【技术实现步骤摘要】
本申请涉及动态任务分配领域，且更为具体地，涉及一种基于人工智能的任务动态分配系统及方法。
技术介绍
1、在现实中，无人机技术的快速发展已经引起了广泛的关注和应用。随着无人机技术的不断创新和进步，具有自主能力的无人机在各个领域得到了广泛的应用。
2、在救援领域，无人机的灵活性和高效性使其成为处理紧急情况的有力工具。无人机可以在灾难现场提供空中监视和侦察，帮助救援人员快速获取准确的信息，从而指导救援行动。此外，无人机还可以通过携带救援物资、执行紧急医疗任务等方式，为受灾人员提供急需的援助。在侦察和搜索任务中，无人机的应用也变得越来越广泛。无人机可以携带高分辨率的传感器和摄像设备，对广大区域进行快速搜索和监测。无人机的机动性和高空视角使其能够有效地发现目标，并提供实时情报和数据支持。无人机还可以用于中继通信，扩大通信范围并提供更好的通信保障。
3、然而，随着任务环境的复杂化，单一无人机的能力有限，无法完成长时间和大规模的任务。因此，采用多无人机的协同方式来完成任务已成为无人机应用的主流趋势。多无人机系统可以通过合理的任务分配和协同执行，充分发挥各个无人机的优势，提高整体任务的效率和完成度。此外，在突发应急救援情况下，任务时间的紧迫性和新任务的随机下发等不确定性因素对任务分配提出了更高的要求。传统的静态任务分配方案可能无法适应这种动态环境，导致任务完成度低下。动态的任务分配方案变得越来越重要。动态任务分配可以根据实时情况和任务需求，灵活地调整无人机的任务分配，以最大程度地提高任务的完成度和效率。
4、
技术实现思路
1、本专利技术针对现有技术中的缺点，提供了一种基于人工智能的任务动态分配系统及方法。
2、一种基于人工智能的任务动态分配方法，包括以下步骤：
3、获取无人机编队执行任务时实时的待执行任务序列中各个任务相关信息及无人机状态信息，其中，各个任务相关信息包括优先级、时间限制、位置信息，无人机状态信息包括各个无人机的位置、速度、电量、可使用负载能力；
4、对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取，得到执行任务特征向量，对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取，得到无人机状态特征向量，基于所述执行任务特征向量和所述无人机状态特征向量，得到任务分配特征向量；
5、对所述任务分配特征向量进行基于类别概率值的相关干涉补偿，得到补偿后任务分配特征向量；
6、基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练，得到任务分配器，其中，任务分配器预训练模型包括序列编码器、卷积神经网络模型及生成器；
7、基于任务分配器对待执行任务进行分配，生成任务分类策略。
8、作为一种可实施方式，所述对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取，得到执行任务特征向量，包括以下步骤：
9、将所述待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为任务参数输入向量；
10、将所述任务参数输入向量输入到序列编码器中，得到所述执行任务特征向量，其中，序列编码器包括一维卷积层和全连接层。
11、作为一种可实施方式，基于所述全连接层，通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征；
12、所述全连接编码模型，表示如下：
13、
14、其中，是所述任务参数输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘法；
15、基于一维卷积层，通过预设一维卷积编码模型对所述任务参数输入向量进行一维卷积编码并提取出输入向量中各个位置的特征值间的高维隐含关联特征；
16、所述一维卷积编码模型，表示如下：
17、
18、其中， a为卷积核在 x方向上的宽度，为卷积核参数向量，为与卷积核函数运算的局部向量矩阵， w为卷积核的尺寸，表示所述任务参数输入向量，表示对所述任务参数输入向量进行一维卷积编码。
19、作为一种可实施方式，所述对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取，得到无人机状态特征向量，包括以下步骤：
20、将各个无人机的位置、速度、电量、可使用负载能力按照无人机样本维度以得到无人机状态输入矩阵；
21、将无人机状态输入矩阵通过卷积神经网络模型以得到所述无人机状态特征向量，其中，所述卷积神经网络模型使用全局转换矩阵作为滤波器。
22、作为一种可实施方式，所述任务分配特征向量，通过融合模型得到，融合模型的计算公式如下：
23、
24、其中，表示所述无人机状态特征向量，表示所述执行任务特征向量，表示级联函数，表示所述任务分配特征向量。
25、作为一种可实施方式，所述对所述任务分配特征向量进行基于类别概率值的相关干涉补偿，得到补偿后任务分配特征向量，包括以下步骤：
26、将所述任务分配特征向量通过激活函数以得到类别概率特征向量；
27、计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵；
28、对所述干涉矩阵进行奇异值分解以得到相关干涉矩阵；
29、将所述任务分配特征向量与所述相关干涉矩阵进行相乘以得到补偿特征向量；
30、将所述补偿特征向量与所述任务分配特征向量进行拼接以得到所述补偿后任务分配特征向量。
31、作为一种可实施方式，所述计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵，包括以下步骤：
32、创建django项目和应用的文件，并存储所述任务分配特征向量和所述类别概率特征向量；
33、创建视觉函数模型，计算所述协方差矩阵，其中，所述视觉函数来自numpy库；
34、配置url路由，将所述url路由和所述视觉函数模型进行对应；
35、运行django开发服务器，访问所述url路由，进而计算并显示所述协方差矩阵，所述协方差矩阵即为干涉矩阵。
36、作为一种可实施方式，所述基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练，得到任务分配器，包括以下步骤：
37、获取训练待执行任务序列中各个任务的优先级、时间限制、位置信息以及训练无人机编队中各个无人机的位置、速度、电量、可使用负载能力；
38、将所述训练待执行任务序列中各个任务的优先级、时间限制、位置信息按照任务样本维度排列为训练任务参数输入向量；
39、将所述训练任务参数输入向量输入到所述序列编码器本文档来自技高网...
【技术保护点】
1.一种基于人工智能的任务动态分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取，得到执行任务特征向量，包括以下步骤：
3.根据权利要求2所述的基于人工智能的任务动态分配方法，其特征在于，基于所述全连接层，通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征；
4.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取，得到无人机状态特征向量，包括以下步骤：
5.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述任务分配特征向量，通过融合模型得到，融合模型的计算公式如下：
6.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述对所述任务分配特征向量进行基于类别概率值的相关干涉补偿，得到补偿后任务分配特征向量，包
7.根据权利要求6所述的基于人工智能的任务动态分配方法，其特征在于，计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵，包括以下步骤：
8.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练，得到任务分配器，包括以下步骤：
9.根据权利要求8所述的基于人工智能的任务动态分配方法，其特征在于，所述预设迁移因数模型，计算公式表示如下：
10.一种基于人工智能的任务动态分配系统，其特征在于，包括：
11.根据权利要求10所述的基于人工智能的任务动态分配系统，其特征在于，所述任务信息和无人机信息特征编码模块包括任务信息特征提取单元、无人机信息特征提取单元及任务-无人机匹配特征生成单元；
12.根据权利要求11所述的基于人工智能的任务动态分配系统，其特征在于，所述任务信息特征提取单元，包括：
13.根据权利要求11所述的基于人工智能的任务动态分配系统，其特征在于，所述无人机信息特征提取单元，包括：
14.根据权利要求11所述的基于人工智能的任务动态分配系统，其特征在于，所述任务-无人机匹配特征生成单元，被设置为：
15.根据权利要求10所述的基于人工智能的任务动态分配系统，其特征在于，所述任务分配特征优化模块，包括：
16.根据权利要求15所述的基于人工智能的任务动态分配系统，其特征在于，所述协方差矩阵计算单元，包括：
17.根据权利要求10所述的基于人工智能的任务动态分配系统，其特征在于，所述模型训练模块，包括：
18.根据权利要求17所述的基于人工智能的任务动态分配系统，其特征在于，所述预设迁移因数模型设置于概率密度联合相关迁移因数计算单元中，预设迁移因数模型计算公式表示如下：
19.一种计算机程序产品，其特征在于，包括计算机指令，该计算机指令被处理器执行时实现如权利要求1至9中任一所述的方法。
20.一种基于人工智能的任务动态分配装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任意一项所述的方法。
...【技术特征摘要】
1.一种基于人工智能的任务动态分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述对所述待执行任务序列中各个任务的优先级、时间限制、位置信息进行任务特征提取，得到执行任务特征向量，包括以下步骤：
3.根据权利要求2所述的基于人工智能的任务动态分配方法，其特征在于，基于所述全连接层，通过预设全连接编码模型对所述任务参数输入向量进行全连接编码并提取出输入向量中各个位置的特征值的高维隐含特征；
4.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述对所述无人机编队中各个无人机的位置、速度、电量、可使用负载能力进行状态特征提取，得到无人机状态特征向量，包括以下步骤：
5.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述任务分配特征向量，通过融合模型得到，融合模型的计算公式如下：
6.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述对所述任务分配特征向量进行基于类别概率值的相关干涉补偿，得到补偿后任务分配特征向量，包括以下步骤：
7.根据权利要求6所述的基于人工智能的任务动态分配方法，其特征在于，计算所述任务分配特征向量和所述类别概率特征向量之间的协方差矩阵作为干涉矩阵，包括以下步骤：
8.根据权利要求1所述的基于人工智能的任务动态分配方法，其特征在于，所述基于所述补偿后任务分配特征向量对任务分配器预训练模型进行训练，得到任务分配器，包括以下步骤：
9.根据权利要求8所述的基于人工智能的任务动态分配方法，其特征在于，所述预设迁移因数模型，计算公式表示如下：
10...
【专利技术属性】
技术研发人员：马永超，黄明会，张慧娟，黄华栋，徐丹，冯勋昂，
申请(专利权)人：浙江数达智远科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。