HAC-FRL: A learning-driven distributed task allocation framework for large-scale warehouse automation

Hanjie Gu

doi:10.1016/j.ipm.2025.104430

HAC-FRL: A learning-driven distributed task allocation framework for large-scale warehouse automation

2025-10-17

0

PRE

AI

DOI：10.1016/j.ipm.2025.104430

原文链接

原文求助

摘要

En 中文

混合拍卖-共识与精细调整循环学习（HAC-FRL）是一种在本研究中提出的框架，旨在用于大规模仓库自动化中的分布式任务分配。为增强冲突解决、加速恢复和优化能源使用，HAC-FRL将局部优化与矿山爆破算法相结合，用于训练数据执行。与以往受限于智能体冲突、学习效率低下和死锁恢复能力差的方法不同，HAC-FRL使机器人能够在任务分配前动态调整其策略。与基准方法相比，使用1000个机器人和5000个任务的仿真试验表明其取得了显著优势。这些优势包括任务成功率提升26.2%，死锁减少1.24%，恢复速度加快84%，能源效率提高38%，消息损失降低62%。鉴于这些发现，HAC-FRL显然提供了一种容错且可扩展的解决方案，能够为关键任务系统实现可靠且能源高效的多智能体任务分配。所提出的系统通过确保学习高效和分布式协调鲁棒，提高了仓库自动化的可靠性和可扩展性。

HAC-FRL: A learning-driven distributed task allocation framework for large-scale warehouse automation

摘要

期刊

机构

引用论文