CN110619131A - 一种基于加权模糊Petri网的UUV智能体行为规划方法 - Google Patents
一种基于加权模糊Petri网的UUV智能体行为规划方法 Download PDFInfo
- Publication number
- CN110619131A CN110619131A CN201810635865.3A CN201810635865A CN110619131A CN 110619131 A CN110619131 A CN 110619131A CN 201810635865 A CN201810635865 A CN 201810635865A CN 110619131 A CN110619131 A CN 110619131A
- Authority
- CN
- China
- Prior art keywords
- transition
- determining
- rule
- proposition
- uuv
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007704 transition Effects 0.000 claims abstract description 59
- 230000004913 activation Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010304 firing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明具体涉及一种基于加权模糊Petri网的UUV智能体行为规划方法,包括主要步骤:首先,对作战任务进行元事件划分,使其能够形成一个任务逻辑时序系统,并且根据元事件确定Petri Net的库所和变迁集合;其次,根据加权模糊产生式规则的型别选择变迁事件驱动模式,并且建立库所与变迁之间的流关系集合;最后,对库所进行前提谓词和结论谓词划分,确立输入强度和输出强度及变迁激活阈值,在此基础上选择加权模糊Petri Net启动规则进行数据驱动实现行为规划问题的求解。本发明解决了UUV作战过程中并发性、复杂性、模糊性等因素带来知识表达和推理的建模难题,实现了专家先验知识和产生式规则推理优点的充分结合,同时也方便计算与实施。
Description
技术领域
本发明属于UUV系统建模与仿真领域,具体涉及一种基于加权模糊Petri网的UUV智能体行为规划方法。
背景技术
水下航行器UUV是一种通过水面舰艇发射或岸基布放、可长时间在水下自主航行的智能体。在军事领域,UUV具有续航力大、隐蔽性好、风险性低、智能性高、可回收等特点,能够执行水下战场情报搜集、水下战场预设、战场监视分析、水下信息对抗等一系列重要军事任务,扮演前置探测器、通信节点、攻击武器、武器发射/投送平台等多种角色,极大地扩展海军的作战能力,被称为现在海军的“力量倍增器”。
在复杂的水下作战环境下扮演各种角色,UUV需要自主探测、感知作战态势,不依赖外界命令的情况下实现规划与决策,并自主执行相应行为动作,这其中涉及多种连续和离散事件,而且这些事件具有并行、模糊和随机等特点,这是因为测量不精确、粒度不一致、信息不完备、以及环境复杂性等原因引起的,如何表达与推理这些并行、模糊和随机的知识、逻辑和信息成为行为规划建模的关键。常用的行为规划建模方法如决策树、排队论、语义网络、谓词逻辑和本体脚本等被提出来表达和推理复杂的连续与离散事件,但是这些方法具有一个共同的缺点:不具备并行、异步、随机、模糊推理等功能,限制了其使用范围和工作效率。
Petri Net作为一种图形化和数学化的离散事件建模工具对于分析具有并发、异步、随机的推理具有独特优势,不仅可以直观、形象的描述推理过程,而且可以提供一个集成的系统建模、分析和控制环境。目前,Petri Net已经被提出来实现UUV行为规划建模,能够根据水下作战态势对作战任务进行调度与协调,同时能够迅速处理任务失败、突发任务等离散事件,并能根据这些事件建立合理有效的决策过程,但是其不具有模糊推理的功能,导致UUV行为规划建模精度不高。因此,希望开发出具有行为规划建模精度显著的一种规划器设计方法,实现UUV水下自主航行的最优行为规划。
发明内容
为了解决现有技术中存在Petri Net规则器设计方法引起UUV行为规划建模精度不高的上述问题,本发明提供了一种基于加权模糊Petri网的UUV智能体行为规划方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于加权模糊Petri网的UUV智能体行为规划方法,其特征在于,包括以下步骤:
步骤1:对作战任务进行元事件划分
根据作战态势,将作战任务划分为由若干元事件(Meta-Event,me)组成的集合ME={me1,me2…men},其能够形成一个任务逻辑时序系统,并通过元事件驱动完成任务,其中元事件驱动(Meta-Event-Driven)集合E={e1,e2…en};
步骤2:确定变迁集合
依据元事件驱动集合E,确定变迁集合T={t1,t2…tn},|E|=|T|;
步骤3:确定WFPN的库所集合
确定命题D={d1,d2…dm}数量,并将命题抽象为WFPN的库所集合P={p1,p2…pm},即|D|=|P|;
步骤4:进行模糊谓词划分
区分产生式规则R的前提和结论命题,并且对前提命题进行模糊谓词划分;
步骤5:确立基本WPFN图形化描述
选取WFPR形式,并确立基本WPFN图形化描述;
步骤6:确定输入强度
如果pi∈P且pi为规则R的前提谓词,则确定输入库所pi的初始映射Token值和权重wi,即确定输入强度;
步骤7:确定输出强度
如果pi∈P且pi为规则R的结论谓词,则确定变迁t所对应的置信度CF=μ,即确定输出强度;
步骤8:确定变迁激活阈值
确定规则R的γ变迁激活阈值,γ→[0,1],当变迁的输入信度大于阈值时该变迁自动激活,如果小于阈值则在任何情况下不被激活;
步骤9:实现问题的求解
根据规则Type类型,选择变迁启动规则公式进行数据驱动,实现问题的求解。
进一步地,上述步骤5中确立基本WPFN图形化描述的方法为:假如pi属于R的前提命题或者结论命题,则建立输入弧I(pi,t)或输出弧O(t,pk),即利用WPFN建立流关系F集合。
进一步地,上述步骤5中WFPR形式包括Type1,Type2,Tpye3三种规则形式;
三种规则的变迁激发机制分别如下:
令yi=ai·wi,若y≥λ,则ak=y·μ,其中i,k∈{1,2,…,m},i≠k;
令yk=ak·wk,若yk≥λ,则ak=yi·μi,其中i,k∈{1,2,…,m},i≠k;
令yi=ai·wi,若yi≥λ,则ak=max{yi,μi},其中i,k∈{1,2,…,m},i≠k。
与现有技术相比,本发明的有益效果:
WFPN作为一种结合事件驱动和数据驱动的知识表达和推理模型的规划方法,解决了UUV作战过程中并发性、复杂性、模糊性等因素带来知识表达和推理的建模难题,实现了专家先验知识和产生式规则推理优点的充分结合,同时也方便计算与实施。
附图说明
图1 Type1规则的WFPN模型;
图2 Type2规则的WFPN模型;
图3 Type3规则的WFPN模型;
图4 模糊规则R的WFPN推理过程。
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。
为了更加清楚地说明本发明技术方案,下面将对技术方案描述中所需要使用的专有名词作介绍。
定义1:Petri Net(PN)是由库所、变迁和连接库所与变迁间关系的有向弧线组成的一种有向图,可以用一个三元组PN=<P,T,F>表示,其需要满足如下条件:
其中,P和T分别表示PN的库所集合和变迁集合,F表示流关系,X=P∪T表示PN的元素集合,dom(F)和cod(F)分别表示F的定义域和值域。具体地,在图形表示中,库所由圆形节点表示,变迁由方形节点表示,库所与变迁的有向弧由带箭头弧线表示。
定义2:模糊Petri网(Fuzzy Petri Net,FPN)是对传统Petri网进行模糊处理而得到的,可以定义为一个七元数组FPN=<P,T,F,D,α,β,γ>,其中:
(1)P={p1,p2…pm}表示库所节点的有限集合;
(2)T={t1,t2…tn}表示变迁节点的有限集合;
(3)D表示命题集合,|D|=|P|;
(4)F表示输入和输出弧集;
(5)α表示输入强度,即α∈[0,1]:D→P称为命题到输入库所的映射;
(6)β表示输出强度,即β∈[0,1]称为变迁的信度映射;
(7)γ表示变迁激活阈值,γ→[0,1],当变迁的输入信度大于阈值时该变迁自动激活,如果小于阈值则在任何情况下都不被激活。
定义3:加权模糊产生式规则(Weighted Fuzzy Production Rule,WFPR):根据规则库设计的模式,WFPR通过合取(∧)和析取(∨)将许多命题连接,规则R={R1,R2,…,Rn}有如下形式:
Ri:IF a THEN b(CF,TH,W)i={1,2,…,n} (1)
其中,a和b表示为包含模糊变量的命题,共同构成规则的前提和结论,a={a1,a2,…,am}表示一组前提条件命题,有一棵或几个“与或树”组成,b表示若干结论命题。CF=μ表示规则Ri可信程度,μ∈[0,1]越大表示规则越可信。TH={λ1,λ2,…,λm}表示前提命题激活的阈值集合,λj∈[0,1],命题成立的可信度大于相应的阈值时规则才能被激活。W={w1,w2,…,wm}表示前提命题a={a1,a2,…,am}的权重,命题ai的权重wi表示命题ai相对于其他命题来说对结论命题b的重要性程度。模糊产生式规则主要分为三种形式:
Type1:IF a1∧a2∧,…,∧am THEN bk (2)
Type2:IF ak THEN b1∧b2∧,…,∧bm (3)
Type3:IF a1∨a2∨,…,∨am THEN bk (4)
根据FPN和WFPR定义可知,两者在结构和功能上具有高度的相似性,两者映射关系如表1所示。
表1 WFPR与FPN映射关系
根据表1可知,产生式规则的激活可以表示FPN的变迁发生,产生式规则的前提命题模糊谓词可以表示FPN的输入库所,结论命题模糊谓词表示FPN的输出库所,库所和变迁间的有向弧表示产生式规则的推理方向,产生式规则权系数对应输入强度,产生式规则确信度对应输出强度,规则推理阈值与变迁启动阈值相对应。这样FPN正向推理和规划的问题就代表了产生式规则所要推理问题。
定义4:加权模糊Petri网(Weighted Fuzzy Petri Net,WFPN)是对FPN和WFPR扩充而得到的,定义为一个十元数组WFPN=<P,T,D,F,I,O,W,α,μ,γ>,其中:
(1)P={p1,p2…pm}表示库所节点的有限集合;
(2)T={t1,t2…tn}表示变迁节点的有限集合;
(3)D表示命题集合,|D|=|P|;
(4)F表示输入和输出弧集;
(5)I表示输入库所到变迁的有限弧集;
(6)O表示变迁到输出库所的有限弧集;
(7)W={w1,w2,…,wm}表示分配给WFPR前提命题的权重,∑wi=1;
(8)α表示输入强度,即α:D→P命题到输入库所的映射托肯值;
(9)μ表示输出强度,即μ:T→[0,1]称为变迁的信度映射托肯值,CF=μ;
(10)γ表示变迁激活阈值,γ→[0,1],当变迁的输入信度大于阈值时该变迁被自动激活,如果小于阈值则在任何情况下不被激活;
由定义4可将WFPR对应的Type1、Type2和Type3三种规则形式映射为WFPN图形化结构如图1、图2和图3所示。三种规则变迁激发机制分别如下:
令yi=ai·wi,若y≥λ,则ak=y·μ,其中i,k∈{1,2,…,m},i≠k(5)
令yk=ak·wk,若yk≥λ,则ak=yi·μi,其中i,k∈{1,2,…,m},i≠k (6)
令yi=ai·wi,若yi≥λ,则ak=max{yi,μi},其中i,k∈{1,2,…,m},i≠k (7)
WPFN的模糊推理过程实际上是一个由事件驱动的问题求解过程,具体根据感知的态势信息和知识库的专家知识,通过不断循环迭代的方式对新的作战环境和作战任务进行实时的确信度计算,最后提供给规划器最优行为规划。
由于应用背景的差异,正向推理和反响推理的控制策略相继被提出,但是WPFN的运行机制采用变迁事件驱动模式,其与正向推理的逻辑过程和数据流向一致。因此,为了充分发挥WPFN的描述和推理能力,采用基于事件和数据驱动的WPFN正向推理模式。
一种基于加权模糊Petri网的UUV智能体行为规划方法,包括以下步骤:
步骤1:对作战任务进行元事件划分
根据作战态势,将作战任务划分为由若干元事件(Meta-Event,me)组成的集合ME={me1,me2…men},其能够形成一个任务逻辑时序系统,并通过元事件驱动完成任务,其中元事件驱动(Meta-Event-Driven)集合E={e1,e2…en};
步骤2:确定变迁集合
依据元事件驱动集合E,确定变迁集合T={t1,t2…tn},|E|=|T|;
步骤3:确定WFPN的库所集合
确定命题D={d1,d2…dm}数量,并将命题抽象为WFPN的库所集合P={p1,p2…pm},即|D|=|P|;
步骤4:进行模糊谓词划分
区分产生式规则R的前提和结论命题,并且对前提命题进行模糊谓词划分;
步骤5:确立基本WPFN图形化描述
选取WFPR形式,并确立基本WPFN图形化描述;
WFPR形式包括Type1,Type2,Tpye3三种规则形式;
三种规则的变迁激发机制分别如下:
令yi=ai·wi,若y≥λ,则ak=y·μ,其中i,k∈{1,2,…,m},i≠k;
令yk=ak·wk,若yk≥λ,则ak=yi·μi,其中i,k∈{1,2,…,m},i≠k;
令yi=ai·wi,若yi≥λ,则ak=max{yi,μi},其中i,k∈{1,2,…,m},i≠k;
确立基本WPFN图形化描述的方法为:假如pi属于R的前提命题或者结论命题,则建立输入弧I(pi,t)或输出弧O(t,pk),即利用WPFN建立流关系F集合。
步骤6:确定输入强度
如果pi∈P且pi为规则R的前提谓词,则确定输入库所pi的初始映射Token值和权重wi,即确定输入强度;
步骤7:确定输出强度
如果pi∈P且pi为规则R的结论谓词,则确定变迁t所对应的置信度CF=μ,即确定输出强度;
步骤8:确定变迁激活阈值
确定规则R的γ变迁激活阈值,γ→[0,1],当变迁的输入信度大于阈值时该变迁自动激活,如果小于阈值则在任何情况下不被激活;
步骤9:实现问题的求解
根据规则Type类型,选择变迁启动规则公式进行数据驱动,实现问题的求解。
利用本发明提供的基于加权模糊Petri的UUV智能体行为规划设计方案,以作战海域内UUV对敌方水下目标进行搜索/攻击任务为例进行具体说明。
步骤1:根据作战态势,将作战任务划分为搜索元事件e1和攻击元事件e2,集合E={e1,e2},形成一个任务逻辑时序系统,并通过元事件驱动完成任务;
步骤2:依据元事件驱动集合E,确定变迁集合T,|E|=|T|,即e1=t1,e2=t2,T={t1,t2};
步骤3:依据产生式规则R的前提和结论命题,本发明选择作战环境威胁等级E、UUV能力等级A、敌方目标威胁T、能源供给等级N和UUV行为规划结果C为命题,其中环境等级、能力等级和目标威胁由根据专家先验经验知识库提供,能源供给则考虑定量化剩余能量,UUV规划结果C主要包括攻击目标Attack、规避目标Aviod、悬停补充能源Supplement、返回Return,即C={Attack,Aviod,Supplement,Return}。由于命题E,A,T,N数量m=5,则D={d1,d2…dm}={E,A,T,N,C},|D|=|P|,即P={p1,p2…pm}={E,A,T,N,C}。
步骤4:区分加权模糊产生式规则WFPR的前提和结论命题,其中集合{p1,p2,p3,p4}={E,A,T,N}为前提命题,p5=C={Attack,Aviod,Supplement,Return}为结论命题。为使问题简单,对每一个前提命题进行高中低(High,Middle,Low)三个模糊谓词定义如下:
环境威胁等级:E={High(p11,w11),Middle(p12,w12),Low(p13,w13)}
UUV能力等级:A={High(p21,w21),Middle(p22,w22),Low(p23,w23)}
目标威胁等级:T={High(p31,w31),Middle(p32,w32),Low(p33,w33)}
能源供给等级:P={High(p41,w41),Middle(p42,w42),Low(p43,w43)}
其中pij(i=1,2…4,j=1,2,3)表示第i个前提命题的第j个模糊谓词,wij表示pij对应的权重。
步骤5:选取WFPR的Type1形式,并确立基本WPFN图形化描述如图1所示。本发明为了清晰地呈现WFPN的知识表达与推理过程,选择特定的某一条规则R,其表述如下:在作战环境简单,自身能力较强,作战目标威胁高,能源补给充足的条件下UIA对目标进行攻击。
根据规则表述形式,推理与规划的WPFR形式选择Type1,则模糊规则R如下所示:
IF E is Low(p13,w13)and A is Middle(p21,w21)and T is High(p31,w31)and Pis Middle(p42,w42),THEN C is Middlep51(λ,μ)
其中,λ表示规则的启发阈值,μ表示规则结论的可信度。
步骤6:确定输入库所pi的初始映射Token值及其权重wi如表2所示。
表2 信度与权重的量化值
步骤7:确定信度值μ=0.8。
步骤8:确定信度值λ=0.6。当变迁的输入信度大于阈值时该变迁自动激活,如果小于阈值则在任何情况下不被激活;
步骤9:根据规则Type类型,选择变迁启动规则公式(5)进行数据驱动实现问题的求解。
输入强度y=p13×w13+p21×w21+p31×w31+p42×w42=0.77,由于y>λ,即变迁的输入信度大于阈值时该变迁被自动激活,则y(p51)=y×μ=0.77×0.8=0.616,推理结果:C={攻击},表示UUV应该进行攻击的自主动作(决策),符合专家经验。根据以上分析,模糊规则R表示的WFPN过程如图4所示。
WFPN作为一种结合事件驱动和数据驱动的知识表达和推理模型的规划方法,解决了UUV作战过程中并发性、复杂性、模糊性等因素带来知识表达和推理的建模难题,实现了专家先验知识和产生式规则推理优点的充分结合,同时也方便计算与实施。
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 (3)
1.一种基于加权模糊Petri网的UUV智能体行为规划方法,其特征在于,包括以下步骤:
步骤1:对作战任务进行元事件划分
根据作战态势,将作战任务划分为由若干元事件组成的集合ME={me1,me2…men},其能够形成一个任务逻辑时序系统,并通过元事件驱动完成任务,其中元事件驱动集合E={e1,e2…en};
步骤2:确定变迁集合
依据元事件驱动集合E,确定变迁集合T={t1,t2…tn},|E|=|T|;
步骤3:确定WFPN的库所集合
确定命题D={d1,d2…dm}数量,并将命题抽象为WFPN的库所集合P={p1,p2…pm},即|D|=|P|;
步骤4:进行模糊谓词划分
区分产生式规则R的前提命题和结论命题,并且对前提命题进行模糊谓词划分;
步骤5:确立基本WPFN图形化描述
选取WFPR形式,并确立基本WPFN图形化描述;
步骤6:确定输入强度
如果pi∈P,且pi为规则R的前提谓词,则确定输入库所pi的初始映射Token值和权重wi,即确定输入强度;
步骤7:确定输出强度
如果pi∈P,且pi为规则R的结论谓词,则确定变迁t所对应的置信度CF=μ,即确定输出强度;
步骤8:确定变迁激活阈值
确定规则R的γ变迁激活阈值,γ→[0,1],当变迁的输入信度大于阈值时该变迁自动激活,如果小于阈值则在任何情况下不被激活;
步骤9:实现问题的求解
根据规则Type类型,选择变迁启动规则公式进行数据驱动,实现问题的求解。
2.如权利要求1所述的基于加权模糊Petri网的UUV智能体行为规划方法,其特征在于,所述步骤5中确立基本WPFN图形化描述的方法为:假如pi属于R的前提命题或者结论命题,则建立输入弧I(pi,t)或输出弧O(t,pk),即利用WPFN建立流关系F集合。
3.如权利要求1所述的基于加权模糊Petri网的UUV智能体行为规划方法,其特征在于,所述步骤5中WFPR形式包括Type1,Type2,Tpye3三种规则形式;
三种规则的变迁激发机制分别如下:
令yi=ai·wi,若y≥λ,则ak=y·μ,其中i,k∈{1,2,…,m},i≠k;
令yk=ak·wk,若yk≥λ,则ak=yi·μi,其中i,k∈{1,2,…,m},i≠k;令yi=ai·wi,若yi≥λ,则ak=max{yi,μi},其中i,k∈{1,2,…,m},i≠k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635865.3A CN110619131B (zh) | 2018-06-20 | 2018-06-20 | 一种基于加权模糊Petri网的UUV智能体行为规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635865.3A CN110619131B (zh) | 2018-06-20 | 2018-06-20 | 一种基于加权模糊Petri网的UUV智能体行为规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619131A true CN110619131A (zh) | 2019-12-27 |
CN110619131B CN110619131B (zh) | 2022-11-29 |
Family
ID=68920558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810635865.3A Expired - Fee Related CN110619131B (zh) | 2018-06-20 | 2018-06-20 | 一种基于加权模糊Petri网的UUV智能体行为规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619131B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180195A (zh) * | 2020-09-30 | 2021-01-05 | 国网福建省电力有限公司厦门供电公司 | 一种园区供用电设备全状态信息采集及故障诊断方法 |
CN112287521A (zh) * | 2020-10-10 | 2021-01-29 | 东北大学 | 一种智能作战装备决策平台 |
CN114416792A (zh) * | 2022-01-11 | 2022-04-29 | 中国人民解放军国防科技大学 | 一种基于概率的数据流处理方法及系统 |
CN114792072A (zh) * | 2022-05-18 | 2022-07-26 | 中国人民解放军国防科技大学 | 一种基于功能的装备决策行为仿真建模方法及系统 |
CN115071926A (zh) * | 2022-05-16 | 2022-09-20 | 西北工业大学 | 一种基于Petri网的自主水下航行器锚泊卧底任务控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2773879A1 (en) * | 2009-09-25 | 2011-03-31 | Basf Plant Science Company Gmbh | Plants having enhanced yield-related traits and a method for making the same |
CN102175460A (zh) * | 2011-01-28 | 2011-09-07 | 中国人民解放军海军工程大学 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
CN102393922A (zh) * | 2011-06-23 | 2012-03-28 | 山西省电力公司晋中供电分公司 | 变电站智能报警专家系统的模糊Petri推理方法 |
CN103810525A (zh) * | 2012-11-13 | 2014-05-21 | 中国科学院沈阳计算技术研究所有限公司 | 基于多智能体技术的数控系统的知识模型及其推理算法 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN106055789A (zh) * | 2016-05-31 | 2016-10-26 | 西北工业大学 | 基于加权模糊Petri网的自主无人机形式化推理方法 |
CN106971634A (zh) * | 2017-04-28 | 2017-07-21 | 中国船舶重工集团公司第七0九研究所 | 一种基于飞行器航迹预测的空域冲突检测方法及系统 |
-
2018
- 2018-06-20 CN CN201810635865.3A patent/CN110619131B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2773879A1 (en) * | 2009-09-25 | 2011-03-31 | Basf Plant Science Company Gmbh | Plants having enhanced yield-related traits and a method for making the same |
CN102175460A (zh) * | 2011-01-28 | 2011-09-07 | 中国人民解放军海军工程大学 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
CN102393922A (zh) * | 2011-06-23 | 2012-03-28 | 山西省电力公司晋中供电分公司 | 变电站智能报警专家系统的模糊Petri推理方法 |
CN103810525A (zh) * | 2012-11-13 | 2014-05-21 | 中国科学院沈阳计算技术研究所有限公司 | 基于多智能体技术的数控系统的知识模型及其推理算法 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN106055789A (zh) * | 2016-05-31 | 2016-10-26 | 西北工业大学 | 基于加权模糊Petri网的自主无人机形式化推理方法 |
CN106971634A (zh) * | 2017-04-28 | 2017-07-21 | 中国船舶重工集团公司第七0九研究所 | 一种基于飞行器航迹预测的空域冲突检测方法及系统 |
Non-Patent Citations (7)
Title |
---|
SHYI-MING CHEN 等: ""Weighted_fuzzy_reasoning_using_weighted_fuzzy_Petri_nets"", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 * |
刘海光等: "远程UUV指挥控制流程分层Petri网建模及延时分析", 《舰船科学技术》 * |
包玉剑等: "加权模糊Petri网在电网故障诊断中的应用", 《电气开关》 * |
吴荣海等: "加权模糊Petri网的正向推理算法", 《大理学院学报》 * |
喻平等: "改进的模糊Petri网算法及其在故障诊断中的应用", 《兵工自动化》 * |
孙晓玲等: "基于扩展的带标识的Petri网的加权模糊推理", 《计算机仿真》 * |
康小平 等: ""基于时延Petri网的多UUV系统的任务分配策略"", 《2007仪表自动化及先进集成技术大会论文集(二)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180195A (zh) * | 2020-09-30 | 2021-01-05 | 国网福建省电力有限公司厦门供电公司 | 一种园区供用电设备全状态信息采集及故障诊断方法 |
CN112180195B (zh) * | 2020-09-30 | 2023-12-12 | 国网福建省电力有限公司厦门供电公司 | 一种园区供用电设备全状态信息采集及故障诊断方法 |
CN112287521A (zh) * | 2020-10-10 | 2021-01-29 | 东北大学 | 一种智能作战装备决策平台 |
CN114416792A (zh) * | 2022-01-11 | 2022-04-29 | 中国人民解放军国防科技大学 | 一种基于概率的数据流处理方法及系统 |
CN115071926A (zh) * | 2022-05-16 | 2022-09-20 | 西北工业大学 | 一种基于Petri网的自主水下航行器锚泊卧底任务控制方法 |
CN115071926B (zh) * | 2022-05-16 | 2023-12-19 | 西北工业大学 | 一种基于Petri网的自主水下航行器锚泊卧底任务控制方法 |
CN114792072A (zh) * | 2022-05-18 | 2022-07-26 | 中国人民解放军国防科技大学 | 一种基于功能的装备决策行为仿真建模方法及系统 |
CN114792072B (zh) * | 2022-05-18 | 2024-01-16 | 中国人民解放军国防科技大学 | 一种基于功能的装备决策行为仿真建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110619131B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619131B (zh) | 一种基于加权模糊Petri网的UUV智能体行为规划方法 | |
CN107967134B (zh) | 一种新型作战效能仿真建模方法 | |
US10628440B1 (en) | Randomization via dynamic representation and informed search | |
Wright et al. | Multi-entity Bayesian networks for situation assessment | |
Johansson | Evaluating the performance of TEWA systems | |
CN113077052A (zh) | 用于稀疏奖励环境的强化学习方法、装置、设备及介质 | |
US20210078735A1 (en) | Satellite threat mitigation by application of reinforcement machine learning in physics based space simulation | |
Kott et al. | Intelligent autonomous things on the battlefield | |
CN113255893B (zh) | 一种多智能体行动策略自演进生成方法 | |
CN111832911A (zh) | 一种基于神经网络算法的水下作战效能评估方法 | |
CN106055789B (zh) | 基于加权模糊Petri网的自主无人机形式化推理方法 | |
CN115906673B (zh) | 作战实体行为模型一体化建模方法及系统 | |
Yin et al. | A Semi‐Markov Decision Model for Recognizing the Destination of a Maneuvering Agent in Real Time Strategy Games | |
CN114792072B (zh) | 一种基于功能的装备决策行为仿真建模方法及系统 | |
CN116663416A (zh) | 一种基于行为树的cgf决策行为仿真方法 | |
Fu et al. | Boosting black-box adversarial attacks with meta learning | |
Devitt | Normative epistemology for lethal autonomous weapon systems | |
Wray et al. | An architectural approach to ensuring consistency in hierarchical execution | |
Burns et al. | Semantic nets as paradigms for both causal and judgemental knowledge representation | |
Johnson et al. | Mapping artificial intelligence to the naval tactical kill chain | |
Ma et al. | An Adaptive Mission Planning Method for UUV Combat Operations Under Uncertain Conditions | |
CN116485039B (zh) | 一种基于强化学习的打击序列智能规划方法 | |
Ouyang et al. | Operational effectiveness evaluation of maritime C4ISR system based on system dynamics | |
Chen et al. | Implementation of black box models for internal ballistics optimization using an artificial neural network | |
CN114329928B (zh) | 一种装备模型的模块化组装与总体参数快速生成方法 |
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: 20221129 |