CN110618607B - 一种基于行为的多uuv自组织协调控制方法 - Google Patents
一种基于行为的多uuv自组织协调控制方法 Download PDFInfo
- Publication number
- CN110618607B CN110618607B CN201810634746.6A CN201810634746A CN110618607B CN 110618607 B CN110618607 B CN 110618607B CN 201810634746 A CN201810634746 A CN 201810634746A CN 110618607 B CN110618607 B CN 110618607B
- Authority
- CN
- China
- Prior art keywords
- uuv
- action
- behavior
- basic
- enemy
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 67
- 230000005653 Brownian motion process Effects 0.000 claims abstract description 9
- 238000005537 brownian motion Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 83
- 230000003993 interaction Effects 0.000 claims description 28
- 239000000427 antigen Substances 0.000 claims description 21
- 102000036639 antigens Human genes 0.000 claims description 21
- 108091007433 antigens Proteins 0.000 claims description 21
- 230000000638 stimulation Effects 0.000 claims description 17
- 230000003542 behavioural effect Effects 0.000 claims description 16
- 230000005764 inhibitory process Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 210000003719 b-lymphocyte Anatomy 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000009545 invasion Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000008450 motivation Effects 0.000 claims 1
- 230000001629 suppression Effects 0.000 claims 1
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000000987 immune system Anatomy 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 108010032595 Antibody Binding Sites Proteins 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000251221 Triakidae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 230000008073 immune recognition Effects 0.000 description 1
- 230000006058 immune tolerance Effects 0.000 description 1
- 230000006054 immunological memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05B13/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于行为的多UUV自组织协调控制方法，包括：步骤1：构建免疫网络与多UUV系统之间的映射关系，并定义相关参数；步骤2：提出基于基本行为动作的协调控制动力学模型，并且实现作业环境误差的分数布朗运动建模；步骤3:给出了离散状态的基于免疫网络的多UUV自组织协调控制，满足分布式结构下多UUV系统的协同控制，实现对敌方目标的围捕作业；本方法具有强大的自组织性、容错性、实时性等特点，而且便于水下无人系统的工程实现。
Description
技术领域
本发明涉及水下无人系统建模与仿真领域，具体为一种基于行为的多 UUV自组织协调控制方法。
背景技术
多UUV系统是由多种同构或异构UUV无人系统组成的空间、时间、事件和功能分布的水下网络，相比于单UUV其作业效率更高、应用领域更广，可在水下网络中扮演前置探测、通信节点、攻击武器、发射平台等多种角色，已成为我国深远海战略中民用和军用领域研究的热点。
在军事应用领域，多UUV系统作为一种武器系统、水下环境和作业使命相互耦合、相互影响的复杂水下无人作战系统，其任务分配、路径规划、规避障碍、协同搜索等所有群体决策的实现都要建立在高效率的协调控制基础之上。因此，如何设计高效率的协调控制模型直接影响多UUV系统水下作战使命完成的质量和效果，特别是在对敌方目标的围捕应用过程中。
目前，多UUV的协调控制模型根据系统结构可以分为两大类：集中式和分布式。集中式UUV协调控制模型必须通过协调控制中心对作业任务进行统一的规划和协调，如果感知信息完备和保证协调中心计算能力，则可以获得整个规划系统的全局最优解；该类模型虽然计算简单、便捷，但是应用场景往往受到限制，其动态性和鲁棒性较差。分布式协调控制模型由于采用自下而上的建模机制，既能满足多约束条件，又能保证协调过程代价最小，成为目前多UUV系统协调控制研究的重点；该类模型主要包括基于行为的方法、基于市场理论的方法和基于自组织理论的方法，其中基于自组织理论的方法由于受神经网络结构与原理的启发，将作业环境和信息感知映射到行为模型中，实现多UUV系统的路径规划，但是该模型是建立在UUV动态运动的理想条件之上，对实际的水下协同应用来说降低了模型的实用性和协同性。
免疫网络是一种结合免疫识别、免疫记忆、免疫耐受等进化过程的独特型网络理论，其认为免疫系统中免疫细胞彼此之间不是出于一种彼此独立的状态，而是通过抗体之间的相互激励和抑制，构成一个动态平衡的分布式网络结构。目前，免疫网络已成为自组织理论发展和创新的源泉。因此，希望借助免疫网络理论开发出协同性建模精度显著的一种基于行为的自组织协调控制模型，实现多UUV系统自组织完成对敌方目标的围捕。
发明内容
为了克服已有协调控制模型在多UUV系统围捕敌方目标应用中出现的问题；本发明提供一种基于行为的多UUV自组织协调控制方法。
本发明要解决的技术问题通过以下技术方案实现：
一种基于行为的多UUV自组织协调控制方法，包括以下步骤：
步骤1：构建免疫网络与多UUV系统之间的映射关系，并定义：多UUV 系统包括N个UUV xk∈[x1，x2，…，xN]，UUV基本行为动作为Ai∈[A1，A2，A3]，敌方目标包括M个敌方入侵移动目标yh∈[y1，y2，…，yM]；
步骤2：根据Farmer独特型网络的动力学微分数学模型，构建和定义交互强度水平C为：
式中，
表示采取第i个基本行为动作Ai的第k个UUV xk在t时刻的交互强度水平，C1表示多UUV系统中UUV之间基本行为动作的激励与抑制水平；C2表示敌方目标与UUV之间的刺激交互强度水平；C3表示环环境误差模型引起的随机误差干扰水平C3；C4表示基本行为动作没有发生交互关系而引起的自然死亡率；
步骤3：通过计算C、C1、C2、C3、C4的离散状态方程，实现基于免疫网络的多UUV自组织协调控制，具体离散状态方程为：
式中，t表示时间，k2为常数用于控制自然死亡概率的大小。
进一步的，所述步骤1中构建免疫网络与多UUV系统之间的映射关系的具体对应方式为：
免疫网络与多UUV系统对应，将多UUV系统类比成免疫网络，其由多个UUV智能体模型构成，实现围捕敌方目标；
B淋巴细胞与UUV对应，将UUV类比成B淋巴细胞，其是一个具有免疫计算功能的智能体模型；
抗原与敌方目标对应，将敌方目标类比抗原，其是相对于多UUV系统以外的敌方目标；
抗体与UUV基本行为动作对应，将UUV针对敌方目标采取的基本行为动作类比抗体，通过UUV基本行为动作实现对敌方目标的围捕；
抗原刺激与敌方目标入侵刺激对应，将敌方目标入侵刺激类比抗原刺激，作为引起多UUV系统协调控制的外在诱因；
抗体浓度与基本行为动作交互强度对应，刻画行为动作需求量大小；
抗体激励与基本行为动作交互强度增强对应，表示需要更多的UUV进行协调合作，才能完成围捕任务；
抗体抑制与基本行为动作交互强度减弱对应，表示由于UUV有足够的能力完成围捕任务，抑制其他UUV前来协助，否则会造成资源冗余；
消除抗原与围捕敌方目标对应。
进一步的，步骤1中所述UUV基本行为动作Ai包括：航行巡逻A1、感知探测A2和趋向目标A3，其中，所述航行巡逻A1的具体行为动作是： UUV以分布式结构采取航行巡逻行为动作进行水下敌方目标的巡逻；
所述感知探测A2的具体行为动作是：在探测范围内，UUV执行感知探测行为动作发现敌方目标，并通过广播形式将探测结果发送相邻节点UUV；
所述趋向目标A3的具体行为动作是：在通信范围内，相邻UUV接受信息后，执行趋向敌方目标的动作，形成围捕态势，其余UUV继续执行航行巡逻行为动作。
进一步的，通过下述公式(4)计算所述步骤2中多UUV系统中UUV 之间基本行为动作的激励与抑制水平C1：
式中，ci(t)和cj(t)分别表示t时刻第k个UUV采取第i个基本行为动作 Ai的浓度和其他UUV采取第j个基本行为动作Aj的交互强度，i，j＝1，2，3， Cd表示UUV通信范围Rc内的UUV数量集合cr∈Cd，Uij表示第k个UUV 的基本行为动作与其通信范围内其他UUV基本行为动作之间的交互系数。
进一步的，通过下述公式(5)计算所述步骤2中的敌方目标与UUV 之间的刺激交互强度水平C2：
式中：ci(t)和yh(t)分别表示t时刻第k个UUV采取第i个基本行为动作的浓度和第h个敌方移动入侵目标的浓度，i＝1，2，3，h＝1，2，…，Dh，Dd表示 UUV探测范围Rd内的抗原数量集合，Vik表示第k个UUV的第i个基本行为动作与第h个敌方目标之间的交互系数。
进一步的，通过建立分数布朗运动模型，计算所述步骤2中环境误差模型引起的随机误差干扰水平C3，具体为：
上式中，t＞0，p＞1，ci服从均值为0方差为1的正态分布
di在区间0≤di≤2π并服从均匀分布
H∈(0，1) 为粗糙度指数。
进一步的，对于第k个UUV的基本行为动作Ai由于没有与其他UUV 的基本行为动作发生激励与抑制，则会产生自然死亡率C4：
上式中，λ表示自然死亡率，τ表示压缩常数。
与现有技术相比，本发明的有益效果：
本发明受免疫网络启发，构建了免疫网络和多UUV系统之间的映射关系，设计了基于基本行为动作的协调控制动力学模型，能够满足分布式结构下多UUV系统的协同控制，实现对敌方目标的围捕作业，表现出强大的自组织性、容错性、实时性，而且便于水下无人系统的工程实现。
附图说明
图1是本发明提出的基于自组织理论的多UUV协调控制方法原理示意图；
图2是实施例中时间t＝50时多UUV系统航行巡逻的示意图；
图3是实施例中时间t＝100时多UUV系统探测感知到入侵目标的示意图；
图4是实施例中时间t＝150时多UUV系统围捕敌方入侵目标的示意图；
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，为了克服已有协调控制模型在多UUV系统围捕敌方目标应用中出现的问题，受免疫网络启发，本实施例提出一种基于行为的多UUV 自组织协调控制方法，实现分布式结构下多UUV系统基本行为动作对敌方目标的围捕。首先，构建免疫系统与多UUV系统之间的对应关系，并且设计航行巡逻、感知探测和趋向目标等基本行为动作(抗体)；其次，提出基于基本行为动作的协调控制动力学模型，并且实现作业环境误差的分数布朗运动建模；最后，给出了离散状态的基于免疫网络的多UUV自组织协调控制，满足分布式结构下多UUV系统的协同控制，实现对敌方目标的围捕作业，表现出强大的自组织性、容错性、实时性，而且便于水下无人系统的工程实现。
在详细叙述本实施例的方法之前，先对本方法的设计构思做以下说明：
在Farmer独特型免疫网络的动力学微分数学模型中，假设免疫系统有N 个抗体[x1，x2，…，xN]，M个抗原[y1，y2，…，yM]，则抗体xi的激励水平Si和浓度变化s(xi)分别表示为：
式(1)中，方括号第一项表示抗体xi和xj之间的抗体激励，对应于xi部件idiotope与xj部件paratope之间的连接，简称Stimulus1，其中，Mij表示抗体之间的激励系数；第二项表示抗体xi和xj之间的抗体抑制，对应于xi部件paratope与xj部件idiotope之间的连接，简称为suppression，其中，Mji表示抗体之间的抑制系数；第三项表示抗体xj与抗原yk之间的抗原激励，对应于xi部件paratope与yk部件epitope之间的连接，简称Stimulus2，其中， Wik抗体与抗原之间的激励系数；第四项中λi表示抗体xi由于没有发生激励与抑制而产生的自然死亡率；其中，k1和k2为常数，主要用来平衡抗体之间的激励与抑制。式(2)利用S型压缩函数对抗体浓度进行归一化处理。
基于上述设计构思，提出一种基于自组织理论的多UUV协调控制方法，本方法包括以下步骤：
步骤1：构建免疫网络与多UUV系统之间的映射关系，并定义多UUV 系统包括N个UUV xk∈[x1，x2，…，xN]，UUV基本行为动作为Ai∈[A1，A2，A3]，目标包括M个敌方入侵移动目标yh∈[y1，y2，…，yM]；
构建免疫网络与多UUV系统之间的对应关系，如表1所示。
表1 免疫网络和多UUV系统之间的映射关系
表1中具体对应关系：免疫网络与多UUV系统对应，将多UUV系统类比成免疫网络，其由多个UUV智能体模型构成，实现围捕敌方目标；B 淋巴细胞与UUV对应，将UUV类比成B淋巴细胞，其是一个具有免疫计算功能的智能体模型；抗原与敌方目标对应，将敌方目标类比抗原，其是相对于多UUV系统以外的敌方目标；抗体与UUV基本行为动作对应，将 UUV针对敌方目标采取的基本行为动作类比抗体，通过UUV基本行为动作实现对敌方目标的围捕；抗原刺激与敌方目标入侵刺激对应，将敌方目标入侵刺激类比抗原刺激，作为引起多UUV系统协调控制的外在诱因；抗体浓度与基本行为动作交互强度对应，刻画行为动作需求量大小；抗体刺激与基本行为动作交互强度增强对应，表示需要更多的UUV进行协调合作，才能完成围捕任务；抗体抑制与基本行为动作交互强度减弱对应，表示由于UUV有足够的能力完成围捕任务，抑制其他UUV前来协助，否则会造成资源冗余；消除抗原与围捕敌方目标对应。
基本行为动作Ai(抗体)定义及其描述如表2所示，主要包括：航行巡逻A1、感知探测A2和趋向目标A3。
表2 协调控制的基本行为动作
步骤2：根据Farmer独特型网络的动力学微分数学模型，构建和定义的交互强度水平C为：
式中，
表示采取第i个基本行为动作Ai的第k个
在t时刻的交互强度水平，C1表示多UUV系统中UUV之间基本行为动作的激励与抑制水平，相对于公式(1)将Stimulus1和suppression合为一个综合项；C2表示敌方入侵目标与UUV之间的刺激交互强度水平，相当于公式(1) 的Stimulus2；C3表示环境误差模型；C4与公式(2)相同，表示基本行为动作没有发生交互关系而引起的自然死亡率；
通过下述公式(4)计算所述步骤2中多UUV系统中UUV之间基本行为动作的激励与抑制水平C1：
式中，ci(t)和cj(t)分别表示t时刻第k个UUV采取第i个基本行为动作 Ai的浓度和其他UUV采取第j个基本行为动作Aj的交互强度，i，j＝1，2，3， Cd表示UUV通信范围Rc内的UUV数量集合cr∈Cd，Uij表示第k个UUV 的基本行为动作与其通信范围内其他UUV基本行为动作之间的交互系数。
通过下述公式(5)计算所述步骤2中的敌方目标与UUV之间的刺激交互强度水平C2：
式中：ci(t)和yh(t)分别表示t时刻第k个UUV采取第i个基本行为动作的浓度和第h个敌方移动入侵目标的浓度，i＝1，2，3，h＝1，2，…，Dh，Dd表示 UUV探测范围Rd内的抗原数量集合，Vik表示第k个UUV的第i个基本行为动作Ai与第h个敌方目标之间的交互系数。
本实施例的环境误差模型采用分数布朗运动FBM(Fractional Brownian Motion)来描述误差的随机性。FBM由Mandelbrot和Wallis在60年代建立降雨量模型时提出的布朗运动误差模型，对于随机化函数Y(t)的分数布朗运动其具有以下数学性质：(1)法正生长性：增量Y(t+σ)-Y(t)服从正态分布，均值为0，标准偏差或者方差为σ1/2；(2)独立增量：如果t1＜t2＜t3＜t4，那么增量Y(t2-t1)与增量Y(t4-t3)相互独立；(3)时间无关性：对于所有的σ＞0，增量Y(t+σ)-Y(t)与t无关；(4)自放射性：对任意u和s，存在 P(Y(t+σ)-Y(t)＜u)＝P(Y(s×(t+σ))-Y(s×t)＜sσu)，其中，t＞0。正是由于FBM 模型具有以上四个特性，FBM随机化Weierstrass函数被用来描述环境误差模型引起的随机误差干扰水平C3，即通过建立分数布朗运动模型，计算所述步骤2中环境误差模型引起的随机误差干扰水平C3，具体定义为：
上式中，t＞0，p＞1，ci服从均值为0方差为1的正态分布
di在区间0≤di≤2π并服从均匀分布
H∈(0，1)为粗糙度指数， H∈(0，1)用于保证随机误差的合理性，消除变量的大幅度波动。
对于第k个UUV的基本行为动作Ai由于没有与其他UUV的基本行为动作发生激励与抑制，则会产生自然死亡率C4：
上式中，λ表示自然死亡率，τ表示压缩常数。
步骤3：通过计算C、C1、C2、C3、C4的离散状态方程，实现基于免疫网络的多UUV自组织协调控制，具体离散状态方程为：
式中，t表示时间，k2为常数用于控制自然死亡概率的大小。
具体描述本方法的一种具体实施实例如下：
假设仿真想定：在10000×10000单位范围的海域，N＝20个UUV采取基本行为动作Ai＝[A1，A2，A3]实现对M＝1个敌方目标进行围捕作业，仿真结果如图2、图3和图4所示，其中小圆圈Agent标志UUV节点，大圆圈标志敌方入侵目标(Enemy Target)。
在图2中，时间t＝50时多UUV系统航行巡逻入侵目标，各个UUV继续执行基本行为A1；在图2中，时间t＝100时多UUV系统中的Agent8在位置(2000，5000)探测感知到入侵目标，其基本行为立刻变为A2；在图2 中，时间t＝150时多UUV系统协同围捕敌方目标的态势已经形成，所有通信范围内UUV执行基本行为立刻变为A3实现对目标的围捕。总的来说，本发明提出的一种基于行为的多UUV自组织协调控制方法能够通过行为的自组织网络完成对敌方目标围捕的协调控制，表现出强大的自组织性、容错性、实时性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于行为的多UUV自组织协调控制方法，其特征在于，包括以下步骤：
步骤1：构建免疫网络与多UUV系统之间的映射关系，并定义：多UUV系统包括N个UUVxk∈[x1,x2,···,xN]，UUV基本行为动作为Ai∈[A1,A2,A3]，敌方目标包括M个敌方入侵移动目标yh∈[y1,y2,···,yM]；
步骤2：根据Farmer独特型网络的动力学微分数学模型，构建和定义交互强度水平
为：
式中，
表示采取第i个基本行为动作Ai的第k个UUVxk在t时刻的交互强度水平，
表示采取第i个基本行为动作Ai的第k个UUVxk在t时刻与多UUV系统中UUVxk之间基本行为动作的激励与抑制水平；
表示采取第i个基本行为动作Ai的第k个UUVxk与敌方目标之间的刺激交互强度水平；C3(xi k(t))表示采取第i个基本行为动作Ai的第k个UUVxk在t时刻环境误差模型引起的随机误差干扰水平；
表示采取第i个基本行为动作Ai的第k个UUVxk在t时刻没有发生交互关系而引起的自然死亡率；
步骤3:通过计算
的离散状态方程，实现基于免疫网络的多UUV自组织协调控制，具体离散状态方程为：
式中，t表示时间，k2为常数用于控制自然死亡概率的大小。
2.根据权利要求1所述的基于行为的多UUV自组织协调控制方法，其特征在于，所述步骤1中构建免疫网络与多UUV系统之间的映射关系的具体对应方式为：
免疫网络与多UUV系统对应，将多UUV系统类比成免疫网络，其由多个UUV智能体模型构成，实现围捕敌方目标；
B淋巴细胞与UUV对应，将UUV类比成B淋巴细胞，其是一个具有免疫计算功能的智能体模型；
抗原与敌方目标对应，将敌方目标类比抗原，其是相对于多UUV系统以外的敌方目标；
抗体与UUV基本行为动作对应，将UUV针对敌方目标采取的基本行为动作类比抗体，通过UUV基本行为动作实现对敌方目标的围捕；
抗原刺激与敌方目标入侵刺激对应，将敌方目标入侵刺激类比抗原刺激，作为引起多UUV系统协调控制的外在诱因；
抗体浓度与基本行为动作交互强度对应，刻画行为动作需求量大小；
抗体激励与基本行为动作交互强度增强对应，表示需要更多的UUV进行协调合作，才能完成围捕任务；
抗体抑制与基本行为动作交互强度减弱对应，表示由于UUV有足够的能力完成围捕任务，抑制其他UUV前来协助，否则会造成资源冗余；
消除抗原与围捕敌方目标对应。
3.根据权利要求2所述的基于行为的多UUV自组织协调控制方法，其特征在于，步骤1中所述UUV基本行为动作Ai包括：航行巡逻A1、感知探测A2和趋向目标A3，其中，所述航行巡逻A1的具体行为动作是：UUV以分布式结构采取航行巡逻行为动作进行水下敌方目标的巡逻；
所述感知探测A2的具体行为动作是：在探测范围内，UUV执行感知探测行为动作发现敌方目标，并通过广播形式将探测结果发送相邻UUV；
所述趋向目标A3的具体行为动作是：在通信范围内，相邻UUV接受信息后，执行趋向敌方目标的动作，形成围捕态势，其余UUV继续执行航行巡逻行为动作。
4.根据权利要求3所述的基于行为的多UUV自组织协调控制方法，其特征在于，通过下述公式(4)计算所述步骤2中多UUV系统中UUV之间基本行为动作的激励与抑制水平
式中，ci(t)和cj(t)分别表示t时刻第k个UUV采取第i个基本行为动作Ai的浓度和其他UUV采取第j个基本行为动作Aj的交互强度，i,j＝1,2,3，Cd表示UUV通信范围Rc内的UUV数量集合cr∈Cd，Uij表示第k个UUV的基本行为动作与其通信范围内其他UUV基本行为动作之间的交互系数。
5.根据权利要求3所述的基于行为的多UUV自组织协调控制方法，其特征在于，通过下述公式(5)计算所述步骤2中的敌方目标与UUV之间的刺激交互强度水平
式中：ci(t)和yh(t)分别表示t时刻第k个UUV采取第i个基本行为动作的浓度和第h个敌方移动入侵目标的浓度，i＝1,2,3，h＝1,2,…,Dh，Dd表示UUV探测范围Rd内的抗原数量集合，Vik表示第k个UUV的第i个基本行为动作与第h个敌方目标之间的交互系数。
6.根据权利要求3所述的基于行为的多UUV自组织协调控制方法，其特征在于，通过建立分数布朗运动模型，计算所述步骤2中环境误差模型引起的随机误差干扰水平
具体为：
上式中，t＞0，p＞1，ci服从均值为0方差为1的正态分布
di在区间0≤di≤2π并服从均匀分布
H∈(0,1)为粗糙度指数。
7.根据权利要求3所述的基于行为的多UUV自组织协调控制方法，其特征在于，对于第k个UUV的基本行为动作Ai由于没有与其他UUV的基本行为动作发生激励与抑制，则会产生自然死亡率
上式中，λ表示自然死亡率，τ表示压缩常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810634746.6A CN110618607B (zh) | 2018-06-20 | 2018-06-20 | 一种基于行为的多uuv自组织协调控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810634746.6A CN110618607B (zh) | 2018-06-20 | 2018-06-20 | 一种基于行为的多uuv自组织协调控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110618607A CN110618607A (zh) | 2019-12-27 |
| CN110618607B true CN110618607B (zh) | 2022-03-01 |
Family
ID=68920871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810634746.6A Expired - Fee Related CN110618607B (zh) | 2018-06-20 | 2018-06-20 | 一种基于行为的多uuv自组织协调控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110618607B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113311700B (zh) * | 2020-02-27 | 2022-10-04 | 陕西师范大学 | 一种非平均机制引导的uuv集群协同控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004265147A (ja) * | 2003-02-28 | 2004-09-24 | Fuji Heavy Ind Ltd | 免疫ネットワークを用いた制御システムおよび制御方法 |
| CN103246921A (zh) * | 2013-04-09 | 2013-08-14 | 哈尔滨工程大学 | 一种基于免疫主体的水下机器人环境感知方法 |
| CN103412490A (zh) * | 2013-08-14 | 2013-11-27 | 山东大学 | 用于多机器人动态路径规划的多克隆人工免疫网络算法 |
| CN104615679A (zh) * | 2015-01-21 | 2015-05-13 | 华侨大学 | 一种基于人工免疫网络的多智能体数据挖掘方法 |
| CN107133416A (zh) * | 2017-05-24 | 2017-09-05 | 西北工业大学 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
-
2018
- 2018-06-20 CN CN201810634746.6A patent/CN110618607B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004265147A (ja) * | 2003-02-28 | 2004-09-24 | Fuji Heavy Ind Ltd | 免疫ネットワークを用いた制御システムおよび制御方法 |
| CN103246921A (zh) * | 2013-04-09 | 2013-08-14 | 哈尔滨工程大学 | 一种基于免疫主体的水下机器人环境感知方法 |
| CN103412490A (zh) * | 2013-08-14 | 2013-11-27 | 山东大学 | 用于多机器人动态路径规划的多克隆人工免疫网络算法 |
| CN104615679A (zh) * | 2015-01-21 | 2015-05-13 | 华侨大学 | 一种基于人工免疫网络的多智能体数据挖掘方法 |
| CN107133416A (zh) * | 2017-05-24 | 2017-09-05 | 西北工业大学 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| A novel task optimal allocation approach based on Contract Net Protocol for Agent-oriented UUV swarm system modeling;Hongtao Liang等;《Optik》;20161231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110618607A (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Castello et al. | Adaptive foraging for simulated and real robotic swarms: the dynamical response threshold approach | |
| Wen et al. | Formation control with obstacle avoidance of second-order multi-agent systems under directed communication topology | |
| Liu et al. | Sensor‐based complete coverage path planning in dynamic environment for cleaning robot | |
| Zhao et al. | Flocking of multi‐agent nonholonomic systems with unknown leader dynamics and relative measurements | |
| KR101935006B1 (ko) | 멀티 에이전트 시스템에 포함되는 추종 에이전트 및 이의 제어 방법 | |
| Xiao et al. | Graph attention mechanism based reinforcement learning for multi-agent flocking control in communication-restricted environment | |
| Gao et al. | Unmanned aerial vehicle swarm distributed cooperation method based on situation awareness consensus and its information processing mechanism | |
| Guo et al. | Study on decentralization of spherical amphibious multi-robot control system based on smart contract and blockchain | |
| CN113191530A (zh) | 一种具有隐私保护的区块链节点可靠性预测方法及系统 | |
| Kono et al. | Transfer learning method using ontology for heterogeneous multi-agent reinforcement learning | |
| CN110618607B (zh) | 一种基于行为的多uuv自组织协调控制方法 | |
| Du et al. | Bipartite time-varying formation group containment control for multi-agent systems based on multi-layer network and semi-signed directed graph | |
| Yi et al. | Digital twin constructed spatial structure for flexible and efficient task allocation of drones in mobile networks | |
| Zhao et al. | A multi-objective scheduling method for operational coordination time using improved triangular fuzzy number representation | |
| Jie | Weighted consensus for multiple Lagrangian systems under a directed graph | |
| Guo et al. | A static area coverage algorithm for heterogeneous AUV group based on biological competition mechanism | |
| Zhang et al. | A bilevel task allocation method for heterogeneous multi-UUV recovery system | |
| CN114609910A (zh) | 一种具有乘性噪声的线性多智体系统及其一致控制方法 | |
| CN110618689B (zh) | 一种约束条件下基于合同网的多uuv系统协商合作建模方法 | |
| Cortés et al. | Nonsmooth coordination and geometric optimization via distributed dynamical systems | |
| Quan et al. | Energy‐Limited Time‐Varying Formation Control for Second‐Order Multiagent Systems | |
| Ding et al. | Event‐triggered based bearing‐only formation control for nonlinear multi‐agent with unknown disturbance | |
| CN117575220B (zh) | 一种面向异构多智能体的多任务策略博弈方法 | |
| Ruan et al. | Fixed/predefined-time synchronization on complex networks in the light of TS fuzzy system | |
| Ke et al. | A method of task allocation and automated negotiation for multi robots |
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 |
Granted publication date: 20220301 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |