本發(fā)明涉及移動(dòng)群智感知，具體為一種基于鯨魚優(yōu)化算法框架的任務(wù)分配方法。

背景技術(shù)：

1、由于移動(dòng)群智感知多任務(wù)分配問題屬于np完全問題，隨著任務(wù)和參與者數(shù)量的增多，問題規(guī)模的擴(kuò)大，不能夠在多項(xiàng)式時(shí)間內(nèi)求解。然而一些經(jīng)典的任務(wù)分配技術(shù)方案在解決此類問題存在缺陷，如隨機(jī)分配算法（randomallocationalgorithm，raa）生成任務(wù)分配方案時(shí)具有不確定性和低效性，貪婪分配策略（greedyallocationalgorithm，gaa）生成任務(wù)分配方案時(shí)容易使得問題陷入局部最優(yōu)解，并且無法處理復(fù)雜約束。因此，現(xiàn)有的一些技術(shù)方案利用元啟發(fā)式優(yōu)化算法生成任務(wù)分配策略，如遺傳算法（geneticalgorithm，ga）、鯨魚優(yōu)化算法（whaleoptimizationalgorithm，woa）、遺傳模擬退火算法（geneticalgorithm-simulatedannealing，ga-sa），這些算法均具備廣泛的探索性，能有效在任務(wù)分配問題的解集合空間中尋找高質(zhì)量的分配方案。然而，在復(fù)雜的任務(wù)分配場(chǎng)景中，這些算法的分配策略并不具備兼顧全局和局部的尋優(yōu)能力，其探索問題最優(yōu)解集的能力具有提升空間。

技術(shù)實(shí)現(xiàn)思路

1、（一）解決的技術(shù)問題

2、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于鯨魚優(yōu)化算法框架的任務(wù)分配方法，解決了任務(wù)分配策略的有效性不足的問題。

3、（二）技術(shù)方案

4、本發(fā)明為了實(shí)現(xiàn)上述目的具體采用以下技術(shù)方案：

5、一種基于鯨魚優(yōu)化算法框架的任務(wù)分配方法，具體如下：

6、（1）基于鯨魚優(yōu)化算法框架構(gòu)建免疫遺傳鯨優(yōu)算法框架：

7、該免疫遺傳鯨優(yōu)算法igwoa基于鯨魚優(yōu)化算法woa的智能搜索機(jī)制解決任務(wù)分配的資源配置問題，同時(shí)，為改善鯨魚優(yōu)化算法的全局和局部搜索能力，在搜索、包圍獵物階段利用免疫遺傳方法的交叉、免疫思想增加表示任務(wù)分配策略的鯨魚個(gè)體的多樣性、提高鯨魚個(gè)體適應(yīng)度值，在氣泡網(wǎng)捕食階段利用免疫遺傳方法的變異思想提升算法局部搜索能力；

8、igwoa基于任務(wù)集合和參與者集合，使用數(shù)組結(jié)構(gòu)對(duì)表示任務(wù)分配策略的鯨魚個(gè)體編碼，采用隨機(jī)貪婪策略生成表示初始任務(wù)分配策略的種群；

9、接著，通過免疫操作中的疫苗制作策略選擇合適鯨魚個(gè)體制造疫苗；

10、之后，基于woa中引入向量系數(shù)的策略，增強(qiáng)算法的全局搜索能力和局部搜索精度，具體如下公式所示：

11、???(1)；

12、其中，為范圍內(nèi)以均勻分布生成的隨機(jī)數(shù)，表示隨鯨魚種群迭代次數(shù)從整數(shù)2線性減小到0的收斂因子，具體如下公式所示：

13、??(2)；

14、其中，表示種群最大迭代次數(shù)，在每一次迭代遍歷鯨魚個(gè)體過程中，igwoa會(huì)生成一個(gè)隨機(jī)數(shù)，用以判別igwoa所處于哪一個(gè)算法階段；

15、當(dāng)且||時(shí)，igwoa處于搜索獵物階段，此時(shí)對(duì)鯨魚個(gè)體進(jìn)行隨機(jī)交叉操作，增加個(gè)體多樣性；

16、當(dāng)且||時(shí)，igwoa處于包圍獵物階段，此時(shí)對(duì)鯨魚個(gè)體進(jìn)行注射疫苗操作，提高個(gè)體適應(yīng)度值；

17、當(dāng)時(shí)，igwoa處于氣泡網(wǎng)捕食階段，此時(shí)對(duì)鯨魚個(gè)體進(jìn)行變異操作，提升算法局部搜索能力，尋找潛在的更優(yōu)解；

18、最后，igwoa利用修復(fù)算子修復(fù)不滿足任務(wù)分配約束的無效鯨魚個(gè)體，保留有效的信息；

19、循環(huán)以上種群進(jìn)化過程次，即可實(shí)現(xiàn)最優(yōu)任務(wù)分配策略生成，具體的算法步驟如下：

20、a）基于參與者集合和任務(wù)集合初始化任務(wù)分配解集種群；

21、b）將種群中適應(yīng)度值最優(yōu)個(gè)體選定為疫苗；

22、c）執(zhí)行次的循環(huán)迭代操作；

23、d）將當(dāng)前種群中適應(yīng)度值最優(yōu)個(gè)體和次優(yōu)個(gè)體交叉生成候選疫苗；

24、e）比較上一代疫苗、當(dāng)前一代最優(yōu)個(gè)體、候選疫苗的適應(yīng)度值，將適應(yīng)度值最高的個(gè)體作為當(dāng)前一代疫苗；

25、f）依據(jù)公式（2）更新收斂因子，其中是當(dāng)前迭代次數(shù)；

26、g）對(duì)當(dāng)前種群中的每一條個(gè)體，利用種群中的各項(xiàng)條件進(jìn)行遍歷循環(huán)操作；

27、h）依據(jù)公式（1）更新向量系數(shù)；

28、i）若隨機(jī)數(shù)，并且，則將當(dāng)前種群中正在遍歷的第條個(gè)體與隨機(jī)個(gè)體進(jìn)行交叉，得到下一代種群中第條個(gè)體；

29、j）若隨機(jī)數(shù)，并且，則將當(dāng)前種群中正在遍歷的第條個(gè)體與當(dāng)前一代疫苗進(jìn)行交叉，得到下一代種群中第條個(gè)體；

30、k）若隨機(jī)數(shù)，則將當(dāng)前種群中正在遍歷的第條個(gè)體進(jìn)行變異操作，得到下一代種群中第條個(gè)體；

31、l）結(jié)束當(dāng)前種群中各項(xiàng)條件的循環(huán)操作；

32、m）將下一代種群中不滿足約束的無效個(gè)體修復(fù)成有效個(gè)體；

33、n）結(jié)束次循環(huán)迭代操作；

34、o）輸出最后一代種群中表示最優(yōu)任務(wù)分配策略的最優(yōu)個(gè)體；

35、（2）設(shè)計(jì)用于表示任務(wù)分配策略的鯨魚個(gè)體結(jié)構(gòu)：

36、利用數(shù)組結(jié)構(gòu)對(duì)鯨魚個(gè)體進(jìn)行表示，具體如下：

37、每條鯨魚個(gè)體由代表名參與者的基因片段組成，基因片段索引用于表示參與者的id，基因片段由若干個(gè)基因組成，每個(gè)基因用于表示任務(wù)id，鯨魚個(gè)體分為滿足所有約束條件的有效個(gè)體和至少不滿足一條約束條件的無效個(gè)體；

38、（3）定義鯨魚個(gè)體適應(yīng)度評(píng)價(jià)函數(shù)：

39、將個(gè)體適應(yīng)度的評(píng)估標(biāo)準(zhǔn)定義為平臺(tái)利潤(rùn)，適應(yīng)度值越高，利潤(rùn)越高；

40、假定一個(gè)種群，其中第個(gè)鯨魚個(gè)體的適應(yīng)度函數(shù)的計(jì)算方式如下所示：

41、??(3)；

42、其中表示完成任務(wù)后平臺(tái)賺取的利潤(rùn)，表示任務(wù)分配狀態(tài)，表示任務(wù)被分配，表示任務(wù)未被分配；

43、（4）初始化第一代鯨魚個(gè)體種群：

44、用隨機(jī)貪婪策略生成條有效個(gè)體的初代種群，首先，創(chuàng)建未分配任務(wù)集合和候選參與者集合，并初始化一個(gè)長(zhǎng)度為的數(shù)組作為空個(gè)體，接著，隨機(jī)選取候選參與者和未分配任務(wù)來生成有效的基因片段，直至候選參與者集合變成空集，循環(huán)迭代上述過程次，完成種群初始化；

45、（5）基于免疫遺傳方法設(shè)計(jì)交叉算子、變異算子以及免疫算子：

46、在將親本中適應(yīng)度值較高的基因片段繼承給新個(gè)體；

47、鯨魚個(gè)體中隨機(jī)兩個(gè)含有任務(wù)序號(hào)的基因片段中分別隨機(jī)選取一個(gè)基因進(jìn)行交換，以此產(chǎn)生突變個(gè)體；

48、免疫算子由兩部分組成，分別是疫苗制作操作和疫苗注射操作，對(duì)于疫苗制作操作，旨在保留鯨魚種群中的優(yōu)質(zhì)基因片段，具體地需要在每次迭代時(shí)將適應(yīng)度值較高的鯨魚個(gè)體和鯨魚個(gè)體執(zhí)行交叉、修復(fù)操作，用以構(gòu)建一條有效個(gè)體，并將其作為候選疫苗，然后，從最高適應(yīng)度值的個(gè)體、候選疫苗和上一代疫苗中選取適應(yīng)度值最高的個(gè)體作為新一代疫苗，對(duì)于疫苗注射操作，旨在將鯨魚種群中的優(yōu)質(zhì)基因片段繼承給下一代，具體地需要使新一代疫苗與被選擇個(gè)體執(zhí)行交叉操作，生成帶有優(yōu)質(zhì)遺傳片段的新個(gè)體；

49、（6）設(shè)計(jì)用于修復(fù)無效鯨魚個(gè)體的修復(fù)算子：

50、將交叉、變異和免疫操作過程中產(chǎn)生的無效鯨魚個(gè)體轉(zhuǎn)換成有效鯨魚個(gè)體，對(duì)于一條鯨魚個(gè)體，首先需要確認(rèn)其每個(gè)基因片段是否滿足任務(wù)分配的約束條件，若不滿足約束條件，則需要將基因片段的任務(wù)序列中滿足約束條件且任務(wù)不重復(fù)的最大子集作為新的基因片段，以代替不滿足約束條件的基因片段；

51、其次，檢查不同基因片段中是否出現(xiàn)相同任務(wù)，基于適者生存的思想，將重復(fù)出現(xiàn)的任務(wù)只保留在適應(yīng)度值最高的基因片段中，移除其他基因片段中重復(fù)出現(xiàn)的任務(wù)；

52、最后，將未分配的任務(wù)隨機(jī)分配給滿足約束條件的參與者，執(zhí)行以上過程，即可將無效的鯨魚個(gè)體轉(zhuǎn)換為有效的鯨魚個(gè)體。

53、（7）將具體地種群初始化、交叉、變異、免疫以及修復(fù)等操作融入免疫遺傳鯨優(yōu)算法框架中，完成任務(wù)分配算法的設(shè)計(jì)。

54、（三）有益效果

55、與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于鯨魚優(yōu)化算法框架的任務(wù)分配方法，具備以下有益效果：

56、本發(fā)明，利用鯨魚優(yōu)化算法框架解決任務(wù)分配中的資源配置問題，采用免疫遺傳方法中的交叉、變異和免疫操作，兼顧算法的局部和全局尋優(yōu)能力，使得平臺(tái)以較快的速度生成可使利潤(rùn)最大化的任務(wù)分配策略，提高任務(wù)分配率和參與者活躍度。