2026年IEEE TNSE SCI2区，基于预测的双阶段分布式任务分配方法+搜救场景中最大化任务分配，深度解析+性能实测

目录1.摘要2.问题建模3.基于预测的双阶段任务分配算法4.结果展示5.参考文献6.代码获取7.算法辅导·应用定制·读者交流1.摘要本文提出一种基于预测的双阶段分布式任务分配方法PDTA用于多机器人系统在搜索与救援SAR场景中的任务分配。该方法首先通过性能影响算法生成初始任务分配并利用任务竞标预测机制减少无效竞标、提高收敛速度同时在成本函数中考虑任务截止时间和燃料限制通过局部搜索机制优化分配结果提高任务完成质量和数量。2.问题建模总体场景描述在灾害区域中异构机器人集群执行搜索与物资配送任务。机器人发现幸存者后共享其位置和服务时间窗口信息。随后机器人根据自身能力生成初始任务列表并通过一致性协调机制完成任务分配在资源与时间窗口约束下向幸存者配送药品或食物。数学模型设有n nn个机器人V { v 1 , v 2 , … , v n } V \{v_1, v_2, \dots, v_n\}V{v1​,v2​,…,vn​}和m mm个幸存者任务T { T 1 , T 2 , … , T m } T \{T_1, T_2, \dots, T_m\}T{T1​,T2​,…,Tm​}任务为向幸存者配送药品或食物。机器人按照其任务列表α i \alpha_iαi​的顺序依次执行任务且不要求返回起始位置。任务分配由矩阵H HH表示其中h i , j 1 h_{i,j} 1hi,j​1表示机器人i ii可以执行任务j jj。每个任务具有截止时间η j \eta_jηj​和执行时间τ j \tau_jτj​机器人必须在截止时间前开始任务。同时每个机器人受到燃料上限f i f_ifi​和最大任务数量L i L_iLi​的限制。优化目标是在满足任务兼容性、时间窗口、燃料约束及任务不冲突等条件下最大化完成任务的数量J max ⁡ ∑ i 1 n ∣ α i ∣ J \max \sum_{i1}^{n} |\alpha_i|Jmaxi1∑n​∣αi​∣约束包括每个机器人任务数量∣ α i ∣ ≤ L i |\alpha_i| \le L_i∣αi​∣≤Li​到达任务时间必须满足截止时间t i k ( α i ) η a i k t_{ik}(\alpha_i) \eta_{a_{ik}}tik​(αi​)ηaik​​总执行时间受燃料限制t i k ( α i ) f i t_{ik}(\alpha_i) f_itik​(αi​)fi​不同机器人任务不重复α i ∩ α j ∅ \alpha_i \cap \alpha_j \varnothingαi​∩αj​∅任务必须满足能力匹配h i , j ∈ [ 0 , 1 ] h_{i,j} \in [0,1]hi,j​∈[0,1]3.基于预测的双阶段任务分配算法基于预测的初始解生成在初始解生成阶段算法通过任务加入与冲突消解两个过程迭代优化任务分配。在任务加入阶段机器人从未分配任务集中选择可执行任务加入任务列表并利用任务加入性能影响IPIω i j ⊕ ( α i ) min ⁡ l 1 ∣ α i ∣ 1 { C i ( α i ⊕ l T j ) − C i ( α i ) } \omega_{ij}^{\oplus}(\alpha_i) \min_{l1}^{|\alpha_i|1} \{ C_i(\alpha_i \oplus_l T_j) - C_i(\alpha_i) \}ωij⊕​(αi​)l1min∣αi​∣1​{Ci​(αi​⊕l​Tj​)−Ci​(αi​)}和任务移除性能影响RPIω i j ⊖ ( α i ) C i ( α i ) − C i ( α i ∖ T j ) \omega_{ij}^{\ominus}(\alpha_i) C_i(\alpha_i) - C_i(\alpha_i \setminus T_j)ωij⊖​(αi​)Ci​(αi​)−Ci​(αi​∖Tj​)评估任务对总成本的影响通过显著性差值v max ⁡ k { ξ i k − ξ i k ∗ } v \max_k \{ \xi_{ik} - \xi_{ik}^* \}vkmax​{ξik​−ξik∗​}选择最优任务加入任务列表。由于机器人独立决策可能产生任务冲突系统随后通过通信进行共识协调交换赢家列表与竞标信息并对冲突任务进行移除。与传统 PI 算法不同PDTA 在任务删除阶段引入预测机制通过预测其他机器人的未来竞标值ξ ^ j \hat{\xi}_jξ^​j​来判断是否删除任务从而避免误删任务并提高分配稳定性。局部搜索机制与优化策略在生成满足截止时间约束的初始任务分配后仍可能存在未分配任务因此算法引入局部搜索与解优化策略进一步改进任务分配。局部搜索通过两种方式扰动当前解一是交换两个机器人完整任务列表二是在不同机器人之间交换单个任务在不改变任务总数的情况下降低整体成本从而避免陷入局部最优并扩大解空间。在得到成本更低的任务分配结果后算法尝试将未分配任务U UU插入当前解。首先计算任务的边际显著性并选择成本影响最小的机器人-任务-插入位置组合( v ∗ , T ∗ , ρ ∗ ) arg ⁡ min ⁡ v ∈ V , T ∈ U ξ ∗ ( α v , T ) (v^*, T^*, \rho^*) \arg\min_{v \in V, T \in U} \xi^*(\alpha_v, T)(v∗,T∗,ρ∗)argv∈V,T∈Umin​ξ∗(αv​,T)随后更新任务列表与未分配任务集α v ∗ α v ∗ ⊕ ρ ∗ T ∗ , U U ∖ { T ∗ } \alpha_{v^*} \alpha_{v^*} \oplus_{\rho^*} T^*, \quad U U \setminus \{T^*\}αv∗​αv∗​⊕ρ∗​T∗,UU∖{T∗}若无法直接插入新任务则通过移除高 RPI 任务并插入未分配任务进一步优化并依据显著性差值ϑ ′ max ⁡ { ξ ( α v 1 , T 1 ) − ξ ( α v 2 , T 2 ) } \vartheta \max\{\xi(\alpha_{v_1}, T_1) - \xi(\alpha_{v_2}, T_2)\}ϑ′max{ξ(αv1​​,T1​)−ξ(αv2​​,T2​)}判断是否继续优化。当ϑ ′ 0 \vartheta 0ϑ′0时通过删除任务T 1 ∗ T_1^*T1∗​并插入任务T 2 ∗ T_2^*T2∗​为后续任务腾出时间窗口。4.结果展示5.参考文献[1] Chen P, Liang J, Song H, et al. Multi-objective task allocation for electric harvesting robots: a hierarchical route reconstruction approach[J]. arXiv preprint arXiv:2509.11025, 2025.6.代码获取xx7.算法辅导·应用定制·读者交流xx