进入80年代以来，多机器人系统凭借着比单机器人更高的精度和灵活性进入人们的生活。例如，多机器人系统具有更好的时间和空间分布性；多机器人系统中各台机器人的传感器信息可以有效互补，使整个系统具有更高的数据冗余度和更好的鲁棒性；在完成复杂任务时，多机器人系统中的单台机器人并不需要具有很强的功能和很好的性能，因而具有较低成本和较好的鲁棒性。这些优点使得多机器人系统受到越来越广泛的重视。然而，多机器人系统能否优于单机器人系统很大程度上取决于多机器人系统中的各个机器人能否产生协调一致的动作，解决任务、资源冲突，从而高效完成任务。因此，多机器人协调合作技术(即多机器系统任务分配技术)的研究具有重要的实际意义。

 1。2 多机器人任务分配研究现状

1。3 本文主要内容论文网

本文以多机器人系统为研究对象，对多机器人、多目标情况下的任务分配。本文具体内容如下：

第一章 “绪论”，主要阐述了课题相关的研究背景与意义，机器人的多任务分配的研究现状，同时介绍了一些常见的多机器人系统的任务分配和路径规划算法。

第二章 “ 基于SOM的任务分配算法研究”，主要介绍了将SOM自组织算法用于多机器人、多目标的任务分配，解决了多机器人系统的任务分配与路径规划问题。

第三章 仿真实验，主要针对静态目标和动态目标任务分配两种情况进行仿真分析

第四章 “总结与展望”，总结了课题的相关研究工作，并对于以后的研究工作做了展望。

2 基于SOM的任务分配算法研究

2。1 自组织神经网络(SOM)

20世纪80年代Kohonen提出了自组织神经网络(SOM)算法[9]，由于SOM算法的普适性且易于操作使得该算法在许多现实的问题中得到应用。Yang H C[10]等将SOM神经网络用于文本文档的自动分类，随后Sato[11]等人针对动态二维环境，同样使用该神经网络研制出了一种针对地面移动机器人的可控选择系统，利用该系统机器人能够依据外界工作环境情况的差异，对系统进行动态切换分配； Hendzel[12]等人针对障碍物环境下任务分配问题，应用自组织神经网络SOM，提出了一个针对地面移动机器人的传感导航算法,利用该方法移动机器人能够自适应地应对环境中的突发障碍物。受到自组织神经网络的启发，A。 Zhu[13]等提出了一种能够保证多机器人系统系统在总消耗最小的情况下遍历所有的目标点的算法，该算法解决了确定环境下多移动机器人任务分配与路径规划问题。 

SOM神经网络算法的主要特征就是输入相似则输出相似，即外界输入的环境信号越类似，神经网络输出的映射也就越类似[14][15]。SOM神经网络包含两层神经元，即输入层神经元与输出层(竞争层) 神经元，外界的输入信息通过网络中的输入层的神经元与输出层的神经元之间的权值向量汇聚到神经网络中输出层各个神经元，输出层的神经元则对输入的外界信息进行“比较”、“分析”得出一定的规律，而后依据此规律进行聚类。SOM神经网络结构如图2-1所示。

图2-1 SOM神经网络结构

SOM神经网络算法为无导师分类算法，它能够在神经网络的输出层将外界任意维数的输入信息映射成与外界输入信息相关的一维或者二维的离散图形，具有分类、自组织与自学习的特点。

SOM神经网络的具体算法如下：

（1）赋初值，即为网络中的输出层和输入层各神经元之间的权向量赋值并归一化，得到 ，其中 表示神经网络中竞争层神经元的个数，并确定初始优胜邻域 并对学习率η赋初值；