(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210378563.9 (22)申请日 2022.04.12 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 韩松　张涛　李鑫滨　于海峰　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 张建 (51)Int.Cl. G06F 9/50(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自组织神经网络的多水下机器人任务 分配方法及系统 (57)摘要 本发明公开基于自组织神经网络的多水下 机器人任务 分配方法及系统， 属于多智能体系统 协同控制技术领域， 该方法根据洋流影响、 资源 消耗、 负载均衡和资源有限多重约束， 构建多重 约束的多异构水下机器人系统任务分配优化模 型， 其中， 任务分配优化模型为自组织神经网络； 任务分配优化模型通过机器人路径点对应的神 经元竞争与学习， 完成任务分配， 最终生成每个 机器人所需的环形路径。 求解速度快、 求解精度 高的优点， 能在有限迭代次数内提供良好的任务 分配方案， 由其在复杂的大规模任务场景中， 本 发明所提出方法的优势更为明显 。 权利要求书2页 说明书11页 附图6页 CN 114995989 A 2022.09.02 CN 114995989 A 1.基于自组织神经网络的多水 下机器人任务分配方法， 其特 征在于， 包括： 根据洋流影响、 资源消耗、 负载均衡和资源有限多重约束， 构建多重约束的多异构水下 机器人系统任务分配优化模型， 其中， 任务分配优化模型为自组织神经网络； 任务分配优化模型通过机器人路径点对应的神经元竞争与学习， 完成任务分配， 最终 生成每个机器人 所需的环形路径。 2.根据权利要求1所述的基于自组织神经网络的多水下机器人任务分配方法， 其特征 在于， 所述根据水下洋流影响、 资源消耗、 负载均衡和资源有限多重约束， 构建多重约束的 多异构水下机器人系统任务分配优化模型， 其中， 任务分配优化模型为自组织神经网络包 括： 在构建多水下机器人系统任务分配优化模型时， 首先考虑洋流的影响， 综合考虑机器 人的速度和洋流速度； 根据每个机器人的能量消耗， 将其路径分段考虑， 在速度矢量和的情况下转化为计算 其巡航时间以准确衡量 其负载， 同时其所需的巡航时间必须小于最大巡航时间； 以最小化水下机器人系统 的资源消耗、 最大化机器人系统 的任务奖励获取为目标来构 建适应度函数， 建立任务分配优化模型。 3.根据权利要求1所述的基于自组织神经网络的多水下机器人任务分配方法， 其特征 在于， 所述任务分配优化模 型通过机器人路径点对应的神经元竞争与学习， 完成任务分配， 最终生成每 个机器人 所需的环形路径包括： 每个机器人在初始时以其基地为中心点， 生成若干个神经元以构成神经元环， 神经元 环上的神经元作为输出神经元参与到 自组织神经网络的竞争与更新中， 通过迭代学习， 最 终保留下可访问任务的神经元作为路径点， 这些路径点构成环形路径， 依次路径行进， 则可 完成所有分配的任务并最终返回到基地。 4.根据权利要求1所述的基于自组织神经网络的多水下机器人任务分配方法， 其特征 在于， 所述任务分配优化模型通过机器人路径点对应的竞争与学习的过程与特 征如下： 参数初始化： 设定自组织神经网络自身参数， 参数包括学习率， 邻域半径， 迭代轮次， 衰 减系数与优化 函数的参数； 根据任务数量和机器人 数量确定的输入输出神经 元； 任务的输入： 在每 轮开始时， 将任务 顺序随机化处 理， 并依次输入到自组织神经网络， 获胜神经元选择与负载均衡机制： 提出的速度合成法将行驶的路径转化为巡航时间的 计算， 准确衡量其负载， 同时根据不同工作能力的机器人， 提出负载均衡参数， 作用于提出 的获胜神经元选择机制中， 通过机器人速度和洋流速度的速度合成法将行驶的路径转化为 巡航时间的计算， 准确衡量其负载， 同时通过机器人的负载均衡参数， 优化神经元选择机 制； 神经元的更新： 通过神经元增加机制和历史信息指导机制， 得到高效的自组织神经网 络， 过程如下: 神经元增加机制过程： 设定 每个神经元的获胜参数 其中， 为神经元作为获胜神经 元的次数， 若参数 大于等于阈值， 则复制该神经元信息作为新神经元， 原神经元设置 对于新增 加的神经 元不参与对本次任务的更新； 神经元历史信 息指导过程， 将邻域神经元历史上作为利用的更新向量合成一个历史信权　利　要　求　书 1/2 页 2 CN 114995989 A 2息指导向量， 作为 额外的学习信息加入到 本次的更新中， 具体 计算如下： 其中， 任务集合 中的每个任务都在过去的更新中选择神经元ki作为获胜神经元， 该 任务与神经元元ki对应的距离为 参数 取决于该任务在该任务集合中顺序， 权 重参数 ψ则为该历史信息指导向量的整体权 重； 神经元删除机制过程， 在每个神经元环中， 计算每个邻域神经元的累计误差， 累计误差 用于衡量神经元 的映射能力； 计算方式为对于每次作为邻域神经元更新时， 其更新程度与 获胜神经元 的更新程度差别的累加和， 然后除以作为邻域神经元 的次数， 然后计算本环的 平均累计误差， 将大于 本环平均累计误差的神经 元进行删除， 具体公式为： 其中， 任务集合 中的每个任务都选择了神经元ki作为邻域神经元， 则 与 分别决定了对于任务 更新强度， 该比值即反映了更新的误差， 表明了作 为邻域神经元时与获胜神经元更新能力的差异； 神经元平均后得到的 则全面反映了其 更新能力； 对于环上 所有神经 元更新能力误差的平均得到平均误差er ri,ave。 5.基于自组织神经网络的多水 下机器人任务分配系统， 其特 征在于， 包括： 构建模块， 用于根据洋流影响、 资源消耗、 负载均衡和资源有限多重约束， 构建多重约 束的多异构水下机器人系统任务分配优化模型， 其中， 任务分配优化模型为自组织神经网 络； 任务分配模块， 用于任务分配优化模型通过机器人路径点对应的神经元竞争与学习， 完成任务分配， 生成每 个机器人 所需的环形路径。权　利　要　求　书 2/2 页 3 CN 114995989 A 3