CN110609548A - 多无人平台协同队形保持的快速优化方法和装置 - Google Patents
多无人平台协同队形保持的快速优化方法和装置 Download PDFInfo
- Publication number
- CN110609548A CN110609548A CN201910778243.0A CN201910778243A CN110609548A CN 110609548 A CN110609548 A CN 110609548A CN 201910778243 A CN201910778243 A CN 201910778243A CN 110609548 A CN110609548 A CN 110609548A
- Authority
- CN
- China
- Prior art keywords
- directed graph
- graph
- weighted
- weighted directed
- arcs
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims description 27
- 238000004891 communication Methods 0.000 claims abstract description 70
- 230000006854 communication Effects 0.000 claims abstract description 69
- 238000010586 diagram Methods 0.000 claims abstract description 57
- 230000002085 persistent effect Effects 0.000 claims abstract description 45
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 12
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种多无人平台协同队形保持的快速优化方法和装置,涉及人工智能领域。包括以下步骤:基于无人平台编队需要组成的二维队形获取无人平台编队的通信网络;基于所述通信网络获取加权有向图;基于所述加权有向图获取第一有向图;将所述加权有向图中的弧从所述第一有向图中删除,得到第二有向图;获取所述第二有向图的最小树形图,将所述最小树形图中的弧及其反向弧从所述第二有向图中删除,得到第三有向图;合并所述加权有向图和所述最小树形图,得到第四有向图;基于所述第三有向图和所述第四有向图获取二维最优持久图。本发明中无人平台编队的工作效率较高。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种多无人平台协同队形保持的快速优化方法和装置。
背景技术
无人平台是指无人驾驶的、完全按遥控操作或者按预编程序自主运作的一种平台,具体包括机器人和智能体等等,由于其不需要人为操作的特点而被广泛应用于各种领域。相比较于单个无人平台完成任务,多个无人平台协作完成任务更加高效,因此多无人平台技术也被广泛的应用,而如何控制多个无人平台编队完成工作是当前研究的一大热点。
现有技术一般通过构建无人平台编队的通信图,根据通信图得到无人平台编队的信息交互拓扑,利用信息交互拓扑实现多个无人平台的协同作业。
然而本申请的发明人发现,现有技术提供的方法比较复杂,在无人平台编队作业的过程中,求得信息交互拓扑的速度慢,即计算无人平台编队信息交互拓扑花费的时间较长,使得无人平台编队作业的效率较低。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种多无人平台协同队形保持的快速优化方法和装置,解决了现有技术控制无人平台编队作业时效率低的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明解决其技术问题所提供的一种多无人平台协同队形保持的快速优化方法,所述优化方法由计算机执行,包括以下步骤:
基于无人平台编队需要组成的二维队形获取无人平台编队的通信网络;
基于所述通信网络获取加权有向图;
基于所述加权有向图获取第一有向图;
将所述加权有向图中的弧从所述第一有向图中删除,得到第二有向图;获取所述第二有向图的最小树形图,将所述最小树形图中的弧及其反向弧从所述第二有向图中删除,得到第三有向图;合并所述加权有向图和所述最小树形图,得到第四有向图;
基于所述第三有向图和所述第四有向图获取二维最优持久图,所述二维最优持久图即为无人平台编队的最优信息交互拓扑。
优选的,所述加权有向图的获取方法为:
获取所述通信网络的第一最小树形图,并将所述第一最小树形图中的弧及其反向弧从所述通信网络中删除,得到第一通信网络;
所述第一最小树形图即为所述加权有向图。
优选的,所述第一有向图的获取方法为:
S301、获取所述第一通信网络对应的无向图,按照权值从低到高的顺序对所述第一通信网络对应的无向图中的边进行排序,获取所述第一通信网络对应的无向图中的第k条边对应的两条弧,其中,k=1;
S302、判断所述加权有向图对应的无向图的边数|E|和无人平台的数量|V|是否满足|E|<2×|V|-3,若满足条件,将所述第k条边对应的两条弧添加到所述加权有向图中,得到第一加权有向图;若不满足条件,则所述加权有向图即为第一有向图;
S303、判断所述第一加权有向图对应的无向图的刚度矩阵的秩是否为满秩,若不满足条件,将所述第k条边对应的两条弧从所述第一加权有向图中删除,得到第二加权有向图;若满足条件,则保留所述第k条边对应的两条弧,得到第二加权有向图;
更新k的取值;
S304、判断所述第二加权有向图对应的无向图的边数|E’|是否满足|E’|<2×|V|-3,若满足条件,则将所述加权有向图中的数据更新为所述第二加权有向图中的数据,并跳转到步骤S302,重复步骤S302-S304;若不满足条件,则所述第二加权有向图即为所述第一有向图。
优选的,所述二维最优持久图的获取方法为:
S501、当所述第四有向图对应的无向图的边数r和无人平台的数量|V|满足r<2×|V|-3时,赋值:n=1;
S502、获取所述第三有向图对应的无向图中的第n条边eij的两条弧aij和aji,并判断:
所述eij的节点vj在第四有向图中的入度是否小于2,若满足条件,则将aij添加到所述第四有向图中,得到第五有向图;若不满足条件,则判断:
所述eij的节点vi在第四有向图中的入度是否小于2,若满足条件,则将aji添加到所述第四有向图中,得到第五有向图;若不满足条件,则将aij添加到所述第四有向图中,得到第四加权有向图,并对所述第四加权有向图进行路径反向操作,得到第五有向图;
S503、更新n的取值;更新r的取值,得到r1;
S504、判断所述r1是否满足r1<2×|V|-3,若不满足条件,则所述第五有向图即为所述二维最优持久图;若满足条件,则将所述第四有向图中的数据更新为所述第五有向图中的数据,并跳转到步骤S502,重复步骤S502-S504。
优选的,所述路径反向操作包括:
在所述第四加权有向图中找到一个入度小于2的节点vp;获取vp到vj之间具有最小跳数的路径,将所述具有最小跳数的路径中的所有弧反向。
本发明解决其技术问题所提供的一种多无人平台协同队形保持的快速优化装置,所述装置包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
基于无人平台编队需要组成的二维队形获取无人平台编队的通信网络;
基于所述通信网络获取加权有向图;
基于所述加权有向图获取第一有向图;
将所述加权有向图中的弧从所述第一有向图中删除,得到第二有向图;获取所述第二有向图的最小树形图,将所述最小树形图中的弧及其反向弧从所述第二有向图中删除,得到第三有向图;合并所述加权有向图和所述最小树形图,得到第四有向图;
基于所述第三有向图和所述第四有向图获取二维最优持久图,所述二维最优持久图即为无人平台编队的最优信息交互拓扑。
优选的,所述加权有向图的获取方法为:
获取所述通信网络的第一最小树形图,并将所述第一最小树形图中的弧及其反向弧从所述通信网络中删除,得到第一通信网络;
所述第一最小树形图即为所述加权有向图。
优选的,所述第一有向图的获取方法为:
S301、获取所述第一通信网络对应的无向图,按照权值从低到高的顺序对所述第一通信网络对应的无向图中的边进行排序,获取所述第一通信网络对应的无向图中的第k条边对应的两条弧,其中,k=1;
S302、判断所述加权有向图对应的无向图的边数|E|和无人平台的数量|V|是否满足|E|<2×|V|-3,若满足条件,将所述第k条边对应的两条弧添加到所述加权有向图中,得到第一加权有向图;若不满足条件,则所述加权有向图即为第一有向图;
S303、判断所述第一加权有向图对应的无向图的刚度矩阵的秩是否为满秩,若不满足条件,将所述第k条边对应的两条弧从所述第一加权有向图中删除,得到第二加权有向图;若满足条件,则保留所述第k条边对应的两条弧,得到第二加权有向图;
更新k的取值;
S304、判断所述第二加权有向图对应的无向图的边数|E’|是否满足|E’|<2×|V|-3,若满足条件,则将所述加权有向图中的数据更新为所述第二加权有向图中的数据,并跳转到步骤S302,重复步骤S302-S304;若不满足条件,则所述第二加权有向图即为所述第一有向图。
优选的,所述二维最优持久图的获取方法为:
S501、当所述第四有向图对应的无向图的边数r和无人平台的数量|V|满足r<2×|V|-3时,赋值:n=1;
S502、获取所述第三有向图对应的无向图中的第n条边eij的两条弧aij和aji,并判断:
所述eij的节点vj在第四有向图中的入度是否小于2,若满足条件,则将aij添加到所述第四有向图中,得到第五有向图;若不满足条件,则判断:
所述eij的节点vi在第四有向图中的入度是否小于2,若满足条件,则将aji添加到所述第四有向图中,得到第五有向图;若不满足条件,则将aij添加到所述第四有向图中,得到第四加权有向图,并对所述第四加权有向图进行路径反向操作,得到第五有向图;
S503、更新n的取值;更新r的取值,得到r1;
S504、判断所述r1是否满足r1<2×|V|-3,若不满足条件,则所述第五有向图即为所述二维最优持久图;若满足条件,则将所述第四有向图中的数据更新为所述第五有向图中的数据,并跳转到步骤S502,重复步骤S502-S504。
优选的,所述路径反向操作包括:
在所述第四加权有向图中找到一个入度小于2的节点vp获取vp到vj之间具有最小跳数的路径,将所述具有最小跳数的路径中的所有弧反向。
(三)有益效果
本发明提供了一种多无人平台协同队形保持的快速优化方法和装置。与现有技术相比,具备以下有益效果:
本发明通过基于无人平台编队需要组成的二维队形获取无人平台编队的通信网络;基于通信网络获取加权有向图;基于加权有向图获取第一有向图;将加权有向图中的弧从第一有向图中删除,得到第二有向图;获取第二有向图的最小树形图,将最小树形图中的弧及其反向弧从第二有向图中删除,得到第三有向图;合并加权有向图和最小树形图,得到第四有向图;基于第三有向图和第四有向图获取二维最优持久图,二维最优持久图即为无人平台编队的最优信息交互拓扑。本发明提供的方法相比于现有技术,不需要求得二维最优刚性图,因此时间复杂度更低,可以更快地计算出无人平台编队的信息交互拓扑,减少了计算出无人平台编队信息交互拓扑的时间,提高了无人平台编队工作时的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的无人平台二维编队信息交互拓扑快速优化方法的整体流程图;
图2为本发明一实施例中无人平台编队的二维空间队形S的示意图;
图3为本发明一实施例中第一最小树形图的示意图;
图4为本发明一实施例中第一有向图的示意图;
图5为本发明一实施例中第二有向图对应的最小树形图的示意图;
图6为本发明一实施例中第四有向图的示意图;
图7为本发明一实施例中添加第一条弧后的示意图;
图8为本发明一实施例中第一次路径反向操作后的示意图;
图9为本发明一实施例中添加第二条弧后的示意图;
图10为本发明一实施例中第二次路径反向操作后的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种多无人平台协同队形保持的快速优化方法和装置,解决了现有技术控制无人平台编队作业时效率低的问题,提高了无人平台编队工作时的效率。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例通过基于无人平台编队需要组成的二维队形获取无人平台持久编队的通信网络;基于通信网络获取加权有向图;基于加权有向图获取第一有向图;将加权有向图中的弧从第一有向图中删除,得到第二有向图;获取第二有向图的最小树形图,将最小树形图中的弧及其反向弧从第二有向图中删除,得到第三有向图;合并加权有向图和最小树形图,得到第四有向图;基于第三有向图和第四有向图获取二维最优持久图,二维最优持久图即为无人平台编队的最优信息交互拓扑。本发明实施例提供的方法相比于现有技术,不需要求得二维最优刚性图,因此时间复杂度更低,可以更快地计算出无人平台编队的信息交互拓扑,减少了计算出无人平台编队信息交互拓扑的时间,提高了无人平台编队工作时的效率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种多无人平台协同队形保持的快速优化方法,如图1所示,所述优化方法由计算机执行,包括以下步骤:
S1、基于无人平台编队需要组成的二维队形获取无人平台持久编队的通信网络;
S2、基于上述通信网络获取加权有向图;
S3、基于上述加权有向图获取第一有向图;
S4、将上述加权有向图中的弧从上述第一有向图中删除,得到第二有向图;获取上述第二有向图的最小树形图,将上述最小树形图中的弧及其反向弧从上述第二有向图中删除,得到第三有向图;合并上述加权有向图和上述最小树形图,得到第四有向图;
S5、基于上述第三有向图和上述第四有向图获取二维最优持久图,上述二维最优持久图即为无人平台编队的最优信息交互拓扑。
本发明实施例通过基于无人平台编队需要组成的二维队形获取无人平台持久编队的通信网络;基于通信网络获取加权有向图;基于加权有向图获取第一有向图;将加权有向图中的弧从第一有向图中删除,得到第二有向图;获取第二有向图的最小树形图,将最小树形图中的弧及其反向弧从第二有向图中删除,得到第三有向图;合并加权有向图和最小树形图,得到第四有向图;基于第三有向图和第四有向图获取二维最优持久图,二维最优持久图即为无人平台编队的最优信息交互拓扑。本发明实施例提供的方法相比于现有技术,不需要求得二维最优刚性图,因此时间复杂度更低,可以更快地计算出无人平台编队的信息交互拓扑,减少了计算出无人平台编队信息交互拓扑的时间,提高了无人平台编队工作时的效率。
具体的,本方法由地面控制中心的计算机执行,继而将计算结果发给每个无人平台,实现多无人平台的二维编队。
下面对各步骤进行详细描述:
在步骤S1中,基于无人平台编队需要组成的二维队形获取无人平台持久编队的通信网络。
具体的,本发明实施例在实际应用中根据无人平台预设编队的队形和无人平台的通信范围,确定编队中无人平台之间的可用通信链接,以无人平台作为节点,以可用通信链接作为弧,构建编队的通信网络拓扑。其中,任意两个无人平台之间的距离在无人平台的通信范围之内,则该两无人平台之间具有双向的通信链接,每个通信链接的通信代价由相应的通信距离决定。
本发明实施例设定共n个AGENT通过AGENT之间的单向通信以形成并保持一个二维的编队队形S。该编队队形S中n个位置分别编号为{1,2,…,n},n个无人平台共同构成二维队形。
此编队的通信网络根据队形S确定。
具体的,表示为D=(V,A,W)。
其中:
V={vi},1≤i≤n是无人平台代表的节点的集合,其中vi表示AGENTi,即第i个无人平台。
1≤i,j≤n是每两个节点构成的弧的集合,其中弧aij=(vi,vj)表示从AGENTi到AGENTj有一个可用的通信链接,使得AGENTi能发送信息给AGENTj。
W={w(aij)},aij∈A是所有弧的权值的集合,其中w(aij)表示从AGENTi到AGENTj的通信链接aij的代价。
在步骤S2中,基于上述通信网络获取加权有向图。
具体的,本发明实施例先获取上述通信网络D的第一最小树形图T1,并将第一最小树形图T1中的弧及其反向弧从上述通信网络D中删除,得到第一通信网络D1。
第一最小树形图即为加权有向图。
具体的,加权有向图为T=(V,A*,W*)。
本发明实施例在获取最小树形图时采用Edmonds最小树形图优化算法。
在步骤S3中,基于上述加权有向图获取第一有向图。
具体的,第一有向图T1的获取方法如下:
S301、获取第一通信网络D1对应的无向图,按照权值从低到高的顺序对第一通信网络D1对应的无向图中的边进行排序,获取第一通信网络D1对应的无向图中的第k条边对应的两条弧,其中,k=1。
S302、判断加权有向图T对应的无向图的边数|E|和无人平台的数量|V|是否满足|E|<2×|V|-3,若满足条件,将第k条边对应的两条弧添加到加权有向图T中,得到第一加权有向图若不满足条件,则加权有向图T即为第一有向图。
S303、判断第一加权有向图对应的加权无向图的刚度矩阵的秩r1是否为满秩,若不满足条件,将第k条边对应的两条弧从所述第一加权有向图中删除,得到第二加权有向图若满足条件,则保留第k条边对应的两条弧,得到第二加权有向图
更新k的取值,具体的,令k=k+1。
S304、判断第二加权有向图对应的无向图的边数|E’|是否满足|E’|<2×|V|-3,若满足条件,则将加权有向图T中的数据更新为第二加权有向图中的数据,并跳转到步骤S302,重复步骤S302-S304;若不满足条件,则第二加权有向图即为第一有向图。
上述获取方法采用的算法步骤如表1所示:
表1
需要说明的是,在本发明实施例中,步骤S2和S3所示的优化算法的时间复杂度为:O(3.75×|V|4)。
具体的,这一部分的时间复杂度主要由S303决定,当第i次运行时,时间复杂度为其中mi为第i次运行时矩阵的行数。当S302每次加入的弧都能满足S303中的要求(即矩阵M的秩是满秩),此时S303需要运行|V|-2次,而第i次运行时矩阵的行数|V|-1+i,因此这一部分的时间复杂度约为:
在步骤S4中,具体步骤为:
S401、将上述加权有向图T中的弧从上述第一有向图T1中删除,得到第二有向图T2。
S402、获取上述第二有向图T2的最小树形图T2,将上述最小树形图T2中的弧及其反向弧从上述第二有向图T2中删除,得到第三有向图T3。
S403、合并上述加权有向图T和上述最小树形图T2,得到第四有向图T4。
在步骤S5中,基于上述第三有向图T3和上述第四有向图T4获取二维最优持久图,上述二维最优持久图即为无人平台编队的最优信息交互拓扑。
具体的,二维最优持久图的获取方法为:
S501、当上述第四有向图T4对应的无向图的边数r和无人平台的数量|V|满足r<2×|V|-3时,赋值:n=1。
S502、获取第三有向图T3对应的无向图中的第n条边eij对应的两条弧aij和aji,并判断:上述边eij的节点vj在第四有向图T4中的入度是否小于2。
若满足条件,则将aij添加到第四有向图T4中,得到第五有向图T5;若不满足条件,则判断:上述eij的节点vi在第四有向图T4中的入度是否小于2。若满足条件,则将aji添加到第四有向图T4中,得到第五有向图T5;若不满足条件,则将aij添加到第四有向图T4中,得到第四加权有向图并对第四加权有向图进行路径反向操作,得到第五有向图T5。
其中,路径反向操作具体为:
在第四加权有向图中找到一个入度小于2的节点vp;获取vp到vj之间具有最小跳数的路径,将上述具有最小跳数的路径中的所有弧反向。
S503、更新n的取值,具体的,令n=n+1。更新r的取值,得到r1,具体的,r1=r+1。
S504、判断r1是否满足r1<2×|V|-3,若不满足条件,则第五有向图T5即为二维最优持久图T’;若满足条件,则将第四有向图T4中的数据更新为第五有向图T5中的数据,并跳转到步骤S502,重复步骤S502-S504。
具体的,上述获取方法采用的算法步骤如表2所示:
表2
需要说明的是,在本发明实施例中,步骤S4和S5所示的二维最优持久图的优化算法的时间复杂度约为:O(|V|×log|V|)。
综上所述,本发明实施例所提供的多无人平台协同队形保持的快速优化方法的总的时间复杂度为:O(3.75×|V|4)+O(|V|×log|V|)。
而现有技术提供的方法的时间复杂度为:
O(20×|V|4)+O(3×(|A|+|V|×log|V|))
相比于现有技术,本发明实施例所提供的方法在获取无人平台编队信息交互拓扑时,时间复杂度更加低,因此可以更快地计算出无人平台编队的信息交互拓扑,减少了计算出无人平台编队信息交互拓扑的时间,使得无人平台编队在工作时的效率更高。
具体的,下面以具体例子验证本发明实施例的准确性。
假设一个大规模二维持久编队由16个AGENT组成,每个AGENT的通信范围是1600m,上述16个AGENT需要形成并保持如图2所示的二维空间队形S,所有AGENT在队形S中的位置分别编号为{1,2,...,16},它们在二维空间的相对位置如图2(a)所示。例如,本发明实施例中以上述二维空间队形中的10号位置作为编队参考点,则上述二维持久编队队形S中每个位置的坐标如图2(b)所示。
本发明一实施例中,根据图1所示算法,首先构建相应的通信网络D=(V,A,W);将D中的弧转换成边得到对应的加权无向图和加权有向图T=(V,A*,W*);然后结合表1所示算法优化第一有向图,根据第一有向图优化第三有向图和第四有向图;根据表2所示算法得到二维最优持久图。
其中,步骤S2中,第一最小树形图如图3所示。步骤S3中,优化得到的第一有向图如图4所示。步骤S4中,第二有向图对应的最小树形图如图5所示,第四有向图如图6所示。
在步骤S5中,基于第四有向图获取二维最优持久图。具体的,在本发明的一个实施例中,判断第一条弧的节点7和节点13在第四有向图中的入度均不小于2,因此添加第一条弧(7,13),如图7所示;并将路径(2,3)(3,6)(6,13)反向,得到第五有向图如图8所示。再判断第二条弧的节点8和节点15在第四有向图中的入度均不小于2,因此添加第二条弧(8,15),如图9所示;并将路径(5,7)(7,13)(13,15)反向,得到第五有向图如图10所示。
循环结束,图10即为二维最优持久图。
基于本发明实施例所提供的方法,可求得方法的总计算时间约为865ms,而现有技术提供的方法的总计算时间为1511ms。因此,本发明实施例所提供的优化方法的时间复杂度比现有技术的时间复杂度低,可以更快地计算出无人平台编队的信息交互拓扑,减少了计算出无人平台编队信息交互拓扑的时间,使得无人平台编队在工作时的效率更高。
本发明实施例还提供了一种多无人平台协同队形保持的快速优化装置,上述装置包括计算机,上述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,上述至少一个存储单元中存储有至少一条指令,上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤:
基于无人平台编队需要组成的二维队形获取无人平台持久编队的通信网络;
基于上述通信网络获取加权有向图和加权无向图;
基于上述加权有向图和上述加权无向图获取第一有向图;
将上述加权有向图中的弧从上述第一有向图中删除,得到第二有向图;获取上述第二有向图的最小树形图,将上述最小树形图中的弧及其反向弧从上述第二有向图中删除,得到第三有向图;合并上述加权有向图和上述最小树形图,得到第四有向图;
基于上述第三有向图和上述第四有向图获取二维最优持久图,上述二维最优持久图即为无人平台编队的最优信息交互拓扑。
可理解的是,本发明实施例提供的上述优化装置与上述优化方法相对应,其有关内容的解释、举例、有益效果等部分可以参考多无人平台协同队形保持的快速优化方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例通过基于无人平台编队需要组成的二维队形获取无人平台持久编队的通信网络;基于通信网络获取加权有向图;基于加权有向图获取第一有向图;将加权有向图中的弧从第一有向图中删除,得到第二有向图;获取第二有向图的最小树形图,将最小树形图中的弧及其反向弧从第二有向图中删除,得到第三有向图;合并加权有向图和最小树形图,得到第四有向图;基于第三有向图和第四有向图获取二维最优持久图,二维最优持久图即为无人平台编队的最优信息交互拓扑。本发明实施例提供的方法相比于现有技术,不需要求得二维最优刚性图,因此时间复杂度更低,可以更快地计算出无人平台编队的信息交互拓扑,减少了计算出无人平台编队信息交互拓扑的时间,提高了无人平台编队工作时的效率。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多无人平台协同队形保持的快速优化方法,其特征在于,所述优化方法由计算机执行,包括以下步骤:
基于无人平台编队需要组成的二维队形获取无人平台编队的通信网络;
基于所述通信网络获取加权有向图;
基于所述加权有向图获取第一有向图;
将所述加权有向图中的弧从所述第一有向图中删除,得到第二有向图;获取所述第二有向图的最小树形图,将所述最小树形图中的弧及其反向弧从所述第二有向图中删除,得到第三有向图;合并所述加权有向图和所述最小树形图,得到第四有向图;
基于所述第三有向图和所述第四有向图获取二维最优持久图,所述二维最优持久图即为无人平台编队的最优信息交互拓扑。
2.如权利要求1所述的优化方法,其特征在于,所述加权有向图的获取方法为:
获取所述通信网络的第一最小树形图,并将所述第一最小树形图中的弧及其反向弧从所述通信网络中删除,得到第一通信网络;
所述第一最小树形图即为所述加权有向图。
3.如权利要求2所述的优化方法,其特征在于,所述第一有向图的获取方法为:
S301、获取所述第一通信网络对应的无向图,按照权值从低到高的顺序对所述第一通信网络对应的无向图中的边进行排序,获取所述第一通信网络对应的无向图中的第k条边对应的两条弧,其中,k=1;
S302、判断所述加权有向图对应的无向图的边数|E|和无人平台的数量|V|是否满足|E|<2×|V|-3,若满足条件,将所述第k条边对应的两条弧添加到所述加权有向图中,得到第一加权有向图;若不满足条件,则所述加权有向图即为第一有向图;
S303、判断所述第一加权有向图对应的无向图的刚度矩阵的秩是否为满秩,若不满足条件,将所述第k条边对应的两条弧从所述第一加权有向图中删除,得到第二加权有向图;若满足条件,则保留所述第k条边对应的两条弧,得到第二加权有向图;
更新k的取值;
S304、判断所述第二加权有向图对应的无向图的边数|E’|是否满足|E’|<2×|V|-3,若满足条件,则将所述加权有向图中的数据更新为所述第二加权有向图中的数据,并跳转到步骤S302,重复步骤S302-S304;若不满足条件,则所述第二加权有向图即为所述第一有向图。
4.如权利要求1所述的优化方法,其特征在于,所述二维最优持久图的获取方法为:
S501、当所述第四有向图对应的无向图的边数r和无人平台的数量|V|满足r<2×|V|-3时,赋值:n=1;
S502、获取所述第三有向图对应的无向图中的第n条边eij的两条弧aij和aji,并判断:
所述eij的节点vj在第四有向图中的入度是否小于2,若满足条件,则将aij添加到所述第四有向图中,得到第五有向图;若不满足条件,则判断:
所述eij的节点vi在第四有向图中的入度是否小于2,若满足条件,则将aji添加到所述第四有向图中,得到第五有向图;若不满足条件,则将aij添加到所述第四有向图中,得到第四加权有向图,并对所述第四加权有向图进行路径反向操作,得到第五有向图;
S503、更新n的取值;更新r的取值,得到r1;
S504、判断所述r1是否满足r1<2×|V|-3,若不满足条件,则所述第五有向图即为所述二维最优持久图;若满足条件,则将所述第四有向图中的数据更新为所述第五有向图中的数据,并跳转到步骤S502,重复步骤S502-S504。
5.如权利要求4所述的优化方法,其特征在于,所述路径反向操作包括:
在所述第四加权有向图中找到一个入度小于2的节点vp;获取vp到vj之间具有最小跳数的路径,将所述具有最小跳数的路径中的所有弧反向。
6.一种多无人平台协同队形保持的快速优化装置,其特征在于,所述装置包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
基于无人平台编队需要组成的二维队形获取无人平台编队的通信网络;
基于所述通信网络获取加权有向图;
基于所述加权有向图获取第一有向图;
将所述加权有向图中的弧从所述第一有向图中删除,得到第二有向图;获取所述第二有向图的最小树形图,将所述最小树形图中的弧及其反向弧从所述第二有向图中删除,得到第三有向图;合并所述加权有向图和所述最小树形图,得到第四有向图;
基于所述第三有向图和所述第四有向图获取二维最优持久图,所述二维最优持久图即为无人平台编队的最优信息交互拓扑。
7.如权利要求6所述的优化方法,其特征在于,所述加权有向图的获取方法为:
获取所述通信网络的第一最小树形图,并将所述第一最小树形图中的弧及其反向弧从所述通信网络中删除,得到第一通信网络;
所述第一最小树形图即为所述加权有向图。
8.如权利要求7所述的优化方法,其特征在于,所述第一有向图的获取方法为:
S301、获取所述第一通信网络对应的无向图,按照权值从低到高的顺序对所述第一通信网络对应的无向图中的边进行排序,获取所述第一通信网络对应的无向图中的第k条边对应的两条弧,其中,k=1;
S302、判断所述加权有向图对应的无向图的边数|E|和无人平台的数量|V|是否满足|E|<2×|V|-3,若满足条件,将所述第k条边对应的两条弧添加到所述加权有向图中,得到第一加权有向图;若不满足条件,则所述加权有向图即为第一有向图;
S303、判断所述第一加权有向图对应的无向图的刚度矩阵的秩是否为满秩,若不满足条件,将所述第k条边对应的两条弧从所述第一加权有向图中删除,得到第二加权有向图;若满足条件,则保留所述第k条边对应的两条弧,得到第二加权有向图;
更新k的取值;
S304、判断所述第二加权有向图对应的无向图的边数|E’|是否满足|E’|<2×|V|-3,若满足条件,则将所述加权有向图中的数据更新为所述第二加权有向图中的数据,并跳转到步骤S302,重复步骤S302-S304;若不满足条件,则所述第二加权有向图即为所述第一有向图。
9.如权利要求6所述的优化方法,其特征在于,所述二维最优持久图的获取方法为:
S501、当所述第四有向图对应的无向图的边数r和无人平台的数量|V|满足r<2×|V|-3时,赋值:n=1;
S502、获取所述第三有向图对应的无向图中的第n条边eij的两条弧aij和aji,并判断:
所述eij的节点vj在第四有向图中的入度是否小于2,若满足条件,则将aij添加到所述第四有向图中,得到第五有向图;若不满足条件,则判断:
所述eij的节点vi在第四有向图中的入度是否小于2,若满足条件,则将aji添加到所述第四有向图中,得到第五有向图;若不满足条件,则将aij添加到所述第四有向图中,得到第四加权有向图,并对所述第四加权有向图进行路径反向操作,得到第五有向图;
S503、更新n的取值;更新r的取值,得到r1;
S504、判断所述r1是否满足r1<2×|V|-3,若不满足条件,则所述第五有向图即为所述二维最优持久图;若满足条件,则将所述第四有向图中的数据更新为所述第五有向图中的数据,并跳转到步骤S502,重复步骤S502-S504。
10.如权利要求9所述的优化方法,其特征在于,所述路径反向操作包括:
在所述第四加权有向图中找到一个入度小于2的节点vp获取vp到vj之间具有最小跳数的路径,将所述具有最小跳数的路径中的所有弧反向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778243.0A CN110609548B (zh) | 2019-08-22 | 2019-08-22 | 多无人平台协同队形保持的快速优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778243.0A CN110609548B (zh) | 2019-08-22 | 2019-08-22 | 多无人平台协同队形保持的快速优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609548A true CN110609548A (zh) | 2019-12-24 |
CN110609548B CN110609548B (zh) | 2022-08-26 |
Family
ID=68890405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910778243.0A Active CN110609548B (zh) | 2019-08-22 | 2019-08-22 | 多无人平台协同队形保持的快速优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609548B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314119A (zh) * | 2020-01-19 | 2020-06-19 | 合肥工业大学 | 不确定环境下无人平台信息感知网络快速重构方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014081364A1 (en) * | 2012-11-26 | 2014-05-30 | Telefonaktiebolaget L M Ericsson (Publ) | Route determination in a multi-hop network using multiple routing metrics |
CN106970645A (zh) * | 2017-05-16 | 2017-07-21 | 合肥工业大学 | 多无人机协同编队最优信息交互拓扑生成方法及装置 |
WO2019113875A1 (en) * | 2017-12-14 | 2019-06-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for optimizing order allocation |
-
2019
- 2019-08-22 CN CN201910778243.0A patent/CN110609548B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014081364A1 (en) * | 2012-11-26 | 2014-05-30 | Telefonaktiebolaget L M Ericsson (Publ) | Route determination in a multi-hop network using multiple routing metrics |
CN106970645A (zh) * | 2017-05-16 | 2017-07-21 | 合肥工业大学 | 多无人机协同编队最优信息交互拓扑生成方法及装置 |
WO2019113875A1 (en) * | 2017-12-14 | 2019-06-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for optimizing order allocation |
Non-Patent Citations (3)
Title |
---|
王国强: "面向队形保持的无人机编队信息交互拓扑优化问题的研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
王国强等: "Generation of optimal persistent formations for heterogeneous multi-agent systems with a leader constraint", 《CHINESE PHYSICS B》 * |
罗小元等: "多智能体系统最优持久编队自动生成", 《控制理论与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314119A (zh) * | 2020-01-19 | 2020-06-19 | 合肥工业大学 | 不确定环境下无人平台信息感知网络快速重构方法和装置 |
CN111314119B (zh) * | 2020-01-19 | 2023-06-27 | 合肥工业大学 | 不确定环境下无人平台信息感知网络快速重构方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110609548B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609572B (zh) | 无人机编队信息交互拓扑的启发式优化方法和装置 | |
CN110428046B (zh) | 神经网络结构的获取方法及装置、存储介质 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN110471445B (zh) | 多无人平台通信能耗的多阶段多目标优化方法和装置 | |
CN110609548B (zh) | 多无人平台协同队形保持的快速优化方法和装置 | |
CN114355913B (zh) | 基于时空自适应双向蚁群算法的移动机器人路径规划方法 | |
Yi et al. | Distributed topology correction for flexible connectivity maintenance in multi-robot systems | |
CN111314119B (zh) | 不确定环境下无人平台信息感知网络快速重构方法和装置 | |
CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
CN111104561B (zh) | 启发式的无人平台信息感知网络拓扑生成方法和装置 | |
CN111107604B (zh) | 无人平台信息感知网络的快速优化方法和装置 | |
CN110598272B (zh) | 多无人平台信息交互拓扑的启发式生成方法和装置 | |
CN110647166B (zh) | 均衡能耗的无人机编队信息交互拓扑在线优化方法和装置 | |
CN110536266B (zh) | 无人机编队通信能耗的周期性在线均衡方法和装置 | |
CN115437372B (zh) | 机器人路径规划方法、装置、电子设备及存储介质 | |
US20150310330A1 (en) | Computer-implemented method and system for digitizing decision-making processes | |
CN110647167B (zh) | 无人机编队最优信息交互拓扑快速生成方法和装置 | |
CN110879608B (zh) | 不确定环境下无人系统编队快速自适应决策方法和装置 | |
CN111934901B (zh) | 无人平台信息感知网络的拓扑控制方法及系统 | |
CN111026104B (zh) | 突发事件下的多智能体系统快速响应方法和装置 | |
Zhang et al. | An adaptive task assignment method for multiple mobile robots via swarm intelligence approach | |
CN110618626B (zh) | 多无人平台协同队形保持的通信能耗均衡方法和装置 | |
Meng et al. | An enhanced fruit fly optimization for the flexible job shop scheduling problem with lot streaming | |
CN106611215A (zh) | 一种新的布谷鸟搜索算法解决作业车间调度问题 | |
CN111314879A (zh) | 突发事件下无人平台信息感知网络快速响应方法和装置 |
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 |