摘要
异构多机器人任务分配（MRTA）需要在兼顾任务收益、行驶成本和完成时间的同时，高效协调具有不同能力的机器人。为解决传统优化方法在复杂约束和早熟收敛方面的挑战，本文提出了一种基于混沌自适应蜣螂优化算法的异构MRTA算法，称为t-SDBO。首先，通过将时变任务收益、机器人资源需求和任务执行约束纳入加权组合优化模型，建立任务分配模型。随后，采用实值编解码机制和约束修复策略，将连续搜索位置转换为可行的离散任务分配和执行序列。为提高蜣螂优化器的优化性能，引入正弦混沌映射以增强初始种群多样性，同时采用自适应t分布变异来加强探索并缓解早熟收敛问题。此外，采用动态选择策略来调整变异的应用，以平衡解的质量与计算开销。对比实验表明，在四机器人、十二任务场景中，t-SDBO的平均适应度值为4.3556，最优适应度值为4.3213，在解的质量上优于PSO、SSA、标准DBO和SDBO。在ROS/Gazebo多机器人导航基准测试中，与DBO和PSO相比，t-SDBO分别将总导航时间减少了3.50%和14.17%，总行驶距离减少了4.72%和8.36%，同时保持了100%的任务完成成功率。这些结果表明，所提出的方法能够同时提高优化质量和多机器人执行效率，为约束条件下的异构多机器人任务分配提供了实用解决方案。
