第13卷第6期 智能系统学报 Vol.13 No.6 2018年12月 CAAI Transactions on Intelligent Systems Dec.2018 D0:10.11992/tis.201707022 网络出版地址:http:/kns.cnki.net/kcms/detail/23.1538.TP.20180410.1620.026.html 面向多机器人动态任务分配的事件驱动免疫网络算法 曹鹏飞,郝矿荣,丁永生 (1.东华大学信息科学与技术学院,上海201620:2.数字化纺织服装技术教育部工程研究中心,上海201602) 摘要:为实现多机器人系统的动态任务分配与协作,提出了一种面向多机器人动态任务分配的事件驱动免疫 网络算法。将生物免疫网络的工作机理应用到多机器人动态任务分配算法中,借鉴Jere的独特型免疫网络假 说和Farmer提出的抗体微励动态方程,设计了多机器人任务分配与自主协作模型:基于事件驱动机制,设计了 多机器人动态任务分配算法,并引入焦躁模型来解决任务死锁问题。仿真和实际多机器人系统实验结果表明, 基于本文算法的多机器人系统在动态任务场景中具有较强的适应性和自主规划协调能力。 关键词:免疫网络:多机器人系统;动态任务:自主协作:事件驱动 中图分类号:TP242文献标志码:A文章编号:1673-4785(2018)06-0952-07 中文引用格式:曹鹏飞,郝矿荣,丁永生.面向多机器人动态任务分配的事件驱动免疫网络算法J.智能系统学报,2018, 13(6):952-958. 英文引用格式:CAO Pengfei,,HAO Kuangrong,.DING Yongsheng..Event-driven immune network algorithm for multi-robot dy- namic task allocation[J.CAAI transactions on intelligent systems,2018,13(6):952-958. Event-driven immune network algorithm for multi-robot dynamic task allocation CAO Pengfei,HAO Kuangrong,DING Yongsheng (1.Engineering Research Center of Digitized Textile &Apparel Technology,Shanghai 201620,China;2.Ministry of EducationCol- lege of Information Science and Technology Donghua University, Abstract:To realize a dynamic task allocation and collaboration of multi-robot system,an event-driven im- mune network algorithm for multi-robot dynamic task allocation is presented.Inspired by the working mechanism of biological immune network,a multi-robot task allocation and autonomous cooperation mod- el was established in this study,based on Jerne's idiotypic network hypothesis and Farmer's antibody dy- namic equation.Then,a multi-robot dynamic task allocation algorithm was designed based on event-driv- en mechanism,and the anxiety model was used to solve the deadlock problem.Simulation and experiment- al results of multi-robot system show that a multi-robot system based on this algorithm has strong adaptabil- ity and independent planning and coordination in dynamic task environments. Keywords:immune net work;multi-robot system;dynamic task;autonomous cooperation;event-driven 由于多机器人系统可以更好地实现信息和资 通信等很多领域中,具备很好的实用价值。而 源共享,具有更高的并行性和鲁棒性,可以完成 一种良好的任务分配策略对整个系统起着重要的 更加复杂的任务,已经被应用到智能生产、未知 作用,因而成为学者们的研究热点。 环境探测、搬运清理、服务行业、搜索搜救、远程 针对不同的应用场景,国内外学者提出了许 多有效的任务分配算法,大多都是基于行为机 收稿日期:2017-07-20.网络出版日期:2018-04-10 制、奖赏机制、市场机制以及群体智能。袁等 基金项目:上海市科学技术委员会国际合作项目(16510711100): 国家自然科学基金项目(61503075,61473078). 提出改进的免疫网络算法解决了未知环境中机器 通信作者:郝矿荣.E-mail:krhao@dhu.edu.cn. 人搬运箱子问题,取得一定效果。但以上算法大
DOI: 10.11992/tis.201707022 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180410.1620.026.html 面向多机器人动态任务分配的事件驱动免疫网络算法 曹鹏飞,郝矿荣,丁永生 (1. 东华大学 信息科学与技术学院,上海 201620; 2. 数字化纺织服装技术教育部工程研究中心,上海 201602) 摘 要:为实现多机器人系统的动态任务分配与协作,提出了一种面向多机器人动态任务分配的事件驱动免疫 网络算法。将生物免疫网络的工作机理应用到多机器人动态任务分配算法中,借鉴 Jerne 的独特型免疫网络假 说和 Farmer 提出的抗体激励动态方程,设计了多机器人任务分配与自主协作模型;基于事件驱动机制,设计了 多机器人动态任务分配算法,并引入焦躁模型来解决任务死锁问题。仿真和实际多机器人系统实验结果表明, 基于本文算法的多机器人系统在动态任务场景中具有较强的适应性和自主规划协调能力。 关键词:免疫网络;多机器人系统;动态任务;自主协作;事件驱动 中图分类号:TP242 文献标志码:A 文章编号:1673−4785(2018)06−0952−07 中文引用格式:曹鹏飞, 郝矿荣, 丁永生. 面向多机器人动态任务分配的事件驱动免疫网络算法 [J]. 智能系统学报, 2018, 13(6): 952–958. 英文引用格式:CAO Pengfei, HAO Kuangrong, DING Yongsheng. Event-driven immune network algorithm for multi-robot dynamic task allocation[J]. CAAI transactions on intelligent systems, 2018, 13(6): 952–958. Event-driven immune network algorithm for multi-robot dynamic task allocation CAO Pengfei,HAO Kuangrong,DING Yongsheng (1. Engineering Research Center of Digitized Textile &Apparel Technology, Shanghai 201620, China; 2. Ministry of EducationCollege of Information Science and Technology Donghua University, ) Abstract: To realize a dynamic task allocation and collaboration of multi-robot system, an event-driven immune network algorithm for multi-robot dynamic task allocation is presented. Inspired by the working mechanism of biological immune network, a multi-robot task allocation and autonomous cooperation model was established in this study, based on Jerne’s idiotypic network hypothesis and Farmer’s antibody dynamic equation. Then, a multi-robot dynamic task allocation algorithm was designed based on event-driven mechanism, and the anxiety model was used to solve the deadlock problem. Simulation and experimental results of multi-robot system show that a multi-robot system based on this algorithm has strong adaptability and independent planning and coordination in dynamic task environments. Keywords: immune net work; multi-robot system; dynamic task; autonomous cooperation; event-driven 由于多机器人系统可以更好地实现信息和资 源共享,具有更高的并行性和鲁棒性,可以完成 更加复杂的任务,已经被应用到智能生产、未知 环境探测、搬运清理、服务行业、搜索搜救、远程 通信等很多领域中,具备很好的实用价值[1-2]。而 一种良好的任务分配策略对整个系统起着重要的 作用,因而成为学者们的研究热点。 针对不同的应用场景,国内外学者提出了许 多有效的任务分配算法,大多都是基于行为机 制、奖赏机制、市场机制以及群体智能[3-5]。袁等[6-7] 提出改进的免疫网络算法解决了未知环境中机器 人搬运箱子问题,取得一定效果。但以上算法大 收稿日期:2017−07−20. 网络出版日期:2018−04−10. 基金项目:上海市科学技术委员会国际合作项目 (16510711100); 国家自然科学基金项目 (61503075,61473078). 通信作者:郝矿荣. E-mail: krhao@dhu.edu.cn. 第 13 卷第 6 期 智 能 系 统 学 报 Vol.13 No.6 2018 年 12 月 CAAI Transactions on Intelligent Systems Dec. 2018
第6期 曹鹏飞,等:面向多机器人动态任务分配的事件驱动免疫网络算法 ·953· 都适用于静态或任务信息事先已知的场景中,对 能力值和速度值",每项清理任务具有能力值 于随着时间动态产生,且事先只能感知任务位 和服务时间要求,监测节点可以实时监测系统中 置,无法具体判断任务量,需要机器人在任务执 动态产生任务的位置,但无法获得任务的具体信 行时自主协作的场景中存在较大的局限。 息,任务是否需要多机器人协作,需要在任务执 生物免疫系统维持着生物系统的动态平衡, 行过程中动态判别,通过多机器人协作完成区域 具有较强的学习性、记忆性和自适应性⑧。受此 内的清理搜集任务,可根据机器人和任务属性定 启发,本文借鉴独特型免疫网络,将多机器人系 义模型。 统和免疫系统进行类比,构建任务分配与协作模 表1机器人系统与生物免疫网络的映射关系 型,并利用事件驱动机制实现了多机器人动态的 Table 1 Mapping relationship between robot system and 任务分配与协作,并引入焦躁模型来解决任务死 biological immune network 锁问题,使多机器人系统能够在动态任务、且任 生物免疫系统 多机器人系统 务量无法事先确定的复杂场景中实现任务自适应 抗原 任务 分配与自主协作,构建一个智能协同的机器人网 抗体 机器人 络。将本文算法应用于需要协作的清理搜集任 B细胞 控制节点 务中,仿真和实验表明本文算法能够有效解决此 类动态任务分配问题。 T细胞 监测节点 免疫网络 机器人通信网络 1 多机器人任务分配与协作的免疫 抗原激励 机器人和任务之间的激励 网络模型 抗体间激励 机器人与机器人之间的激励 1.1生物免疫网络 1)抗体与抗原激励 生物免疫系统维持着整个生物系统的动态平 在初始时刻,机器人间的任务分配,主要是根 衡,非常适合于动态和鲁棒性系统研究,将其应 据任务对机器人的激励进行选择,某个任务对某 用到实际工程,可以增强系统的稳定性。 个机器人的激励较高,则其获得该任务的概率就 1974年Jerne提出的独特型网络假说认为, 较大。设第i个机器人R和第j个任务工之间的 生物系统可以维持本身的均衡,通过细胞间的相 激励为g,将其定义为 互作用,利用浓度最大的抗体消灭抗原。 Aifivi+Apj 在此基础上,Farmer等提出了相应的动态 8i= (3) Aadii 方程,并将免疫系统应用于工程应用。 式中:1、2、3相应部分调整系数,和y,为相应 A(t)=A:(t-1)+ N2(t-1)- 机器人R的能力值和速度大小,d,为机器人R,和 (1) 任务T之间的距离大小,P为任务T的优先等级。 2a-廊- 2)抗体与抗体激励 a:(t-1) 根据独特型免疫网络,抗体之间也存在激 a:(t)=1/(1+exp(0.5-A:(t)) (2) 励。在机器人到达相应任务点后,若机器人R需 式中:A()和a()为分别为t时刻抗体i的激励水 要得到帮助,则其需要激励另外机器人,以使其 平和浓度;a、B为作用系数;k表示抗体的消亡; 尽快得到协作。若机器人R可以单独的执行被 N为抗体数目;m:和m分别表示抗体间的激励 分配的任务,则其将会对其他机器人产生抑制作 和抑制;g,表示抗体和抗原间激励。 用,便不会产生激励作用。设机器人R对机器人 受此启发,为了实现的任务动态环境中的多 R产生的激励为m,将其定义为 机器人任务分配,参照生物免疫网络机理,将免 疫网络与实际的多机器人系统进行类比,映射关 my=Afv,+Asv (4) Asdii 系如表1,提出一种多机器人任务分配与协作模型。 式中:4、5、6为相应部分的调整系数,和y:为 1.2任务分配与协作模型 相应机器人R,的能力值和速度值,d,为两机器人 针对一定区域内的松散型清理搜集任务,需 间的欧氏距离,当等待在某个任务处的机器人对 要通过多个同构或异构机器人独立或协作完成。 空闲机器人激励越大,其前往协作的概率越大。 设环境中存在m个机器人R,(i∈{L,2,…,m)和 3)综合激励 n个任务T(j∈(1,2,…,),机器人R具有相应的 当机器要再次进行任务选择的时候,其需要
都适用于静态或任务信息事先已知的场景中,对 于随着时间动态产生,且事先只能感知任务位 置,无法具体判断任务量,需要机器人在任务执 行时自主协作的场景中存在较大的局限。 生物免疫系统维持着生物系统的动态平衡, 具有较强的学习性、记忆性和自适应性[8-9]。受此 启发,本文借鉴独特型免疫网络,将多机器人系 统和免疫系统进行类比,构建任务分配与协作模 型,并利用事件驱动机制实现了多机器人动态的 任务分配与协作,并引入焦躁模型来解决任务死 锁问题,使多机器人系统能够在动态任务、且任 务量无法事先确定的复杂场景中实现任务自适应 分配与自主协作,构建一个智能协同的机器人网 络 [10]。将本文算法应用于需要协作的清理搜集任 务中,仿真和实验表明本文算法能够有效解决此 类动态任务分配问题。 1 多机器人任务分配与协作的免疫 网络模型 1.1 生物免疫网络 生物免疫系统维持着整个生物系统的动态平 衡,非常适合于动态和鲁棒性系统研究,将其应 用到实际工程,可以增强系统的稳定性。 1974 年 Jerne 提出的独特型网络假说认为, 生物系统可以维持本身的均衡,通过细胞间的相 互作用,利用浓度最大的抗体消灭抗原[11]。 在此基础上,Farmer 等 [12] 提出了相应的动态 方程,并将免疫系统应用于工程应用。 Ai(t) = Ai(t−1)+ α N ∑N j=1 mjiaj(t−1)− α N ∑N k=1 mikak (t−1)+βgi −ki ai(t−1) (1) ai(t) = 1/ ( 1+exp(0.5− Ai(t))) (2) 式中:Ai (t) 和 ai (t) 为分别为 t 时刻抗体 i 的激励水 平和浓度;α、β 为作用系数;ki 表示抗体的消亡; N 为抗体数目;mji 和 mik 分别表示抗体间的激励 和抑制;gi 表示抗体和抗原间激励。 受此启发,为了实现的任务动态环境中的多 机器人任务分配,参照生物免疫网络机理,将免 疫网络与实际的多机器人系统进行类比,映射关 系如表 1,提出一种多机器人任务分配与协作模型。 1.2 任务分配与协作模型 i ∈ {1,2,··· ,m} j ∈ {1,2,··· ,n} 针对一定区域内的松散型清理搜集任务,需 要通过多个同构或异构机器人独立或协作完成。 设环境中存在 m 个机器人 Ri ( ) 和 n 个任务 Tj ( ),机器人 Ri 具有相应的 能力值 fi 和速度值 vi,每项清理任务具有能力值 和服务时间要求,监测节点可以实时监测系统中 动态产生任务的位置,但无法获得任务的具体信 息,任务是否需要多机器人协作,需要在任务执 行过程中动态判别,通过多机器人协作完成区域 内的清理搜集任务,可根据机器人和任务属性定 义模型[5]。 表 1 机器人系统与生物免疫网络的映射关系 Table 1 Mapping relationship between robot system and biological immune network 生物免疫系统 多机器人系统 抗原 任务 抗体 机器人 B细胞 控制节点 T细胞 监测节点 免疫网络 机器人通信网络 抗原激励 机器人和任务之间的激励 抗体间激励 机器人与机器人之间的激励 1) 抗体与抗原激励 在初始时刻,机器人间的任务分配,主要是根 据任务对机器人的激励进行选择,某个任务对某 个机器人的激励较高,则其获得该任务的概率就 较大。设第 i 个机器人 Ri 和第 j 个任务 Tj 之间的 激励为 gij,将其定义为 gi j = λ1 fivi +λ2 pj λ3di j (3) 式中:λ1、λ2、λ3 相应部分调整系数,fi 和 vi 为相应 机器人 Ri 的能力值和速度大小,dij 为机器人 Ri 和 任务 Tj 之间的距离大小,pj 为任务 Tj 的优先等级。 2) 抗体与抗体激励 根据独特型免疫网络,抗体之间也存在激 励。在机器人到达相应任务点后,若机器人 Ri 需 要得到帮助,则其需要激励另外机器人,以使其 尽快得到协作。若机器人 Ri 可以单独的执行被 分配的任务,则其将会对其他机器人产生抑制作 用,便不会产生激励作用。设机器人 Ri 对机器人 Rj 产生的激励为 mij,将其定义为 mi j = λ4 fivi +λ5vj λ6di j (4) 式中:λ4、λ5、λ6 为相应部分的调整系数,fi 和 vi 为 相应机器人 Ri 的能力值和速度值,dij 为两机器人 间的欧氏距离,当等待在某个任务处的机器人对 空闲机器人激励越大,其前往协作的概率越大。 3) 综合激励 当机器要再次进行任务选择的时候,其需要 第 6 期 曹鹏飞,等:面向多机器人动态任务分配的事件驱动免疫网络算法 ·953·
·954· 智能系统学报 第13卷 根据受到的抗原和抗体的综合激励值来选择。综 如果出现冲突,则冲突的机器人中次优任务激励 合激励由某个任务对该机器人的激励以及在该任 低者获得最优任务,次优任务激励相同时,随机 务上处于等待的机器人对该机器人的激励共同构 分配最优任务,其余机器人重新选择任务。在任 成,以此来完成机器人的任务分配与协作,设 务分配时,每个机器人同一时刻只能得到一个任 A为任务T对机器人R的综合激励,将其定义为 务,且当机器人处于闲暇状态时才能被任务所激 A=之m+g 励,任务处于等待和空闲状态时才可以对机器人 (5) 产生激励作用。 k=1 式中:a、B为相应部分调整参数,N为在任务T上 2.2动态任务分配 等待的机器人数目,m:为机器人间产生的激励, 静态任务分配方法只可以解决多机器人任务 g为任务T,和机器人R,之间的激励值。机器人 的一次分配,在此基础上引入事件驱动的机制, 根据模型选择任务,如有任务处于待协作状态, 当系统需要再次进行任务分配或是有新的任务产 等待在某个任务上的机器人越多,此任务被选择 生时,通过事件触发重新进行分配,以满足环境 的概率越大,从而能尽快地得到协作。 动态性的要求。 系统中,定义如下事件: 2事件驱动的多机器人动态任务分 ①系统中有新的任务产生: 配算法 ②系统中有机器人状态由工作转变为空闲: ③系统中有机器人状态由等待转变为空闲: 利用文中提出的分配和协作模型,能实现任 ④系统中有机器人状态由被激励转变为等待: 务的一次分配,在此基础上引入事件驱动的机制) ⑤系统中有机器人发生故障。 使多机器人系统可以自适应地处理动态任务,并 根据事件驱动的机制,当系统中有如上事件 引入焦躁模型来解决任务死锁。 发生时,触发系统,处于空闲状态的机器人进行 2.1静态任务分配 再次任务选择。 系统中设定机器人和任务的状态转移如图1 2.3任务死锁解除 所示,任务状态和机器人的状态相互对应,待分 对于一个多机器人系统而言,常常会发生任 配任务激励空闲机器人转变为已分配状态,如果 务死锁,即区域中所有机器人都因无法完成任务 此机器人可以自行完成任务,则任务转变为执行 而处于等待状态。对于智能系统而言,需要机 态;否则任务转变为待协作,处于待协作状态的 器人能够自主地解除死锁,尽快恢复到工作状态。 任务获得协作转变为已分配状态,若等待协作的 为了使机器人能够自主解除死锁状态,引入 机器人由于长时间没有得到协作而放弃任务,则 一种焦躁模型。当机器人长时间由于无法完成任 任务由待协作状态重新回到待分配状态。 务而处于等待,激素分泌使其产生焦躁情绪,当 待分配 已分配 达到一定的上限时,其将会放弃对该任务的等 待,从而重新回到空闲状态,使其能够协助其余 完成 处于等待状态的机器人完成任务。 执行 、待协作 借鉴L.S.Farhy提出的激素分泌的规律,定 (a)任务状态转移图 义系统中引起焦躁情绪的激素分泌模型为 空闲 被激励 1 F(=TI+1 (6) 式中:T为阈值,1为时间变量,n为Hll系数,且 工作 等待 n≥l。 (b)机器人状态转移图 机器人处于等待状态而分泌激素,当其超过 图1机器人和任务状态状态转移图 设定阈值C时,机器人会放弃等待的任务,回到 Fig.1 Robot and task state transition diagram 空闲状态,且机器人会对该任务产生记忆,避免 初始时刻,所有任务处于未分配状态,机器人 在该任务处于未分配状态时再次选择,陷入循环 都处于空闲状态,每个机器人按照激励值选择最 死锁状态。若该任务处于协作状态时,其对该机 适合自己的任务,如果每个机器人选择的任务都 器人的激励将会被弱化,表达式如式(7)所示: 不重复,则直接获得相应任务,转变为被激励态; 8=1"8 (7)
根据受到的抗原和抗体的综合激励值来选择。综 合激励由某个任务对该机器人的激励以及在该任 务上处于等待的机器人对该机器人的激励共同构 成,以此来完成机器人的任务分配与协作,设 Aij 为任务 Tj 对机器人 Ri 的综合激励,将其定义为 Ai j = α ∑N k=1 mik +βgi j (5) 式中:α、β 为相应部分调整参数,N 为在任务 Tj 上 等待的机器人数目,mik 为机器人间产生的激励, gij 为任务 Tj 和机器人 Ri 之间的激励值。机器人 根据模型选择任务,如有任务处于待协作状态, 等待在某个任务上的机器人越多,此任务被选择 的概率越大,从而能尽快地得到协作。 2 事件驱动的多机器人动态任务分 配算法 利用文中提出的分配和协作模型,能实现任 务的一次分配,在此基础上引入事件驱动的机制[13] , 使多机器人系统可以自适应地处理动态任务,并 引入焦躁模型来解决任务死锁。 2.1 静态任务分配 系统中设定机器人和任务的状态转移如图 1 所示,任务状态和机器人的状态相互对应,待分 配任务激励空闲机器人转变为已分配状态,如果 此机器人可以自行完成任务,则任务转变为执行 态;否则任务转变为待协作,处于待协作状态的 任务获得协作转变为已分配状态,若等待协作的 机器人由于长时间没有得到协作而放弃任务,则 任务由待协作状态重新回到待分配状态。 待分配 已分配 执行 待协作 完成 (a) 任务状态转移图 空闲 被激励 工作 等待 (b) 机器人状态转移图 图 1 机器人和任务状态状态转移图 Fig. 1 Robot and task state transition diagram 初始时刻,所有任务处于未分配状态,机器人 都处于空闲状态,每个机器人按照激励值选择最 适合自己的任务,如果每个机器人选择的任务都 不重复,则直接获得相应任务,转变为被激励态; 如果出现冲突,则冲突的机器人中次优任务激励 低者获得最优任务,次优任务激励相同时,随机 分配最优任务,其余机器人重新选择任务。在任 务分配时,每个机器人同一时刻只能得到一个任 务,且当机器人处于闲暇状态时才能被任务所激 励,任务处于等待和空闲状态时才可以对机器人 产生激励作用。 2.2 动态任务分配 静态任务分配方法只可以解决多机器人任务 的一次分配,在此基础上引入事件驱动的机制, 当系统需要再次进行任务分配或是有新的任务产 生时,通过事件触发重新进行分配,以满足环境 动态性的要求。 系统中,定义如下事件: ① 系统中有新的任务产生; ② 系统中有机器人状态由工作转变为空闲; ③ 系统中有机器人状态由等待转变为空闲; ④ 系统中有机器人状态由被激励转变为等待; ⑤ 系统中有机器人发生故障。 根据事件驱动的机制,当系统中有如上事件 发生时,触发系统,处于空闲状态的机器人进行 再次任务选择。 2.3 任务死锁解除 对于一个多机器人系统而言,常常会发生任 务死锁,即区域中所有机器人都因无法完成任务 而处于等待状态[14]。对于智能系统而言,需要机 器人能够自主地解除死锁,尽快恢复到工作状态。 为了使机器人能够自主解除死锁状态,引入 一种焦躁模型。当机器人长时间由于无法完成任 务而处于等待,激素分泌使其产生焦躁情绪,当 达到一定的上限时,其将会放弃对该任务的等 待,从而重新回到空闲状态,使其能够协助其余 处于等待状态的机器人完成任务。 借鉴 L.S.Farhy 提出的激素分泌的规律[15] ,定 义系统中引起焦躁情绪的激素分泌模型为 F (t) = 1 (T/t) n +1 (6) 式中:T 为阈值,t 为时间变量,n 为 Hill 系数,且 n≥1。 机器人处于等待状态而分泌激素,当其超过 设定阈值 C 时,机器人会放弃等待的任务,回到 空闲状态,且机器人会对该任务产生记忆,避免 在该任务处于未分配状态时再次选择,陷入循环 死锁状态。若该任务处于协作状态时,其对该机 器人的激励将会被弱化,表达式如式(7)所示: g ′ i j = η · gi j (7) ·954· 智 能 系 统 学 报 第 13 卷
第6期 曹鹏飞,等:面向多机器人动态任务分配的事件驱动免疫网络算法 ·955· 式中:g为抗原对抗体的激励表达式;1为调整参 交互量。从通信量来看,由于本系统采用混合式 数,0<<1。 结构实现,每一个机器人都拥有服务子进程专门 2.4算法流程 服务,每个服务子进程为相应机器人选择当前最 在多机器人系统中,采用混合式的结构实现 合适的任务,在服务端进行任务冲突解决,并不 文中算法,服务端通过多进程模拟机器人,实现 需要机器人实际通信解除冲突。只在任务的下达 任务的分配,可以降低网络通信消耗,每个进程 和任务反馈时需要进行通信,所以一次任务分配 与一个实际的机器人通过网络通信,保持状态同 中每个机器人的通信量是O1)。 步,多个机器并行运行。算法步骤如下: 计算量表示机器人选择一次任务所需要计算 ①初始化系统抗原抗体信息; 的时间复杂度。机器人每次选择任务,都需要进 ②计算空闲机器人与待分配任务和待协作 行m次综合激励计算,选择合适的任务,然后需 任务的综合激励值: 要进行n次比较解决任务冲突问题,当有k个机 ③各机器人自主解除冲突,选择合适的任 器人任务冲突,需要2k次计算解决任务冲突,故 务,并向任务处移动; 计算量是O(m++2)。 ④机器人判断能否完成任务,若能跳到⑥, 按照任务分配类型,文中算法满足“同时”、 否则转到⑤: “再分配”,“同时”指可以考虑多个待分配任务, ⑤机器人状态更改,事件触发,转到②,等待 “再分配”指任务能够进行重分配。这种任务分 合适的空闲机器协作; 配方法明显优于“顺序”、“无再分配”、无法适应 ⑥机器人独自或协作完成相应任务: 动态环境的算法,故不做对比。本文算法ALLI ⑦系统终止,否则转到⑧: ANCE、BLE7性能比较如表2所示。 ⑧状态更新,事件触发,转到②。 表2任务分配算法性能 算法的程序流程图如图2所示: Table 2 Task allocation algorithm performance 算法 计算需求通信需求 任务分配情况 (开始 本文算法 O(n+m+2K) 01) 可重分配、自主协作 系统初始化 ALLANCE O(mn) 0(m) 可重分配 空闲机器人综合激励计算 BLE O(mn) O(mn) 可重分配 任务选择,机器人被激励 3仿真与实验结果分析 能否完成任务 N 为了验证基于事件驱动免疫网络算法的有效 y 性,在MATLAB2012b平台上,设置动态的清理 独自或协作执行 搜集,进行多机器人实验。设计不同场景,分别 验证文中算法的动态任务分配和协作性能,以及 N 结束 机器人状态更新 系统自主处理任务死锁能力。系统监测节点可以 实时感知任务是否产生及产生的位置,而任务能 事件触发 否独自完成需要机器人任务执行过程中进行判 断,事先无法获知。 结束 3.1仿真实验及其结果分析 图2多机器人动态任务分配流程 3.1.1实验环境参数 Fig.2 Multi-robot dynamic task allocation 仿真环境设定为10m×10m的区域,实验中 2.5算法性能分析 以圆形“o”代表机器人,以正方形“口”表示任务, 多机器人系统的通信和计算消耗是任务分配 R/1代表1号机器人,且其能力值为1,T/1代表 算法中重要的衡量指标,对于维持整个系统的 任务1,且其完成需要的能力值为1,机器人的移 稳定起着重要的作用。为了和其他算法进行比 动速率设为=0.1m/s(可自行设定),任务优先级 较,以机器人数量n和任务量m的函数形式O() 设为p=1(可自行设定,不失一般性)。算法中参数 来描述通讯量和计算量。 设置为:11=0.6,12=0.4,13=0.2,1=0.5,1=0.5, 通讯量表示机器人在一次任务选择时的信息 1=0.2,=0.6,=0.4,=0.6,C=0.6,7=5,=5
式中:gij 为抗原对抗体的激励表达式;η 为调整参 数,0<η<1。 2.4 算法流程 在多机器人系统中,采用混合式的结构实现 文中算法,服务端通过多进程模拟机器人,实现 任务的分配,可以降低网络通信消耗,每个进程 与一个实际的机器人通过网络通信,保持状态同 步,多个机器并行运行。算法步骤如下: ① 初始化系统抗原抗体信息; ② 计算空闲机器人与待分配任务和待协作 任务的综合激励值; ③ 各机器人自主解除冲突,选择合适的任 务,并向任务处移动; ④ 机器人判断能否完成任务,若能跳到⑥, 否则转到⑤; ⑤ 机器人状态更改,事件触发,转到②,等待 合适的空闲机器协作; ⑥ 机器人独自或协作完成相应任务; ⑦ 系统终止,否则转到⑧; ⑧ 状态更新,事件触发,转到②。 算法的程序流程图如图 2 所示: 开始 系统初始化 空闲机器人综合激励计算 结束 Y Y N 任务选择 , 机器人被激励 能否完成任务 机器人状态更新 独自或协作执行 结束 事件触发 N 图 2 多机器人动态任务分配流程 Fig. 2 Multi-robot dynamic task allocation 2.5 算法性能分析 多机器人系统的通信和计算消耗是任务分配 算法中重要的衡量指标[14] ,对于维持整个系统的 稳定起着重要的作用。为了和其他算法进行比 较,以机器人数量 n 和任务量 m 的函数形式 O(·) 来描述通讯量和计算量。 通讯量表示机器人在一次任务选择时的信息 交互量。从通信量来看,由于本系统采用混合式 结构实现,每一个机器人都拥有服务子进程专门 服务,每个服务子进程为相应机器人选择当前最 合适的任务,在服务端进行任务冲突解决,并不 需要机器人实际通信解除冲突。只在任务的下达 和任务反馈时需要进行通信,所以一次任务分配 中每个机器人的通信量是 O(1)。 计算量表示机器人选择一次任务所需要计算 的时间复杂度。机器人每次选择任务,都需要进 行 m 次综合激励计算,选择合适的任务,然后需 要进行 n 次比较解决任务冲突问题,当有 k 个机 器人任务冲突,需要 2k 次计算解决任务冲突,故 计算量是 O(m+n+2k)。 按照任务分配类型,文中算法满足“同时”、 “再分配”,“同时”指可以考虑多个待分配任务, “再分配”指任务能够进行重分配[16]。这种任务分 配方法明显优于“顺序”、“无再分配”、无法适应 动态环境的算法,故不做对比。本文算法 ALLIANCE[4] 、BLE[17] 性能比较如表 2 所示。 表 2 任务分配算法性能 Table 2 Task allocation algorithm performance 算法 计算需求 通信需求 任务分配情况 本文算法 O(n+m+2K) O(1) 可重分配、自主协作 ALLANCE O(mn) O(m) 可重分配 BLE O(mn) O(mn) 可重分配 3 仿真与实验结果分析 为了验证基于事件驱动免疫网络算法的有效 性,在 MATLAB 2012b 平台上,设置动态的清理 搜集,进行多机器人实验。设计不同场景,分别 验证文中算法的动态任务分配和协作性能,以及 系统自主处理任务死锁能力。系统监测节点可以 实时感知任务是否产生及产生的位置,而任务能 否独自完成需要机器人任务执行过程中进行判 断,事先无法获知。 3.1 仿真实验及其结果分析 3.1.1 实验环境参数 仿真环境设定为 10 m×10 m 的区域,实验中 以圆形“○”代表机器人,以正方形“□”表示任务, R1 /1 代表 1 号机器人,且其能力值为 1,T1 /1 代表 任务 1,且其完成需要的能力值为 1,机器人的移 动速率设为 v=0.1 m/s(可自行设定),任务优先级 设为 p=1(可自行设定,不失一般性)。算法中参数 设置为:λ 1=0.6,λ 2=0.4,λ 3=0.2,λ 4=0.5,λ 5=0.5, λ6=0.2,α=0.6,β=0.4,η=0.6,C=0.6,T=5,n=5。 第 6 期 曹鹏飞,等:面向多机器人动态任务分配的事件驱动免疫网络算法 ·955·
·956· 智能系统学报 第13卷 设定两种仿真实验环境,环境1中,初始设 10R 9 R 定6个静态任务:T/1,坐标(3,2.5):T2,坐标(2, 7):T/1,坐标(5.5,4):T/1,坐标(7,2):T/1,坐标 7 T (6,6):T。1,坐标(8,8.5),在机器人运行过程中,设 /Is 6 定两个动态任务:T/1,坐标(5,2):T/1,坐标(8, 六5 6)。在环境中设有4个同构机器人,分别放置在 不同的位置:R/1,坐标(0.1,0.1):R/1,坐标(9.9, 2 0.1);R/1,坐标(9.9,9.9):R/1,坐标(0.1,9.9)。 在环境2中,主要是为了验证算法的自主解 2 67 910 死锁能力,不失一般性,在环境中设置两个静态 (a)环境1仿真结果 任务:T2,坐标(2,2):T/3,坐标(6,4)。设置两个 10 机器人:R/1,坐标(0.1,0.1):R/2,坐标(9.9,0.1)。 9 3.1.2仿真实验结果分析 如图3(a)所示为环境1的仿真结果。图中虚 6 线代表前去协作过程,实线代表首次被某任务激 风T 励而前往过程。根据本文算法,在初始时刻,每 2 R 个机器人被相应的任务所激励,机器人R/1前往 R Rin T/1,R1前往T/1,R1前往TJ1,R/1前往T2, 1 2345678910 当机器人执行任务时,会判断是否可以独立完 (b)环境2仿真结果 成,如果可以独自完成则开始执行任务,否则更 图3仿真结果 改状态,触发请求协作。在第1次任务分配中,由 Fig.3 Simulation result 于机器人速度相同,机器人R2/1和R,1先于 R11完成任务,进行第2次任务选择,而此时 3.2多器人系统实验及其结果分析 R/1机器人在T/2处等待协作,由于距离较远,机 为了验证文中算法在实际多机器人动态任务 器人R2/1和R3/1被任务T3/1和Ts/1所激励, 分配系统中的有效性,利用多个khepera机器人, R1完成T/1后,初始的静态任务只剩下处于等 搭建多机器人障碍物环境,利用摄像头进行环境 待协作的T/2,其被激励前往协作。在所有机器 监测,当监测到系统中有任务(以红色物品代 人都处于二次激励时,系统产生动态任务T,1和 替)产生时,利用文中算法,激励相应的机器人前 T1,触发请求任务分配,然而此时没有处于闲暇 往完成任务,并采用人工势场法使机器人可以避 状态的机器人,任务暂时不会被分配,在R2/1和 开障碍,安全到达任务点。系统中机器人间利用 R/1完成T3/1和T/1后被T1和Ts/1再次激励, 网络与服务器通信。 前往任务处进行处理。 图4(a)为系统中机器人系统初始图,当在系 如图3b)所示为环境2的仿真结果。初始时 统中放置相应物品,将会触发系统进行任务分 刻,机器人R/1和R2/2分别被T/2和T2/3所激 励,机器人R1先到达任务处进行协作等待,同 配,图4(b)为机器人被相应任务激励前往目标示 时开始分泌激素,R/2随后到达T,/3,亦处于协作 意图。 等待,同时开始分泌激素,随着时间的增加,机器 人R1产生焦躁情绪而放弃等待,同时标记任务 T2,随后R/1前往协作处理T/3,机器人R,/2得 到协作,在任务T2/3完成后,机器人R2/2受到 T2任务激励,前往完成,结果表明,系统能够可 以成功解除死锁。 多次实验验证表明,基于事件驱动的免疫网 络算法能够实现动态任务场景中多机器人的任务 自主分配与协作,具有较强的适应性和鲁棒性。 (a)机器人系统图1
设定两种仿真实验环境,环境 1 中,初始设 定 6 个静态任务:T1 /1,坐标 (3, 2.5);T2 /2,坐标 (2, 7);T3 /1,坐标 (5.5, 4);T4 /1,坐标 (7, 2);T5 /1,坐标 (6, 6);T6 /1,坐标 (8, 8.5),在机器人运行过程中,设 定两个动态任务:T7 /1,坐标 (5, 2);T8 /1,坐标 (8, 6)。在环境中设有 4 个同构机器人,分别放置在 不同的位置:R1 /1,坐标 (0.1, 0.1);R2 /1,坐标 (9.9, 0.1);R3 /1,坐标 (9.9, 9.9);R4 /1,坐标 (0.1, 9.9)。 在环境 2 中,主要是为了验证算法的自主解 死锁能力,不失一般性,在环境中设置两个静态 任务:T1 /2,坐标 (2, 2);T2 /3,坐标 (6, 4)。设置两个 机器人:R1 /1,坐标 (0.1, 0.1);R2 /2,坐标 (9.9, 0.1)。 3.1.2 仿真实验结果分析 如图 3(a) 所示为环境 1 的仿真结果。图中虚 线代表前去协作过程,实线代表首次被某任务激 励而前往过程。根据本文算法,在初始时刻,每 个机器人被相应的任务所激励,机器人 R1 /1 前往 T1 /1,R2 /1 前往 T4 /1,R3 /1 前往 T6 /1,R4 /1 前往 T2 /2, 当机器人执行任务时,会判断是否可以独立完 成,如果可以独自完成则开始执行任务,否则更 改状态,触发请求协作。在第 1 次任务分配中,由 于机器人速度相同,机器人 R2 /1 和 R3 /1 先于 R1 /1 完成任务,进行第 2 次任务选择,而此时 R4 /1 机器人在 T2 /2 处等待协作,由于距离较远,机 器人 R2 /1 和 R3 /1 被任务 T3 /1 和 T5 /1 所激励, R1 /1 完成 T1 /1 后,初始的静态任务只剩下处于等 待协作的 T2 /2,其被激励前往协作。在所有机器 人都处于二次激励时,系统产生动态任务 T7 /1 和 T8 /1,触发请求任务分配,然而此时没有处于闲暇 状态的机器人,任务暂时不会被分配,在 R2 /1 和 R3 /1 完成 T3 /1 和 T5 /1 后被 T7 /1 和 T8 /1 再次激励, 前往任务处进行处理。 如图 3(b) 所示为环境 2 的仿真结果。初始时 刻,机器人 R1 /1 和 R2 /2 分别被 T1 /2 和 T2 /3 所激 励,机器人 R1 /1 先到达任务处进行协作等待,同 时开始分泌激素,R2 /2 随后到达 T2 /3,亦处于协作 等待,同时开始分泌激素,随着时间的增加,机器 人 R1 /1 产生焦躁情绪而放弃等待,同时标记任务 T1 /2,随后 R1 /1 前往协作处理 T2 /3,机器人 R2 /2 得 到协作,在任务 T2 /3 完成后,机器人 R2 /2 受到 T1 /2 任务激励,前往完成,结果表明,系统能够可 以成功解除死锁。 多次实验验证表明,基于事件驱动的免疫网 络算法能够实现动态任务场景中多机器人的任务 自主分配与协作,具有较强的适应性和鲁棒性。 (a) 环境 1 仿真结果 10 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 10 T2/2 R3/1 T6/1 T8/1 T5/1 R2/1 T4/1 T3/1 T7/1 T1/1 R4/1 R1/1 (b) 环境 2 仿真结果 10 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 10 R1/1 R1 T1/2 R1 R2 T2/3 R2 R2/2 y y x x 图 3 仿真结果 Fig. 3 Simulation result 3.2 多器人系统实验及其结果分析 为了验证文中算法在实际多机器人动态任务 分配系统中的有效性,利用多个 khepera 机器人, 搭建多机器人障碍物环境,利用摄像头进行环境 监测,当监测到系统中有任务 (以红色物品代 替) 产生时,利用文中算法,激励相应的机器人前 往完成任务,并采用人工势场法使机器人可以避 开障碍,安全到达任务点。系统中机器人间利用 网络与服务器通信。 图 4(a) 为系统中机器人系统初始图,当在系 统中放置相应物品,将会触发系统进行任务分 配,图 4(b) 为机器人被相应任务激励前往目标示 意图。 (a) 机器人系统图 1 ·956· 智 能 系 统 学 报 第 13 卷
第6期 曹鹏飞,等:面向多机器人动态任务分配的事件驱动免疫网络算法 ·957· ics and automation,1998.14(2):220-240 [S]许建豪.云计算中基于拍卖的虚拟机动态供应和分配算 法.重庆邮电大学学报:自然科学版,2016,28(4): 585-592 XU Jianhao.Virtual machine dynamic supply and alloca- tion algorithm based on auction in cloud computing[J]. Journal of Chongqing university of posts and telecommu- nications:natural science edition,2016,28(4):585-592. [6]袁明新,叶兆莉,程帅,等.干扰素调节的多机器人协作 (b)机器人系统图2 搬运免疫网络算法).智能系统学报,2014,91):76-82 图4实际机器人系统仿真图 YUAN Mingxin,YE Zhaoli,CHENG Shuai,et al.Multi- Fig.4 Actual robot system simulation robot cooperative handling based on immune network al- 经过多次实验,设置不同任务,系统都能快速 gorithm regulated by interferon[J].CAAI transactions on 反应,激励相应的机器人进行任务的执行与协 intelligent systems,2014,9(1):76-82. 作,验证了文中算法在实际多机器人动态任务分 [7]袁明新,李平正,江亚峰,等.基于胸腺肽调节机制的多 机器人免疫任务分配[.模式识别与人工智能,2014, 配系统中具有较高的可行性。 27(5):472-479. 4结束语 YUAN Mingxin,LI Pingzheng,JIANG Yafeng,et al.Im- mune task allocation for multi-robot system based on ad- 针对一类复杂的松散型动态任务,文中基于 justment mechanism of thymic peptide[J].Pattern recogni- 免疫网络和事件驱动机制,提出一种动态任务分 tion and artificial intelligence,2014,27(5):472-479. 配算法,解决了多机器人的动态任务分配与自主 [8]丁永生.基于生物网络的智能控制与优化研究进展 协作问题,并利用焦躁模型解决了任务分配过程 控制工程,2010,17(4):416-421,536 中的死锁问题,仿真和实验表明本文算法在一类 DING Yongsheng.Research development of bio-network 需要协作的动态任务分配问题中的有效性,具有 based intelligent control and optimization[J].Control en- gineering of China,2010,17(4):416-421,536 较强的自适应性。将文中算法应用于实际场景的 [9]丁永生.计算智能的新框架:生物网络结构).智能系统 多机器人系统中,取得了较好的效果,表明将本 学报,2007,2(2:26-30. 文算法应用到实际的多机器人系统中有较高的可 DING Yongsheng.A new scheme for computational intel- 行性。课题后续将把重点放在分配模型的优化和 ligence:bio-network architecture[J].CAAI transactions on 实际应用的拓展上,在提高算法性能的同时,能 intelligent systems,2007,2(2):26-30. 够实现更大的实际价值。 [10]靳明双,郜帅,张宏科.智慧协同网络研究进展重庆 邮电大学学报:自然科学版,2018,30(1)少22-32. 参考文献: JIN Mingshuang,GAO shuai,ZHANG Hongke.Re- [1]TAVASOLI A,EGHTESAD M,JAFARIAN H.Two-time search progress of smart collaborative identifier networks scale control and observer design for trajectory tracking of [J].Journal of Chongqing university of posts and telecom- two cooperating robot manipulators moving a flexible munications:natural science edition,2018,30(1):22-32. beam[J].Robotics and autonomous systems,2009,57(2): [11]JERNE N K.Towards a network theory of the immune 212-221 system[J].Annales d'immunologie,1974,125(1/2): [2]DAHL T S,MATARIC M,SUKHATME G S.Multi-ro- 373-389. bot task allocation through vacancy chain scheduling[J]. [12]FARMER J D.,PACKARD N H,PERELSON A S.The Robotics and autonomous system,2009,57(6/7):674-687. immune system,adaptation,and machine learning[J]. [3]ZHOU Pucheng,HONG Bingrong,WANG Yuehai,et al. Physica D:nonlinear phenomena,1986,22(1/2/3): Multi-agent cooperative pursuit based on extended con- 187-204 tract net protocol[C]//Proceeding of 2004 International [13]陈蕊,丁永生,郝矿荣.基于事件驱动的动态免疫分簇 Conference on Machine Learning and Cybernetics.Shang- 路由算法[J].计算机应用研究,2016,33(7):2087- hai,China.,2004:169-173. 2090,2109. [4]PARKER L E.ALLIANCE:an architecture for fault toler- CHEN Rui,DING Yongsheng,HAO Kuangrong.Event- ant multirobot cooperation[J].IEEE transactions on robot- driven dynamic immune clustering routing algorithm[J]
(b) 机器人系统图 2 图 4 实际机器人系统仿真图 Fig. 4 Actual robot system simulation 经过多次实验,设置不同任务,系统都能快速 反应,激励相应的机器人进行任务的执行与协 作,验证了文中算法在实际多机器人动态任务分 配系统中具有较高的可行性。 4 结束语 针对一类复杂的松散型动态任务,文中基于 免疫网络和事件驱动机制,提出一种动态任务分 配算法,解决了多机器人的动态任务分配与自主 协作问题,并利用焦躁模型解决了任务分配过程 中的死锁问题,仿真和实验表明本文算法在一类 需要协作的动态任务分配问题中的有效性,具有 较强的自适应性。将文中算法应用于实际场景的 多机器人系统中,取得了较好的效果,表明将本 文算法应用到实际的多机器人系统中有较高的可 行性。课题后续将把重点放在分配模型的优化和 实际应用的拓展上,在提高算法性能的同时,能 够实现更大的实际价值。 参考文献: TAVASOLI A, EGHTESAD M, JAFARIAN H. Two-time scale control and observer design for trajectory tracking of two cooperating robot manipulators moving a flexible beam[J]. Robotics and autonomous systems, 2009, 57(2): 212–221. [1] DAHL T S, MATARIC M, SUKHATME G S. Multi-robot task allocation through vacancy chain scheduling[J]. Robotics and autonomous system, 2009, 57(6/7): 674–687. [2] ZHOU Pucheng, HONG Bingrong, WANG Yuehai, et al. Multi-agent cooperative pursuit based on extended contract net protocol[C]//Proceeding of 2004 International Conference on Machine Learning and Cybernetics. Shanghai, China, 2004: 169–173. [3] PARKER L E. ALLIANCE: an architecture for fault tolerant multirobot cooperation[J]. IEEE transactions on robot- [4] ics and automation, 1998, 14(2): 220–240. 许建豪. 云计算中基于拍卖的虚拟机动态供应和分配算 法 [J]. 重庆邮电大学学报: 自然科学版, 2016, 28(4): 585–592. XU Jianhao. Virtual machine dynamic supply and allocation algorithm based on auction in cloud computing[J]. Journal of Chongqing university of posts and telecommunications: natural science edition, 2016, 28(4): 585–592. [5] 袁明新, 叶兆莉, 程帅, 等. 干扰素调节的多机器人协作 搬运免疫网络算法 [J]. 智能系统学报, 2014, 9(1): 76–82. YUAN Mingxin, YE Zhaoli, CHENG Shuai, et al. Multirobot cooperative handling based on immune network algorithm regulated by interferon[J]. CAAI transactions on intelligent systems, 2014, 9(1): 76–82. [6] 袁明新, 李平正, 江亚峰, 等. 基于胸腺肽调节机制的多 机器人免疫任务分配 [J]. 模式识别与人工智能, 2014, 27(5): 472–479. YUAN Mingxin, LI Pingzheng, JIANG Yafeng, et al. Immune task allocation for multi-robot system based on adjustment mechanism of thymic peptide[J]. Pattern recognition and artificial intelligence, 2014, 27(5): 472–479. [7] 丁永生. 基于生物网络的智能控制与优化研究进展 [J]. 控制工程, 2010, 17(4): 416–421, 536. DING Yongsheng. Research development of bio-network based intelligent control and optimization[J]. Control engineering of China, 2010, 17(4): 416–421, 536. [8] 丁永生. 计算智能的新框架: 生物网络结构 [J]. 智能系统 学报, 2007, 2(2): 26–30. DING Yongsheng. A new scheme for computational intelligence: bio-network architecture[J]. CAAI transactions on intelligent systems, 2007, 2(2): 26–30. [9] 靳明双, 郜帅, 张宏科. 智慧协同网络研究进展 [J]. 重庆 邮电大学学报: 自然科学版, 2018, 30(1): 22–32. JIN Mingshuang, GAO shuai, ZHANG Hongke. Research progress of smart collaborative identifier networks [J]. Journal of Chongqing university of posts and telecommunications: natural science edition, 2018, 30(1): 22–32. [10] JERNE N K. Towards a network theory of the immune system[J]. Annales d’immunologie, 1974, 125(1/2): 373–389. [11] FARMER J D, PACKARD N H, PERELSON A S. The immune system, adaptation, and machine learning[J]. Physica D: nonlinear phenomena, 1986, 22(1/2/3): 187–204. [12] 陈蕊, 丁永生, 郝矿荣. 基于事件驱动的动态免疫分簇 路由算法 [J]. 计算机应用研究, 2016, 33(7): 2087– 2090, 2109. CHEN Rui, DING Yongsheng, HAO Kuangrong. Eventdriven dynamic immune clustering routing algorithm[J]. [13] 第 6 期 曹鹏飞,等:面向多机器人动态任务分配的事件驱动免疫网络算法 ·957·
·958· 智能系统学报 第13卷 Application research of computers,2016,33(7): 作者简介: 2087-2090,2109 曹鹏飞,男,1992年生,硕士研究 [14]高云园,韦巍.未知环境中基于免疫网络的多机器人自 生,主要研究方向为智能系统、网络智 主协作[.浙江大学学报:工学版,2006,40(5) 能、智能机器人。 733-737. GAO Yunyuan,WEI Wei.Multi-robot self-determination cooperation based on immune network in an unknown en- vironment[J].Journal of Zhejiang university:engineering 郝矿荣,女,1964年生.教授,博 science,2006,40(5):733-737 士生导师,博土后,主要研究方向为机 [15]FARHY L S.Modeling of oscillations in endocrine net- 器视觉、模式识别、智能机器人。获得 works with feedback[J].Methods in Enzymology,2004, 国家发明专利授权10余项,发表学术 384:5481 论文100余篇。 [16]GERKEY B P.MATARIC M J.A formal analysis and taxonomy of task allocation in multi-robot systems[J]. The international journal of robotics research,2004. 丁永生.男,1967年生.教授,博 23(9:939-954 土生导师,博土,主要研究方向为智能 [17]WERGER BB,MATARIC M J.Broadcast of local eli- 系统、网络智能、智能物联网、智能机 器人。主持国家自然科学基金重点项 gibility:behavior-based control for strongly cooperative 目等30余项。授权国家发明专利 robot teams[C//Proceedings of the 4th International Con- 43项。发表学术论文200余篇,其中 ference on Autonomous Agents.Barcelona,Spain,2000: 被SCI检索100余篇,出版专著6部, 21-22. 参编国际编著6部
Application research of computers, 2016, 33(7): 2087–2090, 2109. 高云园, 韦巍. 未知环境中基于免疫网络的多机器人自 主协作 [J]. 浙江大学学报: 工学版, 2006, 40(5): 733–737. GAO Yunyuan, WEI Wei. Multi-robot self-determination cooperation based on immune network in an unknown environment[J]. Journal of Zhejiang university: engineering science, 2006, 40(5): 733–737. [14] FARHY L S. Modeling of oscillations in endocrine networks with feedback[J]. Methods in Enzymology, 2004, 384: 54–81. [15] GERKEY B P, MATARIĆ M J. A formal analysis and taxonomy of task allocation in multi-robot systems[J]. The international journal of robotics research, 2004, 23(9): 939–954. [16] WERGER B B, MATARIC M J. Broadcast of local eligibility: behavior-based control for strongly cooperative robot teams[C]//Proceedings of the 4th International Conference on Autonomous Agents. Barcelona, Spain, 2000: 21–22. [17] 作者简介: 曹鹏飞,男,1992 年生,硕士研究 生,主要研究方向为智能系统、网络智 能、智能机器人。 郝矿荣,女,1964 年生,教授,博 士生导师,博士后,主要研究方向为机 器视觉、模式识别、智能机器人。获得 国家发明专利授权 10 余项,发表学术 论文 100 余篇。 丁永生,男,1967 年生,教授,博 士生导师,博士,主要研究方向为智能 系统、网络智能、智能物联网、智能机 器人。主持国家自然科学基金重点项 目等 30 余项。授权国家发明专利 43 项。发表学术论文 200 余篇,其中 被 SCI 检索 100 余篇,出版专著 6 部, 参编国际编著 6 部。 ·958· 智 能 系 统 学 报 第 13 卷