CN111736516B - 多智能体系统的自主分簇控制方法和装置 - Google Patents
多智能体系统的自主分簇控制方法和装置 Download PDFInfo
- Publication number
- CN111736516B CN111736516B CN202010776719.XA CN202010776719A CN111736516B CN 111736516 B CN111736516 B CN 111736516B CN 202010776719 A CN202010776719 A CN 202010776719A CN 111736516 B CN111736516 B CN 111736516B
- Authority
- CN
- China
- Prior art keywords
- matrix
- agent system
- vectors
- vector group
- determining
- 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
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本申请涉及一种多智能体系统的自主分簇控制方法和装置。所述方法包括:获取多智能体系统的状态变量,根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵以及对应拉普拉斯矩阵的零特征值的重数,计算非奇异矩阵,获取非奇异矩阵的列向量组成的线性无关向量组,以及获取对偶基向量组,根据重数、线性无关向量组以及对偶基向量组,对状态变量进行分解,得到多智能体系统状态坐标,计算状态坐标的收敛值,根据收敛值和线性无关向量组,构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量,根据分簇数量、线性无关向量组以及收敛值,确定共识向量,根据共识向量计算相位同步向量。采用本方法能够实现多智能体系统自主分簇控制。
Description
技术领域
本申请涉及智能体技术领域,特别是涉及一种多智能体系统的自主分簇控制方法和装置。
背景技术
作为多智能体各种合作行为的控制技术分析和综合中最重要的主题之一,系统共识引起了特别的关注。共识的目标是使系统中所有个体的全部状态或输出接近一个公共向量。但随着人们对应用系统的职能要求不断增大,使得系统规模的增加以及复杂度的提高,导致单聚点共识模式无法满足系统的控制需求,因而越来越多的人开始关注分群一致性或多聚点同步,即网络中的多智能体被分为若干群,以实现系统功能互补。据现有文献报道,多智能体系统的自主分簇实现的技术有以下方法:
2016年Mathematical Models and Methods in Applied Sciences刊载的“Emergence of bi-cluster flocking for the Cucker-Smale model”,提出了一种双聚点集群行为实现方法,通过设置子系统间较大距离、明显分离速度以及子系统内部位置、速度差异较小的初始条件,证明了系统发生双聚点集群行为。该方案对多智能体系统的初始条件进行一定限制,未权衡子系统的聚集状态与整个系统宏观行为的关系,未考虑系统历史状态因素对个体的影响。
2017年Journal of the Franklin Institute刊载的“Multi-cluster flockingbehavior of the hierarchical Cucker-Smale model”,提出了一种多聚点集群的解决方案,利用满足序关系的初始条件,通过计算一些特征,解决了一维条件下的多聚点集群问题。该方法关键在于对初始条件序关系的设计,没有考虑子系统集群状态悬殊较大时的整个系统的状态,也没有考虑个体的运动对历史状态的依赖。
2020年JOURNAL OF DIFFERENTIAL EQUATIONS刊载的“Completeclassification of the asymptotical behavior for singular C-S model on thereal line”,通过构造个体间相对距离的下界,提供了一种实现多团簇的聚类算法。类似于上述两个方案,这类方法只涉及系统的分簇,对个体的记忆因素以及如何权衡子系统与多智能体系统的共识等问题都没有考虑。
综上所述,以上文献中多智能体系统分簇的实现往往是在人的干预下实现的,即对初始条件进行调节使系统达到分簇的效果。这种方式并没有很好的体现多智能体系统的自主控制的能力。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决多智能体自主分簇问题的多智能体系统的自主分簇控制方法和装置。
一种多智能体系统的自主分簇控制方法,所述方法包括:
获取多智能体系统的状态变量;
根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵,根据所述邻接矩阵,获取对应的拉普拉斯矩阵,以及所述拉普拉斯矩阵的零特征值的重数;
计算用于将所述拉普拉斯矩阵进行分块的非奇异矩阵,获取所述非奇异矩阵的列向量组成的线性无关向量组,以及获取所述线性无关向量组的对偶基向量组;
根据所述重数、所述线性无关向量组以及所述对偶基向量组,对所述状态变量进行分解,得到多智能体系统状态坐标,计算所述状态坐标的收敛值;
根据所述收敛值和所述线性无关向量组,构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量;
根据所述分簇数量、所述线性无关向量组以及所述收敛值,确定多智能体系统的共识向量,根据所述共识向量计算各个分簇的相位同步向量;
根据所述相位同步向量进行多智能体系统的运动控制。
在其中一个实施例中,还包括:获取多智能体系统的状态变量为:
根据所述状态变量,确定多智能体系统的动态刻画为:
在其中一个实施例中,还包括:根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵为:
在其中一个实施例中,还包括:计算用于将所述拉普拉斯矩阵进行Jordan分块的非奇异矩阵为:
在其中一个实施例中,还包括:计算所述状态坐标的收敛值为:
在其中一个实施例中,还包括:根据所述收敛值和所述线性无关向量组,构建范德蒙德矩阵为:
一种多智能体系统的自主分簇控制装置,所述装置包括:
状态获取模块,用于获取多智能体系统的状态变量;
计算模块,用于根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵,根据所述邻接矩阵,获取对应的拉普拉斯矩阵,以及所述拉普拉斯矩阵的零特征值的重数;计算用于将所述拉普拉斯矩阵进行分块的非奇异矩阵,获取所述非奇异矩阵的列向量组成的线性无关向量组,以及获取所述线性无关向量组的对偶基向量组;根据所述重数、所述线性无关向量组以及所述对偶基向量组,对所述状态变量进行分解,得到多智能体系统状态坐标,计算所述状态坐标的收敛值;
相位同步计算模块,用于根据所述收敛值和所述线性无关向量组,构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量;根据所述分簇数量、所述线性无关向量组以及所述收敛值,确定多智能体系统的共识向量,根据所述共识向量计算各个分簇的相位同步向量;
控制模块,用于根据所述相位同步向量进行多智能体系统的运动控制。
上述多智能体系统的自主分簇控制方法和装置,通过构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量,然后通过智能体个体之间的影响强度悬殊较大的子系统对耦合系统共识状态的影响,提高多智能体系统在复杂环境下的自主行为能力。
附图说明
图1为一个实施例中多智能体系统的自主分簇控制方法的流程示意图;
图2为一个实施例中多智能体系统的自主分簇控制装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种多智能体系统的自主分簇控制方法,包括以下步骤:
步骤102,获取多智能体系统的状态变量。
对于多智能体的主动分簇,可以采用如下模型描述:
表示多智能体系统个体间的耦合系数,,,是个体间的影响半径,是关于个体间相对距离的截断型交互函数,定义为;,考虑由此类模型刻画的多智能体系统的分簇行为,如果个体间影响半径,即系统内部只存在局部的相互影响,此时可以利用系统的结构和初始条件进行分簇行为设计,这样的处理方式上述提及的分簇技术中已存在;如果个体间影响半径,即系统中个体间相互作用是全局的,此时自主分簇模型描述为:
步骤104,根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵,根据邻接矩阵,获取对应的拉普拉斯矩阵,以及拉普拉斯矩阵的零特征值的重数。
步骤106,计算用于将拉普拉斯矩阵进行分块的非奇异矩阵,获取非奇异矩阵的列向量组成的线性无关向量组,以及获取线性无关向量组的对偶基向量组。
步骤108,根据重数、线性无关向量组以及对偶基向量组,对状态变量进行分解,得到多智能体系统状态坐标,计算状态坐标的收敛值。
步骤110,根据收敛值和线性无关向量组,构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量。
步骤112,根据分簇数量、线性无关向量组以及收敛值,确定多智能体系统的共识向量,根据共识向量计算各个分簇的相位同步向量。
步骤114,根据相位同步向量进行多智能体系统的运动控制。
上述多智能体系统的自主分簇控制方法中,通过构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量,然后通过智能体个体之间的影响强度悬殊较大的子系统对耦合系统共识状态的影响,提高多智能体系统在复杂环境下的自主行为能力。
在其中一个实施例中,获取多智能体系统的状态变量为:
根据所述状态变量,确定多智能体系统的动态刻画为:
在另一个实施例中,根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵为:
在其中一个实施例中,计算用于将拉普拉斯矩阵进行Jordan分块的非奇异矩阵为:
在其中一个实施例中,计算状态坐标的收敛值为:
在其中一个实施例中,根据收敛值和线性无关向量组,构建范德蒙德矩阵为:
根据范德蒙德矩阵的秩,确定分簇数量。
以下以一个具体实施例,对本发明的上述实施例进行说明。
分析一类具有分布式延迟的相位耦合齐次多振子系统聚类准则。考虑以下具有6个震荡器构成的振子系统述如下:
该系统由两个方程式耦合,第一个方程式定义振子的动态行为,第二个方程式确定耦合函数的变化;其中
表1 实施例计算数据
即振子系统能够自组分成两簇。
本发明提出了一种多智能体系统的自主分簇方法,给出了系统的分簇准则和局部同步值的 计算方法。根据实施例,分簇准则和同步计算公式能同时确保多智能体系统的分簇行为。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种多智能体系统的自主分簇控制装置,包括:状态获取模块202、计算模块204、相位同步计算模块206和控制模块208,其中:
状态获取模块202,用于获取多智能体系统的状态变量;
计算模块204,用于根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵,根据所述邻接矩阵,获取对应的拉普拉斯矩阵,以及所述拉普拉斯矩阵的零特征值的重数;计算用于将所述拉普拉斯矩阵进行分块的非奇异矩阵,获取所述非奇异矩阵的列向量组成的线性无关向量组,以及获取所述线性无关向量组的对偶基向量组;根据所述重数、所述线性无关向量组以及所述对偶基向量组,对所述状态变量进行分解,得到多智能体系统状态坐标,计算所述状态坐标的收敛值;
相位同步计算模块206,用于根据所述收敛值和所述线性无关向量组,构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量;根据所述分簇数量、所述线性无关向量组以及所述收敛值,确定多智能体系统的共识向量,根据所述共识向量计算各个分簇的相位同步向量;
控制模块208,用于根据所述相位同步向量进行多智能体系统的运动控制。
在其中一个实施例中,状态获取模块202还用于获取多智能体系统的状态变量为:
根据所述状态变量,确定多智能体系统的动态刻画为:
在其中一个实施例中,计算模块204还用于根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵为:
在其中一个实施例中,计算模块204还用于计算用于将所述拉普拉斯矩阵进行Jordan分块的非奇异矩阵为:
在其中一个实施例中,计算模块204还用于计算所述状态坐标的收敛值为:
在其中一个实施例中,计算模块204还用于根据所述收敛值和所述线性无关向量组,构建范德蒙德矩阵为:
关于多智能体系统的自主分簇控制装置的具体限定可以参见上文中对于多智能体系统的自主分簇控制方法的限定,在此不再赘述。上述多智能体系统的自主分簇控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种多智能体系统的自主分簇控制方法,其特征在于,所述方法包括:
获取多智能体系统的状态变量;
根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵,根据所述邻接矩阵,获取对应的拉普拉斯矩阵,以及所述拉普拉斯矩阵的零特征值的重数;
计算用于将所述拉普拉斯矩阵进行分块的非奇异矩阵,获取所述非奇异矩阵的列向量组成的线性无关向量组,以及获取所述线性无关向量组的对偶基向量组;
根据所述重数、所述线性无关向量组以及所述对偶基向量组,对所述状态变量进行分解,得到多智能体系统状态坐标,计算所述状态坐标的收敛值;
根据所述收敛值和所述线性无关向量组,构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量;
根据所述分簇数量、所述线性无关向量组以及所述收敛值,确定多智能体系统的共识向量,根据所述共识向量计算各个分簇的相位同步向量;
根据所述相位同步向量进行多智能体系统的运动控制。
8.一种多智能体系统的自主分簇控制装置,其特征在于,所述装置包括:
状态获取模块,用于获取多智能体系统的状态变量;
计算模块,用于根据多智能体系统中各个智能体个体之间的影响强度,确定邻接矩阵,根据所述邻接矩阵,获取对应的拉普拉斯矩阵,以及所述拉普拉斯矩阵的零特征值的重数;计算用于将所述拉普拉斯矩阵进行分块的非奇异矩阵,获取所述非奇异矩阵的列向量组成的线性无关向量组,以及获取所述线性无关向量组的对偶基向量组;根据所述重数、所述线性无关向量组以及所述对偶基向量组,对所述状态变量进行分解,得到多智能体系统状态坐标,计算所述状态坐标的收敛值;
相位同步计算模块,用于根据所述收敛值和所述线性无关向量组,构建范德蒙德矩阵,根据范德蒙德矩阵的秩,确定分簇数量;根据所述分簇数量、所述线性无关向量组以及所述收敛值,确定多智能体系统的共识向量,根据所述共识向量计算各个分簇的相位同步向量;
控制模块,用于根据所述相位同步向量进行多智能体系统的运动控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776719.XA CN111736516B (zh) | 2020-08-05 | 2020-08-05 | 多智能体系统的自主分簇控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776719.XA CN111736516B (zh) | 2020-08-05 | 2020-08-05 | 多智能体系统的自主分簇控制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736516A CN111736516A (zh) | 2020-10-02 |
CN111736516B true CN111736516B (zh) | 2020-11-17 |
Family
ID=72658026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010776719.XA Active CN111736516B (zh) | 2020-08-05 | 2020-08-05 | 多智能体系统的自主分簇控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736516B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867409B (zh) * | 2021-11-16 | 2023-10-17 | 中国人民解放军国防科技大学 | 基于群体智能的微型无人机集群免碰撞控制方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594677A (zh) * | 2009-06-25 | 2009-12-02 | 北京航空航天大学 | 一种基于分簇的非规则Ad hoc网络节点自定位系统 |
CN101877918A (zh) * | 2009-04-30 | 2010-11-03 | 清华大学 | 移动通信中基站动态分簇的设备和方法 |
CN102158962A (zh) * | 2010-02-11 | 2011-08-17 | 华为技术有限公司 | 基站协作中的分簇方法、资源分配方法及相关设备 |
CN108732972A (zh) * | 2018-06-08 | 2018-11-02 | 深圳大图科创技术开发有限公司 | 用于多机器人的智能数据采集系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9678497B2 (en) * | 2013-08-30 | 2017-06-13 | Regents Of The University Of Minnesota | Parallel processing with cooperative multitasking |
US20180332256A1 (en) * | 2016-08-17 | 2018-11-15 | Hrl Laboratories, Llc | Coarse-grained multilayer flow information dynamics for multiscale monitoring |
CN111163485B (zh) * | 2019-12-17 | 2022-11-01 | 佛山科学技术学院 | 一种传感器网络故障主动感知方法及系统 |
-
2020
- 2020-08-05 CN CN202010776719.XA patent/CN111736516B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877918A (zh) * | 2009-04-30 | 2010-11-03 | 清华大学 | 移动通信中基站动态分簇的设备和方法 |
CN101594677A (zh) * | 2009-06-25 | 2009-12-02 | 北京航空航天大学 | 一种基于分簇的非规则Ad hoc网络节点自定位系统 |
CN102158962A (zh) * | 2010-02-11 | 2011-08-17 | 华为技术有限公司 | 基站协作中的分簇方法、资源分配方法及相关设备 |
CN108732972A (zh) * | 2018-06-08 | 2018-11-02 | 深圳大图科创技术开发有限公司 | 用于多机器人的智能数据采集系统 |
Non-Patent Citations (1)
Title |
---|
"面向无线通信网络的分簇稳定性控制研究";付蝶;《计算机与数字工程》;20191231;第47卷(第9期);第2265-2272页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111736516A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xin et al. | Elastic extreme learning machine for big data classification | |
Tyan et al. | Improving variable-fidelity modelling by exploring global design space and radial basis function networks for aerofoil design | |
Giesl et al. | Computation of Lyapunov functions for nonlinear discrete time systems by linear programming | |
He et al. | Enhanced virtual sample generation based on manifold features: Applications to developing soft sensor using small data | |
Bellocchio et al. | Hierarchical approach for multiscale support vector regression | |
Gupta et al. | Three-dimensional deep learning-based reduced order model for unsteady flow dynamics with variable Reynolds number | |
Singh et al. | Nonparametric catchment clustering using the data depth function | |
CN111736516B (zh) | 多智能体系统的自主分簇控制方法和装置 | |
Kočvara et al. | Solving stress constrained problems in topology and material optimization | |
Das et al. | Improving rbf kernel function of support vector machine using particle swarm optimization | |
Wieczynski et al. | d-XC integrals: on the generalization of the expanded form of the Choquet integral by restricted dissimilarity functions and their applications | |
Alhamzawi | Bayesian analysis of composite quantile regression | |
Muratore-Ginanneschi | On the use of stochastic differential geometry for non-equilibrium thermodynamic modeling and control | |
Liu et al. | Fuzzy mixed-prototype clustering algorithm for microarray data analysis | |
Racković et al. | Clustering of the blendshape facial model | |
Zhang et al. | Three-way selection random forest algorithm based on decision boundary entropy | |
Ouyang | Structural rule-based modeling with granular computing | |
Krivonozhko et al. | Improving the frontier in DEA models | |
Bailoni et al. | Proposal-free volumetric instance segmentation from latent single-instance masks | |
Sun et al. | A novel online adaptive kernel method with kernel centers determined by a support vector regression approach | |
Florêncio et al. | A fuzzy c-means-based approach for selecting reference points in minimal learning machines | |
Xian et al. | Intuitionistic fuzzy linguistic clustering algorithm based on a new correlation coefficient for intuitionistic fuzzy linguistic information | |
Sarkar et al. | A new iso-parametric machining algorithm for free-form surface | |
Ouyang et al. | DBSCAN-based granular descriptors for rule-based modeling | |
Alaeddini et al. | An adaptive sequential experimentation methodology for expensive response surface optimization–case study in traumatic brain injury modeling |
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 |