XiaoMi-AI文件搜索系统
World File Search System任务分配
基于DAG 和AHP-TOPSIS 算法的多乘员协同任务分配方法研究
等方面 . 人机功能分配主要包括静态和动态两种类型 , 静态功能分配是从功能特性和需求分析入手 , 通过比较人 和系统在完成该功能上的能力优势或绩效优劣 , 决定该功能分配给人还是系统 . 动态功能分配方法则是在静态 人机功能分配的基础上 , 当动态触发机制响应时 , 允许系统在运行阶段根据情况的变化将功能在人与系统之间 动态地重新分配 , 提高整体的工作效率 . 多智能体的任务分配是指在作战开始前 , 指挥中心通常会根据已掌握的 战场信息 , 对己方作战单元进行任务预分配 . 但随着战场情景变化以及突发情况的出现 , 预分配方案可能会使得 执行任务的效能降低 , 多智能体如何调整自身任务 , 使得执行任务的效能保持最大是其研究的主要内容 . 计算机 任务调度研究的是将任务动态地调用给各个虚拟机并提供给用户使用 , 怎样合理地将任务分配给不同的虚拟机 , 进而提升整个系统的性能是其研究的重点 . 以上分配原则对于多乘员分配有很好的参考价值 , 但舱室乘员间任 务分配时 , 主要考虑到人的特性 , 需要以人的理论基础来加以研究 [4] . 针对实际作战过程中 , 乘员应对非预期事件效率低下的问题 , 本文提出了一种多乘员协同动态任务分配方 法 . 在非预期事件触发时 , 对任务进行 DAG 分解及分层 , 根据乘员脑力负荷、乘员能力、任务相关度以及时间成 本四个因素 , 按照一定的任务分配顺序 , 基于 AHP-TOPSIS 方法进行乘员的优选 , 实时更新乘员状态 , 并以此为 依据进行下一任务的分配 . 任务分配过程可实现随乘员状态变化而动态调整 , 达到负荷均衡、效能最优 , 从而将 多任务分配问题简化为单个任务的多属性决策问题 .
朝着基于学习的分布式任务分配...
摘要 - 本文引入了图形卷积网络（GCN）的新应用，以提高基于共识的捆绑算法（CBBA）在多机器人任务分配方案中的效率。本研究中提出的方法在于基于学习的策略的整合，以近似于CBBA框架中用于评分的传统启发式方法。通过采用GCN，提出的方法旨在学习和预测分数功能，这对于多机器人系统中的任务分配决策至关重要。这种方法不仅简化了分配过程，而且还可以提高机器人之间任务分布的准确性和效率。本文介绍了如何有效地针对此特定应用定制GCN的详细探索，以及结果证明了这种基于学习的方法比常规启发式方法在各种模拟的多机器人任务分配方案中的优势。关键字 - 任务分配，多机器人系统，分布式算法，图形卷积神经网络
基于市场的自主水下监视网络任务分配框架
摘要 — 水下机器人监视网络的实现为海洋机器人带来了诸多挑战。水下场景通常以间歇性和不可靠的通信为特征。这使得开发适合在水下监视应用中有效工作的任务分配方案具有挑战性。我们提出了一种基于市场的任务分配方法，该方法以完全分布式的方式工作。通过定期拍卖，该算法实现了机器人在整个任务过程中的动态任务分配。没有中央拍卖师，任何机器人在打算执行任务时都会成为拍卖师。通过定期拍卖，所有机器人按顺序分配任务。该算法旨在提高对不良通信的鲁棒性并允许任务重新分配，以使分配适应不断变化的场景。计算机模拟结果报告支持所提出的方法。反潜战应用被认为是测试该方案的方法。在这个应用中，不同维度区域的监视必须由一组 AUV 完成。
考虑结果质量要求的人类+人工智能群体任务分配
本文探讨了向由人工智能和人类工作者组成的群体动态分配任务的问题。目前，众包创建人工智能程序是一种常见的做法。为了将这类人工智能程序应用于一组任务，我们通常采取“全有或全无”的方法，等待人工智能足够好。然而，这种方法可能会阻止我们在过程完成之前利用人工智能提供的答案，也会阻止探索不同的人工智能候选者。因此，将创建的人工智能与其他人工智能和人工计算相结合，以获得更高效的人机团队并非易事。在本文中，我们提出了一种解决这些问题的方法，即采用“分而治之”的策略来评估人工智能工作者。在这里，只要最终结果满足给定的质量要求，分配给人类的任务数量最少，分配就是最优的。本文对所提出的方法进行了理论分析，并利用开放基准和真实数据集进行了大量的实验。结果表明，当人工智能难以满足整个任务集的质量要求时，该算法可以向人工智能分配比基线多得多的任务。它们还表明，它可以根据现有人工智能工作者的表现灵活地改变分配给多个人工智能工作者的任务数量。
通过任务分配和心理工作量平衡提高工作流程绩效
19.在不断变化的作战节奏下，来自开发的模拟优化方法的结果 ......................................................................................................................................................101 20.ABOC、ABOA 和开发的 ABOGA 平均持续时间结果之间的百分比差异 ................................................................................................................................................107 21.在不同作战节奏下来自 OptQuest 的结果 .............................................................................................................109 22.开发的 ABOGA 方法结果与 OptQuest 结果之间的百分比差异 .............................................................................................110 23.OptQuest 结果与常见实践启发式结果之间的百分比差异 .............................................................................................................112 24.不同能力差异系数下 ABOA、ABOC 和 ABOGA 输出的比较 .............................................................................................................................................117 25.ABOA、ABOC 和 ABOGA 输出的比较， ABOC 和 ABOGA 的工作订单数量各不相同......................................................................................................................................................123
考虑合作任务和优先约束的多机器人任务分配与调度
摘要 — 为了充分利用异构多机器人团队合作的固有优势，复杂的协调算法必不可少。时间扩展多机器人任务分配方法将一组任务分配和安排给一组机器人，以优化某些目标并满足操作约束。如果考虑合作任务（即需要两个或多个机器人直接协同工作的任务），这尤其具有挑战性。在本文中，我们提出了一个易于实施的标准来验证时间扩展多机器人任务分配问题解决方案的可行性，即可执行性，这些问题具有跨计划依赖性，这些依赖性源于对合作任务和优先约束的考虑。使用引入的可行性标准，我们针对所考虑的问题类提出了一种基于邻域运算符的局部改进启发式方法。初始解决方案由贪婪的构造启发式方法获得。这两种方法都使用广义成本结构，因此能够处理各种目标函数实例。我们使用不同问题规模的测试场景来评估所提出的方法，所有这些场景都包含所考虑问题的复杂性方面。模拟结果证明了应用局部改进启发式方法所带来的改进潜力。
含可再生能源的电力物联网计算任务分配
电力物联网是构建新能源新型电力系统的关键技术。针对包括可再生能源在内的电力物联网运行控制过程中数据量巨大导致云计算计算时延过大的问题，建立了基于边缘计算的电力物联网云-边-端协同优化计算模型。结合布置在发电设备周围的多种智能终端设备（STD）采集的数据，分析电力物联网的边缘计算框架，建立了基于最小化平均系统时延的计算任务分配模型。搭建相应仿真模型进行仿真验证。与其他基线方案相比，该优化方案可显著降低所有任务的平均系统时延。
开放车队中的分散协调，以进行可扩展和动态的任务分配
大型和开放协作和商用车舰队协调的主要挑战之一是动态的任务分配。自我界定的独立合理的车辆驱动程序同时具有本地和全球目标，这需要使用某种公平有效的任务分配方法进行协调。在本文中，我们回顾了有关可扩展和动态任务分配的文献，重点是确定性和动态二维线性分配概率。我们专注于开放车队的多代理系统表示，其中动态出现的车辆由软件代理表示，这些软件应分配给一组动态出现的任务。我们对最新的研究结果进行了比较和批判性分析，该研究结果侧重于集中，分布和分散的解决方案方法。此外，我们提出了以下作业问题的动态版本的数学模型，在组合优化中众所周知：分配问题，瓶颈分配问题，公平匹配的问题，动态最小偏差分配概率，P K-分配问题，分配问题，半分配问题，半分配问题以及辅助分配的分配性分配的分配性代理人参差合格;在考虑开放车队的主要方面的同时：任务和车辆的随机到达（代理商）可能会在协助以前的任务或通过个人利益参与舰队的情况下可用。
自适应双级多机器人任务分配和在不确定性下使用时间逻辑约束
这项工作解决了未知机器人过渡模型下多机器人协调的问题，以确保按时间窗口时间窗口逻辑指定的任务对用户定义的概率阈值满意。我们提出了一个BI级框架，该框架集成了（i）高级任务分配，其中根据机器人的估计任务完成概率和预期奖励分配任务，以及（ii）在履行分配的任务时，机器人独立优化了辅助奖励。要处理机器人动力学中的不确定性，我们的方法利用实时任务执行数据来迭代地完善预期的任务完成概率和奖励，从而无需显式机器人过渡模型即可自适应任务分配。我们从理论上验证了所提出的算法，表明任务分配具有很高的置信度达到所需的概率阈值。最后，我们通过全面的模拟证明了框架的有效性。
能力感知的任务分配和团队形成分析复杂环境的合作探索
摘要 - 为了实现复杂的现实世界利用任务的自主权，我们考虑为具有异质自治能力的机器人团队的部署策略。在这项工作中，我们制定了一个多机器人勘探任务，并计算一项操作政策，以维持机器人团队的生产率并最大程度地提高任务奖励。环境描述，机器人能力和任务结果被建模为马尔可夫决策过程（MDP）。我们还包括实地世界操作中的限制，例如传感器故障，有限的沟通覆盖范围和移动性压力元素。然后，我们在DARPA地下（Subt）挑战的背景下研究了现实情况下提出的操作模型。在SubT挑战的最终竞争中，计算出的部署政策还与基于人类的操作策略进行了比较。最后，使用拟议的模型，我们讨论了建立具有异质功能的多机器人团队的设计权衡。