CN107133416A - 一种uuv多层次混杂式免疫智能体结构建模方法 - Google Patents
一种uuv多层次混杂式免疫智能体结构建模方法 Download PDFInfo
- Publication number
- CN107133416A CN107133416A CN201710375198.5A CN201710375198A CN107133416A CN 107133416 A CN107133416 A CN 107133416A CN 201710375198 A CN201710375198 A CN 201710375198A CN 107133416 A CN107133416 A CN 107133416A
- Authority
- CN
- China
- Prior art keywords
- uia
- uuv
- module
- antigen
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种UUV多层次混杂式免疫智能体结构建模方法,首先对生物免疫响应机制和Agent理论进行对比,提出免疫智能体IA模型;其次,利用积木式模块化抽象方法将UUV模型抽象划分为感知模块、动力推进模块、通信模块、控制决策模块和知识库模块等五个模块;再次,设计设计包括感知执行层、行为规划层和学习记忆层的多层次混杂式结构UIA,并分析了各层功能;最后,设计了面向对象的形式化描述,并详细设计了UIA行为规则库与状态库,以及对UIA模型特点进行了全面的阐述。通过本发明构建的UIA结构模型,不仅封装了多种功能和属性,而且结构层次分明,逻辑清晰,模块划分至关明确,更加贴近UUV实际系统,能够实现水下无人作战对UUV自治程度和智能水平的建模要求。
Description
技术领域
本发明属于建模与仿真领域,具体为一种UUV多层次混杂式免疫智能体结构建模方法。
背景技术
随着海洋资源利用和开发的迅速发展,水下无人航行器(Unmanned UnderwaterVehicle,简称UUV)在海洋科学考察、海底勘测、打捞救生、水下作战等领域得到了长足的发展与广泛的应用。但是UUV在未知的、动态的、复杂的水下介质环境中作业,与地面及空间运载工具相比,其自主规划和控制系统更为复杂,尤其为了适应编队协同作战,对UUV的智能决策和学习能力提出了更高的要求,特别是在智能性建模方面,这是因为UUV个体智能性的高低对于水下无人协同作业系统的协商通信、任务分配等建模过程起着关键性的作用,并且影响对水下作业任务完成的质量和效率。
UUV水下作业系统具有如下特点:(1)UUV个体结构复杂,UUV由多个结构和逻辑复杂的子系统组成,而且各个组成系统相互之间具有很强的依赖性和协调性;(2)水下作业环境复杂,海风、浪、流、涌、水深、温度、盐度等水声环境和水下复杂地形以及海洋生物组成的复杂水下环境对UUV影响非常之大;(3)水下作业任务复杂,UUV作为运载、通讯或者导航节点在海底勘测、协同搜索、水下作战等任务方面具有无可替代的作用。因此,UUV水下作业系统是一个UUV无人系统、环境和任务相互耦合的复杂系统。
智能体(Agent)建模理论作为一种新型的分布式人工智能研究方法,主要实现微观行为和宏观现象的有机结合,具有较强的分布性、鲁棒性和协调性,为解决含有智能行为的系统建模与仿真问题提供灵活、高效的手段。国内外学者将Agent建模技术引入到UUV领域,例如,在信念-愿望-意图(Belief-Desire-Intention,BDI)逻辑的基础上拓展出自治水下机器人心智逻辑,表示和处理UUV的心智状态及心智活动;设计了基于智能体的分布式结构用于UUV自主控制系统,完成由许多离散和随机事件的海洋勘测任务;将机器人系统内部各部件如探测、推理、动力等分别抽象为Agent,然后以多智能体(Multi-agents,MAS)模型构建机器人个体,实现各个控制部件间的协调控制问题。
然而,目前的研究工作大多强调运用Agent社会性来表现UUV外特性层或利用MAS实现简单的内部控制逻辑,却无从真正体现出Agent的智能特性,也没有探讨与实现外部特性相对应的内部表示和处理机制问题。为此,希望设计一种能够显著提高UUV智能性建模方法,用于实现UUV智能性仿真与分析。
发明内容
本发明针对以往Agent技术进行UUV智能性建模的不足进行了研究:首先,在识别、学习、记忆等9个特点分析出发对从生物免疫响应机制和Agent理论进行对比,提出免疫智能体(Immune-Agent,IA)模型,并设计了IA结构化模型,IA模型能够有效结合生物免疫响应机制和Agent在实践和理论上的优点;其次,利用积木式模块化抽象方法将UUV模型抽象划分为感知模块、动力推进模块、通信模块、控制决策模块和知识库模块等五个模块;再次,设计设计包括感知执行层、行为规划层和学习记忆层的多层次混杂式结构UIA(UUV-Immune-Agent),并分析了各层功能;最后,设计了面向对象的形式化描述,并详细设计了UIA行为规则库与状态库,以及对UIA模型特点进行了全面的阐述。依据上述研究,提出了一种UUV多层次混杂式免疫智能体结构建模方法。
所述一种UUV多层次混杂式免疫智能体结构建模方法,其特征在于:包括以下步骤:
步骤1:通过对生物免疫响应机制和智能体理论进行对比,建立免疫智能体IA结构化模型;所述IA结构化模型采用10元组表示:
IA=<Antigen,Antigen Base,Antibody,Antibody Base,Antigen PresentingUnits,Memory Units,Immune System Knowledge Base,Reasoning Units,AntibodyKnowledge Base,Action>
其中:Antigen表示抗原;Antigen Base表示抗原数据库;Antibody表示抗体;Antibody Base表示抗体数据库;Antigen Presenting Units表示抗原提呈单元;MemoryUnits表示IA的记忆单元;Immune System Knowledge Base表示IA的知识库;ReasoningUnits表示对抗原的识别和推理;Antibody Knowledge Base表示获得性免疫过程应答知识库;Action表示IA内部逻辑动作,通过一个四元数组表示:Action=<Elimination,Recognition,Learning,Memory>,Recognition表示识别动作元,Learning表示学习动作元,Memory表示记忆动作元,Elimination表示消灭抗原动作元;
步骤2:将UUV分为五个模块:感知模块、动力推进模块、通信模块、控制决策模块和知识库模块;其中感知模块获取UUV自身传感器的信息并进行实时提取和处理;动力推进模块为UUV水下运动提供能源和推力;通信模块负责UUV内部通讯节点的信息通讯和共享,以及与其他UIA进行信息交互与通信;控制决策模块实现使命控制和运动控制;知识库模块包括专家知识和具体应用算法集合;
步骤3:基于步骤1建立的IA结构化模型以及步骤2中对UUV的模块化结构划分,建立UUV多层次混合式免疫智能体结构模型;所述UUV多层次混合式免疫智能体结构为由感知执行层、行为规划层和学习记忆层三层组成的混合控制系统;其中
所述感知执行层包括传感器、通信器和执行器;传感器抽象来源于UUV感知模块,用于感知水下复杂环境;通信器抽象来源于UUV通信模块,表示UIA个体内部的逻辑通信,以及与其他UIA进行信息交互与通信;执行器抽象来源于UUV动力推进模块,用于执行UIA运动特征的行为规则;
所述行为规划层由协调控制中心、行为库、反应器、规划器、知识库和决策库组成;协调控制中心根据从感知执行层接收的外界环境状态或者任务进行解释分类:如果感知的是简单或者紧急的情况,则根据信息在行为库中进行信息匹配后将行为规则直接送达反应器,由反应器发给感知执行层;如果感知的是复杂或者时间裕度充分的情况,则通过慎思过程将信息送达规划器,进行推理、规划与决策;送入规划器的信息进行两类处理:如果复杂情况能够通过知识库推理和规划得到求解,则从知识库得出行为规划方案,并通过决策器分析送达反应器进行行为反应;如果复杂情况不能通过知识库推理和规划得到求解,则将信息送达学习记忆层进行行为学习;
所述学习记忆层由学习中心、状态库和记忆规则库组成;学习中心根据复杂情况的状态和知识进行学习,做出全局规划和决策;复杂情况的状态包括任务使命、载荷、能源、健康状况;
步骤4:采用形式化描述方法量化步骤3建立的UUV多层次混合式免疫智能体结构模型:
采用7元组表示UUV多层次混合式免疫智能体结构模型:
Task=<ID,Type,Goal Set,Knowledge Base,Rule Base,State Set,Plan Set>
其中:ID为UIA的唯一标号,每一个UIA对应唯一的标识;Type描述UIA的功能类型,所述功能类型包括供给型、探测型、远程型、防御型;GS表示UIA目标集,所述UIA目标集指UIA自身所要达到的目标,以及为了整体的利益所要达到的共同目标;KB表示UIA知识库,所述UIA知识库包括UUV感知模块、动力推进模块、控制决策模块和通信模块的知识;RB表示UIA行为规则库;SS表示UIA状态集;PS表示UIA规划集。
有益效果
通过本发明提出的UUV多层次混杂式免疫智能体结构建模方法所构建的UIA结构模型,不仅封装了多种功能和属性,包括状态属性、规划能力、决策能力、反应能力和学习能力,而且结构层次分明,逻辑清晰,模块划分至关明确,更加贴近UUV实际系统,能够实现水下无人作战对UUV自治程度和智能水平的建模要求。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1:IA模型模块化结构示意图;
图2:UUV模块化结构示意图;
图3:UUV多层次混合式免疫智能体结构(UIA);
图4:UIA规避障碍初次应答模拟过程;
图5:UIA规避障碍再次应答模拟过程;
图6:定量统计分析结果。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施例中,依据研究的思路,详细说明各部分的技术细节:
1.免疫智能体
Agent理论和生物免疫响应系统从结构和功能上呈现出高度的相似性,都是由许多单元组成,通过各单元相互耦合,保持自身结构稳定。但是,两者在建模理论和实践方面具有不同优势,其性能对比分析如表1所示。
表1Agent与生物免疫响应系统在理论与实践方面的对比分析
根据表1可知,生物免疫响应系统抽出免疫系统的隐喻机制,如免疫识别、学习、记忆、记忆、协调、通信、自组织、分布式、自忍耐等特性,其中识别、学习、记忆和选择等机制已经在实践中得到不断应用,而协调、通信、自组织、分布式、自忍耐等特性虽然在理论方面取得了重大理论成果,但是缺乏实践应用。另一方面,MAS建模理论与方法能够在协调、通信、分布式等等方面具备强大的能力。可见,两种理论可以相互变异、相辅相成,形成优势互补,设计具有免疫功能机制的Agent模型即Immune-Agent(IA)。
IA作为一种融合生物免疫响应机制和Agent建模优势的新颖智能体人工计算模型,既能克服Agent建模在识别、学习、记忆和选择等劣势,又能为实现Agent内部结构交互的灵活。其可以表示为10元组:Immune-Agent(IA)=<Antigen,Antigen Base,Antibody,Antibody Base,Antigen Presenting Units,Memory Units,Immune System KnowledgeBase,Reasoning Units,Antibody Knowledge Base,Action>,其中:
(1)Antigen表示抗原;
(2)Antigen Base=<Antigen1,Antigen2…,Antigen n>表示抗原数据库;
(3)Antibody表示抗体;
(4)Antibody Base=<Antibody1,Antibody2…,Antibody m>表示抗体数据库;
(5)Antigen Presenting Units表示抗原提呈单元,主要抗原特征进行提取;
(6)Memory Units表示IA的记忆单元;
(7)Immune System Knowledge Base表示IA的知识库;
(8)Reasoning Units表示对抗原的识别和推理;
(10)Action表示IA内部逻辑动作,可以表示成一个四元数组:Action=<Elimination,Recognition,Learning,Memory>,表示识别、学习、记忆和消灭抗原的动作元。
具体的IA结构与逻辑关系如图1所示,IA的抗原提呈单元对抗原进行特征匹配和行为提取,如果抗原结构简单则通过固有免疫直接产生抗体对抗原进行消灭,如果抗原结构复杂进入免疫系统知识库进行分析和识别并通过推理单元推理进行获得性免疫。如果识别和推理抗原为新的抗原特征,对抗原特征进行抗原数据库保存,并模拟初次应答免疫,形成抗体消灭抗原,同时将性能和结构最优的抗体保存在记忆单元;如果为结构和行为特征复杂的相同或者相似抗原,则直接模拟再次应答免疫,通过记忆单元直接产生抗体。同时,在AI免疫智能体逻辑结构运行过程中。在IA结构和逻辑概念图中,通过识别、学习、记忆和消灭等行为和各种单元与数据库,体现了免疫系统的识别、学习、记忆、层次性等特点,并且能够与Agent模块化建模适应结合。
可见,IA模型具有Agent所要求的自治,反应,推理,规划,学习,协作,适应等特性,而且由于生物免疫响应机制的加入使Agent模型特点更加丰富,而且能够在理论与实践上形成优势互补,达到提高Agent智能性的要求,同时增加Agent学习性、记忆性等功能。另外,从Agent模型结构角度来看,IA模型是一个混合结构的Agent,利用固有免疫体现Agent的反应结构,利用获得性免疫体现Agent的慎思结构,总体结构体现了反应与慎思两种结构的优点。
2.积木式模块化UUV模型抽象与划分
UUV作为水下运载工具和平台已成为一种水下无人系统,其集成人工智能、探测识别、信息融合、智能控制、系统集成等多项技术,自主控制、决策、规划和完成复杂海洋环境中的预定任务使命。从模块化结构划分和抽象的角度各出发,主要分为五个模块:传感器模块、动力推进模块、通信模块、控制决策模块和知识库模块,其结构划分与抽象示意图如图2所示。
(1)感知模块:主要功能是获取自身传感器的信息并进行实时提取和处理。
(2)动力推进模块:主要功能是为UUV水下运动提供能源和推力。
(3)通信模块:主要功能是负责UUV内部通讯节点的信息通讯和共享,以及与其他UIA进行信息交互与通信。
(4)控制决策模块:主要包括使命控制和运动控制。
(5)知识库模块:主要包括专家知识和一些具体应用算法集合。
通过以上5个模块的积木式模块化设计,UUV可实现水下环境的无人操控、自主管理和独立执行任务。同时,可以提高UUV模型的重用性,提高各个模块的利用效率。
3.多层次混杂式结构UIA的设计
根据UUV系统的抽象模型,多层次混杂式结构UIA(UUV Immune-Agent)首次被提出,其是建立在Immune-Agent(IA)基础上采用分层式混合Agent体系结构,其逻辑结构图如图3所示。
从图3可以看出,UIA是一个由感知执行层、行为规划层和学习记忆层构成三层混合控制系统,下面对各层功能和特点进行详细分析。
3.1感知执行层
感知执行层代表UIA与外界环境和其他UIA交互的唯一接口,主要包括传感器、通信器和执行器。其中,传感器主要抽象来源于UUV感知模块,用于感知水下复杂环境;通信器主要抽象来源于UUV通信模块,不仅表示UIA个体内部的逻辑通信,还用于与其他UIA进行信息交互与通信;执行器抽象来源于UUV动力推进模块,用于执行UIA运动特征的行为规则。
3.2行为规划层
行为规划层代表了UIA混杂控制系统机构的核心,负责感知行为层的信息控制。当传感器或者通信器感知外界环境状态和其他UIA任务需求,行为规划层则被激活。协调控制中心根据接收的外界环境状态或者任务进行解释分类,如果感知到的是简单或者紧急的情况,则根据信息在行为库中进行信息匹配后将行为规则直接送达反应器;如果感知到的是复杂的或者时间裕度充分的情况,则通过慎思过程将信息被送达规划器,进行推理、规划与决策。在规划器,根据信息同样进行两类处理,其一,如果复杂情况能够通过知识库推理和规划得到求解,则行为规划方案通过决策器分析送达反应器进行行为反应;其二,如果复杂情况不能通过知识库推理和规划得到求解,则将信息送达学习记忆层进行行为学习。
3.3学习记忆层
学习记忆层代表了UIA自治程度和智能水平的突出表现,充分利用IA的学习记忆特点。学习中心根据复杂情况(任务使命、载荷、能源、健康状况)的状态和相关知识进行学习,并做出全局规划和决策。
需要指出的是,在UIA整个感知执行层、行为规划层和学习记忆层相互配合的过程中行为库、知识库和记忆规则库在不断相互更新和优化。
4面向对象的UIA形式化描述
基于面向对象分析方法,结合UIA模型以及特点,提出一种UIA形式化描述方法用以量化多层次模块化UIA模型。
UIA是指兼有生物免疫机制和智能体建模优势的人工UUV计算模型,其显著特点是具有高自治性和智能性,封装了自身状体特性、学习能力、决策能力、反应能力、规划协调能力等能力属性。其可以表示为7元组:Task=<ID,Type,Goal Set,Knowledge Base,RuleBase,State Set,Plan Set>,其中:
(1)ID::<UIA标识>:作为UIA的唯一标号,每一个UIA对应唯一的标识;
(2)Type::<UIA类型>:描述UIA的功能类型,例如,供给型、探测型、远程型、防御型等各种类型的UUV;
(3)GS::<Goal Set>:UIA目标集指UIA自身所要达到的目标和为了整体的利益所要达到的共同目标,两种目标可以相同或者不同,但个体利益与集体利益发生冲突时,设定个体利益至上。例如在多UUV协同搜索的任务中,UUV和协同系统的目标一致,但是在协同搜索的过程中遇到水下障碍,则UUV的首要目标是规避掉障碍,而协同系统的目标依然是搜索。
(4)KB::<Knowledge Base>:UIA知识库,主要包括UUV自身传感、动力推进、控制决策和通信模块的知识,涵盖探测识别、信息融合、智能控制、系统集成等各种模型、算法和参数要素,而且存储各类专家经验与专家知识;
(5)RB::<Rule Base>:UIA行为规则库,当UIA在面临简单或者紧急作战任务时,直接通过行为规则库激活,根据任务特性将其当作条件输入,与行为规则库的条件部分进行对比匹配,如果匹配成功则立刻执行相对应的动作。如果没有匹配成功,或者面临复杂或者时间冗余的作战任务时,则通过学习中心进行规则演化学习,将最新产生的行为规则进行规则记忆经行记忆,同时更新行为规则库,在下次遇到相同或者相似的情况,能够快熟响应。行为规则库RB的形式如下:
IF 环境 任务 目标 自身状态,THEN 行为 (1)
根据产生式规则IF-THEN公式可知,IF部分主要由作业环境、作业任务、目标信息和自身状态构成,而THEN部分则主要由运动控制和火力控制的行为组成,则形成的行为规则库如表2所示。
表2 UIA行为规则库RB(抗体库)
(6)SS::<State Set>:State Set表示UIA状态集,其主要包括使命、健康、能源和载荷状态。其中,使命状态主要指UIA所要完成的任务使命状态,主要包括协同搜索、规避障碍、协同攻击等水下作战样式;健康状态包括UUV个体的机械故障、电子元件故障,机体损伤等状态信息;能源状态用于刻画UUV动力能源特性,确保电池不被过度使用或者毁坏;载荷状态主要针对使命任务、故障状态和能源状态等约束条件所对应的开关控制策略。具体的状态库设计如表3所示。
表3 UIA状态库SS设计
(7)PS::<Plan Set>:Plan Set表示UIA规划集,是指UUV遇到复杂作战环境或者作战任务时,为了实现自身状态稳定并完成作战任务,进行的局部规划和全局规划以利于行为决策序列的产生。
5.UIA模型特点分析
根据对感知执行层、行为规划层和学习记忆层等模型的介绍和描述,可以看出UIA结构模型具有如下特点:
(1)UIA本质上是一个包含IA逻辑的结构模型。在行为规划层,如果感知到的是简单或者紧急的情况,则根据信息在行为库中进行信息匹配后经行为规则直接送达反应器,其可以对应对IA的固有免疫过程,快速直接消灭抗原;如果感知到的是复杂的或者时间裕度充分的情况,则通过慎思过程将信息被送达规划器,进行推理、规划与决策,其可以对应于获得性免疫过程,通过对抗原特征的提呈、抽象和识别,往往需要花费较长时间。在学习记忆层,则全面模拟了IA的获得性免疫过程中的初次应当和再次应答过程,并通过记忆单元保存和更新抗体库,以使下次遇到相同或者相似结构的状况,可以直接快速响应。可以清晰地看出,在UIA行为规划层和学习记忆层的逻辑过程全面详细的模拟IA机理。
(2)UIA采用分层混合式IA的模型结构。在行为规划层,如果感知到的是简单或者紧急的情况,则根据信息在行为库中进行信息匹配后经行为规则直接送达反应器,其可以反映了反应Agent结构模型,突出的是快速性;如果感知到的是复杂的或者时间裕度充分的情况,则通过慎思过程将信息被送达规划器,进行推理、规划与决策,其反映了慎思Agent结构模型,突出了Agent对信念、期望和意图和规划等属性的决策与规划。
(3)UIA采用模块化逻辑单元设计。在感知执行层、行为规划层和学习记忆层进行模块化设计,通过各个逻辑单元之间的信息互联实现反应过程、慎思过程和学习记忆过程,有利于各条逻辑控制信息流向的梳理,同时明确知识库、规则库和记忆规则库的维护和更新的过程。另外,模块化设计可以便于软件实现和系统集成,提高系统的通用性和重用性。
(4)UIA采用一种协调控制器中心结构来实现协调各种不同的情况,从而使该结构模型具有较强的适应性和通用性,不仅能够适应各种复杂情况,而且应对简单任务情况是处理速度和能力也较强,满足多UUV协同作战系统基于MAS建模与仿真对智能性和适应性的要求。
(5)UIA的设计重点围绕提高UUV学习能力和智能性。在整个UIA模型框架中,通过协同控制中心对任务和状态的复杂性进行判断,在复杂的或者时间裕度充分进行推理,并在学习记忆层的学习记忆中心根据状态库进行学习和记忆分析,负责对行为策略的知识库和规则库进行维护和更新,从而使UIA具有很强的智能性。可见,UIA模型能够根据任务或环境的紧急、复杂等情况,采用简单情况至反应器、一般情况至规划器、复杂情况至学习中心的递阶层次智能信息处理结构,能够满足对UUV水下作战对智能性建模的要求。
总的来说,这种设计不仅封装了多种功能和属性,包括状态属性、规划能力、决策能力、反应能力和学习能力,而且结构层次分明,逻辑清晰,模块划分至关明确,更加贴近UUV实际系统,能够实现水下无人作战对UUV自治程度和智能水平的建模要求。
为了验证UIA模型的正确性和有效性,本实施例设计UIA规避水下静态障碍目标实验进行验证。作战想定:在目标海域10000*10000范围内的水下空间,随机设置7个静态结构的水下障碍(1#,2#,3#,4#,5#,6#,7#),考虑UIA水下运动深度H不变,则UIA运动起始位置Tstart=(0.0),终点位置Tend=(10000,10000),UIA运动速度V=vm/s,感知范围为圆形区域R=r km,携带动力能源P=1.2×105W。
假设在相同的实验条件,从UIA设计的初次免疫应答和再次免疫应答两个过程对模型进行正确性和有效性的验证,因为初次免疫(Primary immune)和再次免疫(Secondimmune)过程涵盖了IA模型的识别、学习、记忆和进化等特点,同时体现了UIA在面临复杂任务时多层次递阶处理模式,具体包括UUV状态属性、规划能力、决策能力、反应能力和学习能力。初次免疫应答和再次免疫应答对应的UIA规避障碍如图4和图5所示。为了定量分析两者之间的区别,选取能源消耗(Energy Consumption)、运动时间(Run Time)和运动距离(RunDistance)三个指标进行统计分析如图6所示。
从图6不难看出,UIA初次应答过程中能源消(47080W)、运动时间(3411s)和运动距离(17055m)要大于再次应答过程,该统计分析结果与图4和图5中UIA规避障碍过程相吻合。该结果主要因为UIA在规避障碍初次应答过程中,UIA首次面对新水下环境需要通过协调控制中心、知识库、推理库、学习中心等过个模块的推理、规划、学习产生行为规则序列,需要花费较大的运行时间、产生较大的运行距离和能源消耗。而当UIA再次面对相同的水下作战环境是,通过记忆规则库库、知识库和推理库的推理和规划,产生行为规则序列更加优化、路径更为便捷,从而将节省能源消耗和运动时间。可见,本发明提出的UIA多层次混杂式免疫智能体模型完全符合设计目标,为UUV的智能性建模与仿真提供了新的视角。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (1)
1.一种UUV多层次混杂式免疫智能体结构建模方法,其特征在于:包括以下步骤:
步骤1:通过对生物免疫响应机制和智能体理论进行对比,建立免疫智能体IA结构化模型;所述IA结构化模型采用10元组表示:
IA=<Antigen,Antigen Base,Antibody,Antibody Base,Antigen PresentingUnits,Memory Units,Immune System Knowledge Base,Reasoning Units,AntibodyKnowledge Base,Action>
其中:Antigen表示抗原;Antigen Base表示抗原数据库;Antibody表示抗体;AntibodyBase表示抗体数据库;Antigen Presenting Units表示抗原提呈单元;Memory Units表示IA的记忆单元;Immune System Knowledge Base表示IA的知识库;Reasoning Units表示对抗原的识别和推理;Antibody Knowledge Base表示获得性免疫过程应答知识库;Action表示IA内部逻辑动作,通过一个四元数组表示:Action=<Elimination,Recognition,Learning,Memory>,Recognition表示识别动作元,Learning表示学习动作元,Memory表示记忆动作元,Elimination表示消灭抗原动作元;
步骤2:将UUV分为五个模块:感知模块、动力推进模块、通信模块、控制决策模块和知识库模块;其中感知模块获取UUV自身传感器的信息并进行实时提取和处理;动力推进模块为UUV水下运动提供能源和推力;通信模块负责UUV内部通讯节点的信息通讯和共享,以及与其他UIA进行信息交互与通信;控制决策模块实现使命控制和运动控制;知识库模块包括专家知识和具体应用算法集合;
步骤3:基于步骤1建立的IA结构化模型以及步骤2中对UUV的模块化结构划分,建立UUV多层次混合式免疫智能体结构模型;所述UUV多层次混合式免疫智能体结构为由感知执行层、行为规划层和学习记忆层三层组成的混合控制系统;其中
所述感知执行层包括传感器、通信器和执行器;传感器抽象来源于UUV感知模块,用于感知水下复杂环境;通信器抽象来源于UUV通信模块,表示UIA个体内部的逻辑通信,以及与其他UIA进行信息交互与通信;执行器抽象来源于UUV动力推进模块,用于执行UIA运动特征的行为规则;
所述行为规划层由协调控制中心、行为库、反应器、规划器、知识库和决策库组成;协调控制中心根据从感知执行层接收的外界环境状态或者任务进行解释分类:如果感知的是简单或者紧急的情况,则根据信息在行为库中进行信息匹配后将行为规则直接送达反应器,由反应器发给感知执行层;如果感知的是复杂或者时间裕度充分的情况,则通过慎思过程将信息送达规划器,进行推理、规划与决策;送入规划器的信息进行两类处理:如果复杂情况能够通过知识库推理和规划得到求解,则从知识库得出行为规划方案,并通过决策器分析送达反应器进行行为反应;如果复杂情况不能通过知识库推理和规划得到求解,则将信息送达学习记忆层进行行为学习;
所述学习记忆层由学习中心、状态库和记忆规则库组成;学习中心根据复杂情况的状态和知识进行学习,做出全局规划和决策;复杂情况的状态包括任务使命、载荷、能源、健康状况;
步骤4:采用形式化描述方法量化步骤3建立的UUV多层次混合式免疫智能体结构模型:
采用7元组表示UUV多层次混合式免疫智能体结构模型:
Task=<ID,Type,Goal Set,Knowledge Base,Rule Base,State Set,Plan Set>
其中:ID为UIA的唯一标号,每一个UIA对应唯一的标识;Type描述UIA的功能类型,所述功能类型包括供给型、探测型、远程型、防御型;GS表示UIA目标集,所述UIA目标集指UIA自身所要达到的目标,以及为了整体的利益所要达到的共同目标;KB表示UIA知识库,所述UIA知识库包括UUV感知模块、动力推进模块、控制决策模块和通信模块的知识;RB表示UIA行为规则库;SS表示UIA状态集;PS表示UIA规划集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710375198.5A CN107133416B (zh) | 2017-05-24 | 2017-05-24 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710375198.5A CN107133416B (zh) | 2017-05-24 | 2017-05-24 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133416A true CN107133416A (zh) | 2017-09-05 |
CN107133416B CN107133416B (zh) | 2020-02-14 |
Family
ID=59732628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710375198.5A Expired - Fee Related CN107133416B (zh) | 2017-05-24 | 2017-05-24 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133416B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595816A (zh) * | 2018-04-18 | 2018-09-28 | 石家庄创天电子科技有限公司 | 基于人工智能的电子产品建模系统及方法 |
CN110618690A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于免疫网络与市场机制的多uuv系统动态协商建模方法 |
CN110618607A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于行为的多uuv自组织协调控制方法 |
CN110619130A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种面向抗原抗体结合机制的产生式行为规则库构建方法 |
CN111783341A (zh) * | 2020-07-03 | 2020-10-16 | 广东省智能制造研究所 | 一种基于路径规划的靶向机器人运动优化方法及系统 |
CN111930116A (zh) * | 2020-07-24 | 2020-11-13 | 哈尔滨工程大学 | 一种基于栅格法的大规模uuv集群编队队形形成方法 |
CN113987842A (zh) * | 2021-12-24 | 2022-01-28 | 湖南高至科技有限公司 | 基于知识图谱的bdi建模方法、装置、设备和介质 |
CN114415653A (zh) * | 2021-12-01 | 2022-04-29 | 中国船舶重工集团公司第七一九研究所 | 一种适用于水下无人设备的混合式控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080041294A1 (en) * | 2006-08-18 | 2008-02-21 | Northrop Grumman Systems Corporation | Encapsulated Underwater Vehicle Modules |
CN101477339A (zh) * | 2009-01-22 | 2009-07-08 | 江苏省特种设备安全监督检验研究院 | 一种基于多agent技术的游乐设施智能监控装置 |
CN101615265A (zh) * | 2009-08-11 | 2009-12-30 | 路军 | 一种基于多Agent技术的智能决策仿真实验系统 |
CN102722570A (zh) * | 2012-06-04 | 2012-10-10 | 武汉大学 | 一种面向地理空间优化的人工免疫智能优化系统 |
-
2017
- 2017-05-24 CN CN201710375198.5A patent/CN107133416B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080041294A1 (en) * | 2006-08-18 | 2008-02-21 | Northrop Grumman Systems Corporation | Encapsulated Underwater Vehicle Modules |
CN101477339A (zh) * | 2009-01-22 | 2009-07-08 | 江苏省特种设备安全监督检验研究院 | 一种基于多agent技术的游乐设施智能监控装置 |
CN101615265A (zh) * | 2009-08-11 | 2009-12-30 | 路军 | 一种基于多Agent技术的智能决策仿真实验系统 |
CN102722570A (zh) * | 2012-06-04 | 2012-10-10 | 武汉大学 | 一种面向地理空间优化的人工免疫智能优化系统 |
Non-Patent Citations (1)
Title |
---|
梁洪涛 等: "面向多智能体 UUV协同系统的任务分配建模", 《系统仿真学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595816A (zh) * | 2018-04-18 | 2018-09-28 | 石家庄创天电子科技有限公司 | 基于人工智能的电子产品建模系统及方法 |
CN108595816B (zh) * | 2018-04-18 | 2021-05-28 | 石家庄创天电子科技有限公司 | 基于人工智能的电子产品建模系统及方法 |
CN110619130A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种面向抗原抗体结合机制的产生式行为规则库构建方法 |
CN110618607A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于行为的多uuv自组织协调控制方法 |
CN110618690A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于免疫网络与市场机制的多uuv系统动态协商建模方法 |
CN110618607B (zh) * | 2018-06-20 | 2022-03-01 | 陕西师范大学 | 一种基于行为的多uuv自组织协调控制方法 |
CN110618690B (zh) * | 2018-06-20 | 2022-06-07 | 陕西师范大学 | 一种基于免疫网络与市场机制的多uuv系统动态协商建模方法 |
CN111783341A (zh) * | 2020-07-03 | 2020-10-16 | 广东省智能制造研究所 | 一种基于路径规划的靶向机器人运动优化方法及系统 |
CN111930116A (zh) * | 2020-07-24 | 2020-11-13 | 哈尔滨工程大学 | 一种基于栅格法的大规模uuv集群编队队形形成方法 |
CN111930116B (zh) * | 2020-07-24 | 2022-10-14 | 哈尔滨工程大学 | 一种基于栅格法的大规模uuv集群编队队形形成方法 |
CN114415653A (zh) * | 2021-12-01 | 2022-04-29 | 中国船舶重工集团公司第七一九研究所 | 一种适用于水下无人设备的混合式控制系统 |
CN113987842A (zh) * | 2021-12-24 | 2022-01-28 | 湖南高至科技有限公司 | 基于知识图谱的bdi建模方法、装置、设备和介质 |
CN113987842B (zh) * | 2021-12-24 | 2022-04-08 | 湖南高至科技有限公司 | 基于知识图谱的bdi建模方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107133416B (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133416A (zh) | 一种uuv多层次混杂式免疫智能体结构建模方法 | |
Nanayakkara et al. | Intelligent control systems with an introduction to system of systems engineering | |
Schlenoff et al. | An IEEE standard ontology for robotics and automation | |
Yu | From information networking to intelligence networking: Motivations, scenarios, and challenges | |
Mayer et al. | Cognitive engineering of automated assembly processes | |
Lindner et al. | The HERA approach to morally competent robots | |
Wu et al. | Review of multiple unmanned surface vessels collaborative search and hunting based on swarm intelligence | |
Hickling et al. | Explainability in Deep Reinforcement Learning: A Review into Current Methods and Applications | |
Mendonça et al. | Semi-unknown environments exploration inspired by swarm robotics using fuzzy cognitive maps | |
Gorodetsky et al. | The reference ontology of collective behavior of autonomous agents and its extensions | |
Tweedale | A review of cognitive decision-making within future mission systems | |
Liu et al. | A hierarchical reinforcement learning algorithm based on attention mechanism for uav autonomous navigation | |
Ruifeng et al. | Research progress and application of behavior tree technology | |
Madni et al. | Augmenting MBSE with Digital Twin Technology: Implementation, Analysis, Preliminary Results, and Findings | |
Chapman | Semi-Autonomous Networks: Effective Control of Networked Systems through Protocols, Design, and Modeling | |
Chandra et al. | Artificial intelligence: principles and applications | |
Canas et al. | From bio-inspired vs. psycho-inspired to etho-inspired robots | |
Tweedale | Using multi-agent systems to pursue autonomy with automated components | |
Von Mammen et al. | An organic computing approach to self-organizing robot ensembles | |
Nedjah et al. | Mobile robots: The evolutionary approach | |
Ning et al. | A survey on multi-agent reinforcement learning and its application | |
Liu et al. | Efficient Multi-robot Exploration via Multi-head Attention-based Cooperation Strategy | |
Wang et al. | Multi-behaviors coordination controller design with enzymatic numerical P systems for autonomous mobile robots in unknown environments | |
Wu et al. | Description model and qualitative evaluation of intelligence characteristics of unmanned swarms | |
Veres | Principles, architectures and trends in autonomous control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200214 Termination date: 20210524 |