.png){kind=icon}
返回
A Deep Reinforcement Learning-Assisted Multimodal Multiobjective Bilevel Optimization Method for Multirobot Task Allocation
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3535954.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多机器人任务分配（MRTA）是多功能机器人协作系统（MRCSs）中的一个具有挑战性的双层问题，并提供了一种有效的方法来处理复杂任务。然而，动态/不确定环境在实际MRTA决策过程中很容易使原有方案失效。此外，MRTA问题中的嵌套结构使得计算成本高昂。因此，两项主要任务是1）为MRTA问题寻找足够数量的等效方案以适应任务环境，以及2）提高双层优化问题中算法的搜索效率。本研究提出了一种基于深度强化学习（DRL）和大规模邻域搜索（LNS）的多模态多目标进化算法（MMOEA），称为MMOEA-DL，用于解决MRTA问题。在MMOEA-DL中，作为上层优化问题的任务分配问题采用改进的MMOEA进行求解。作为下层优化问题的旅行商问题（TSP）通过端到端方法（即DRL）和LNS进行解决。通过利用端到端方法获得下层优化结果，将双层优化问题有效地转化为单层优化问题。为验证所提算法的性能，本研究引入了16个MRTA仿真场景以及任务点分布均匀和不均匀的两个实际MRTA场景。仿真结果表明，MMOEA-DL不仅为决策者提供了扩展的等效最优方案以应对动态环境或不可预见情况，还提供了一种在节省计算成本的同时解决多模态多目标双层优化问题的新方法。
Keyword:
Deep reinforcement learning (DRL)
end-to-end
multimodal multiobjective optimization
multirobot task allocation (MRTA)
path planning
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
Hybridizations of evolutionary algorithms with Large Neighborhood Search.png)
COMPUTER SCIENCE REVIEW
COMPUTER SCIENCE REVIEWIF12.7
PREAI
分享收藏Robust multi-objective multi-humanoid robots task allocation based on novel hybrid metaheuristic algorithmAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏The path planning scheme for joint charging and data collection in WRSNs: A multi-objective optimization methodWRSNs中联合计费和数据收集的路径规划方案: 一种多目标优化方法
OAAI
OAAI分享收藏
查看更多内容