CN101551661B - 一种面向多机器人系统的控制方法 - Google Patents

Abstract

本发明公开了一种面向多机器人系统的控制方法，基于模糊控制的有关单资源公平分配方法，属于多机器人系统中资源动态分配管理和服务质量管理领域，本方法中，基于各智能体对共享资源的竞争应用，提供了一种公平高效的资源分配方法；同时加快了系统实现公平分配的速度；系统中模糊控制器的输出量增益控制参数能够根据系统在线搜索并实时反馈的信息在允许的范围内动态更新，增强了系统的鲁棒性能，提高了各竞争应用的QoS。

Description

一种面向多机器人系统的控制方法

技术领域

本发明属于多机器人系统的控制领域，具体涉及一种面向多机器人系统的控制方法。

背景技术

多机器人系统的研究始于20世纪70年代。它是一个新兴的研究领域，目前还处于初级阶段，随着网络，自动控制和人工智能技术的飞速发展，其研究范围和内容不断深入和扩大。面对复杂和未知的工作环境，日益繁重的工作任务，多机器人系统在军事、航空航天、工业制造、自然界探索、灾害预防与处理、以及服务业等领域的远大应用前景，吸引了大量的学者对多机器人系统的研究兴趣。它具备单个机器人无可比拟的优势，如并行性、柔性、鲁棒性等。由于多个机器人组成的网络系统中存在信息共享和互换，因此通信的时间，质量和效率关系到整个系统的灵敏性、稳定性和适应性，而如何在多机器人网络资源有限的情况下尽可能地提供公平高效的服务质量十分关键。

随着网络的广泛应用，资源分配是任何一个资源有限网络系统中的核心问题。在这类系统中，系统资源的总量总是要小于对其的需求量，资源共享是无法避免的，有共享就有竞争，因此将其有限的共享资源公平合理、有效地分配对于提高用户对网络服务的满意程度，优化网络的整体性能有十分重要的意义。众所周知，以宽带为代表的计算机网络资源已经成为一种典型的稀缺资源。相比有线网络，无线网络资源则是更加有限。然而随着Internet技术与无线网络融合，由于便携，无线网络在终端市场将具备非常大的发展潜力。多机器人系统中，各机器人更是通过无线传感器来感知周围的各种信息，因此在未来的发展趋势中，如何在资源及其有限系统中进行资源的公平有效分配，提供终端满意的服务质量问题尤显迫切。

多机器人网络离不开数据的交互，作为智能体的机器人，必须能够独立完成任务，同时它们的相互协调与协作又是关键因素。随着任务的复杂程度不同，完成不同目标的智能体必须经过通信来完成对资源、目标的协调，同时所需的服务质量要求也趋于多样化。在这样的一个实时系统中，各个智能体需要足够快的速度处理外来信息，需在被控对象允许的时间范围内做出快速响应，而且响应的时间越短越好。因此对于高速和高质量的数据传输业务的多样化要求，人们可以通过合理有效地管理利用这些资源来适当满足，以期达到为更多的需求者提供高质量的服务水平，提高系统整体公平服务质量水平最优的实现速率，快速响应用户请求，避免超负荷现象的发生等。

各应用的QOS请求映射成系统可以控制的资源，系统通过分配和调度这些资源满足用户应用的QOS请求，合理地进行资源分配和调度是成功地进行QOS管理的关键，解决这个关键问题需要有效的资源分配和调度方法，它们都尽力在复杂性，公平性和资源利用率情况之间取得平衡，如Internet中的资源预约方法(SRP)，优先级队列PQ、公平队列FQ、加权公平队列WFQ、差额加权循环队列DWRR等。在进行方法的选取时需考虑到是否实现资源的公平分配；是否满足不同流量的QoS需求，如丢包率，数据时延等；是否保证充分合理的利用资源。其中SRP公平性方法可以保证较高的资源利用率的同时实现平均分配，在系统负荷过重的时候也能保证各个节点的稳定性能，但是在资源有限和易发生拥塞的时候易造成网络的性能瓶颈。DWRR方法相对于其他方法，具有方法简单，容易在硬件设备上实现，提供良好的公平性并保证良好的各数据流的QoS需求等优点，得到了广泛的应用，但是它虽然能保证数据流的低时延要求，却可能造成较大的时延抖动，不适合实时性数据流。

另如早前国外学者Rajkumar et al.等人提出的基于服务质量的Q-RAM资源分配方法，该方法在系统中每一个应用最小需求都满足的条件下才能实现系统整体效果最优满足不同应用的QOS需求，在实施过程中它将资源分配看成一般的非线性或整体规划问题来离线处理，因此它同样不实用于动态系统，并对于系统中出现的不确定性情况应付能力较弱，而且在低性能的嵌入装置中无法使用；日本Fumiko Harada提出关于资源的自适应分配方法在资源有限环境中的竞争应用对于实现系统整体公平服务质量最优化有较好的效果，同时无需各个任务QoS值的先验值，并通过实时反馈来实现实时系统中资源的自适应控制，在低性能嵌入式装置中易于使用，因此应用性较强，但它在实施资源分配过程中，对于增益控制参数的设置所受限制条件较多；同时这个参数一旦设定就不再变化，然而实时系统却是时刻变化的，因此在出现新应用的情况下，这个固定参数不一定适用于新的环境；在实现多任务公平调度的速度方面，用户对其的满意程度不高；当在较强的外界干扰下，系统对出现的不确定性情况应对能力不强，鲁棒性能不够好。

发明内容

本发明旨在提出一种面向多机器人系统的控制方法，包括以下步骤：

初始化：预设r_{1_0}，r_{2_0}，...，r_{n_0}，e_{1_0}＝e_{2_0}＝...＝e_{n_0}＝0，r_i ^max，r_i ^min，任务i的资源消耗函数r_i(q)，任务总数n；

步骤1)：在多机器人系统中构建一个控制框架进行资源分配，包括基于模糊控制方法的QoS(服务质量)控制器，监控器和调度器；

步骤2)：任务集到来时，QoS控制器准备进行资源分配；如果k＝0，k表示当前时间，系统利用各个任务所需的预设资源r_{1_0}，r_{2_0}，...，r_{n_0}工作，完成时实现相对应的服务质量水平Q_i(k)，如果k＞0，则直接转至步骤3)；

步骤3)：在线搜索当前时刻各个任务所实现的QoS水平Q_i(k)，它们所消耗的资源量r_i(k)，同时计算出此刻QoS的平均水平，即： $\stackrel{\‾}{Q}\left(k\right)=\frac{1}{n}.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i\left(k\right);$

步骤4)：根据搜索结果，设计QoS模糊控制器所需的总增益控制参数α(k)；

S1.确定该模糊控制器由两个输入变量和一个输出变量组成；

S2.两个输入变量分别是已知的误差e_i(k)＝Q(k)-Q_i(k)和误差变化ec_i(k)＝d(Q(k)-Q_i(k))，输出变量是增益控制参数α_z；

S3.输入变量的模糊化：将误差分为b个模糊集合，误差变化分为d个模糊集合；同时为它们选取相对应的隶属函数来实现模糊化；

S4.输出变量α_z随着模糊规则的不同而变化，同时它是一个具体数值，不进行模糊化；根据一定的经验知识同时在满足系统可行性和稳定性的条件 $\mathrm{\α}\left(k\right)\≤\underset{i\∈\{\mathrm{1,2},...,n\}}{\min }{h}_i$ 时，选取该数值。(注： $h_i=\frac{d{r}_i\left(q\right)}{\mathrm{dq}},$ 总的增益控制参数 $\mathrm{\α}\left(k\right)=\frac{1}{n}.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left(k\right)$ )；

S5.建立模糊规则后，当输入误差e_i(k)＝x，ec_i(k)＝y时，根据面积重心法得到任务i在当前时刻的增益控制参数α_i(k)， ${\mathrm{\α}}_i\left(k\right)=\frac{\underset{z=1}{\overset{b\×d}{\mathrm{\Σ}}}{\mathrm{\μ}}_{e_i}\left(x\right){.\mathrm{\μ}}_{{\mathrm{ec}}_i}\left(y\right){.\mathrm{\α}}_z}{\underset{z=1}{\overset{b\×d}{\mathrm{\Σ}}}{\mathrm{\μ}}_{e_i}\left(x\right).{\mathrm{\μ}}_{{\mathrm{ec}}_i}\left(y\right)};$

S6.得到当前时刻的增益控制参数α_i(k)共n个，此时计算当前时刻总的增益控制参数α(k)；

步骤5)：获得参数α(k)后，QoS模糊控制器根据公式r_i(k+1)＝r_i(k)+α(k).(Q(k)-Q_i(k))来进行下一时刻资源的分配；

步骤6)：资源成功分配给各个任务后，此时它们释放各自的作业并列队等候调度；

步骤7)：调度器采用一种动态调度方法来对等候的队列进行顺序调度；

步骤8)：调度完成后，监控器对各个任务实际消耗的资源量和当前时刻所实现的QoS水平进行监控并实时反馈给QoS控制器，系统从而可以进行实时的在线搜索；

转至步骤3)，重复执行步骤3)到8)，实现公平分配直到任务结束。

上述方法采用比例公平的方法来定义，即： $\frac{Q_1}{w_1}=\frac{Q_2}{w_2}=....=\frac{Q_n}{w_n},$ w_n为任务的权重值，假设各个任务的权重相等；因此，在本发明中，当各个任务所实现的服务质量水平一致时，公平分配就得以实现。

当前时刻各个任务所对应的增益控制参数α_i(k)是通过模糊控制方法得到的，同时它实时变化；系统在线搜索信息同时实时反馈并利用一些专家经验，对输入变量进行了模糊控制，无需对系统变化精确知识的了解，来定量化的求得该参数。

上述总的增益控制参数α(k)取值于当前时刻各个任务所对应的增益控制参数α_i(k)的平均值，提供合理有效数值的同时降低了计算的复杂程度。

上述总的增益控制参数α(k)是根据系统中各个任务的反馈信息来进行动态调节，通过对参数大小的实时控制来使得系统中单一共享资源实现动态公平分配的速度更快。

上述对两个输入变量均选用三个模糊集合并选用三角形隶属函数来实现模糊化，达到简化计算又能有效地反映系统变化的结果

本发明的有益效果基于网络仿真平台的仿真表明：与自适应控制的方法相比较，采用模糊控制的方法在网络环境比较复杂的情况下，能够保持整体较高的资源利用率不变，同时系统的鲁棒性能更强，实现公平分配的时间更快，从而系统整体性能得到了明显改善。

附图说明

图1是本发明的控制系统的结构框图。

图2是本发明的控制流程图。

具体实施方式

本发明提出一种面向多机器人系统的控制方法——基于模糊控制的单资源动态分配方法，针对自适应控制方法中对增益控制参数的固定性和网络环境的动态变化的无法快速适应，将自适应方法中的参数从一个固定值变更为一个选取区间，得到了基于模糊控制的新的动态分配方法。相比自适应方法，该方法对于实现多机器人系统中各竞争任务资源的公平分配在速度上达到了更高层次的水平；对于实时系统中负载复杂多变的网络环境，鲁棒性能更强；同时对于系统出现的各种外界干扰，有了更好的抵御能力；系统仍能保持较高的资源利用率，因此系统性能得到了改善，稳定性增强。

现有文献中基于反馈控制方法的资源动态分配的数学模型：

r_i(k+1)＝r_i(k)+α(Q(k)-Q_i(k))          (1)

其中，各参数的代表意义分别如下：

r_i(k+1)表示(k+1)时刻的任务i所需分配的资源量；

r_i(k)表示k时刻任务i的资源分配量；

α表示增益控制参数；

Q_i(k)表示k时刻任务i所实现的服务质量水平；

Q(k)表示k时刻各个任务平均的服务质量水平，即： $\stackrel{\‾}{Q}\left(k\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i\left(k\right);$

本发明是基于模糊控制的方法，因此所采用的数学模型改进如下：

r_i(k+1)＝r_i(k)+α(k).(Q(k)-Q_i(k))     (2)

与(1)比较，(2)式中仅增益控制参数α(k)形式发生变化，其他均一致。它是一个时刻动态变化的数值，并且是通过模糊控制获得。

考虑到多机器人网络环境复杂多变，同时资源又受限的情况下，各竞争应用所需实现的QoS各不相同，所以将自适应控制方法中的增益控制参数从一个固定值改进为一个基于模糊控制的可以在某个区间可以任意选取的数值。其设计主要如下：

步骤1定义公平性。本发明中采用比例公平方法来定义，即： $\frac{Q_1}{w_1}=\frac{Q_2}{w_2}=....=\frac{Q_n}{w_n},$ w_n为任务的权重值。w_n越大，表示它所需提供的服务质量水平越高，通过这样的公平法则以期达到公平分配。考虑到网络环境的动态复杂变化，本发明中假设各个任务的权重在各个时刻都相同，因此当各个任务实现在不同时刻的服务质量水平相同时，资源的公平分配也就达到了。

步骤2初始化预设r_{1_0}，r_{2_0}，...，r_{n_0}、e_{1_0}＝e_{2_0}＝...＝e_{n_0}＝0、r_i ^max、r_i ^min、任务i的资源消耗函数r_i(q)、周期性竞争应用任务数n，其中 $\stackrel{\‾}{Q}\left(k\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i\left(k\right);$

步骤3在系统中建立一个基于模糊控制方法的控制器。如果k＝0(k表示当前时间)，系统利用各个任务所需的预设资源r_{1_0}，r_{2_0}，...，r_{n_0}工作，完成时实现相对应的服务质量水平Q_i(k)，如果k＞0，则直接转至步骤3)。

步骤4)：在线搜索当前时刻各个任务所实现的QoS水平Q_i(k)，其所获得的资源量r_i(k)，同时计算出平均水平，即： $\stackrel{\‾}{Q}\left(k\right)=\frac{1}{n}.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Q}_i\left(k\right);$

步骤5)：根据搜索结果，设计QoS模糊控制器所需的增益控制参数α(k)。

S1.确定该模糊控制器由两个输入变量和一个输出变量组成。

S2.两个输入变量分别是已知的误差e_i(k)＝Q(k)-Q_i(k)和误差变化ec_i(k)＝d(Q(k)-Q_i(k))，输出变量是增益控制参数α_z。

S3.输入变量的模糊化：将误差分为3个模糊集合，误差变化分为3个模糊集合；同时为它们选取三角形隶属函数来实现模糊化，简化计算的同时有效地改善系统控制性能。

S4.输出变量α_z随着模糊规则的不同而变化，同时它是一个具体数值，不进行模糊化。根据一定的经验知识同时在满足系统可行性和稳定性的条件 $\mathrm{\α}\left(k\right)\≤\underset{i\∈\{\mathrm{1,2},...,n\}}{\min }{h}_i$ 时，选取该数值。(注： $h_i=\frac{d{r}_i\left(q\right)}{\mathrm{dq}},$ 总的增益控制参数 $\mathrm{\α}\left(k\right)=\frac{1}{n}.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left(k\right)$ )

S5.建立模糊规则后，当输入误差e_i(k)＝x，ec_i(k)＝y时，根据面积重心法得到任务i在当前时刻的增益控制参数α_i(k)， ${\mathrm{\α}}_i\left(k\right)=\frac{\underset{z=1}{\overset{3\×3}{\mathrm{\Σ}}}{\mathrm{\μ}}_{e_i}\left(x\right){.\mathrm{\μ}}_{{\mathrm{ec}}_i}\left(y\right).{\mathrm{\α}}_z}{\underset{z=1}{\overset{3\×3}{\mathrm{\Σ}}}{\mathrm{\μ}}_{e_i}\left(x\right){.\mathrm{\μ}}_{{\mathrm{ec}}_i}\left(y\right)}.$

S6.得到当前时刻的增益控制参数α_i(k)共n个，此时计算当前时刻总的增益控制参数 $\mathrm{\α}\left(k\right)=\frac{1}{n}.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left(k\right).$

步骤6)：获得参数α(k)后，QoS模糊控制器根据公式r_i(k+1)＝r_i(k)+α(k).(Q(k)-Q_i(k))来进行下一时刻资源的分配。

步骤7)：调度器采用一种动态调度方法来对等候的队列进行顺序调度。

步骤8)：调度完后，监控器对各个任务实际消耗的资源量和当前时刻所实现的QoS水平进行监控并实时反馈给QoS控制器，系统从而可以进行实时的在线搜索。

转至步骤4)，重复执行步骤4)到9)，实现公平分配直到任务结束。

实验一

采用具体应用实例并通过Matlab仿真来观察实验结果。

实验内容

在某一资源有限的多机器人系统中，同时存在8项独立的周期性竞争应用，设这8项应用中共有4种任务模型(表示任务所需要的资源量同其所实现的QoS之间的关系，本实验中假设资源实际的消耗量等于资源的分配量，即：Φ_i(q)＝r_i(q))，分别如下：

I. ${\mathrm{\Φ}}_i\left(q\right)=(r_i^{\max }-r_i^{\min })q+r_i^{\min };$

II. ${\mathrm{\Φ}}_i\left(q\right)=\frac{2}{\mathrm{\π}}(r_i^{\max }-r_i^{\min })\arcsin \left(q\right)+r_i^{\min };$

III. ${\mathrm{\Φ}}_i\left(q\right)=(r_i^{\max }-r_i^{\min })[\frac{\arcsin (2q-1)}{\mathrm{\π}}+\frac{1}{2}];$

IV. ${\mathrm{\Φ}}_i\left(q\right)=r_i^{\max }-\frac{2}{\mathrm{\π}}(r_i^{\max }-r_i^{\min })\arcsin (1-q).$

其中，q表示所实现的服务质量水平；

Φ_i(q)表示实现q所需要的资源分配量；

r_i ^max表示执行任务i所需要的最大资源量；

r_i ^min表示执行任务i所需要的最小资源量；

设基于Matlab平台对本资源分配方法和自适应模糊控制方法进行仿真测试，系统资源总量R＝2.4来确保任务调度的可行性，实时系统的各个任务的时限为t_k＝3000×k，每个任务的周期与其所对应的截止期相同，各相关的参数设置如表1所示；经过仿真后两种方法实现公平分配(QOS＝0.6179)的时间比较，如表2所示；两种方法实现资源公平分配所需时间的比较，如表3所示(注：方法1是指自适应控制方法，方法2是本发明采用的模糊控制方法)。

表1参数设置表

注释：Classification表示任务的分类；Task表示独立的周期性竞争任务，1-8表示8个任务；period表示周期性竞争任务的周期；phase表示周期性任务间的时间间隔； $h_i=\frac{d{r}_i\left(q\right)}{\mathrm{dq}}$ 表示任务i资源消耗函数的微分；

表示h_i的倒数；r_{i_0}表示初始时刻任务i所需分配的资源量；modern表示各不同任务选用模型。

表2实现公平服务质量所需的时间对照表

classification	Task 1	Task 2	Task 3	Task4	Task 5	Task 6	Task 7	Task 8
									Steps(Method 1)	19	15	30	27	17	42	22	17
Steps(Method 2)	11	8	18	16	9	26	13	9

注释：Steps表示所需的迭代次数，其它同上注释。

表3实现公平资源分配所需的时间对照表

classification	Task 1	Task 2	Task 3	Task 4	Task 5	Task 6	Task 7	Task 8
									Steps(Method 1)	22	11	28	18	27	38	23	27
Steps(Method 2)	12	5	16	10	15	23	13	15

注释：Steps表示所需的迭代次数，其它同上注释。

由表2和表3的数据可以看出，本发明的资源分配方法同自适应控制方法相比，在实现资源公平分配时各个任务的响应时间及网络的利用率均有显著改善，在实现同样服务质量水平的条件下进一步增加任务数时候，本发明的资源分配方法优势将更加突出。

实验二

通过NS-2仿真平台来实现本文中的控制方法，并对它进行了测试比较。NS-2(Network Simulator-2)是一种开放式的网络仿真软件。作为一个开源软件，它基于离散事件驱动的仿真方式，仿真效率高；面向对象的建模方式，便于功能实现和扩展；动态显示仿真结果；多平台支持等，因此广泛应用于各种网络模拟，如：局域网、广域网、自组织网络等。本文采用该仿真平台来实行多机器人网络中的模拟实验。

仿真部分通过使用2.33版本的NS-2平台，UBUNTU7.04的操作系统来进行仿真实验。我们利用多机器人网络中的中间节点(如基站)进行分组转发的实验，来检验上面利用模糊控制方法来改善系统资源分配的效果。在NS-2网络仿真器中，针对多机器人系统中的资源分配模型，我们引入一个基于模糊控制的反馈方法，来模拟资源的公平分配，并且对它进行了性能测试，以此来反应模糊控制方法对公平资源分配所起到的作用。

该多机器人系统中我们把带宽看作主要的可分配资源。在本组实验中，我们首先假设一部分客户端先启动(称此组为先启动组)，而另一部分的客户端(称此组为后启动组)由于受到网络的不确定因素影响，延迟一些时间后才开始顺利传输分组。通过实验结果观察两种方法对不确定因素的应对能力，同时进行公平性的比较。

实验内容

分别设置7个业务流，标号从0-6，具体情况如表4所示。实验过程中，后启动业务组开始传输数据的时间设置为8秒、12秒和16秒，分别做3对实验，所有业务流工作到实验结束时间90秒为止。

表4业务流参数设置表

业务流

业务0

业务1

业务2

业务3

业务4

业务5

业务6

业务类型1或2

1

1

1

1

1

2

2

启动组(先/后)

后启动组

后启动组

先启动组

先启动组

先启动组

后启动组

先启动组

多机器人系统中的基站A分别使用自适应控制(控制参数α不变)和模糊控制(控制参数α可变)方法进行模拟转发实验。

我们通过公式(3)，求出后启动组在任意时刻的所分配的资源分配量。

r_i(k+1)＝r_i(k)·(1+α(k)·c·e_i)    (3)

其中，r_i(k+1)为k+1时刻后启动组的转发的资源分配量；r_i(k)为k时刻资源的转发量；α(k)表示当前时刻的增益控制参数；c表示大于零的一个常数值；e_i表示当前时刻系统中各业务流所实现的服务质量水平均值Q(k)和i号业务流Q_i(k)之间的差值。

另外，资源消耗量和服务质量水平之间存在函数关系，通过公式(4)，可以求出后启动组服务质量水平瞬时值(Q_i(k))的与期望值(Q(k)之间的特殊比值，从而得到系统性能的优劣。

$\mathrm{\ϵ}\left(k\right)=\left\{\begin{array}{c}\frac{Q_i\left(k\right)}{\stackrel{\‾}{Q}\left(k\right)},\mathrm{if}{Q}_i\left(k\right)\≤\stackrel{\‾}{Q}\left(k\right);\\ \frac{2\·\stackrel{\‾}{Q}\left(k\right)-Q_i\left(k\right)}{\stackrel{\‾}{Q}\left(k\right)},\mathrm{else}.\end{array}\right.---\left(4\right)$

通过比值ε(k)，我们可以看出后启动组的业务流获得的实际服务质量水平与其期望值的接近程度。

通过上面三组对比实验，我们可以得出如下表5的一组实验数据。(注：方法1：自适应控制(控制参数α不变)；方法2：模糊控制(控制参数α可变)方法。)

表5不同方法在各时刻的公平性比较

从上表5可以看出，后启动组不论是从8s、12s还是16s的时候开始传输数据，方法2在40s、60s和80s三个采样时间点当中，其获得服务质量水平瞬时值与期望值的比值，都可以看出比使用方法1更加接近期望值。在这种情况下，使用方法2能够为后启动组获得期望服务量提供更快速的补偿，为确保其服务质量提供更好的保证。使用方法2能够获得更公平的网络服务，更好的QoS。

Claims (5)

1.一种面向多机器人系统的控制方法，其特征在于包括有以下步骤：

初始化：预设r_{1_0}，r_{2_0}，...，r_{n_0}，e_{1_0}＝e_{2_0}＝...＝e_{n_0}＝0，r_i ^max，r_i ^min，任务i的资源消耗函数r_i(q)，任务总数n，

其中：r_i ^max表示执行任务i所需要的最大资源量；

r_i ^min表示执行任务i所需要的最小资源量；

步骤1)：在多机器人系统中构建一个控制框架进行资源分配，包括基于模糊控制算法的QoS模糊控制器，监控器和调度器；

步骤2)：当各个任务到来时，QoS模糊控制器准备进行资源分配，如果k＝0(k表示当前时间)，系统利用各任务所需的预设资源r_{1_0}，r_{2_0}，...，r_{n_0}工作，完成时实现相对应的QoS水平Q_i(k)，如果k＞0，则直接转至步骤3)；

步骤3)：在线搜索当前时刻各个任务所实现的QoS水平Q_i(k)，当前时刻各个任务所消耗的资源量r_i(k)，同时计算出此刻QoS的平均水平，即：

步骤4)：根据搜索结果，设计QoS模糊控制器所需的总增益控制参数α(k)；

S1.确定该QoS模糊控制器由两个输入变量和一个输出变量组成；

S2.两个输入变量分别是已知的误差

和误差变化输出变量是增益控制参数α_z；

S3.输入变量的模糊化：将e_i(k)分为b个模糊集合，ec_i(k)分为d个模糊集合；同时为e_i(k)和ec_i(k)选取相对应的隶属函数来实现模糊化；

S4.α_z随着模糊规则的不同而变化，同时α_z是一个具体数值，不进行模糊化，根据一定的经验知识同时在满足系统可行性和稳定性的条件

时，选取α_z；

总的增益控制参数

S5.建立模糊规则后，当e_i(k)＝x，ec_i(k)＝y时，根据面积重心法得到任务i在当前时刻的增益控制参数α_i(k)，

表示e_i(k)＝x时的模糊隶属度，

表示ec_i(k)＝y的模糊隶属度；

S6.得到当前时刻的增益控制参数α_i(k)共n个，此时计算当前时刻总的增益控制参数α(k)；

步骤5)：获得参数α(k)后，QoS模糊控制器根据公式 $r_i(k+1)=r_i\left(k\right)+\mathrm{\α}\left(k\right).(\stackrel{\‾}{Q}\left(k\right)-Q_i\left(k\right))$ 来进行下一时刻资源的分配；

步骤6)：资源成功分配给各个任务后，此时各个任务释放各自的作业并列队等候调度；

步骤7)：调度器采用一种动态调度算法来对等候的队列进行顺序调度；

步骤8)：调度完成后，监控器对各个任务实际消耗的资源量和当前时刻所实现的QoS水平进行监控并实时反馈给QoS模糊控制器，系统从而可以进行实时的在线搜索；

转至步骤3)，重复执行步骤3)到8)，实现公平分配直到任务结束。

2.根据权利1所述的面向多机器人系统的控制方法，其特征在于：上述α_i(k)是通过模糊控制算法得到的，同时α_i(k)实时变化，系统在线搜索信息同时实时反馈并利用一些专家经验，对输入变量进行了模糊控制，无需对系统变化精确知识的了解，来定量化的求得α_i(k)。

3.根据权利1所述的面向多机器人系统的控制方法，其特征在于：上述总的增益控制参数α(k)取值于α_i(k)的平均值，提供合理有效数值的同时降低了计算的复杂程度。

4.根据权利3所述的面向多机器人系统的控制方法，其特征在于：上述总的增益控制参数α(k)是根据系统中各个任务的反馈信息来进行动态调节，通过对参数大小的实时控制来使得系统中单一共享资源实现动态公平分配的速度更快。

5.根据权利4所述的面向多机器人系统的控制方法，其特征在于：上述对两个输入变量均选用三个模糊集合并选用三角形隶属函数来实现模糊化，达到简化计算又能有效地反映系统变化的结果。

Images