收获的多智能体任务分配管理gydF4y2Ba

1介绍gydF4y2Ba

软水果农场(如草莓,树莓,樱桃和黑莓栽培),季节性工人受聘在收获季节选择成熟的水果。由于软水果和短缺的日益增长的需求季节性工人(gydF4y2Ba佩勒姆2017gydF4y2Ba;gydF4y2Ba从此之后et al ., 2018gydF4y2Ba;gydF4y2BaKootstra et al ., 2021gydF4y2Ba),农场正在寻求创新的解决方案来管理员工在收获季节。一般来说,在这样的农场,每天收获经理决定哪些字段是采摘和多少团队需要(工人)的组。每个团队将收获一个或多个字段。然后收获经理决定哪些员工应该分配给每个团队和分配一个领袖。当工人们到达领域,团队领导决定每个员工应该执行哪些任务。工人分配gydF4y2Ba拾荒者gydF4y2Ba收获成熟的水果,将它们放入gydF4y2Ba扁篮gydF4y2Ba^1gydF4y2Ba分组的托盘。满然后运输托盘包装。运输托盘包装站的任务可以由拾荒者,但也可以给员工分配gydF4y2Ba跑步者gydF4y2Ba^2gydF4y2Ba。通常采摘工人的报酬基于成熟的草莓他们选择的体积(即。据gydF4y2Ba计件工资gydF4y2Ba),而跑步者支付的利率。因此,在包装站,托盘重量和条形码扫描记录卷了,谁选择了水果。gydF4y2Ba

当没有足够的人力劳动采摘和运输水果,农作物将会受到影响。在极端的情况下,所有的水果不是收获和一些成熟的生产将会烂在田里。这种情况不仅导致食物浪费,但也损失种植者的投资(gydF4y2BaDoward博尔达萨,2018年gydF4y2Ba)。一系列的策略来解决劳动力短缺问题正在研究。这包括引进机械设备,协助收集和crop-care任务的性能。然而,到目前为止,研究的实际应用gydF4y2Ba人工智能(AI)gydF4y2Ba收获的有效管理劳动力稀缺。这里我们提出的方法有助于填充这个空白,特别是借鉴文学gydF4y2Ba人工智能规划gydF4y2Ba和gydF4y2Ba多机器人任务分配gydF4y2Ba。gydF4y2Ba

工作提出了旨在解决三个研究问题:(1)一个算法可以组织员工到团队开发的性能相当或优于手动团队组织在商业水果农场吗?(2)什么是最有效的跑步者比拾荒者?(3)分配任务的最有效的策略是什么,拾荒者和运动员吗?这三个研究问题可以使用历史评估挑选水果农场提供的数据。然而,评估我们的第一个问题,挑战处理“活”数据,提供增量(每天),必须加以解决。关键的区别gydF4y2Ba历史gydF4y2Ba和gydF4y2Ba生活gydF4y2Ba数据集被认为是前完成,后者是不完整的,并且经常会有些不确定的(例如,每日值有时可能被纠正之后)。这里给出的结果源于两个数据来源:一个小农场和一个大型商业农场的研究。小农场提供历史数据从2020年的研究。大型商业农场提供历史数据从2020年开始,在2021赛季,让我们每天实时数据。gydF4y2Ba

(即创建高效团队。,来consider our first research question) the following three factors must be taken into consideration. First, workers tire as the day progresses and expect work to be fairly distributed amongst workers; therefore, all workers should each work for roughly the same amount of time. Second, to reduce a farm’s staff expenditure, the overall staff time must be minimised whilst still maximising yield (quantity of produce harvested). Workers must be motivated, in particular, slower workers can be inspired by watching and learning from quicker workers; and thus teams should contain a mixture of worker abilities. Third, since pickers are paid by piece-rate, when a worker does not pick enough to reach the equivalent government-set hourly minimum wage, the farm must top up the worker’s wage—making that worker more expensive than one who harvests enough to meet (or exceed) the minimum wage.

调查我们的第二个两个研究问题,收获模拟。这个模拟使团队评估与不同比例的跑步者器。我们的工作假设方法旨在解决在多机器人任务分配团队可以适应一个柔软的水果农场管理人类的劳动力。具体地说,以市场为基础的多机器人任务分配策略被应用于将任务分配给拾荒者和跑步者的问题。探讨我们的问题经验使用收集的数据从一个小草莓领域和商业水果农场大领域(证明了我们的方法在尺度)。结果预计对劳动效率和成果相比,当不同的以市场为基础的任务分配机制实现的。本文包含三个小说的贡献:1)我们的工人的描述模型是由现实世界的数据;2)的细节我们的方法分配工人挑选团队(概述提出了一个扩展的抽象gydF4y2Ba哈曼和Sklar (2022)gydF4y2Ba),和3)的详细评估我们的水果收获模拟使用团队提出的我们的团队创建方法。gydF4y2Ba

我们的工作是出于两个目标:一个短期和长期的。短期目标是自动化组织收集员工的过程中,试图优化给定的员工每一天的性能以及节约时间手动农场经理目前组织团队。长期的目标是开发一种方法,将允许一个农场容易集成机器人在他们的劳动力。事实上,在不久的将来,机器人可能很快会填补缺口在季节性工人的短缺(gydF4y2BaDas et al ., 2018gydF4y2Ba;gydF4y2BaShamshiri et al ., 2018gydF4y2Ba;gydF4y2BaSeyyedhasani et al ., 2020 agydF4y2Ba;gydF4y2BaKurtser Edan, 2020gydF4y2Ba;gydF4y2BaKootstra et al ., 2021gydF4y2Ba);因此,机器人的同事需要管理与人类的劳动力。支撑这里描述的方法的概念gydF4y2Ba工人模型gydF4y2Ba,从观察每个工人在收获季节的表现。工人的物种是不可知论者:人类或机器人。因此我们预计能够采用我们的方法无缝地人与机器为人类仅仅和劳动力。gydF4y2Ba

本文组织如下。第二部分强调了相关工作在文献中多智能体/多机器人系统的任务分配,以及人工智能在农业上的应用。3.1节说明如何处理农场的数据开发工作模型。3.2节描述了我们的方法来分配人类工人团队,解决gydF4y2Baworker-to-field赋值gydF4y2Ba问题;和3.3节细节我们收获模拟。第四部分解释了我们进行的实验,在真实的场景中,为了评估我们的方法的影响。第五节介绍和分析实验结果。最后,我们密切与未来工作方向(第6节)和总结我们的贡献(第7节)。gydF4y2Ba

2背景gydF4y2Ba

人工智能研究人员旨在开发机器能够做决定的,搜索、规划、解决问题和/或执行任务,人类通常会执行(gydF4y2Ba明斯基,1961gydF4y2Ba;gydF4y2Ba麦卡锡,2007gydF4y2Ba;gydF4y2Ba罗素和Norvig, 2009年gydF4y2Ba)。多智能体任务分配(马塔)技术解决一群特工的情况下(例如,人类,机器人和/或软件代理)必须携手完成一组任务。他们的目标是做出决定关于代理应该执行哪个任务,通常(也就是构造一个计划。一个序列,应该执行的任务)。多机器人任务分配(MRTA)技术包含相同的功能马塔关于高效协调的任务也包含方面的经典车辆路径问题(VRP) (gydF4y2BaDantzig和公羊,1959gydF4y2Ba)为了考虑一些限制在机器人操作的物质世界。马塔问题分类的文献根据几个分类,区分特定功能的任务和任务环境(gydF4y2BaGerkey Matarić,2004gydF4y2Ba;gydF4y2Ba兰登et al ., 2012gydF4y2Ba;gydF4y2BaKorsah et al ., 2013gydF4y2Ba)。从文学,尤其相关的参数这里介绍的工作是:single-robot(或代理人)(SR)与多机器人(MR) task-whether执行每个任务由一个演员或多个演员;静态(SA)和动态(DA) assignment-whether已知的所有任务之前执行任何任务(静态)或新的表现为一些任务正在执行(动态);独立(IT)和约束(CT) task-whether与否的分配一个任务的完成依赖于另一个;和进一步区分的时间表(ID), cross-schedule (XD)和复杂(CD) CT任务的依赖关系。我们领域分配问题结合先生,SA和它从多个演员将分配给每个字段(任务)。我们within-field任务分配情况是不同寻常,因为它结合了SA和DA任务在一个XD环境(跑步者依赖于选择任务和任务gydF4y2Ba反之亦然gydF4y2Ba)。gydF4y2Ba

当移动机器人的任务需要,必须去特定地点为了执行分配给他们的任务,然后需要方面的问题gydF4y2Ba多机器人路由(MRR)gydF4y2Ba是一种multi-depot,多智能旅行推销员问题(mTSP) (gydF4y2BaBektas 2006gydF4y2Ba)和一个变体更一般的车辆路径问题(VRP) (gydF4y2BaLaporte 1992gydF4y2Ba)。最近的真实世界的例子包括消毒公共区域以减少传染性疾病的传播(gydF4y2Ba路透社报道,2020gydF4y2Ba),提供的食物(gydF4y2Ba苍鹭,2020gydF4y2Ba)。一个关键挑战是决定gydF4y2Ba任务gydF4y2Ba如。地区喷洒消毒剂或餐去接和deliver-should被分配到机器人的总体执行gydF4y2Ba任务gydF4y2Ba(设置的任务在一个特定的整体执行时间)gydF4y2Ba非常高效。gydF4y2Ba:资源有效利用,所以的时间和精力不是浪费,通常,一些奖励是最大化。gydF4y2Ba

一个受欢迎的家庭MRTA问题以市场为基础的解决方案gydF4y2Ba拍卖机制gydF4y2Ba。如前所述在文学(gydF4y2Ba卡尔拉et al ., 2005gydF4y2Ba;gydF4y2Ba迪亚斯et al ., 2006gydF4y2Ba;gydF4y2Ba堆和Pagnucco, 2011年gydF4y2Ba;gydF4y2Ba施耐德,2018gydF4y2Ba),拍卖是执行gydF4y2Ba轮gydF4y2Ba通常由三个阶段:1)宣布tasks-angydF4y2Ba售经理gydF4y2Ba广告代理的一个或多个任务;2)计算bids-each代理决定其个人价值(成本或效用)的一个或多个任务和提供了一个宣布gydF4y2Ba报价gydF4y2Ba对于任何相关任务;和3)决定胜利者拍卖经理决定哪些代理(s)是授予哪些任务(s)。gydF4y2Ba

一个非常简单的方法,gydF4y2Ba轮循(RR)gydF4y2Ba,与拍卖机制的不同之处在于,只有胜者确定阶段发生。获胜者是由自行车虽然代理,分配每个人的任务。结论是当所有任务都分配过程。RR得益于低计算成本和结果(大约)均匀分布的任务(即。,thenumber of tasks each agent is assigned differs at most by 1 when any agent is capable of performing any of the tasks on offer). Nevertheless, the cost of a task is not considered, synergies between tasks are not exploited and the result is highly dependent on the order in which tasks and agents are matched. For MRTA problems, RR alone can result in inefficient task allocations. We therefore employ a modified RR algorithm to create an initial assignment of workers to fields. Our solution is then modified to improve its efficiency and how well it meets the farm’s specifications.

有大量的作品的应用基于拍卖的机制问题的多机器人团队分配的任务。也许最著名的方法在文献中是连续的单项(SSI)方法(gydF4y2BaKoenig et al ., 2006gydF4y2Ba)。在SSI,宣布几项任务团队成员。每个团队成员,或“投标人”,响应的投标代表的价值(效用)的任务,将执行成本和潜在的奖励。集中拍卖经理,或“拍卖师”,然后决定获胜者通过选择最低的投标人竞标任何任务。轮,直到所有的拍卖重复任务分配。拍卖机制考虑个别投标人的自身利益和所代表的集团目标(s)拍卖manager-hence他们的支持率在多代理系统中,寻求平衡两组,潜在的冲突,目标。gydF4y2Ba

SSI的力量结合起来gydF4y2Ba组合gydF4y2Ba(gydF4y2BaBerhault et al ., 2003gydF4y2Ba)和并行单项(PSI) (gydF4y2BaKoenig et al ., 2006gydF4y2Ba)拍卖。在组合拍卖中,机器人投标gydF4y2Ba包gydF4y2Ba的任务;与PSI,所有任务都分配在一个圆的。ψ是简单的比SSI和需要较少的计算和通信;但它不能捕获任务之间的协同效应和产生的分配可能是次优的。组合拍卖相比,SSI快(拍卖在多项式时间运行在最坏的情况下)和高效,同时也能够产生一个分配接近或远离最优保证因素(gydF4y2BaKoenig et al ., 2006gydF4y2Ba)。SSI多机器人任务分配一直是一个受欢迎的选择,和许多变体(如学习。gydF4y2Ba堆和Pagnucco (2013)gydF4y2Ba;gydF4y2BaNunes和基尼(2015)gydF4y2Ba;gydF4y2Ba麦金太尔et al。(2016)gydF4y2Ba;gydF4y2BaNunes et al。(2016)gydF4y2Ba;gydF4y2Ba施耐德et al . (2015gydF4y2Ba,gydF4y2Ba2016)gydF4y2Ba)。gydF4y2Ba

Nunes和基尼(2015)gydF4y2Ba提出了SSI的修改版本gydF4y2BaTeSSIgydF4y2Ba有效地分配一组任务时间约束的机器人。TeSSI决定分配通过最小化总运行时间(时间到最后任务环境中完成)和最大化的总数可以执行的任务。仿真实验结果表明,加权不同的特性在一个单一的目标函数可以为满足定制需求和约束是有利的。在以后的工作(gydF4y2Ba麦金太尔et al ., 2016gydF4y2Ba;gydF4y2BaNunes et al ., 2016gydF4y2Ba),作者考虑的方法来有效地分配任务的优先级约束和现在的修改版本TeSSI解决更复杂的MRTA问题。gydF4y2Ba

堆和Pagnucco (2013)gydF4y2Ba提出了gydF4y2Ba连续的单个集群(SSC)gydF4y2Ba拍卖解决在动态环境中皮卡和交付的任务。问题时考虑了任务之间的依赖关系进行分配。交付任务时才可用机器人执行上升任务收集对象。SSC宣布和分配gydF4y2Ba集群gydF4y2Ba在每一轮地理上邻近的任务,而不是只有一个任务(SSI)或每一个任务(PSI)每轮。集群是一组之间的距离较短的交货任务独立上车和下车的位置。gydF4y2Ba

施耐德et al。(2015)gydF4y2Ba进行了一次实证分析不同的基于拍卖的机制。结果显示,广泛使用的优点SSI-based方法可以大大降低当任务动态分配的。随后,任务分配机制的性能在一组parameterised任务环境调查(gydF4y2Ba施耐德et al ., 2016gydF4y2Ba)。结果表明,一些任务分配方法一贯优于所有其他参数在特定任务。然而,在环境评估,没有单一的方法成功地超越其他所有的参数集。gydF4y2Ba

沙利文et al。(2019)gydF4y2Ba研究提高SSI时的性能用于异构机器人团队分配任务。报价是旅行时间成本(使用欧氏距离计算)+时间制定任务,基于机器人的专业知识。此外,机器人只会投标任务的相对高水平的专业知识(相比其他机器人)。同样,在我们的方法中,我们把每个代理专业知识水平为每个类型的水果了。相比之下,我们的分类和因此我们如何解决问题不同。worker-to-field分配问题,每个任务(字段)需要多个代理/拾荒者(先生);然而,gydF4y2Ba沙利文et al。(2019)gydF4y2Ba执行的任务由一个机器人(SR)。此外,gydF4y2Ba沙利文et al。(2019)gydF4y2Ba使用SA和DA,但不像我们是XD环境内。gydF4y2Ba

基于拍卖的方法已经被应用于各种应用领域,这表明他们的多才多艺和声望。这包括检查机场跑道发现缺陷(gydF4y2Ba施et al ., 2021gydF4y2Ba),分配车辆乘客(即on-demand-transport) (gydF4y2Ba达乌德et al ., 2021gydF4y2Ba)和无人机执行农业的任务,如农药喷洒和农作物监控(gydF4y2Ba胡锦涛和阳,2018gydF4y2Ba)。gydF4y2Ba胡和阳(2018)gydF4y2Ba提出一个分散的拍卖。分散方法可以产生比集中方法用更少的时间分配,可以沟通到一个中央服务器的环境中有益的是有限的。目前使用的劳动管理方法在农场集中中央的农场经理组织工人们使用电子表格。因此,我们选择了一种中央集权的方式在这里介绍的工作。gydF4y2Ba

在文学,MRTA问题也已解决使用替代技术,包括metaheuristics、遗传算法等。遗传算法(气)是受自然选择,个人最适合他们的环境生存和繁殖,从而逐步适应人口是否适合它的环境。AI,气体的目标是最小化/最大化一个适应度函数的迭代调整solutions-i.e一组可能的。人口。gydF4y2BaPatel et al。(2020)gydF4y2Ba介绍一个分散GA和比较最小化总路程由机器人,机器人和最小化最大行驶距离的两个的组合。相比之下,gydF4y2Ba马丁et al。(2021)gydF4y2Ba比较gydF4y2Ba分支界限法(B&B)gydF4y2Ba气体分配任务内地面和飞行器太阳能热植物。B&B始于最初的解决方案并创建适应从最初的解决方案(分支机构)的解决方案。他们的实验表明,B&B可以创建最优解但不规模大的问题。他们的GA扩展但没有找到最佳的解决方案。gydF4y2Ba

一个领域的申请多机器人团队,最近引起了人们的注意gydF4y2Ba农业机器人gydF4y2Ba(gydF4y2Ba从此之后et al ., 2018gydF4y2Ba)。这个极具挑战性领域带来了许多机会考虑不仅面临传统问题在机器人,如导航、控制、传感、处理和协调,而且新兴人机协作问题。先进的工作在农业机器人技术包括使用领域的自主机器人驱动和收集传感器数据,这是使用机器学习和计算机视觉分析方法识别成熟的水果(gydF4y2Ba柯克et al ., 2020gydF4y2Ba),需要灌溉的地图区域(gydF4y2BaChang和林,2018年gydF4y2Ba),定位杂草(gydF4y2Ba刘和布鲁赫,2020年gydF4y2Ba),以及促进许多其他类型的任务,需要精确的检测对象。gydF4y2Ba

广泛的机器人采摘和运输作物解决方案目前正在开发,包括收获甜辣椒(gydF4y2BaElkoby et al ., 2014gydF4y2Ba;gydF4y2BaKurtser Edan, 2020gydF4y2Ba)和其他果期蔬菜(gydF4y2BaShamshiri et al ., 2018gydF4y2Ba)。当收割庄稼,如果生产集装箱已经满了,它必须被运送到一个存储和/或包装位置。一些研究人员通过实验评估人与机器混合解决方案,在机器人执行运输任务,同时人类选择(gydF4y2BaDas et al ., 2018gydF4y2Ba;gydF4y2BaSeyyedhasani et al ., 2020 agydF4y2Ba,gydF4y2BabgydF4y2Ba)。本文中提出的方法不同于这些在几个重要方面:我们组织团队的员工以数据为中心的模型的基础上个人的技能,来自农场已经收集的信息来计算计件工资;我们应用多智能体协调算法将任务分配给拾荒者和跑步者;和我们的作业是actor-agnostic,同样应用到人类或机器人工人。gydF4y2Ba

尽管最近人工智能和机器人技术的进步,农场经理和主管还是手动确定哪些员工应该分配到哪个字段和拾荒者比跑步者使用,通常遵循一个繁琐和容易出错的过程,涉及在电子表格从几个不同的商业gydF4y2Ba^3gydF4y2Ba系统(如农业规划、职工考勤,工资)。最重要的我们工作的目标是应用于自动化这个过程,可以特别费时和复杂的大型农场。我们的策略考虑了现实的挑战与实验室的方法移植到一个真实的设置。我们之前的工作(gydF4y2Ba哈曼和Sklar, 2021gydF4y2Ba,gydF4y2BabgydF4y2Ba评估不同比率的拾荒者的跑步者。我们的团队配置的概述方法出现在一个扩展的抽象(gydF4y2Ba哈曼和Sklar, 2022gydF4y2Ba)。深度在本文的工作中,我们将解释所有组件的收获劳动管理决策过程,评估我们的方法对新(额外的)指标在较长时间比我们先前的工作,并提供一个更详细的比较和分析不同的选择和运动员的任务分配策略考虑。gydF4y2Ba

3的方法gydF4y2Ba

本节描述我们的整体方法多智能体系统的使用方法在人类劳动的管理软水果农场。我们的目标不仅是减少浪费时间等待的人完成相关的任务在一个异构的劳动力,而且还节省时间为农场经理目前手动分配员工团队和任务。首先,我们描述我们的方法造型工人的行为,这是制定的基础团队来说,第二个组件的方法和用于告知第三组件,在角色分配在团队和任务分配使用我们的仿真系统。gydF4y2Ba

3.1模型的工人gydF4y2Ba

我们的方法的核心是一个单个农户的行为模式。这是一个以数据为中心的模型,使用信息已经收集了许多农场,正如前面提到的,下面详细解释。我们的工人模型是基于估计的速度选择器收成每种类型的水果种植在农场。由于变化在挑选技术要求不同类型的水果,有些人擅长挑选多个水果而另一些挑战找到特定类型的水果。此外,某些类型的水果通常是选择以较慢的速度(以克/秒)比其他类型的水果由于重量的变化,大小、形状和不断增长的位置。因此,对于每种类型的水果,每个选择器会有不同gydF4y2Ba选择速度gydF4y2Ba。gydF4y2Ba

在一个领域,拾荒者将收获的水果放入扁篮(容器)托盘。一盘后送往了gydF4y2Ba包装站gydF4y2Ba,称重和扫描。这导致记录进入数据库;例如,下面的数据记录托盘时托运:gydF4y2Ba

为每个工人,挑选的速度,每秒克,计算每种类型的水果选择之前gydF4y2Ba^4gydF4y2Ba。这是加法的计算权重为一个特定的日期,将选择器选择的时间,发现平均超过所有的日期。每个字段包含一个单一类型的水果(如草莓、覆盆子、黑莓、樱桃),因此,推导出基于类型的水果gydF4y2Ba $\mathsf{FgydF4y2Ba}\mathsf{我gydF4y2Ba}\mathsf{egydF4y2Ba}\mathsf{lgydF4y2Ba}\mathsf{dgydF4y2Ba}\mathsf{我gydF4y2Ba}\mathsf{DgydF4y2Ba}$ 的历史记录。gydF4y2Ba

当使用gydF4y2Ba生活gydF4y2Ba(增量)的数据集,如果系统遇到一个工人没有选择某种类型的水果(即没有任何历史信息在我们的数据集),不能认为工人是不能选择这种类型的水果。他们可能是一个新员工,其过去的经验是未知的系统,或者他们可能是当前员工以前从未被分配给一个字段与特定类型的水果。设置这些工人的速度,它是可取的农场经理能够归类工人为每种类型的水果有特定的专业知识。因此,而不是猜测一个未知的个人的能力,我们已经开发出一种方法基于历史的标签采摘者速度在劳动力。使用gydF4y2Bak - means聚类gydF4y2Ba(gydF4y2Ba米切尔,1997gydF4y2Ba),农户与已知的速度数据分为集群和集群的中心作为选择为每个集群成员的速度。当集群排序,集群数量作为代表每个工人的技能水平为每个类型的水果了。与这里介绍我们的实验,系统使用6 0 - 5集群和分配水平。对于未知的工人,系统分配专业一级因此违约采摘速度低于拾荒者与经验。gydF4y2Ba

3.2分配工人团队gydF4y2Ba

每天一个农场经理检查作物的产量估算,并决定应该选择哪些字段。基于团队领导受雇于农场的数量,一些字段将被组合在一起,这样他们被同一团队的人(因为通常比团队有更多的字段)。我们的系统的首要目标是决定哪些员工应该分配给哪个字段(s),以免农场经理承担这个工作每天基础通常涉及到一个尴尬的,手册的电子表格的过程所产生的不同的软件系统和可能非常耗时,特别是在季节的高度有成百上千的工人来管理。我们的方法的概述,提出了在一个扩展的抽象(gydF4y2Ba哈曼和Sklar, 2022gydF4y2Ba);这里给出的细节。gydF4y2Ba

我们的方法解决三个挑战:(1)它必须快速计算;(2)它必须能够做出决策信息不完整;(3)它必须产生一个均衡的分配员工任务。满足第一个挑战,我们基本方法众所周知的和简单的gydF4y2Ba轮循gydF4y2Ba(gydF4y2Ba RRgydF4y2Ba第二节中描述的)策略。这已经被证明可以执行速度比拍卖机制但可以产生不公平的分布工作负载(gydF4y2Ba施耐德et al ., 2016gydF4y2Ba);如下解释,我们修复基线gydF4y2Ba RRgydF4y2Ba考虑到这个缺点和解决第三个挑战。为满足第二个挑战,我们评估基线gydF4y2Ba RRgydF4y2Ba对三个版本和以下两个条件:一个完整的信息收集任务和工人当时已知的分配和一个只知道部分信息。满足第三个挑战,我们的方法试图平衡负载在工人,例如字段,花更少的时间选择应该有更少的工人比那些需要很长时间才能选择。如果工作负载不平衡,一些工人会很少水果而其他人会花太多时间工作。这可能导致一些工人变得紧张和其他收入低于他们应该。如果这些差异很大,那么员工会变得不满。由于工人通常是自由离开一个农场,转移到另一个农场经理想让员工满意,员工在本赛季仍然完好无损。有一个稳定的劳动力帮助农场经理确保作物将收获时间和整个赛季收获性能是一致的。gydF4y2Ba

我们的任务分配方法包括两个步骤:(i)创建一个初始解循环使用修改后的版本;和(2)提高估计的方差最小化的解决方案领域选择所有字段。本节的其余部分细节这些步骤。gydF4y2Ba

一般来说,在基于拍卖的方法中,一个项目(如任务)被分配给一个“投标人”(如软件代理或机器人)。在我们的场景中,一个任务需要多个代理(即一个字段)。因此,而不是代理竞标字段,字段投标代理。虽然我们使用gydF4y2Ba RRgydF4y2Ba和变异thereof-because它比一个实际的速度来计算拍卖机制方便使用术语拍卖机制的文献。这也使术语一致,由于拍卖在后续部分中实现将任务分配给拾荒者和跑步者在我们收获模拟(3.3节)。gydF4y2Ba

3.2.1创建最初的解决方案gydF4y2Ba

我们的方法的第一步是生成一个初始方案,使用一个快速算法,这以后会改进(3.2.2节)。本节描述标准的RR算法和修复RR变体。gydF4y2Ba

3.2.1.1标准RRgydF4y2Ba

创建一个初始解,我们实现一个标准gydF4y2Ba轮循gydF4y2Ba(gydF4y2Ba RRgydF4y2Ba调度器。首先,字段和工人们要求,考虑到油田项目投标人和工人。工人们先排序慢,使用他们的平均速度超过所有的水果。字段是按产量(最低)。gydF4y2Ba RRgydF4y2Ba分配第一项第一个出价,出价第二第二等等。单项后分配给每一个投标人,投标人是重申在分配每个人第二个条目,等等,直到所有物品已经分配。gydF4y2Ba

3.2.1.2修复RRgydF4y2Ba

在我们的实验中,我们发现一个高比例的拾荒者被分配到字段包含水果之前,他们没有选择的经验。因此,我们修改了gydF4y2Ba RRgydF4y2Ba调度器的方法(即3.2.1.1节),一个工人只分配给一个字段,其中包含一种水果之前,工人挑了。如果工人没有先前选择的任何类型的水果(由于被选中),那么该算法恢复到标准RR方法。所示的伪代码gydF4y2Ba算法1gydF4y2Ba,在这gydF4y2BafgydF4y2Ba^我gydF4y2Ba是gydF4y2Ba我gydF4y2Bath字段gydF4y2BaFgydF4y2Ba。如果所有工人的经验选择所有类型的水果(或所有工人没有经验),该算法相当于RR。该算法结果在每个字段(大约)同等数量的工人分配给他们。gydF4y2Ba

3.2.2改善解决方案gydF4y2Ba

第二步我们的方法提高了解决方案,重新分配工人从字段要求更少的选择时间字段需要更多的挑选时间。方法也旨在压低员工时间,实现和维护一个高技能和低技能工人在一个字段。本节概述了减少选择的不同时间的细节之间的领域,其次是两个对这种方法的改进。细节描述视觉gydF4y2Ba图1gydF4y2Ba色彩标记的工具,用来突出下面描述的组件与每个变体。gydF4y2Ba

3.2.2.1ΔgydF4y2BaeptgydF4y2Ba平滑的变体gydF4y2Ba

这个变体包括第一次计算gydF4y2Ba估计选时间gydF4y2Ba(gydF4y2BaeptgydF4y2Ba为每个字段()gydF4y2BafgydF4y2Ba特定日期()gydF4y2BadgydF4y2Ba),假设它是由一个特定的团队的员工(gydF4y2BaWgydF4y2Ba)。这是计算除以gydF4y2Ba估计产量gydF4y2Ba(字段gydF4y2BafgydF4y2Ba在日期gydF4y2BadgydF4y2Ba)由工人采摘速度之和(gydF4y2BawgydF4y2Ba。gydF4y2BapsgydF4y2Ba),如所示gydF4y2Ba情商。gydF4y2Ba:gydF4y2Ba

该算法首先对字段的列表,分类根据总估计挑选时间之间的差异对每个字段的(ΔgydF4y2BaeptgydF4y2Ba)。Δ最大的两个字段gydF4y2BaeptgydF4y2Ba最先出现,其余Δ降序排列的gydF4y2BaeptgydF4y2Ba。然后算法搜索的选择器,当从田里采摘时间最短的挑选时间最长的(在每一对字段),产生一个Δ减少gydF4y2BaeptgydF4y2Ba。我们称之为“候选人工人”。如果没有移动(即工人因为移动一个工人会增加ΔgydF4y2BaeptgydF4y2Ba或最短时间的字段有两个或更少的工人),然后把从列表中删除字段的所有成对的字段。这个算法将继续,直到对字段列表是空的。gydF4y2Ba

3.2.2.2ΔgydF4y2BaeptgydF4y2Ba修复变体gydF4y2Ba

在执行3.2.2.1节中描述的方法,工人挑高的速度可能会搬到一个字段,其中包含一个水果他们不太擅长,减少田间的执行时间他们离开。这可能导致工人挑选一种水果,他们没有选择的经验。为了防止工人被分配到水果他们没有经验的,我们修改了基线算法如下。后确定了候选人工人(移动),该算法比较所有剩余工人的候选人。如果候选人工人不熟练,另一个工人(被认为是)有经验(和采摘时间的差异仍然较低),然后选择替代工人(并成为候选人)。如果两个工人的经验,然后用最大的(积极的)工人采摘速度差将被选中。例如,如果第一个工人第一水果的采摘速度为0和5第二水果,和其他工人采摘速度的三个第一水果和一个第二,那么第一个工人将搬到选第二种类型的水果。gydF4y2Ba

3.2.2.3平衡的变体gydF4y2Ba

保持一个平衡的穿过田野的快/慢采摘者,如果字段包含相同的水果,那么我们的算法比较的意思是挑选两个邻域的速度和检查这对工人的速度。这一步的目的是保持字段的意思是选择速度相似,例如,使所有“冠军”(最好的)的人组成一个团队。这似乎导致整个团队的员工整体满意度较高,据农场经理。gydF4y2Ba

3.3在团队角色和任务分配gydF4y2Ba

当团队到达领域,团队领导人必须分配gydF4y2Ba角色gydF4y2Ba工人们决定什么比例的gydF4y2Ba跑步者gydF4y2Ba来gydF4y2Ba拾荒者gydF4y2Ba部署和分发gydF4y2Ba任务gydF4y2Ba在工人。自动化,我们已经构建了一个gydF4y2Ba基于多智能体的仿真gydF4y2Ba操作软水果的农场,每个人类工人为代表gydF4y2Ba软件代理gydF4y2Ba。我们的工作假设有两个不同的角色对工人(选择器和跑步者),每个任务可以完成自己一个工人,每个工人执行一种类型的任务(分别挑选或运输)。拾荒者收获果实的字段(在这种情况下,字段包含一种温室称为gydF4y2Ba建起gydF4y2Ba)和地点在扁篮生产;和跑步者收集托盘的扁篮和交付他们所谓的中央位置gydF4y2Ba包装站gydF4y2Ba。我们的模拟器开发使用梅森(gydF4y2Ba路加福音et al ., 2005gydF4y2Ba),一个多智能体模拟离散事件库。一个以市场为基础的任务分配机制(gydF4y2Ba施耐德et al ., 2015gydF4y2Ba)是适应广告一套摘水果的任务。代理商投标拍卖这些任务和经理为每个任务分配的代理给出最低的报价成本;成本计算是基于一个近似时间完成任务。在这一节中给出的工作建立在我们之前的工作(gydF4y2Ba哈曼和Sklar, 2021gydF4y2Ba,gydF4y2BabgydF4y2Ba)。本文提出的评价方法使用按照前一节中创建的团队,比较不同的任务分配机制和额外的性能指标。gydF4y2Ba

在实践中在农场,任务是确定每一天通过检查的行作物,发现成熟的水果含有的数量。在我们的模拟,选择任务由补丁(地区)表示gydF4y2Ba从而gydF4y2Ba(可见)gydF4y2Ba锢囚gydF4y2Ba(隐藏)成熟的水果。gydF4y2Ba图2gydF4y2Ba显示了草莓的一个小领域的仿真研究农业和商业领域的农场。补丁的颜色代表了成熟水果的数量:红色斑块比forange补丁,含有更多的成熟水果含有超过黄色补丁和绿色表示包含低数量的成熟水果的补丁。三角形代表了拾荒者和运动员的圆圈表示。运输任务时创建一个选择器的时间表包含一个任务,将导致其联系的能力。根据分类法中提到第二节,我们描述选择静态任务分配,SA,因为这样做gydF4y2Ba先天的gydF4y2Ba(选择开始之前)。运输任务分配可以被描述为SA之前分配任务时选择任务分配,或动态,DA,分配任务,拾荒者填补托盘。gydF4y2Ba

3.3.1代理gydF4y2Ba

两个角色中定义的代理我们的模拟:gydF4y2Ba

•一个gydF4y2Ba选择器gydF4y2Ba由元组定义gydF4y2BapgydF4y2Ba=⟨gydF4y2BavgydF4y2Ba,gydF4y2BalgydF4y2Ba,gydF4y2Ba年代gydF4y2Ba_pgydF4y2Ba,gydF4y2BacgydF4y2Ba⟩,gydF4y2BalgydF4y2Ba代理的初始位置和吗gydF4y2BavgydF4y2Ba其导航速度;gydF4y2Ba年代gydF4y2Ba_pgydF4y2Ba=⟨gydF4y2Ba年代gydF4y2Ba_ogydF4y2Ba,gydF4y2Ba年代gydF4y2Ba_ugydF4y2Ba⟩,gydF4y2Ba年代gydF4y2Ba_ogydF4y2Ba是代理的速度可以阻挡水果(每个步骤的水果数量)和吗gydF4y2Ba年代gydF4y2Ba_ugydF4y2Ba代理的未遮挡摘水果的速度。当一个选择器已经达到他们的能力(gydF4y2BacgydF4y2Ba),他们不能选择任何更多的水果。拾荒者不能离开托盘/扁篮在地上,因为消费者不愿接受水果泥覆盖或潜在污染的害虫和疾病。拾荒者还需要空扁篮,所以必须等待一个跑步者到达空托盘/扁篮和收集那些充满成熟水果(他们把附近的一个包装站)。gydF4y2Ba

•一个gydF4y2Ba跑步者gydF4y2Ba导航到一个选择器,收集扁篮,然后返回到包装站。跑步者有一个导航速度和初始位置,也就是说,gydF4y2BargydF4y2Ba=⟨gydF4y2BavgydF4y2Ba,gydF4y2BalgydF4y2Ba⟩。gydF4y2Ba

3.3.2任务分配机制gydF4y2Ba

我们的评估比较产生的性能差异,应用三种不同的基于拍卖的机制来选择和运输任务分配的过程。我们的模拟器实现如下:gydF4y2Ba

•gydF4y2Ba轮循gydF4y2Ba(gydF4y2Ba RRgydF4y2Ba3.2节中描述的)。gydF4y2Ba

•gydF4y2Ba订购单项目gydF4y2Ba(gydF4y2Ba OSIgydF4y2Ba),所有代理出价最低的首要任务和代理成本被分配的任务。随后的任务然后拍卖。当所有任务分配,得出结论的过程。任务命令取决于上下文,和部分中详细列出我们的实现3.3.3,3.3.4部分。gydF4y2Ba

•为gydF4y2Ba连续单项gydF4y2Ba(gydF4y2Ba SSIgydF4y2Ba),在每一轮未赋值的所有任务被所有代理投标。成本最低的投标任务分配的特工把报价。gydF4y2Ba

3.3.3分配的任务gydF4y2Ba

拾荒者被竞标分配工作,胜利,因而被分配,选择任务。选择任务被定义为一个(gydF4y2BaxgydF4y2Ba,gydF4y2BaygydF4y2Ba)位置和成熟水果的数量。招标开始前,选择任务列表进行排序,首先,最高的成熟水果的总数中所包含的信息。拾荒者被选择排序的速度,gydF4y2Ba年代gydF4y2Ba,这是一个组合,从而挑选的速度,gydF4y2Ba年代gydF4y2Ba_ugydF4y2Ba阻挡,gydF4y2Ba年代gydF4y2Ba_ogydF4y2Ba、水果;最快的选择首先出现。挑选收购的成本gydF4y2Ba持续时间gydF4y2Ba代理完成所有先前的分配任务和任务被拍卖。一个选择任务的持续时间是三个组成部分的总和:gydF4y2Ba

•时间代理导航到他们挑选位置(gydF4y2BadgydF4y2Ba_vgydF4y2Ba)。航行时间计算路径的长度除以代理的导航速度(gydF4y2BavgydF4y2Ba):gydF4y2BadgydF4y2Ba_vgydF4y2Ba=gydF4y2BalengydF4y2Ba(gydF4y2Ba路径gydF4y2Ba)/gydF4y2BavgydF4y2Ba。gydF4y2Ba

•时间选择成熟水果(gydF4y2BadgydF4y2Ba_pgydF4y2Ba)。采摘时间计算相结合所花费的时间,从而挑选水果的时间挑选阻挡水果:gydF4y2BadgydF4y2Ba_pgydF4y2Ba= (gydF4y2BaugydF4y2Ba/gydF4y2Ba年代gydF4y2Ba_ugydF4y2Ba)+ (gydF4y2BaogydF4y2Ba/gydF4y2Ba年代gydF4y2Ba_ogydF4y2Ba)。gydF4y2Ba

•时间等待一个跑步者,但只有两个条件得到满足:(i)代理的能力将达到同时选择补丁;和(2)选择调度运行调度交织(见3.3.4部分)。gydF4y2Ba

精确的人工智能路径规划(如。gydF4y2BaHarabor Grastien, 2011gydF4y2Ba)和(gydF4y2Ba哈特et al ., 1968gydF4y2Ba)使投标过程计算昂贵,欧几里得距离gydF4y2Ba^5gydF4y2Ba计算路径长度作为代理。如果一个代理(还)没有赢得任何任务,总结两个欧几里得距离:(i)的距离选择器的初始位置在新任务所在的行,和(2)的新任务的行中的位置行新任务。之间的导航位置在同一个通道,一个距离测量。补丁在不同的通道,总结三个距离:距离前面的位置到最后一行,从以前的行位置的行包含新位置,并从这一行结束位置本身。在执行任务时,gydF4y2Ba跳点搜索(译本)gydF4y2Ba(gydF4y2BaHarabor Grastien, 2011gydF4y2Ba)找到精确的路径。我们考虑使用* (gydF4y2Ba哈特et al ., 1968gydF4y2Ba);但是,与JSP、*没有很好地扩展到大型商业水果字段。gydF4y2Ba

如果执行一个任务会导致选择的能力,gydF4y2Ba临时运输任务gydF4y2Ba创建同时构建选择投标。为了促进这一点,水果该代理将持有的数量当它完成其计划和时间步代理将完成更新每次分配一个任务。确定时间选择代理的能力之前,我们假设拾荒者,从而收获水果采摘前阻挡从一片水果。随着导航时间,这是添加到时间选择将启动任务后(即步伐原定任务将结束)。理想情况下,一个跑步者将采摘的水果选择后直接从选择的步伐已经达到了能力。在现实中,往往选择等待一个跑步者;或gydF4y2Ba反之亦然gydF4y2Ba。如果选择的出价获胜,那么运输任务不再是临时;这是附加到运输任务的列表。当一个选择器将达到能力不止一次在执行一个任务,创建多个运输任务。gydF4y2Ba

3.3.4分配运输任务gydF4y2Ba

运输任务包含位置和步伐,选择器将达到最大容量。时间选择器花越少等待一个跑步者,它将能够越早完成其任务。因此,赢得运输报价是投标导致选择最短的延迟。如果多个投标有同样短暂停留,然后用最短的时间赢得投标。运输报价,时间是所花费的时间的总和的跑步者导航到选择器、收集篮/托盘包装并返回到车站。跑步者是按导航速度,最快的出现。gydF4y2Ba

三个不同的模式实现和比较实验分配任务来跑步。区分这些和分配实现的机制选择任务,每个机构名称(如添加一个前缀。gydF4y2Ba W-RRgydF4y2Ba):gydF4y2Ba

•gydF4y2Ba同时安排挑选gydF4y2Ba(gydF4y2Ba WgydF4y2Ba):跑步者可以安排尽快创建一个运输任务。这使得选择器的报价包括他们将花费的时间等待一个跑步者。gydF4y2Ba

•gydF4y2Ba调度后选择gydF4y2Ba(gydF4y2Ba PgydF4y2Ba):拍卖经理创建了可以等到所有运输任务(即选择所有任务都分配)调度之前跑步者。gydF4y2Ba

•gydF4y2Ba同时执行挑选gydF4y2Ba(gydF4y2Ba EgydF4y2Ba):跑步者在执行期间可以安排,便于延迟(预定时间和执行时间)之间的差异是占在跑步者的时间表。gydF4y2Ba

运输报价创造算法决定了在跑步者的现有安排的任务应该被放置。算法遍历所有的跑步者的已经预定的任务,选择那些有理想的结束时间后开始时间的任务被拍卖和检查新任务会适合这个选择列表。位置/索引保存的记录,所以如果代理的出价获胜,可以很容易地插入到安排的任务。gydF4y2Ba

延迟选择器,在等待运动员完成其任务,通过计算之间的差异需要时间运输和这次跑步后多久可以到达。如果跑步者可以准时到达,那么延迟是所花费的时间交出扁篮/托盘。gydF4y2Ba

三种模式(gydF4y2Ba WgydF4y2Ba,gydF4y2Ba PgydF4y2Ba和gydF4y2Ba EgydF4y2Ba),实现gydF4y2Ba RRgydF4y2Ba和gydF4y2Ba OSIgydF4y2Ba被开发。在gydF4y2Ba WgydF4y2Ba和gydF4y2Ba EgydF4y2Ba模式,gydF4y2Ba OSIgydF4y2Ba和gydF4y2Ba SSIgydF4y2Ba是等价的,因为一次只有一个任务是提供给投标人。拍卖算法用来运输任务基本上等同于那些为拍卖选择开发任务。在gydF4y2Ba PgydF4y2Ba模式,投标开始前,按运输任务的步伐跑步者是必需的。不像gydF4y2Ba WgydF4y2Ba和gydF4y2Ba EgydF4y2Ba模式,当一个运动员被分配一项任务,创建任务的选择需要更新其计划考虑到延迟。延迟量添加到开始、结束和transport-required时间进行延迟选择任务的所有任务。transport-required乘以相应的(未赋值的)运输任务同时更新。gydF4y2Ba P-SSIgydF4y2Ba不是因为跑步者的任务必须执行的顺序当一个选择器达到容量(以防止死锁)。gydF4y2Ba

在gydF4y2Ba EgydF4y2Ba模式下,运输任务是只提供给跑步者当选择器(实际上)达到容量。跑步没有执行任务时,将导航到,等前面的蔬菜大棚,所以,当一个选择器达到旅行的距离减少产能。这些位置是预定义的和迭代(再重申)将它们分配给跑步者。在未来的工作中,我们将考虑整合的工作gydF4y2BaRavikanna et al。(2021)gydF4y2Ba,他们正在调查发现跑步者的最优位置等。gydF4y2Ba

4实验gydF4y2Ba

我们的实验是为了我们两个决策过程的有效性进行评估。首先,我们分配工人的方法评估和性能评估的挑战时出现的部署方法在现实世界中。第二,我们的模拟器运行评估拾荒者和不同比例的跑步者跑比较任务分配策略。本节提供的信息提供的数据作为输入,定义了一组测量的指标量化我们的方法的有效性,并解释了设置特定于我们的团队分配实验和模拟实验。gydF4y2Ba

4.1数据gydF4y2Ba

数据收集从两个网站:一个商业水果农场和一个小研究农场。我们的团队创建方法是评估在2021年2020年历史数据和实时数据提供的商业农场。不同比率的跑步者拾荒者和比较了各种调度机制通过模拟研究领域的小农场和一个大型商业农场。这使我们能够测试我们在两个不同尺度的模拟。gydF4y2Ba

以下4.4.1大型商业农场gydF4y2Ba

数据从2020年整个采摘季节选(175天),草莓和树莓(总共25个字段)提供的商业农场。2021年,樱桃和黑莓也包括在内。2021选择赛季182挑选30天,字段。gydF4y2Ba

2020年的收获季节,提供了以下信息:gydF4y2Ba

•gydF4y2Ba估计产量列表:gydF4y2Ba对于每一个日期字段被选中,我们提供的水果yield-volume场农场经理估计gydF4y2Ba先天的gydF4y2Ba那天将迎来收获的季节。gydF4y2Ba

•gydF4y2Ba选择记录数据:gydF4y2Ba历史记录的数量实际上水果采摘,选择采摘水果,该领域从和当时托运(如3.1节所述)。gydF4y2Ba

2020年的整个记录数据集提供了一次(赛季结束后,即作为历史数据集)和加工计算每个工人的选择速度,并确定哪些人工作在每个日期。作为我们的系统知道每个工人可以选择水果类型,默认选择速度时才使用选择器选择了太少的水果来确定他们的速度(即在一个托盘的最大检查每个日期为每个类型的水果)。也处理历史数据提取团队实际部署的农场,从而使之间的比较要执行我们的系统提出的团队和他们的团队。gydF4y2Ba

在2021年的收获季节,数据略有不同(直到赛季结束)以来的数据是不完整的(增量)。系统只能使用数据记录(并包括)为了创建任何特定的一天第二天的日程安排。以下信息是在2021年逐步提供:gydF4y2Ba

•gydF4y2Ba估计收益:gydF4y2Ba每天晚上,农场经理产生一个电子表格包含一个近似体积为每个字段他们计划第二天。每个字段标签和字段的团队领导负责,使我们能够提取哪些字段是团队的选择。字段选择同样的团队组合在一起,他们的度量(例如,gydF4y2BaeptgydF4y2Ba由我们的方法总结。gydF4y2Ba

•gydF4y2Ba工作列表:gydF4y2Ba每个周末,一个可用的工人列表更新在下周被送到我们工作。gydF4y2Ba

•gydF4y2Ba选择记录数据:gydF4y2Ba在2021年期间,选择信息的报告每天生产结束时(一旦已经完成采摘下的字段)和上传到我们的系统。gydF4y2Ba

基于野外地图提供的商业水果农场,我们可以创建他们的田地在我们的模拟。本文结果为一个字段(中描述gydF4y2Ba图2 cgydF4y2Ba)。在这个模拟中,字段的收益率是均匀地分布在各个补丁。拾荒者的能力被设置为一个标准托盘的体积(4000克)(包含了水果的扁篮),对所有工人,导航使用约1 m / s的速度。gydF4y2Ba

4.1.2小型研究农场gydF4y2Ba

对于我们的模拟实验中,我们还使用了字段(图gydF4y2Ba图2一个gydF4y2Ba研究)的一个小农场。在2020年夏天,成熟水果的数量,选择每一行的农作物都被记录下来。这包括的信息有多少水果的阻挡。数据被记录在每一天的选择,(每周两次)。在我们最初的实验中,结果没有统计上显著的区别为不同的日期。因此,对于这里给出的实验,我们选择的结果从一个日期收获大量的水果。每一行的数据被分解成补丁增加每个水果随机选择补丁从同一行(中所描绘的一样gydF4y2Ba图2 bgydF4y2Ba)。随机性是包括作为一个元素,两个随机分布(插图gydF4y2Ba的热图gydF4y2Ba,就像在gydF4y2Ba图2 bgydF4y2Ba)。对于这种情况,我们采用7-agent团队的员工。拾荒者的能力大小的设置为扁篮水果(20)。gydF4y2Ba

4.2指标gydF4y2Ba

评估计划的团队,为每一个天,五个指标计算:gydF4y2Ba执行时间gydF4y2Ba,gydF4y2Ba员工的时间gydF4y2Ba,gydF4y2Ba在分配比例的拾荒者不熟练的水果gydF4y2Ba,gydF4y2Ba不等式性质eptgydF4y2Ba和gydF4y2Ba选择平均速度熵gydF4y2Ba。评估不同比率的拾荒者的跑步者,我们考虑gydF4y2Ba执行时间gydF4y2Ba和另外两个指标:gydF4y2Ba等待时间gydF4y2Ba和gydF4y2Ba不等式性质gydF4y2Ba|gydF4y2Ba水果采摘gydF4y2Ba|。每一个指标描述如下。gydF4y2Ba

•gydF4y2Ba执行时间:gydF4y2Ba区别每一天的开始和结束时间(即有效时间,第一个选择器之间的差异开始在任何领域和时间选择,最后选择停止挑选在任何领域,在同一天)。在评估不同比率的拾荒者跑步者,这是模拟的步伐。gydF4y2Ba

•gydF4y2Ba工作人员:gydF4y2Ba的总和乘以所有工人工作的每一天,在所有领域。员工时间应该最小化维持低的支出的一个农场。gydF4y2Ba

•gydF4y2Ba在分配比例的拾荒者不熟练的水果:gydF4y2Ba拾荒者的比例,分配给一个水果之前他们没有选择(或计算了太少他们采摘速度)。在我们的实验中,这些拾荒者被分配默认选择速度(专业技术一级,如前所述)——这是一个猜测他们可能选择速度。这个指标应该最小化,这样工人正在构建/使用他们的经验。gydF4y2Ba

•gydF4y2Ba不等式性质ept:gydF4y2Ba团队之间的时差,选择最短的时间与最短(字段gydF4y2BaeptgydF4y2Ba)和团队选择最长的时间最长(字段gydF4y2BaeptgydF4y2Ba)应该最小化。如果高的区别,那么劳动力分配不公平因为会有一些工人比其他工人工作时间更长。gydF4y2Ba

•gydF4y2Ba熵选择平均速度:gydF4y2Ba对于每个团队,熵的工人采摘速度计算,那么意味着所有团队。选择平均速度熵应该高,所以有一个混合不同的熟练工人穿过田野。gydF4y2Ba

•gydF4y2Ba等待时间:gydF4y2Ba的总长度时间所有人等待一个跑步者在我们的模拟。gydF4y2Ba

•gydF4y2Ba不等式性质gydF4y2Ba|gydF4y2Ba水果采摘gydF4y2Ba|gydF4y2Ba:gydF4y2Ba克的差异之间的最高和最低的水果采摘的个人选择。,以此来激励员工的工作应该是均匀分布的,因此这个值低。gydF4y2Ba

决定我们的结果的意义,我们应用统计测试和因子分析,在适当的地方。Shapiro-Wilk测试(gydF4y2Ba夏皮罗和Wilk, 1965年gydF4y2Ba)进行检查,如果每个样本正态分布。如果有大于95%的可能性,样品都是正态分布,方差分析(方差分析)测试gydF4y2Ba安斯科姆(1948)gydF4y2Ba;gydF4y2Ba费雪(1925)gydF4y2Ba(执行的吗gydF4y2BaFgydF4y2Ba测试数据报告)。否则,克鲁斯卡尔-沃利斯测试gydF4y2Ba克鲁斯卡尔和沃利斯(1952)gydF4y2Ba运行(的gydF4y2BaHgydF4y2Ba测试数据报告)。t执行时只有两个样品(样品可能会有一个正态分布)。表示结果的重要性gydF4y2BapgydF4y2Ba随机,结果发生的概率。gydF4y2Ba

4.3团队分配实验gydF4y2Ba

我们的团队配置方法的实验结果,提出了对情节(5.1节)。每一对情节比较两个数据集的结果:(一)完成,2020年“历史”数据集;和(b)增量,2021“活”数据集。五种不同方法进行了比较。我们的底线是gydF4y2Ba 实际gydF4y2Ba团队被部署在每一天的每个选择季节(2020和2021)。这些团队被农场经理手动创建的。四个变异的3.2节中描述的方法被认为是为了确定,实验,产生最优惠的度量方法。这些都是:gydF4y2Ba

•gydF4y2Ba RR0gydF4y2Ba:标准轮循算法、3.2.1.1节中描述。gydF4y2Ba

•gydF4y2Ba RR1gydF4y2Ba:修复轮循算法、3.2.1.2中描述的部分。gydF4y2Ba

•gydF4y2Ba RR2gydF4y2Ba:ΔgydF4y2BaeptgydF4y2Ba平滑的变体(3.2.2.1节中描述),修改的输出gydF4y2Ba RR0gydF4y2Ba。时只是用ΔgydF4y2BaeptgydF4y2Ba平滑的变体,候选人工人减少了ΔgydF4y2BaeptgydF4y2Ba最多的是感动。gydF4y2Ba

•gydF4y2Ba RR3gydF4y2Ba:合并后的变种,修改修理gydF4y2Ba RRgydF4y2Ba输出(标记gydF4y2Ba RR1gydF4y2Ba使用Δ上图),gydF4y2BaeptgydF4y2Ba平滑(3.2.2.1节中描述),修复(3.2.2.2节)和平衡(3.2.2.3节)的改进。gydF4y2Ba

当历史数据被使用gydF4y2Ba RR0gydF4y2Ba,如果工人从未选择某种类型的水果,一场含有水果的采摘时间无法计算。因此,职工分配给下一个字段(在圆形的字段列表采摘下的那一天),工人的速度可以计算。这类似于gydF4y2Ba RR1gydF4y2Ba;然而,gydF4y2Ba RR1gydF4y2Ba也试图避免外派人员领域他们的默认选择速度(如3.2.1.2部分中解释)。gydF4y2Ba

我们的结果计算在所有选择天在每个数据集。作为样本,并不是所有的正态分布均值和标准差不一定总结结果。因此结果显示使用box-and-whisker情节。注意一些图形裁剪允许我们放大的点,因此一些异常值不显示。gydF4y2Ba

4.4模拟器实验gydF4y2Ba

我们的攷虑任务分配结果进行了分析,首先看我们的劳动力的组成(拾荒者和转运蛋白)和第二在不同的任务分配策略(5.2节)。这两个,每个指标(执行时间、等待时间和不等式性质|水果采摘|)进行了讨论。当我们的系统部署,农场经理将拾荒者比什么欲望建议跑步者每领域日常工作的部署。3.3节中描述的方法可以提供这些信息。本文结果为一个商业领域一个随机选择的日期在2021年的收获季节,加上结果从我们小的研究领域。这演示了系统在不同尺度(与结果没有重载读者每一个日期和每一个字段)。我们提出的这个团队gydF4y2Ba RRgydF4y2Ba 3gydF4y2Ba使用方法(随机选择日期)在商业领域的实验。这支球队有102工人;然而,(如前所述)实验与小的现场使用一组7。gydF4y2Ba

5个结果gydF4y2Ba

本节介绍了第四节中所描述的实验的结果。首先从使用我们的方法结果分配工人团队(详细情况见3.2节)。然后从使用我们的方法结果分配角色和任务的工人(详细情况见3.3节)。gydF4y2Ba

5.1团队分配结果gydF4y2Ba

本节介绍了实验结果为我们的团队分配方法。每个指标的结果(执行时间,人员,拾荒者不熟练的分配比例水果,不等式性质gydF4y2BaeptgydF4y2Ba讨论和选择平均速度熵)。gydF4y2Ba

5.1.1执行时间gydF4y2Ba

所示gydF4y2Ba图3gydF4y2Ba合并后的变体(gydF4y2Ba RR3gydF4y2Ba)产生最低的执行时间相比,另一种方法。这个结果是显著的数据集。减少执行时间将有助于防止工人累人。它还将减少工作时间由其他农场人员,如团队领导、质量控制器(他检查了扁篮)和司机(运输工人和收获水果/字段)。gydF4y2Ba

5.1.2员工时间gydF4y2Ba

员工2020年历史数据的差异不显著(见gydF4y2Ba图4gydF4y2Ba),但它是为2021年的实时数据。2021年,平均而言,gydF4y2Ba 实际gydF4y2Ba团队实现员工时间比略短gydF4y2Ba RR3gydF4y2Ba(2.97gydF4y2Ba女士gydF4y2Ba和2.98gydF4y2Ba女士gydF4y2Ba分别)。毫不奇怪,员工时间不同的方法是类似的,因为,总的来说,相同的劳动力仍在挑选水果。gydF4y2Ba

5.1.3非技术工人的作业gydF4y2Ba

RR1gydF4y2Ba不分配任何工人字段包含一种水果,他们没有经验在挑选,除非工人没有经验,任何类型的水果。作为一个结果,gydF4y2Ba RR1gydF4y2Ba生产团队提供尽可能少的拾荒者分配到水果他们是不熟练的。这是所示gydF4y2Ba图5gydF4y2Ba。我们的生活(2021)实验使用农场的工人列表预测将会在明天;然而,一些工人很多不出现。这导致了gydF4y2Ba RR1gydF4y2Ba结果略高于gydF4y2Ba 实际gydF4y2Ba(平均分别为4.51%和7.21%)。正如所料,gydF4y2Ba RR3gydF4y2Ba产生一个更糟糕的结果gydF4y2Ba RR1gydF4y2Ba但是改善的结果gydF4y2Ba RR2gydF4y2Ba。gydF4y2Ba

注意,百分比的范围要大得多的2021比2020年“活”的数据“历史”数据集。这主要是因为2020年完成的数据集,以及任何造型系统并使用数据集将基于完整的信息。相比之下,2021年在实验数据集是不完整的,因为它是发送增量随着赛季的进行。处理两个数据集以这种方式给了我们一个好的视图系统如何工作的在真实的环境中,数据生成增量地每一天的收获季节。从逻辑上讲,这意味着工人的比例来说,我们没有选择历史比历史数据集,我们有一些数据在每一个人。这是一个关键的挑战,作为预测的准确性收益率遭受太多猜测工人挑选speeds-hence变化gydF4y2Ba图4 bgydF4y2Ba。而gydF4y2Ba RR3gydF4y2Ba不是一个显著改善gydF4y2Ba 实际gydF4y2Ba,它是最好的变体。gydF4y2Ba

5.1.4最大和最小ept的区别gydF4y2Ba

所示gydF4y2Ba图6gydF4y2Ba,gydF4y2Ba RR3gydF4y2Ba产生最低的最大和最小之间的区别gydF4y2BaeptgydF4y2Ba,紧随其后的是gydF4y2Ba RR2gydF4y2Ba。这些结果具有统计学意义的数据集。因此平滑变体(3.2.2.1节)的影响是很大的,同时使用历史和“活”数据。更均匀分布工作负载,工人们可能会保持动力而不是功课或under-worked(因此不太可能离开)。gydF4y2Ba

熵是5.1.5选择平均速度gydF4y2Ba

最后,选择平均速度熵。方法,这个指标高。因此,很可能有一个很好的混合低/高技术工人在每个团队。这些结果所示gydF4y2Ba图7gydF4y2Ba。gydF4y2Ba

5.1.6总结gydF4y2Ba

总的来说,我们的结果表明,提出的团队分配方法具有可比性,或比商业团队实际部署的水果农场。这些结果证明可以自动分配器字段任务分配算法,即使面对不完整的知识。gydF4y2Ba

5.2模拟结果gydF4y2Ba

本节分析我们的攷虑任务分配结果,首先看我们的劳动力的组成(数量的拾荒者和转运蛋白),第二次在不同的任务分配策略。同时调度(gydF4y2Ba WgydF4y2Ba跑步者模式计算昂贵的比gydF4y2Ba EgydF4y2Ba和gydF4y2Ba PgydF4y2Ba模式,因为每一个报价,一个选择器创建需要(运输)运输任务调用拍卖;然而,E和gydF4y2Ba PgydF4y2Ba的运输任务,只有赢得投标拍卖。考虑时间(即时间分配的任务)gydF4y2Ba RRgydF4y2Ba,gydF4y2Ba OSIgydF4y2Ba和gydF4y2Ba SSIgydF4y2Ba曾被比较和名义在方案的总体运行时我们的场景;因此,考虑时间不是分析(gydF4y2Ba施耐德et al ., 2015gydF4y2Ba)。gydF4y2Ba

5.2.1员工组成gydF4y2Ba

所示gydF4y2Ba图8gydF4y2Ba,理想的团队分裂的基础上gydF4y2Ba执行时间gydF4y2Ba规,小领域,57%的代理部署为跑步者和其余的代理拾荒者;大的领域,它是代理部署在跑步者的30%。虽然最好的百分比会因为大尺寸之间的差异小,大油田和workforces-the趋势是相似的。小场,两个极端(最高和最低最低:比例最高的选手:pickers)代表最坏执行时间,但有一个甜点在中间。大的领域,在10%和70%之间,我们也看到两个极端中间的甜点。然而,我们观察到一个小员工时间减少75%。这是特别突出的,当使用RR调度器。这是因为最慢的拾荒者被搬到正在运行的作用,和至少75%的所有经历过(慢)拾荒者被分配到的角色运行;因此,选择花费更少的时间。gydF4y2Ba

拾荒者的跑步者的比例增加时,时间跑的人在等待的数量显著降低(如所示gydF4y2Ba图9gydF4y2Ba)。然而,如果有更少的拾荒者,每个选择都必须选择一个更高比例的水果。小场,最大和最小数量之间的差异个人水果采摘的拾荒者的数量下降拾荒者减少(见gydF4y2Ba图10gydF4y2Ba)。尤其突出当跑步计划同时调度拾荒者使用gydF4y2Ba SSIgydF4y2Ba(如图所示后,5.2.2.3节)。大的差异没有统计学意义。gydF4y2Ba

5.2.2任务分配策略gydF4y2Ba

本节讨论不同的选择任务分配机制的评价,然后运输任务分配策略,然后所有的组合选择和跑步者任务分配策略。gydF4y2Ba

迴圈选任务分配机制gydF4y2Ba

不同的选择任务分配机制的执行时间回声在先前的研究结果。gydF4y2Ba SSIgydF4y2Ba优于gydF4y2Ba OSIgydF4y2Ba,优于gydF4y2Ba RRgydF4y2Ba(gydF4y2Ba图11 a, DgydF4y2Ba)。是统计学意义的差异。等待时间的差异不具有统计学意义的小字段(gydF4y2Ba图11 bgydF4y2Ba),但是是大字段(gydF4y2Ba图11 egydF4y2Ba)。当gydF4y2Ba SSIgydF4y2Ba使用,拾荒者的安排更有效率,他们达到能力更快,因此必须等待更长的时间跑步者(比吗gydF4y2Ba RRgydF4y2Ba或gydF4y2Ba OSIgydF4y2Ba使用)。gydF4y2Ba RRgydF4y2Ba生产的最低gydF4y2Ba不等式性质gydF4y2Ba|gydF4y2Ba水果采摘gydF4y2Ba|。虽然减少了gydF4y2Ba不等式性质gydF4y2Ba|gydF4y2Ba水果采摘gydF4y2Ba|是公平的农户、农场不太可能愿意接受执行时间(因此员工时间成本)与使用有关gydF4y2Ba RRgydF4y2Ba。gydF4y2Ba

5.2.2.2运输任务分配策略gydF4y2Ba

为调度跑步者,整体没有统计上的显著差异gydF4y2Ba执行时间gydF4y2Ba或gydF4y2Ba不等式性质gydF4y2Ba|gydF4y2Ba水果采摘gydF4y2Ba|两者之间的任务分配机制(gydF4y2Ba RRgydF4y2Ba和gydF4y2Ba OSIgydF4y2Ba)(gydF4y2Ba图12gydF4y2Ba)。大的领域,虽然有一个巨大的标准差,gydF4y2Ba OSIgydF4y2Ba产生一个较短的等待时间gydF4y2Ba RRgydF4y2Ba统计上的显著差异。大场,调度跑步者同时调度农户产生更短的执行时间及较短的等待时间比另一种模式(gydF4y2Ba图13gydF4y2Ba)。这表明能够占拾荒者的时间表内的跑步计时是有益的。烧灼呼应这个结果,结果运动员调度机制gydF4y2Ba WRRgydF4y2Ba略优于gydF4y2Ba WOSIgydF4y2Ba执行时间和gydF4y2Ba反之亦然gydF4y2Ba等待时间(gydF4y2Ba图14gydF4y2Ba)。gydF4y2Ba

5.2.2.3选择器和跑步者任务分配策略gydF4y2Ba

结果不同组合的选择器和运动员所示调度策略gydF4y2Ba图15gydF4y2Ba。总的来说,跑步gydF4y2Ba SSIgydF4y2Ba为同时调度调度投资人的跑步者使用gydF4y2Ba OSIgydF4y2Ba(即。gydF4y2Ba SSI_WOSIgydF4y2Ba)实现最短执行时间。对于这两个领域,结果具有统计学意义。等待时间,大字段数据具有统计上的显著差异(gydF4y2Ba SSI_WOSIgydF4y2Ba表现最好的),但不是小领域。对于这两个领域,运行gydF4y2Ba RR_POSIgydF4y2Ba结合导致最低的差异至少大多数水果和水果采摘的代理。gydF4y2Ba

6未来的工作gydF4y2Ba

本节中提到的三个方面,可以在未来的研究探索。首先,我们将考虑与多智能体任务分配机制,进一步探索更复杂的投标策略第二节中提到的拍卖机制,以及使用进化方法的启发,如遗传算法(气)和粒子群优化(PSO),这两个曾被用于任务分配问题(gydF4y2Ba萨尔曼et al ., 2002gydF4y2Ba;gydF4y2Ba刘和Kroll, 2012年gydF4y2Ba;gydF4y2Ba帕特尔et al ., 2020gydF4y2Ba)。我们的任务分配问题的解决方案可以被表示成一个整数向量与每个整数(指哪个字段分配一个工人)。定义一个适应度函数,考虑不同的因素探讨了将调查。然而,进化方法是值得注意的往往需要漫长的时间聚集在一个解决方案,我们将关注实现能够进行迅速足以适合我们的应用程序域。初步评估工作气体的性能这一问题已经提出了(gydF4y2Ba哈曼和Sklar, 2022 bgydF4y2Ba)。gydF4y2Ba

第二,偏好和环境条件可以考虑在分配。例如,农场经理报告,工人来自同一个国家,说同样的语言,喜欢在同一工作团队。环境条件,如湿度、温度和时间,影响速度和实际产量。因此,我们将开发一个更复杂的模型的工人采摘速度包含这些因素。gydF4y2Ba

第三,我们计划试验调度方法在商业水果农场在即将到来的赛季。这审判有望包括农场雇佣我们的时间表,我们可以进一步评估我们的方法的实际可行性。虽然我们派出了一个商业农场几个计划在2021年期间,我们测试/调试系统,使用的时间表没有和更彻底的现实评估是必需的。然而,这种测试使我们获得反馈,证明我们的日程表可以及时生产。gydF4y2Ba

最后,本文提供的工作可以集成与产量预测方法(获得更准确的产量估计)(gydF4y2Ba柯克et al ., 2020gydF4y2Ba;gydF4y2Ba李et al ., 2020gydF4y2Ba)和机器人技术(gydF4y2BaDas et al ., 2018gydF4y2Ba;gydF4y2BaSeyyedhasani et al ., 2020 agydF4y2Ba,gydF4y2BabgydF4y2Ba;gydF4y2Ba黄et al ., 2020gydF4y2Ba;gydF4y2Ba熊et al ., 2020gydF4y2Ba)。我们打算评估我们的方法在一个混合的“劳动力,确保农场能够无缝地采用机械工人(吸引农民由于季节性工人短缺)。gydF4y2Ba

7结论gydF4y2Ba

本文探讨了自动化分配工人的日常过程领域,决定什么跑步者比农户部署及分配工人采摘和运输任务。gydF4y2Ba

分配工人字段,我们开发了一个两步的方法:第一步创建一个初始解决方案使用的修复版本的轮循调度算法,和第二步改善解决方案。所提供的实验数据上运行一个商业水果农场在2020年和2021年的收获季节。我们评估我们的方法五个指标:执行时间(开始和结束时间之间的差异),员工时间(《纽约时报》工作的所有工人),拾荒者的百分比分配给一个领域没有经验的,工作时间的最大值和最小值之间的差异(衡量相当的工作被分布式)熵和平均速度(因为应该有一个混合的高/低技术工人字段)。结果表明,基于指标评估,我们的方法产生的解决方案类似,通常比当前手动分配。gydF4y2Ba

第二两个目标,我们适应基于拍卖的调度策略来解决这个问题和评估这些在我们的模拟器。我们的结果表明,运动员比人与尊重执行时间是至关重要的,“甜蜜点”大小的变化取决于字段和劳动力。调度拾荒者与gydF4y2Ba SSIgydF4y2Ba同时安排跑步者与gydF4y2Ba OSIgydF4y2Ba产生最短执行时间。我们的实验表明,只有7个人的小领域,57%的代理部署为跑步者是理想的跑步者比拾荒者,和一个大领域与102名员工中,30%是理想的比率。gydF4y2Ba

数据可用性声明gydF4y2Ba

最初的贡献提出了研究中都包含在这篇文章。进一步询问可以针对相应的作者。gydF4y2Ba

作者的贡献gydF4y2Ba

HH和ES的设计。HH开发代码。HH和ES评估解决方案。两位作者共同写道,编辑和批准提交的手稿。gydF4y2Ba

资金gydF4y2Ba

这项工作是由UKRI研究英国卓越的扩大在英格兰(E3)项目(林肯Agri-Robotics)和Ceres Co-Farm主要。人工智能项目。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

脚注gydF4y2Ba

^1gydF4y2Ba扁篮小,常常塑料、软水果的容器在杂货店出售。拾荒者的实践将水果直接进入畅销扁篮限制的处理每一块水果,减少了产生擦伤的可能性,因此增加货架寿命。gydF4y2Ba

^2gydF4y2Ba分配工人采摘者或跑步者的策略旨在利用最快和最有效的拾荒者的技能,这样他们就可以把所有的时间都用在挑选,而不是花时间运送水果包装站。gydF4y2Ba

^3gydF4y2Ba信息技术。gydF4y2Ba

^4gydF4y2Ba注意,至少有两个托盘相同类型的水果必须记录为了挑选速度待定;否则选择分配默认选择速度,类似于那些没有选择任何这类水果,解释说在接下来的段落。gydF4y2Ba

^5gydF4y2Ba欧几里得距离,δ,两点之间(xgydF4y2Ba^1gydF4y2BaygydF4y2Ba^1gydF4y2Ba)和(xgydF4y2Ba^2gydF4y2BaygydF4y2Ba^2gydF4y2Ba)被定义为δ=gydF4y2Ba $=gydF4y2Ba\sqrt{{\left({\mathrm{xgydF4y2Ba}}_{\text{2gydF4y2Ba}}-gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\text{1gydF4y2Ba}}\right)}^{\mathrm{2gydF4y2Ba}}+gydF4y2Ba{\left({\mathrm{ygydF4y2Ba}}_{\text{2gydF4y2Ba}}-gydF4y2Ba{\mathrm{ygydF4y2Ba}}_{\text{1gydF4y2Ba}}\right)}^{\mathrm{2gydF4y2Ba}}}$ 。gydF4y2Ba

引用gydF4y2Ba