CN110501905B - 基于flocking模型的多agent系统自适应方法及其系统 - Google Patents
基于flocking模型的多agent系统自适应方法及其系统 Download PDFInfo
- Publication number
- CN110501905B CN110501905B CN201910797085.3A CN201910797085A CN110501905B CN 110501905 B CN110501905 B CN 110501905B CN 201910797085 A CN201910797085 A CN 201910797085A CN 110501905 B CN110501905 B CN 110501905B
- Authority
- CN
- China
- Prior art keywords
- agent system
- agent
- model
- robot
- dna
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012856 packing Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 20
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 5
- 239000003795 chemical substances by application Substances 0.000 description 43
- 238000004891 communication Methods 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009910 autonomic response Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002703 mutagenesis Methods 0.000 description 1
- 231100000350 mutagenesis Toxicity 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002708 random mutagenesis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/028—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using expert systems only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Toys (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于flocking模型的多agent系统自适应方法及其系统,包括:建立多agent系统;建立基于多agent系统的评价函数;以遗传算法为基础,依据评价函数对多agent系统的参数进行更新。本发明建立了一种评估机制,优化了机器人群的性能;基于评估机制,利用遗传算法设计了一种优化的机器人群flocking模型以用于参数更新。
Description
技术领域
本发明涉及agent动力学领域,具体公开了一种基于flocking模型的多agent系统自适应方法。
背景技术
随着机器人群在各个领域的广泛部署,机器人群的稳定性和可扩展性成为机器人群服务提供者和用户的主要关注点。特别地,自适应和自主机器人群模型在工业和学术界中受到极大关注,以完成复杂任务和适应动态环境。机器人群构成了一个有吸引力且可扩展的解决方案,可以完成复杂的任务,例如搜索和救援,映射,目标跟踪和全覆盖攻击,这可以让人类远离枯燥,恶劣和危险的环境。机器人群解决方案的一个主要优点是复杂系统中个体之间的简单局部交互,可以生成在系统级别观察到的一些新属性和现象,例如一组集体行为。就像生物群体一样,如鱼群,鸟群,蚁群和细胞群,由此产生的集体模式对agent来说是健壮且灵活的加入和退出,特别是当障碍,危险和新任务等事故出现时。虽然机器人群具有许多优点,但是当存在延迟,不确定性和运动约束时,大规模自主机器人群由于现实条件而导致机器人高失效概率。这种现象在像Gremlins和LOCUST这样的军事项目中更为明显,因为它们建立在小型,低成本和半自动无人机上,其失效概率预计会高得多。另一方面,越来越多的企业和研究机构在机器人群上设计了模型和实际系统。值得注意的是,许多系统,例如空中,地面和海洋中的群体,都是基于雷诺的经典三个原则:短距离排斥,中距离速度对准和远距离吸引。将这种系统的行为推向某种理想的模式是非常重要的。首先,机器人是自主的和不完美的,即,每个机器人具有机载计算机,用于执行控制其自身动作所需的计算,用于测量相对位置和速度的传感器系统,以及通信设备,用于与邻近agent进行数据交换。这些特征反映了中描述的感知和自主反应。其次,这些系统应该没有中央控制,也就是说,尽管agent可以相互观察并且可以交换信息,但是它们不发送和接收直接控制命令,因为组内没有领导者,也没有外部监督者,例如基站或人类监督者。因此,开发用于稳定和可扩展的机器人群的自主和自适应flocking模型成为共同的挑战。
为了在受限环境中实现自主机器人群模型,已经进行了大量的研究,其中大量具有复杂非线性相互作用的参数起着重要作用。然而,很少有关于建模的研究在合理的时间内研究各种条件下的参数调整过程,这是影响群体性能的关键。基于规则的方法是实现分布式多机器人系统协同区域移动任务的有效方法。在基于规则的模型研究中,模拟实验是验证模型正确性的一种流行方法,其中包括许多自行设计的参数,参考现有研究或其专家的知识。广泛的研究已经考虑了现实生活环境的不确定因素,如静态障碍物,移动障碍物,噪声等。然而,与传统的多机器人系统不同,自主机器人群具有明显的特征:现实差距:在理想条件下进行模拟表现稳定的flocking模型,在延迟、不确定和运动学约束的真实条件下,会迅速振荡并且不稳定;可扩展性:在特定速度或集群大小情形下开发的flocking模型可能无法扩展;也就是说,对于更高的速度或更大的群组,运动模式可能变得不稳定;高维度:在现实生活中工作良好的flocking模型通常会出现大量具有复杂非线性且相互作用的参数,需要在合理的时间内针对各种条件进行调整。上述特征给机器人群的研究带来了更多的困难。很少有研究深入研究上述问题。因此,现有的flocking模型很难从机器人群中充分受益。
发明内容
本发明目的在提供一种基于flocking模型的多agent系统自适应方法,以解决现有技术中存在的技术缺陷。
为实现上述目的,本发明提供了基于flocking模型的多agent系统自适应方法,包括以下步骤:
建立多agent系统;
建立基于多agent系统的评价函数;
以遗传算法为基础,依据评价函数调对多agent系统的参数进行更新。
优选地,建立多agent系统后,依据雷诺模型制定多agent系统的每一agent之间的准则。
优选地,准则为:
优选地,多agent系统的权重参数为:
优选地,评价函数基于平均时间、死亡率、聚集性、稳定性以及各向异质性建立的。
优选地,评价函数为:
优选地,以遗传算法为基础,依据评价函数调对多agent系统的参数进行更新的步骤包括:
编码,基于随机数编码:对权重参数矩阵PDNA中20个需要进行权重值调整的项使用随机数编码,随机数值为0.1,0.2…,1;
种群初始化,采用完全初始化的初始方法:随机产生0.1至1的值并将其分配给20个项;
交叉操作:随机选择两组权重参数矩阵PDNA,并在两组权重参数矩阵PDNA中随机选择等长的项进行权重值交换操作;
突变操作,使用随机突变策略:选择随机权重参数矩阵PDNA中任一项的权重值并随机将项的权重值赋予另一个项,该权重值的范围为0.1,0.2…,1,变异系数为0.5;
选择操作:在所有父母,后代和一代的突变体中进行选择,选择具有最佳评价结果的个体以形成下一代的父亲。
依托于上述方法,本发明还提供了一种基于flocking模型的多agent系统自适应系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一所述方法的步骤。
本发明具有以下有益效果:
1、本发明建立了一种评估机制,优化了机器人群的性能;基于评估机制,利用遗传算法设计了一种优化的机器人群flocking模型以用于参数更新。参数更新速度快,大大提升了机器人群的整体性能优化。
2、本发明融合机器人群的特征,提出了一种新颖的防碰撞机制准则,保证了机器人群不同agent之间的防碰撞并且加快了自适应的过程。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明优提供的改进flocking框架图;
图2为本发明优选实施例提供的机器人智能体速度更新模型示意图;
图3为本发明优选实施例提供的BRIAN与BREAM实验效果对比图;
图4为本发明优选实施例提供的机器人群的均匀性随时间变化曲线图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本发明提供了基于flocking模型的多agent系统自适应方法,包括以下步骤:
S1:建立多agent系统。
多agent系统被称为MAS,由分布在网络上的多个问题求解器松散耦合而成的大型复杂系统,这些问题求解器相互作用以解决由单一个体的能力知识所不能处理的复杂问题。本实施例所述的多agent系统为机器人群,每一个agent为一个单独的机器人。
S2:建立集群运动模型。
本实施例提出一种以雷诺(Reynolds)模型为基础的一般化群体运动模型,综合考虑排斥、跟随、吸引、避障、任务等五个群体自组织区域移动的关键要素。图2(a)所示的是雷诺三原则的模型图,涉及机器人之间的排斥、跟随、吸引3种不同的行为规则:
在排斥速度更新公式(1)和(2)中,rij是agenti和j之间的距离,pi和pj分别是agenti和j的位置,R0是agenti的排斥距离。
在跟随速度更新公式(3)中,vi和vj分别代表agenti和j的速度矢量,Nali是agent跟随区域(R0<R<R1)里的agent数量。
在吸引速度更新公式(4)和(5)中,智能体吸引区域为(R1<R<R2)。
如图2(b)所示,是避障策略,将障碍物表面虚拟称为紧密排布的机器人个体,那么障碍对于个体的速度影响为agent i避障范围内的所有虚拟障碍agentk对agenti的影响之和。
在避障速度更新公式(6)中,M是障碍的数量,pk代表虚拟agentk的位置,R3是避障判定范围。
除雷诺三原则和避障策略以外,本实施例还考虑任务约束规则,区域移动的速度更新公式(7),其中ptar是目标区域的位置,ritar代表agenti和目标区域的距离。
综合考虑以上各项速度更新要素的影响,以及不同任务阶段和环境场景对策略的影响,获得一般化速度更新公式(8)(9)(10)。
如果考虑所有约束的可能组合(每个约束可以有两个布尔值0和1的选择,它们分别表示类约束的存在和类约束的缺失),那么总共可以得到25条规则。每条规则都应根据专家经验设计,本实施例归纳出四条主要规则,代表25条规则的主要特征,保证机器人集群行为的效果。如公式(11)所示:
因为引入了大量参数来为一般化的速度模型提供必要的自由度,由公式(11)可以获得由权重参数形成的基准矩阵(12)。
考虑到真实环境的局限性,本实施例还设计了不确定环境中的动态因素。考虑真实机器人群的一般特征:
(1)通信延迟。如果机器人群中两个智能体的距离超过一个值,则通信延迟的影响将变得明显,这可能会改变智能体的速度更新决策。因此,通信延迟在实验环境中设定为0.1s。
(2)机载传感器不准确。智能体的机载传感器,例如摄像机,红外传感器和辐射器,可能会犯错误,有时会受到其自身性能的限制,这将影响决策的正确性。这种行为可以描述为一个随机过程。因此,在本实施例中体现为测算agent与障碍之间的距离时会有随机误差,误差大小0-1m范围。
(3)通信范围有限。随着环境的变化,通信能力也会动态变化。因此,在本实施例中体现为agent吸引准则区域(最大通信范围)的大小在60-65m范围内波动,agent之间的位置感知是通过广播通信获得的。
(4)感知能力的局部性。随着环境的变化,传感能力也会动态变化。因此,在本实施例中体现为agent探测到障碍的最大距离在80-85m之间波动,agent的障碍感知是通过传感器获得的。
上述参数在本实施例中设置为固定值,通过给相应元素赋予一定的值来模拟的真实环境的不确定性,从而保证算法在应用于真实机器人群系统时表现出更好的性能。
S3:建立基于多agent系统的评价函数。
评价函数基于平均时间、死亡率、聚集性、稳定性以及各向异质性建立。其中:
平均时间定义为从导航开始直到机器人群到达目标区域所花费的平均时间。计算平均时间如公式(13)
死亡率被描述为在从起始区域到目标区域的导航过程中机器人群体死亡的百分比。
其中Ndeath和Ntotal分别代表机器人群体的死亡数目和总数。
以每个机器人距离质心的平均距离的大小来描述聚集性,如公式(15)所示:
其中,Υt代表某个时刻t机器人群体距离质心的平均距离大小。
综合考虑以上各个函数,设计综合评价函数如下:
F=Ftime·Faggre·Fstabi·FAniso (21)
优选地,以遗传算法为基础,依据评价函数调对多agent系统的参数进行更新的步骤包括:
(1)编码:本实施例中的编码基于随机数编码。每条染色体有20个DNA位代表20个需要参数调整的参数,每个DNA位使用随机数编码,值为0.1,0.2,0.3,......1。即对权重参数矩阵PDNA中20个需要进行权重值调整的项使用随机数编码,随机数值为0.1,0.2…,1。
(2)种群初始化:种群初始化方法采用完全初始化。对于染色体中的每个DNA位,随机产生0.1至1的值并将其分配给染色体。随机产生0.1至1的值并将其分配给20个项;
(3)交叉操作:该操作随机选择群体中的两条染色体,并在两条染色体上随机选择等长的DNA片段进行交换操作。即随机选择两组权重参数矩阵PDNA,并在两组权重参数矩阵PDNA中随机选择等长的项进行权重值交换操作。
(4)突变操作:在突变操作中使用随机突变策略。该策略首先选择随机染色体中的DNA位点随机改变DNA位点的值到另一个值。该值的范围为0.1,0.2,0.3,......1.变异系数为0.5。即选择随机权重参数矩阵PDNA中任一项的权重值并随机将项的权重值赋予另一个项,该权重值的范围为0.1,0.2…,1,变异系数为0.5。
(5)选择操作:在所有父母,后代和一代的突变体中进行选择,选择具有最佳评价结果的个体以形成下一代的父亲。
本实施例的G-flocking算法可通过以下代码实现:
要求:
Rexp:一套传统的专家规则;P(0):随机生成初始种群规则;M:迭代次数的最大值;Np:种群数量;LR:规则长度;Ns:用于生产下一代的种子数量;r:突变率;
目的:
一组最佳评价结果的个体;
依托于上述方法,本发明还提供了一种基于flocking模型的多agent系统自适应系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一所述方法的步骤。
实施例2
为了揭示本实施例优化的导航机器人群(BRIAN)的性能改进,本实施例将其与基本的基于规则的模型(BREAM)进行比较。BREAM源自经典雷诺的集群模型,该模型已被广泛使用。为了将雷诺的集群模型应用于更复杂的环境,综合避障策略被整合到BREAM中。
为了清楚地观察公式的不同参数对速度更新的影响,本实施例将测试BREAM和BRIAN在3种基本环境因素中的性能。包括隧道障碍物、非凸障碍物和凸障碍物。如图3所示,BREAM基本上可以完成任务,但是它的均匀性和稳定性并不好。而通过BRIAN方法训练BREAM的参数,并且仅在15代演化之后即得到最优解PBesol,其表现明显优于使用BREAM作为机器人群的输入。
PDNA代表BREAM的权重参数,而PBesol代表BRIAN的权重参数。通过对速度公式含义的分析,可以分析出以下规律:
无论是否检测到障碍物,我们都需要确保公式中的避障系数保持较大的值,这也证明了避障策略在完成整个任务中起着重要作用;在任何情况下,重要的是确保同时考虑所有因素;速度公式的参数与适应度函数的权重参数有关。跟随,吸引和目标趋向的权重参数(b,c和e)始终保持较高的值。通过分析,发现这与本实施例建立的适应度函数有关。时间与目标方向系数有关。此外,聚集,各向异质性和均匀性都与跟随和吸引系数有关。将群体死亡率的阈值(0.2)设置为约束条件,主要与避障参数(d)相关,因此排斥参数(a)对整个系统影响不大。因此,a的规定似乎与常识相悖。例如,当排斥区域中存在个体时,排斥系数a较小。下表1为BREAM与BRIAN比较。
表1
图3直接表明BRIAN在均匀性和稳定性方面比BREAM表现更好。图3(a)、图3(c)和图3(e)是BREAM模型的性能;图3(b)、图3(d)和图3(f)是BRIAN模型的性能。图3(a)和图3(b)表示具有20个机器人代理的这两个模型的性能,图3(c)和图3(d)具有60个机器人,图3(e)和图3(f)有100个机器人。显然,随着数量的增加,前者的表现明显越来越差,而后者则越来越好。本实施例在机器人数量和规模的三种情况下记录两个模型的每个评估指标的值。通常,BRIAN模型的所有指标表现都更好(越小越好)。具体而言,BRIAN的聚集率比BREAM低56%,而其他指标(各向异性,平均时间,均匀度,死亡率和适应度函数)的减少分别为88.61%,32.55%,89.69%,100%和99.92%。
图4显示了整个时间步长的均匀性变化。每组实验的总时间步长不尽相同,但从图中可以看出,每组BRIAN的数据在0和1之间稳定,这意味着集群的稳定性和紧密性在整个巡航期间非常好。当BREAM穿过障碍物时,可以看到在时间步长31和时间步长71附近会有大的波动。这种波动表示当群集穿过狭窄和非凸起的障碍物时群集紧密度和稳定性较低的情况,并且队形保持不够良好。同时,可以看出BRIAN在大约84秒内完成了整个任务,而BREAM大约耗时110秒才完成了整个任务。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
3.根据权利要求1所述的基于flocking模型的多agent系统自适应方法,其特征在于,所述评价函数基于平均时间、死亡率、聚集性、稳定性以及各向异质性建立的。
5.根据权利要求2所述的基于flocking模型的多agent系统自适应方法,其特征在于,以遗传算法为基础,依据所述评价函数对所述多agent系统的参数进行更新的步骤包括:
编码,基于随机数编码:对权重参数矩阵PDNA中20个需要进行权重值调整的项使用随机数编码,随机数值为0.1,0.2…,1;
种群初始化,采用完全初始化的初始方法:随机产生0.1至1的值并将其分配给20个项;
交叉操作:随机选择两组权重参数矩阵PDNA,并在两组权重参数矩阵PDNA中随机选择等长的项进行权重值交换操作;
突变操作,使用随机突变策略:选择随机权重参数矩阵PDNA中任一项的权重值并随机将项的权重值赋予另一个项,该权重值的范围为0.1,0.2…,1,变异系数为0.5;
选择操作:在所有父母,后代和一代的突变体中进行选择,选择具有最佳评价结果的个体以形成下一代的父亲。
6.基于flocking模型的多agent系统自适应系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797085.3A CN110501905B (zh) | 2019-08-27 | 2019-08-27 | 基于flocking模型的多agent系统自适应方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797085.3A CN110501905B (zh) | 2019-08-27 | 2019-08-27 | 基于flocking模型的多agent系统自适应方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110501905A CN110501905A (zh) | 2019-11-26 |
CN110501905B true CN110501905B (zh) | 2022-02-08 |
Family
ID=68590031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910797085.3A Active CN110501905B (zh) | 2019-08-27 | 2019-08-27 | 基于flocking模型的多agent系统自适应方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501905B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485119B (zh) * | 2021-07-29 | 2022-05-10 | 中国人民解放军国防科技大学 | 一种改进群机器人进化能力的异质同质群体协同进化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN108416488A (zh) * | 2017-12-21 | 2018-08-17 | 中南大学 | 一种面向动态任务的多智能机器人任务分配方法 |
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
KR101946429B1 (ko) * | 2017-09-14 | 2019-05-08 | 한국항공대학교산학협력단 | 다중 에이전트 구조를 이용하는 임무형 플로킹 알고리즘에 의한 드론 비행 제어 시스템 및 방법 |
CN109765890A (zh) * | 2019-01-14 | 2019-05-17 | 哈尔滨工程大学 | 一种基于遗传算法的多usv群体协同避碰规划方法 |
-
2019
- 2019-08-27 CN CN201910797085.3A patent/CN110501905B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
KR101946429B1 (ko) * | 2017-09-14 | 2019-05-08 | 한국항공대학교산학협력단 | 다중 에이전트 구조를 이용하는 임무형 플로킹 알고리즘에 의한 드론 비행 제어 시스템 및 방법 |
CN108416488A (zh) * | 2017-12-21 | 2018-08-17 | 中南大学 | 一种面向动态任务的多智能机器人任务分配方法 |
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
CN109765890A (zh) * | 2019-01-14 | 2019-05-17 | 哈尔滨工程大学 | 一种基于遗传算法的多usv群体协同避碰规划方法 |
Non-Patent Citations (3)
Title |
---|
Optimized flocking of autonomous drones in confined environments;Vasarhelyi, Gabor etc.;《science robotics》;20180718;第1-13页 * |
Vasarhelyi, Gabor etc..Optimized flocking of autonomous drones in confined environments.《science robotics》.2018, * |
无人机集群自组织避障建模与控制策略研究;朱创创等;《飞行力学》;20180228;第46-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110501905A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Faust et al. | Prm-rl: Long-range robotic navigation tasks by combining reinforcement learning and sampling-based planning | |
Lamont et al. | UAV swarm mission planning and routing using multi-objective evolutionary algorithms | |
Skeels et al. | Reconstructing the geography of speciation from contemporary biodiversity data | |
Jain et al. | MVO-based path planning scheme with coordination of UAVs in 3-D environment | |
CN109690576A (zh) | 在多个机器学习任务上训练机器学习模型 | |
Xie et al. | Convergence analysis and performance of the extended artificial physics optimization algorithm | |
CN115993781B (zh) | 抗网络攻击无人集群系统协同控制方法、终端及存储介质 | |
Liu et al. | Constrained model-based reinforcement learning with robust cross-entropy method | |
Capozzi | Evolution-based path planning and management for autonomous vehicles | |
Duckworth et al. | Time-bounded mission planning in time-varying domains with semi-MDPs and Gaussian processes | |
CN110501905B (zh) | 基于flocking模型的多agent系统自适应方法及其系统 | |
Al Hilli et al. | Optimal path finding in stochastic quasi-dynamic environments using particle swarm optimization | |
Haasdijk et al. | Racing to improve on-line, on-board evolutionary robotics | |
Hamami et al. | A systematic review on particle swarm optimization towards target search in the swarm robotics domain | |
Vamvoudakis et al. | Nonequilibrium dynamical games: A control systems perspective | |
Sariff et al. | Comparative study of genetic algorithm and ant colony optimization algorithm performances for robot path planning in global static environments of different complexities | |
Abaee Shoushtary et al. | Team Robot Motion Planning in Dynamics Environments Using a New Hybrid Algorithm (Honey Bee Mating Optimization‐Tabu List) | |
Reily et al. | Team assignment for heterogeneous multi-robot sensor coverage through graph representation learning | |
Mendonça et al. | Reinforcement learning with optimized reward function for stealth applications | |
Kesireddy et al. | Global optimal path planning for multi-agent flocking: A multi-objective optimization approach with NSGA-III | |
Quintero et al. | Autonomous mobile robot control and learning with the pelea architecture | |
Wang et al. | Contrasting human and computational intelligence based autonomous behaviors in a blue–red simulation environment | |
Richter et al. | Dynamic optimization using analytic and evolutionary approaches: a comparative review | |
Vasunina et al. | Algorithm of UAV trajectory creation for data collecting from seismological sensors | |
Nowak | Exploitation of self organization in uav swarms for optimization in combat environments |
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 |