Bài toán: Cho tập tác vụ T với mỗi tác vụ có nhiều biến thể vᵢ (yêu cầu CPU U(v), QoS Q(v)), tập bộ xử lý P với năng lực D(pk) và mạng L với băng thông B(l). Chọn đúng 1 biến thể cho mỗi tác vụ và gán lên bộ xử lý sao cho thỏa ràng buộc tài nguyên, vị trí, đồng trú, băng thông; tối đa QoS trung bình, thứ cấp là tối thiểu hóa mức sử dụng CPU trung bình.

• Ràng buộc: 
•   + Năng lực CPU mỗi bộ xử lý ≥ tổng U của biến thể được gán.
•   + Băng thông mỗi liên kết ≥ tổng lưu lượng giữa các tác vụ chạy trên 2 đầu.
•   + Biến thể bị giới hạn vị trí (residence) hoặc bắt buộc đồng trú (coresidence) với biến thể khác.
• - Phương pháp giải:
•   + Lập trình ràng buộc (CP): Mô hình hóa trong MiniZinc, giải bằng Gecode; tối ưu QoS, sau đó ràng buộc QoS tối ưu để tối ưu tiếp CPU.
•   + Heuristic tham lam: Gán trước biến thể có ràng buộc vị trí/đồng trú, chọn biến thể nhỏ nhất, rồi nâng cấp dần nếu còn tài nguyên.
•   + Tìm kiếm cục bộ: Sinh lân cận bằng đổi biến thể hoặc di chuyển biến thể sang CPU khác, chọn cải thiện tốt nhất, restart ngẫu nhiên khi kẹt cực trị.
• - Thực nghiệm: 
•   + Sinh bộ 14 instance từ hệ thống điều hướng đa agent (KUKA youBot + người + camera) với số robot/camera khác nhau, đặc tả biến thể các tác vụ như Tracker, Model, AMCL, Planner, Navigation… cùng đặc tính CPU/băng thông/QoS.
•   + Đánh giá QoS và sử dụng CPU trong mô phỏng: CP tìm nghiệm tối ưu toàn cục; tìm kiếm cục bộ ~14% QoS kém hơn, tham lam ~46% kém hơn; thời gian CP tăng nhanh với cỡ bài toán.
•   + Triển khai thực tế 6 instance nhỏ: Kết quả đo QoS thực tế lệch <8% so với mô phỏng; CP cải thiện QoS trung bình +16% so với tìm kiếm cục bộ, +31% so với tham lam, +56% so với phân bổ ngẫu nhiên.
•   + Phân tích chế độ “anytime”: CP cho nghiệm khả thi chất lượng cao trong vài giây, vượt tham lam ~32%, tiềm năng ứng dụng động.
• - Kết luận: Biến thể tác vụ là cách tiếp cận mạnh để thích ứng hệ robot phân tán dị thể; lập trình ràng buộc cho phân bổ tối ưu, khả năng mở rộng hạn chế; phương pháp này chưa được nghiên cứu trước đây trong robot.