买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京理工大学申请的专利基于非支配排序的改进粒子群算法的多智能体协同任务分配方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115809547B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211459220.1，技术领域涉及：G06F30/20；该发明授权基于非支配排序的改进粒子群算法的多智能体协同任务分配方法是由高阳;彭张弛;钱晨;吴潇瑞;黄卓;陈庆伟;吴益飞设计研发完成，并于2022-11-17向国家知识产权局提交的专利申请。

本基于非支配排序的改进粒子群算法的多智能体协同任务分配方法在说明书摘要公布了：本发明公开了一种基于非支配排序的改进粒子群算法的多智能体协同任务分配方法，建立了多智能体协同任务分配的模型，实现了打击收益、资源消耗、受损概率等多项指标的同时优化。本发明针对多智能体协同任务分配的问题的特点，将多目标粒子群算法与非支配排序算法相结合，融入了非支配排序算法和交叉变异机制，设计了一种改进惯性权重取值的非线性方法，提出了一种获得算法所得的帕累托解的最优解的最大距离方法，大幅提高了算法的全局搜索寻优能力和工程应用价值。相对于传统优化方法，本发明方法在解决动态环境下的多目标优化问题时有着更好的收敛性和准确性。

本发明授权基于非支配排序的改进粒子群算法的多智能体协同任务分配方法在权利要求书中公布了：1.一种基于非支配排序的改进粒子群算法的多智能体协同任务分配方法，所述方法包括以下步骤： 步骤1，结合作业环境信息，建立多智能体任务分配的目标收益模型；具体包括： 记第i个智能体对目标j执行任务时采用的装备型号为装备适用度为对目标j的打击率为则第i个智能体对目标j执行任务时的毁伤度Pij由两者共同决定，即目标j对应的价值为Vj，则该智能体编队的目标价值收益为： Pij×Vj 因此，整个多智能体系统任务分配的总体收益模型如下公式所示： 式中，M为智能体的数量，N为目标的数量，Vj为目标j的价值，Vmax代表的是目标最大价值；Xij为智能体的分配方案，由一个任务分配决策矩阵来表示，定义如下：i∈[1,M]，j∈[1,N]； 步骤2，结合作业环境信息，建立多智能体任务分配的损失代价模型；具体包括： 1飞行距离最短指标f2 设为第i个智能体在选择路径p时飞行的长度，由于所有智能体可能面临多个目标任务，记目标k为智能体飞临的第一个目标点，代表了k之后的其他目标点，其中Tmax表示智能体一次任务中可执行的最大目标数；记Dik是第i个智能体从初始位置到k目标点的飞行航程，是第i个智能体从k目标点到r目标点的飞行航程；则智能体编队飞行距离表示为： 式中，Lmax为单位智能体在执行任务时的最大飞行距离，M为参与的智能体数量，N为目标的数量，LmaxM为归一化因子； 式中，Dikmax表示的是第i个智能体从初始位置到k目标点的最大飞行航程；表示的是第i个智能体从k目标点到r目标点的最大飞行航程；Tmax-1指的是智能体可执行任务的最大次数； 因此，智能体的飞行距离最短指标为： 2自身损耗成本最小指标f3 损耗量成本最小指标的形式化如下公式所示： 式中，记对目标j执行任务采用的装备型号为为型号装备的单位造价， 3子目标覆盖程度最大指标f4 子目标覆盖程度最大指标的形式化如下公式所示： 步骤3，基于步骤1与步骤2所得多目标函数，结合智能体执行任务过程中的约束条件，建立多智能体协同任务分配模型；具体包括： 综合上述四个指标，进行多目标优化，获得整体评价函数即多智能体协同任务分配的整体模型为： minf＝[f1；f2；f3；f4] 约束条件包括： 1多智能体协同约束c1：为了保障多智能体在执行任务的过程中的协同性，防止无效任务、重复任务、智能体数目与目标数目不匹配等协同问题，需要对所建立的模型添加一定的约束条件，主要有下面两点： 对于智能体而言，任意一个目标点最多只能被智能体执行一次任务，即： 对于目标点，智能体执行任务时的任务个数不能超出自身所能承载的任务负荷，即： 其中，Zimax为第i个智能体所能承载的任务负荷； 对于任务，所有的任务数都必须被执行，即： 其中，Ntype代表的是执行的任务类型个数； 2多智能体的作业半径约束c2：多智能体协同执行任务的过程中，执行任务的半径存在一定约束，即： 其中，Ri,i＝1,2,...,M代表的是第i个智能体的作业半径； 步骤4，利用基于非支配排序的改进粒子群算法对步骤3获得的模型进行求解，获得帕累托解集； 步骤5，基于步骤4所得的帕累托解集，通过最大距离方法获得帕累托最优解，具体步骤如下： 步骤4.1，根据步骤3输入多智能体任务分配的约束条件，初始化粒子群，随机设置每个粒子的速度和位置，设置t＝0，随机生成初始解； 步骤4.2，根据多智能体协同任务分配的整体模型求解每个粒子的适应度，将粒子的位置和适应值存储在粒子的个体极值pbest中，将所有pbest中最优适应值的个体位置和适应值保存在全局极值gbest中； 步骤4.3，更新粒子位置和速度 xi,jt+1＝xi,jt+vi,jt+1 vi,jt+1＝ω·vi,jt+c1r1[pi,j-xi,jt]+c2r2[pg,j-xi,jt] 式中，x为粒子的位置信息，v代表粒子的速度信息，c1和c2为粒子的学习因子，r1和r2为0,1之间的随机数，pi,j为粒子的局部最优值，pg,j为粒子的全局最优值，w为惯性权重；以粒子位置与当前最优位置的差值来指导惯性权重w的取值，根据其值的不同来非线性地调节惯性权重w的大小，第i个粒子j时刻与全局最优粒子的差值为 式中，D为解空间维度；xmax、xmin分别为粒子位置分量的上界与下界；表示j时刻的全局最优粒子位置，表示第i个粒子j时刻的位置；为粒子i在时刻j的惯性权重；wstart、wend分别为w的初始值和最终值； 步骤4.4，将每个粒子的适应值与粒子的最好位置比较，若两者相差值在预设范围内，则将当前粒子的适应值作为粒子最好的位置；并比较当前所有的pbest和gbest，更新gbest； 步骤4.5，引入交叉、变异操作：依据粒子位置分量与全局最优位置的差值X来判断是否交叉变异，使得粒子快速跳出局部最优；具体步骤如下： ①确定X的阈值Xmin、交叉率pc和变异率pm； ②判断粒子i的差值Xi是否小于阈值，是则向下执行，反之跳出不执行； ③为粒子i的每一维选取[0,1]的随机数r，第j维即为rij，若rij＜pm，则进行变异操作： xij＝xmin+xmax-xminr ④再判断粒子第j维对应的随机数rij是否小于交叉率pc，是则对第j维执行交叉操作，交叉对象为全局最优解，将第j维的全局最优解赋值给粒子的第j维； 步骤4.6，采用非支配排序法对各目标函数进行排序，根据排序结果选择下一代种群； 步骤4.7，当算法达到预设停止条件时，停止搜索并输出结果；否则转到步骤4.3继续搜索。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫街道孝陵卫街200号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。