取值的非線性方法，提出了一種獲得算法所得的帕累托解的最優(yōu)解的最大距離方法，大幅提高了算法的全局搜索尋優(yōu)能力和工程應(yīng)用價值。相對于傳統(tǒng)優(yōu)化方法，本發(fā)明方法在解決動態(tài)環(huán)境下的多目標優(yōu)化問題時有著更好的收斂性和準確性。

本發(fā)明授權(quán)基于非支配排序的改進粒子群算法的多智能體協(xié)同任務(wù)分配方法在權(quán)利要求書中公布了：1.一種基于非支配排序的改進粒子群算法的多智能體協(xié)同任務(wù)分配方法，所述方法包括以下步驟： 步驟1，結(jié)合作業(yè)環(huán)境信息，建立多智能體任務(wù)分配的目標收益模型；具體包括： 記第i個智能體對目標j執(zhí)行任務(wù)時采用的裝備型號為裝備適用度為對目標j的打擊率為則第i個智能體對目標j執(zhí)行任務(wù)時的毀傷度Pij由兩者共同決定，即目標j對應(yīng)的價值為Vj，則該智能體編隊的目標價值收益為： Pij×Vj 因此，整個多智能體系統(tǒng)任務(wù)分配的總體收益模型如下公式所示： 式中，M為智能體的數(shù)量，N為目標的數(shù)量，Vj為目標j的價值，Vmax代表的是目標最大價值；Xij為智能體的分配方案，由一個任務(wù)分配決策矩陣來表示，定義如下：i∈[1,M]，j∈[1,N]； 步驟2，結(jié)合作業(yè)環(huán)境信息，建立多智能體任務(wù)分配的損失代價模型；具體包括： 1飛行距離最短指標f2 設(shè)為第i個智能體在選擇路徑p時飛行的長度，由于所有智能體可能面臨多個目標任務(wù)，記目標k為智能體飛臨的第一個目標點，代表了k之后的其他目標點，其中Tmax表示智能體一次任務(wù)中可執(zhí)行的最大目標數(shù)；記Dik是第i個智能體從初始位置到k目標點的飛行航程，是第i個智能體從k目標點到r目標點的飛行航程；則智能體編隊飛行距離表示為： 式中，Lmax為單位智能體在執(zhí)行任務(wù)時的最大飛行距離，M為參與的智能體數(shù)量，N為目標的數(shù)量，LmaxM為歸一化因子； 式中，Dikmax表示的是第i個智能體從初始位置到k目標點的最大飛行航程；表示的是第i個智能體從k目標點到r目標點的最大飛行航程；Tmax-1指的是智能體可執(zhí)行任務(wù)的最大次數(shù)； 因此，智能體的飛行距離最短指標為： 2自身損耗成本最小指標f3 損耗量成本最小指標的形式化如下公式所示： 式中，記對目標j執(zhí)行任務(wù)采用的裝備型號為為型號裝備的單位造價， 3子目標覆蓋程度最大指標f4 子目標覆蓋程度最大指標的形式化如下公式所示： 步驟3，基于步驟1與步驟2所得多目標函數(shù)，結(jié)合智能體執(zhí)行任務(wù)過程中的約束條件，建立多智能體協(xié)同任務(wù)分配模型；具體包括： 綜合上述四個指標，進行多目標優(yōu)化，獲得整體評價函數(shù)即多智能體協(xié)同任務(wù)分配的整體模型為： minf＝[f1；f2；f3；f4] 約束條件包括： 1多智能體協(xié)同約束c1：為了保障多智能體在執(zhí)行任務(wù)的過程中的協(xié)同性，防止無效任務(wù)、重復(fù)任務(wù)、智能體數(shù)目與目標數(shù)目不匹配等協(xié)同問題，需要對所建立的模型添加一定的約束條件，主要有下面兩點： 對于智能體而言，任意一個目標點最多只能被智能體執(zhí)行一次任務(wù)，即： 對于目標點，智能體執(zhí)行任務(wù)時的任務(wù)個數(shù)不能超出自身所能承載的任務(wù)負荷，即： 其中，Zimax為第i個智能體所能承載的任務(wù)負荷； 對于任務(wù)，所有的任務(wù)數(shù)都必須被執(zhí)行，即： 其中，Ntype代表的是執(zhí)行的任務(wù)類型個數(shù)； 2多智能體的作業(yè)半徑約束c2：多智能體協(xié)同執(zhí)行任務(wù)的過程中，執(zhí)行任務(wù)的半徑存在一定約束，即： 其中，Ri,i＝1,2,...,M代表的是第i個智能體的作業(yè)半徑； 步驟4，利用基于非支配排序的改進粒子群算法對步驟3獲得的模型進行求解，獲得帕累托解集； 步驟5，基于步驟4所得的帕累托解集，通過最大距離方法獲得帕累托最優(yōu)解，具體步驟如下： 步驟4.1，根據(jù)步驟3輸入多智能體任務(wù)分配的約束條件，初始化粒子群，隨機設(shè)置每個粒子的速度和位置，設(shè)置t＝0，隨機生成初始解； 步驟4.2，根據(jù)多智能體協(xié)同任務(wù)分配的整體模型求解每個粒子的適應(yīng)度，將粒子的位置和適應(yīng)值存儲在粒子的個體極值pbest中，將所有pbest中最優(yōu)適應(yīng)值的個體位置和適應(yīng)值保存在全局極值gbest中； 步驟4.3，更新粒子位置和速度 xi,jt+1＝xi,jt+vi,jt+1 vi,jt+1＝ω·vi,jt+c1r1[pi,j-xi,jt]+c2r2[pg,j-xi,jt] 式中，x為粒子的位置信息，v代表粒子的速度信息，c1和c2為粒子的學(xué)習(xí)因子，r1和r2為0,1之間的隨機數(shù)，pi,j為粒子的局部最優(yōu)值，pg,j為粒子的全局最優(yōu)值，w為慣性權(quán)重；以粒子位置與當前最優(yōu)位置的差值來指導(dǎo)慣性權(quán)重w的取值，根據(jù)其值的不同來非線性地調(diào)節(jié)慣性權(quán)重w的大小，第i個粒子j時刻與全局最優(yōu)粒子的差值為 式中，D為解空間維度；xmax、xmin分別為粒子位置分量的上界與下界；表示j時刻的全局最優(yōu)粒子位置，表示第i個粒子j時刻的位置；為粒子i在時刻j的慣性權(quán)重；wstart、wend分別為w的初始值和最終值； 步驟4.4，將每個粒子的適應(yīng)值與粒子的最好位置比較，若兩者相差值在預(yù)設(shè)范圍內(nèi)，則將當前粒子的適應(yīng)值作為粒子最好的位置；并比較當前所有的pbest和gbest，更新gbest； 步驟4.5，引入交叉、變異操作：依據(jù)粒子位置分量與全局最優(yōu)位置的差值X來判斷是否交叉變異，使得粒子快速跳出局部最優(yōu)；具體步驟如下： ①確定X的閾值Xmin、交叉率pc和變異率pm； ②判斷粒子i的差值Xi是否小于閾值，是則向下執(zhí)行，反之跳出不執(zhí)行； ③為粒子i的每一維選取[0,1]的隨機數(shù)r，第j維即為rij，若rij＜pm，則進行變異操作： xij＝xmin+xmax-xminr ④再判斷粒子第j維對應(yīng)的隨機數(shù)rij是否小于交叉率pc，是則對第j維執(zhí)行交叉操作，交叉對象為全局最優(yōu)解，將第j維的全局最優(yōu)解賦值給粒子的第j維； 步驟4.6，采用非支配排序法對各目標函數(shù)進行排序，根據(jù)排序結(jié)果選擇下一代種群； 步驟4.7，當算法達到預(yù)設(shè)停止條件時，停止搜索并輸出結(jié)果；否則轉(zhuǎn)到步驟4.3繼續(xù)搜索。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南京理工大學(xué)，其通訊地址為：210094 江蘇省南京市玄武區(qū)孝陵衛(wèi)街道孝陵衛(wèi)街200號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。