在多重不确定性来源下，基于任务的网络物理系统的自动化规划

《ACM Transactions on Autonomous and Adaptive Systems》：Automated Planning for Task-Based Cyber-Physical Systems under Multiple Sources of Uncertainty

本文针对智能物理-数字系统（sCPS）中任务规划面临的双重不确定性（时间可用性与元件可靠性），提出融合遗传算法的动态规划方法，实验表明该方法在电动汽车充电和医疗机器人场景中优于基线MILP算法，显著降低计算成本并增强鲁棒性。

　　

摘要

在智能信息物理系统（sCPS）中，一个关键挑战在于在不确定性环境下进行任务规划。该领域已有大量研究，提出了能够分别处理不同类型约束（例如排序、结构约束）和不确定性（例如感知、执行、延迟等方面的不确定性）的方法。然而，这些不确定性很少是独立的，通常是相互关联的，它们会以微妙且难以预测的方式影响目标的实现以及其他系统性能。根据文献中最近提出的“不确定性交互问题”，需要采用相应的方法来识别多种不确定性来源并量化它们的影响。在本文中，我们研究了基于任务的sCPS中存在的两种不确定性类型，即“时间可用性约束”和“元件可靠性”。前者指的是执行任务所需的系统元件的可用性，这些元件可能在某些时间段内无法使用；后者则与可能以一定概率发生故障的系统元件相关。本文提出了一种同时考虑这两种不确定性的方法，利用遗传算法将它们有效地纳入规划过程中，以决定如何在运行时最佳地调整系统以应对变化。我们的方法在电动汽车充电和医疗机器人领域进行了验证。评估结果表明：(i) 所提出的方法优于基线混合整数线性规划（MILP）算法，后者在不存在不确定性的情况下能够生成最优解，但在面对故障、时间可用性变化或这两种不确定性同时存在的情况下，该方法能够提供更稳健的解决方案；(ii) 这两种不确定性对解决方案的质量有显著且复杂的影响；(iii) 与基于MILP的优化方法相比，所提出的方法显著降低了计算成本。