CN110619131A - 一种基于加权模糊Petri网的UUV智能体行为规划方法 - Google Patents

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

一种基于加权模糊Petri网的UUV智能体行为规划方法

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…me_n}，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…e_n}；

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…t_n}，|E|＝|T|；

步骤3：确定WFPN的库所集合

确定命题D＝{d₁，d₂…d_m}数量，并将命题抽象为WFPN的库所集合P＝{p₁，p₂…p_m}，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p_i∈P且p_i为规则R的前提谓词，则确定输入库所p_i的初始映射Token值和权重w_i，即确定输入强度；

步骤7：确定输出强度

如果p_i∈P且p_i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p_i属于R的前提命题或者结论命题，则建立输入弧I(p_i，t)或输出弧O(t，p_k)，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y_i＝a_i·w_i，若y≥λ，则a_k＝y·μ，其中i，k∈{1，2，…，m}，i≠k；

令y_k＝a_k·w_k，若y_k≥λ，则a_k＝y_i·μ_i，其中i，k∈{1，2，…，m}，i≠k；

令y_i＝a_i·w_i，若y_i≥λ，则a_k＝max{y_i，μ_i}，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…p_m}表示库所节点的有限集合；

(2)T＝{t₁，t₂…t_n}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，…，R_n}有如下形式：

R_i：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，…，a_m}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R_i可信程度，μ∈[0，1]越大表示规则越可信。TH＝{λ₁，λ₂，…，λ_m}表示前提命题激活的阈值集合，λ_j∈[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，…，w_m}表示前提命题a＝{a₁，a₂，…，a_m}的权重，命题a_i的权重w_i表示命题a_i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∧，…，∧a_m THEN b_k (2)

Type2：IF a_k THEN b₁∧b₂∧，…，∧b_m (3)

Type3：IF a₁∨a₂∨，…，∨a_m THEN b_k (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…p_m}表示库所节点的有限集合；

(2)T＝{t₁，t₂…t_n}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，…，w_m}表示分配给WFPR前提命题的权重，∑w_i＝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y_i＝a_i·w_i，若y≥λ，则a_k＝y·μ，其中i，k∈{1，2，…，m}，i≠k(5)

令y_k＝a_k·w_k，若y_k≥λ，则a_k＝y_i·μ_i，其中i，k∈{1，2，…，m}，i≠k (6)

令y_i＝a_i·w_i，若y_i≥λ，则a_k＝max{y_i，μ_i}，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…me_n}，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…e_n}；

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…t_n}，|E|＝|T|；

步骤3：确定WFPN的库所集合

确定命题D＝{d₁，d₂…d_m}数量，并将命题抽象为WFPN的库所集合P＝{p₁，p₂…p_m}，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y_i＝a_i·w_i，若y≥λ，则a_k＝y·μ，其中i，k∈{1，2，…，m}，i≠k；

令y_k＝a_k·w_k，若y_k≥λ，则a_k＝y_i·μ_i，其中i，k∈{1，2，…，m}，i≠k；

令y_i＝a_i·w_i，若y_i≥λ，则a_k＝max{y_i，μ_i}，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p_i属于R的前提命题或者结论命题，则建立输入弧I(p_i，t)或输出弧O(t，p_k)，即利用WPFN建立流关系F集合。

步骤6：确定输入强度

如果p_i∈P且p_i为规则R的前提谓词，则确定输入库所p_i的初始映射Token值和权重w_i，即确定输入强度；

步骤7：确定输出强度

如果p_i∈P且p_i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…d_m}＝{E，A，T，N，C}，|D|＝|P|，即P＝{p₁，p₂…p_m}＝{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p_ij(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，w_ij表示p_ij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p_i的初始映射Token值及其权重w_i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…me_n}，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…e_n}；

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…t_n}，|E|＝|T|；

步骤3：确定WFPN的库所集合

确定命题D＝{d₁，d₂…d_m}数量，并将命题抽象为WFPN的库所集合P＝{p₁，p₂…p_m}，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p_i∈P，且p_i为规则R的前提谓词，则确定输入库所p_i的初始映射Token值和权重w_i，即确定输入强度；

步骤7：确定输出强度

如果p_i∈P，且p_i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p_i属于R的前提命题或者结论命题，则建立输入弧I(p_i，t)或输出弧O(t，p_k)，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y_i＝a_i·w_i，若y≥λ，则a_k＝y·μ，其中i，k∈{1，2，…，m}，i≠k；

令y_k＝a_k·w_k，若y_k≥λ，则a_k＝y_i·μ_i，其中i，k∈{1，2，…，m}，i≠k；令y_i＝a_i·w_i，若y_i≥λ，则a_k＝max{y_i，μ_i}，其中i，k∈{1，2，…，m}，i≠k。