CN112558612B - 一种基于云模型量子遗传算法的异构智能体编队控制方法 - Google Patents
一种基于云模型量子遗传算法的异构智能体编队控制方法 Download PDFInfo
- Publication number
- CN112558612B CN112558612B CN202011477297.2A CN202011477297A CN112558612B CN 112558612 B CN112558612 B CN 112558612B CN 202011477297 A CN202011477297 A CN 202011477297A CN 112558612 B CN112558612 B CN 112558612B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- behavior
- vehicle
- heterogeneous
- representing
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 230000006399 behavior Effects 0.000 claims abstract description 121
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 86
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000011217 control strategy Methods 0.000 claims abstract description 9
- 230000003068 static effect Effects 0.000 claims description 23
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
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
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/14—Control of attitude or depth
-
- 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
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/001—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations
- B63G2008/002—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations unmanned
- B63G2008/004—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations unmanned autonomously operating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/001—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于云模型量子遗传算法的异构智能体编队控制方法，该异构智能体包括水面无人艇和水下无人航行器，控制方法包括如下步骤：建立水面无人艇和水下无人航行器的动力学模型；根据所建立的水面无人艇和水下航行器动力学模型，基于行为及领航跟随算法进行异构智能体编队行为设计；根据所建立的水面无人艇和水下航行器动力学模型，基于云模型量子遗传算法对异构智能体的不同行为的权重系数进行优化，得到最优的编队控制策略，实现对异构智能体的编队控制。本发明所公开的方法能够实现水面无人艇和水下无人航行器一体化编队控制，提高工作效率，扩大工作范围。
Description
技术领域
本发明涉及异构智能体编队控制领域，特别涉及一种基于云模型量子遗传算法的异构智能体编队控制方法。
背景技术
面对复杂多变的海洋环境，水面水下一体化观测已经成为国际前沿研究热点和重要发展趋势，因此，水面无人艇(Unmanned Surface Vehicle，USV)和水下无人航行器(Autonomous Underwater Vehicle，AUV)在反潜、反鱼雷、情报监视与侦查、水下地形地貌测绘、特定目标的追踪与调查、海洋环境数据的获取等领域越来越得到广泛的关注和研究。然而，对于执行这些任务的单一智能体而言，往往存在承载能力低、覆盖范围小、信息处理能力弱等缺点。
目前，大部分研究针对单独USV或单独AUV编队控制，并未将二者有机的结合，而实际任务大多数要求水面水下协同完成。单一结构的智能体显然有其应用的局限性，任务执行效率低。如何将USV和AUV所能发挥的作用有机地结合起来，使编队中各智能体信息共享，并获取自身所需的信息，从而实现更高的工作效率和更广的覆盖范围，是目前亟待解决的关键问题。
发明内容
为解决上述技术问题，本发明提供了一种基于云模型量子遗传算法的异构智能体编队控制方法，以达到实现水面无人艇和水下无人航行器一体化编队控制，提高工作效率，扩大工作范围的目的。
为达到上述目的，本发明的技术方案如下：
一种基于云模型量子遗传算法的异构智能体编队控制方法，该异构智能体包括水面无人艇和水下无人航行器，控制方法包括如下步骤：
步骤一，建立水面无人艇和水下无人航行器的动力学模型；
步骤二，根据所建立的水面无人艇和水下航行器动力学模型，基于行为及领航跟随算法进行异构智能体编队行为设计；
步骤三，根据所建立的水面无人艇和水下航行器动力学模型，基于云模型量子遗传算法对异构智能体的不同行为的权重系数进行优化，得到最优的编队控制策略，实现对异构智能体的编队控制。
上述方案中，步骤一中，水面无人艇不考虑z方向的运动，建立3自由度的动力学模型，如式(1)所示：
式中，
表示水面无人艇在x轴上位移的导数，uU表示水面无人艇在x轴上的线速度，ψU表示水面无人艇的航向角，vU表示水面无人艇在y轴上的线速度，
表示水面无人艇在y轴上位移的导数，
表示水面无人艇航向角的导数，rU表示水面无人艇偏航角速度；
水下无人航行器建立6自由度的动力学模型，如式(2)所示：
式中，
表示水下无人航行器在x轴上位移的导数，uA表示水下无人航行器在x轴上的线速度，θA表示水下无人航行器的俯仰角，ψA表示水下无人航行器的航向角，vA表示水下无人航行器在y轴上的线速度，
表示水下无人航行器的横滚角，wA表示水下无人航行器在z轴的线速度，
表示水下无人航行器在y轴上位移的导数，
表示水下无人航行器在z轴上位移的导数，
表示水下无人航行器横滚角的导数，pA表示水下无人航行器横倾角速度，
表示水下无人航行器航向角的导数，
表示水下无人航行器俯仰角的导数，qA表示水下无人航行器纵倾角速度，rA表示水下无人航行器偏航角速度。
上述方案中，步骤二中，将异构智能体的行为分为趋向目标点行为、队形保持行为、躲避静态障碍物行为和异构智能体间避障行为；异构智能体包括领航者和跟随者，所述领航者的行为包括趋向目标点行为、躲避静态障碍物行为和智能体间避障行为，所述跟随者的行为包括队形保持行为、躲避静态障碍物行为和智能体间避障行为。
进一步的技术方案中，趋向目标点行为如下：水面无人艇的当前位置和目标位置分别为
其趋向目标点行为的输出矢量如式(3)所示：
水下无人航行器当前位置和目标位置分别为
其趋向目标行为的输出矢量如式(4)所示：
进一步的技术方案中，水面无人艇队形保持行为的目标位置为
其输出矢量如式(5)所示：
水下无人航行器队形保持行为的目标位置分别为
其输出矢量如式(6)所示：
进一步的技术方案中，躲避静态障碍物行为如下：当异构智能体检测到有障碍物阻碍其前进时，使用避障函数进行判断，定义的避障函数为：
式中，
为在第k步的预期位置，
为第k-1步检测到障碍物的边沿位置，D为障碍物危险区域范围，R表示异构智能体的工作半径，d表示第k步和第k-1步之间的距离；当
时，不需要躲避障碍物；当
需要躲避障碍物，在躲避障碍物过程中，水面无人艇只考虑xoy平面，不考虑正方向；
设异构智能体当前位置[xc,yc]，异构智能体与障碍物边界的切线与当前航行的方向夹角为α，如果
则异构智能体旋转δ角度；如果
则智能体旋转
角度；
异构智能体躲避静态障碍物碰撞的行为如式(9)所示，向左旋转为正，向右旋转为负；
式中，Vaso表示异构智能体躲避静态障碍物碰撞的行为，δ表示异构智能体旋转的角度。
进一步的技术方案中，异构智能体间避障行为如下：设异构智能体当前位置[xc,yc]，欲发生碰撞的每个异构智能体旋转
角度来躲避碰撞，如式(10)所示：
式中，Vado表示异构智能体间躲避碰撞行为。
进一步的技术方案中，步骤三的具体方法如下：
Step 1：建立一个N*5维的矩阵P(N，5)，N为水面无人艇和水下无人航行器数目的和；
Step 2：种群初始化：初始种群的大小、采样时间、迭代次数、参数的取值范围，量子变异概率
随机生成初始化种群；
Step 3：计算每个个体的适应度函数fitfun值，并作为下一次进化的目标值；
Step 4：记录并保存最佳策略结果，确定下一代种群范围；
Step 5：确定迭代条件：判断水面无人艇和水下无人航行器编队任务是否完成，如果满足终止条件，输出最佳结果P(N，5)的参数矩阵，输出最佳控制策略，结束；否则继续执行下一步；
Step 6：利用云交叉算子pc对上代个体进行交叉操作；
Step 7：利用云变异算子pm对个体进行变异操作，产生新一代种群；
Step 8：利用量子旋转门对量子门进行更新；
Step 9：更新迭代次数t＝t+1，返回到Step 3。
更进一步的技术方案中，适应度函数fitfun值如下：
fitfun＝γ1Sformation+γ2Dfollower+γ3CU/A+γ4Cobstacle+γ5Sleader
其中，Sformation表示编队中异构智能体在执行任务过程中的路径和；Dfollower表示编队中异构智能体的队形偏差值；CU/A表示编队中异构智能体之间发生碰撞的次数；Cobstacle表示异构智能体与环境中障碍物发生碰撞的次数；Sleader表示编队中领航异构智能体的移动步数；γ1，γ2，γ3，γ4，γ5分别为Sformation，Dfollower，CU/A，Cobstacle，Sleader的权重。
通过上述技术方案，本发明提供的基于云模型量子遗传算法的异构智能体编队控制方法具有如下有益效果：
本发明结合USV和AUV各自的工作特点形成水面水下一体化编队控制，提高工作效率，扩大了工作范围；针对领航跟随法和基于行为法各自的优缺点，将两种方法相结合，将编队行为划分为两个层次：行为决策层和动作执行层，行为决策层是从编队整体行为层面上划分的，包括趋向目标点行为、队形保持行为、躲避静态障碍物行为和异构智能体间避障行为，动作执行层是根据智能体个体行为层面上划分的，分为领航者(leader)和跟随者(follower)两个角色；在对各种行为权重系数优化时，本发明采用云模型量子遗传算法，该算法借助云模型中的云滴生成云交叉算子和云变异算子，云滴具有随机性和稳定倾向性，克服了早熟和搜索速度慢的缺陷，提高了算法的收敛性和鲁棒性。
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。
图1为本发明所构建的异构智能体网络示意图；
图2为建立的坐标系示意图；
图3为智能体与静态障碍物的位置关系；
图4为基于行为的异构智能体编队控制框图；
图5为基于云模型量子遗传算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于云模型量子遗传算法的异构智能体编队控制方法，本发明结合水面无人艇(USV)和水下无人航行器(AUV)各自的工作特点，构建如图1所示的异构智能体网络，进行编队控制，实现高效率、大范围的观测。具体控制方法包括如下步骤：
步骤一，建立水面无人艇和水下无人航行器的动力学模型。
首先建立坐标系，包括固定坐标系和运动坐标系，如图2所示。固定坐标系(E-ξηζ)原点E固定于地球，可以选在海面或者海中某一点；运动坐标系(O-xyz)原点O固定于水面无人艇(USV)和水下无人航行器(AUV)；主要参数如表1所示。
表1运动参数及符号
水面无人艇不考虑z方向的运动，建立3自由度的动力学模型，如式(1)所示：
式中，
表示水面无人艇在x轴上位移的导数，uU表示水面无人艇在x轴上的线速度，ψU表示水面无人艇的航向角，vU表示水面无人艇在y轴上的线速度，
表示水面无人艇在y轴上位移的导数，
表示水面无人艇航向角的导数，rU表示水面无人艇偏航角速度；
水下无人航行器建立6自由度的动力学模型，如式(2)所示：
式中，
表示水下无人航行器在x轴上位移的导数，uA表示水下无人航行器在x轴上的线速度，θA表示水下无人航行器的俯仰角，ψA表示水下无人航行器的航向角，vA表示水下无人航行器在y轴上的线速度，
表示水下无人航行器的横滚角，wA表示水下无人航行器在z轴的线速度，
表示水下无人航行器在y轴上位移的导数，
表示水下无人航行器在z轴上位移的导数，
表示水下无人航行器横滚角的导数，pA表示水下无人航行器横倾角速度，
表示水下无人航行器航向角的导数，
表示水下无人航行器俯仰角的导数，qA表示水下无人航行器纵倾角速度，rA表示水下无人航行器偏航角速度。
步骤二，根据所建立的水面无人艇和水下航行器动力学模型，基于行为及领航跟随算法进行异构智能体编队行为设计；
根据基于行为的编队控制策略思想对智能体编队进行行为划分，如表2所示，将编队行为划分为两个层次：行为决策层和动作执行层。行为决策层是从编队整体行为层面上划分的，包括趋向目标点行为、队形保持行为、躲避静态障碍物行为和智能体间避障行为。
动作执行层是根据智能体个体行为划分，有领航者(leader)和跟随者(follower)两种角色。各个跟随者通过与领航者保持一定的距离和角度进行队形保持，根据距离和角度的不同可以形成不同的网络拓扑结构，如直线形、三角形、菱形、正多边形以及树形等等，跟随者通过不断地进行位置纠偏，以保证智能体群体编队任务的顺利完成。领航者的行为包括趋向目标点行为、躲避静态障碍物行为和智能体间避障行为，跟随者的行为包括队形保持行为、躲避静态障碍物行为和智能体间避障行为。
表2行为决策层及动作执行层的划分
1、趋向目标点行为(move-to-goal)
水面无人艇的当前位置和目标位置分别为
其趋向目标点行为的输出矢量如式(3)所示：
水下无人航行器当前位置和目标位置分别为
其趋向目标行为的输出矢量如式(4)所示：
领航者(leader)只考虑趋向目标行为，不考虑队形保持行为。
2、队形保持行为(keep-formation)
队形保持行为是指编队形成后，智能体确定在编队中的目标位置，由此生成一个期望位置的输出矢量。当智能体当前位置与期望位置不一致时，智能体则朝着理想的队形位置前进。该行为只考虑跟随者(follower)，不考虑领航者(leader)。
水面无人艇队形保持行为的目标位置为
其输出矢量如式(5)所示：
水下无人航行器队形保持行为的目标位置分别为
其输出矢量如式(6)所示：
3、躲避静态障碍物行为(avoid-static-obstacle)
智能体编队在执行任务过程中，要充分考虑避免与静态障碍物的碰撞行为。该行为两种智能体均需要考虑，跟随者(follower)复制领航者(leader)的路线轨迹。当异构智能体检测到有障碍物阻碍其前进时，使用避障函数进行判断，定义的避障函数为：
式中，
为在第k步的预期位置，
为第k-1步检测到障碍物的边沿位置，D为障碍物危险区域范围，R表示异构智能体的工作半径，d表示第k步和第k-1步之间的距离；当
时，不需要躲避障碍物；当
需要躲避障碍物，在躲避障碍物过程中，水面无人艇只考虑xoy平面，不考虑正方向；
设异构智能体当前位置[xc,yc]，智能体与静态障碍物的位置关系如图3所示。异构智能体与障碍物边界的切线与当前航行的方向夹角为α，如果
则异构智能体旋转δ角度；如果
则智能体旋转
角度；
异构智能体躲避静态障碍物碰撞的行为如式(9)所示，向左旋转为正，向右旋转为负；
式中，Vaso表示异构智能体躲避静态障碍物碰撞的行为，δ表示异构智能体旋转的角度。
4、异构智能体间避障行为(avoid-dynamic-obstacle)
智能体除了要躲避环境中的静态障碍物，还要防止与编队中其他智能体发生碰撞，使编队控制过程可以顺利进行。根据避碰函数判断出自身运动的方向与其邻近的智能体可能碰撞时，邻近智能体也在同时可以探测到与之有可能发生碰撞的智能体的状态信息，该行为需要领航者(leader)和跟随者(follower)同时考虑。设异构智能体当前位置[xc,yc]，欲发生碰撞的每个异构智能体旋转
角度来躲避碰撞，如式(10)所示：
式中，Vado表示异构智能体间躲避碰撞行为。
步骤三，根据所建立的水面无人艇和水下航行器动力学模型，基于云模型量子遗传算法对异构智能体的不同行为的权重系数进行优化，得到最优的编队控制策略，实现对异构智能体的编队控制。
在基于行为的异构多智能体编队控制中，针对不同的环境和任务，权重系数的选取是不同的。多数情况靠设计者的经验进行选择，但当系统中有较多智能体时，找到一组合适的系数是非常困难的。因此，采用优化算法选择行为权重系数，可以有效获得更合适的行为权重系数，从而输出最佳控制策略，提高编队控制性能。基于云模型的量子遗传算法是一种很有效的优化求解方法，本发明利用该算法优化基于行为的权重系数，使异构智能体之间实现更加有效地编队控制。本发明采用基于Motor Schema结构的矢量合成法，输出一个多种基本行为加权求和的行为，其结构如图4所示。
对领航者(leader)智能体的奔向目标行为和避开障碍物行为的权重进行优化；对于跟随者(follower)智能体的保持队形行为、避开障碍物行为、避开其它智能体行为的权重进行优化。
如图5所示，具体方法流程如下：
Step 1：建立一个N*5维的矩阵P(N，5)，N为水面无人艇和水下无人航行器数目的和，本实施例中，N＝6，水面无人艇和水下无人航行器分别为3个；
Step 2：种群初始化：初始种群的大小、采样时间、迭代次数、参数的取值范围，量子变异概率
随机生成初始化种群；
Step 3：计算每个个体的适应度函数fitfun值，并作为下一次进化的目标值；
适应度函数fitfun值如下：
fitfun＝γ1Sformation+γ2Dfollower+γ3CU/A+γ4Cobstacle+γ5Sleader
其中，Sformation表示编队中异构智能体在执行任务过程中的路径和；Dfollower表示编队中异构智能体的队形偏差值；CU/A表示编队中异构智能体之间发生碰撞的次数；Cobstacle表示异构智能体与环境中障碍物发生碰撞的次数；Sleader表示编队中领航异构智能体的移动步数；γ1，γ2，γ3，γ4，γ5分别为Sformation，Dfollower，CU/A，Cobstacle，Sleader的权重，本实施例中γ1＝1，γ2＝2，γ3＝γ4＝10，γ5＝5。
Step 4：记录并保存最佳策略结果，确定下一代种群范围；
Step 5：确定迭代条件：判断水面无人艇和水下无人航行器编队任务是否完成，如果满足终止条件，输出最佳结果P(N，5)的参数矩阵，输出最佳控制策略，结束；否则继续执行下一步；
Step 6：利用云交叉算子pc对上代个体进行交叉操作；
式中，
代表种群的平均适应度值；f为被选中交叉的两个个体中适应度值较大个体；t1,t2为常数；
表示隶属云正态分布；
Step 7：利用云变异算子pm对个体进行变异操作，产生新一代种群；
式中，s1,s2为常数；
Step 8：利用量子旋转门对量子门进行更新；
量子旋转门的更新过程如式(13)、(14)所示。
其中，
表示第i个量子位的概率幅；
表示第i个量子位更新后的概率幅；
是旋转角，旋转角的大小和方向根据表3确定。
表2量子旋转门更新策略表
Step 9：更新迭代次数t＝t+1，返回到Step 3。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于云模型量子遗传算法的异构智能体编队控制方法，其特征在于，该异构智能体包括水面无人艇和水下无人航行器，控制方法包括如下步骤：
步骤一，建立水面无人艇和水下无人航行器的动力学模型；
步骤二，根据所建立的水面无人艇和水下航行器动力学模型，基于行为及领航跟随算法进行异构智能体编队行为设计；
步骤三，根据所建立的水面无人艇和水下航行器动力学模型，基于云模型量子遗传算法对异构智能体的不同行为的权重系数进行优化，得到最优的编队控制策略，实现对异构智能体的编队控制；
步骤三的具体方法如下：
Step 1：建立一个N*5维的矩阵P(N，5)，N为水面无人艇和水下无人航行器数目的和；
Step 2：种群初始化：初始种群的大小、采样时间、迭代次数、参数的取值范围，量子变异概率
随机生成初始化种群；
Step 3：计算每个个体的适应度函数fitfun值，并作为下一次进化的目标值；
Step 4：记录并保存最佳策略结果，确定下一代种群范围；
Step 5：确定迭代条件：判断水面无人艇和水下无人航行器编队任务是否完成，如果满足终止条件，输出最佳结果P(N，5)的参数矩阵，输出最佳控制策略，结束；否则继续执行下一步；
Step 6：利用云交叉算子pc对上代个体进行交叉操作；
Step 7：利用云变异算子pm对个体进行变异操作，产生新一代种群；
Step 8：利用量子旋转门对量子门进行更新；
Step 9：更新迭代次数t＝t+1，返回到Step 3；
适应度函数fitfun值如下：
fitfun＝γ1Sformation+γ2Dfollower+γ3CU/A+γ4Cobstacle+γ5Sleader
其中，Sformation表示编队中异构智能体在执行任务过程中的路径和；Dfollower表示编队中异构智能体的队形偏差值；CU/A表示编队中异构智能体之间发生碰撞的次数；Cobstacle表示异构智能体与环境中障碍物发生碰撞的次数；Sleader表示编队中领航异构智能体的移动步数；γ1，γ2，γ3，γ4，γ5分别为Sformation，Dfollower，CU/A，Cobstacle，Sleader的权重。
2.根据权利要求1所述的一种基于云模型量子遗传算法的异构智能体编队控制方法，其特征在于，步骤一中，水面无人艇不考虑z方向的运动，建立3自由度的动力学模型，如式(1)所示：
式中，
表示水面无人艇在x轴上位移的导数，uU表示水面无人艇在x轴上的线速度，ψU表示水面无人艇的航向角，vU表示水面无人艇在y轴上的线速度，
表示水面无人艇在y轴上位移的导数，
表示水面无人艇航向角的导数，rU表示水面无人艇偏航角速度；
水下无人航行器建立6自由度的动力学模型，如式(2)所示：
式中，
表示水下无人航行器在x轴上位移的导数，uA表示水下无人航行器在x轴上的线速度，θA表示水下无人航行器的俯仰角，ψA表示水下无人航行器的航向角，vA表示水下无人航行器在y轴上的线速度，
表示水下无人航行器的横滚角，wA表示水下无人航行器在z轴的线速度，
表示水下无人航行器在y轴上位移的导数，
表示水下无人航行器在z轴上位移的导数，
表示水下无人航行器横滚角的导数，pA表示水下无人航行器横倾角速度，
表示水下无人航行器航向角的导数，
表示水下无人航行器俯仰角的导数，qA表示水下无人航行器纵倾角速度，rA表示水下无人航行器偏航角速度。
3.根据权利要求1所述的一种基于云模型量子遗传算法的异构智能体编队控制方法，其特征在于，步骤二中，将异构智能体的行为分为趋向目标点行为、队形保持行为、躲避静态障碍物行为和异构智能体间避障行为；异构智能体包括领航者和跟随者，所述领航者的行为包括趋向目标点行为、躲避静态障碍物行为和智能体间避障行为，所述跟随者的行为包括队形保持行为、躲避静态障碍物行为和智能体间避障行为。
4.根据权利要求3所述的一种基于云模型量子遗传算法的异构智能体编队控制方法，其特征在于，趋向目标点行为如下：水面无人艇的当前位置和目标位置分别为
其趋向目标点行为的输出矢量如式(3)所示：
水下无人航行器当前位置和目标位置分别为
其趋向目标行为的输出矢量如式(4)所示：
5.根据权利要求3所述的一种基于云模型量子遗传算法的异构智能体编队控制方法，其特征在于，水面无人艇队形保持行为的目标位置为
其输出矢量如式(5)所示：
水下无人航行器队形保持行为的目标位置分别为
其输出矢量如式(6)所示：
6.根据权利要求3所述的一种基于云模型量子遗传算法的异构智能体编队控制方法，其特征在于，躲避静态障碍物行为如下：当异构智能体检测到有障碍物阻碍其前进时，使用避障函数进行判断，定义的避障函数为：
式中，
为在第k步的预期位置，
为第k-1步检测到障碍物的边沿位置，D为障碍物危险区域范围，R表示异构智能体的工作半径，d表示第k步和第k-1步之间的距离；当
时，不需要躲避障碍物；当
需要躲避障碍物，在躲避障碍物过程中，水面无人艇只考虑xoy平面，不考虑正方向；
设异构智能体当前位置[xc，yc]，异构智能体与障碍物边界的切线与当前航行的方向夹角为α，如果
则异构智能体旋转δ角度；如果
则智能体旋转
角度；
异构智能体躲避静态障碍物碰撞的行为如式(9)所示，向左旋转为正，向右旋转为负；
式中，Vaso表示异构智能体躲避静态障碍物碰撞的行为，δ表示异构智能体旋转的角度。
7.根据权利要求3所述的一种基于云模型量子遗传算法的异构智能体编队控制方法，其特征在于，异构智能体间避障行为如下：设异构智能体当前位置[xc，yc]，欲发生碰撞的每个异构智能体旋转
角度来躲避碰撞，如式(10)所示：
式中，Vado表示异构智能体间躲避碰撞行为。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011477297.2A CN112558612B (zh) | 2020-12-15 | 2020-12-15 | 一种基于云模型量子遗传算法的异构智能体编队控制方法 |
| US17/300,933 US20220284338A1 (en) | 2020-12-15 | 2021-12-15 | Heterogeneous Agent Formation Control Method Based on Cloud-Model-Based Quantum Genetic Algorithm |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011477297.2A CN112558612B (zh) | 2020-12-15 | 2020-12-15 | 一种基于云模型量子遗传算法的异构智能体编队控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112558612A CN112558612A (zh) | 2021-03-26 |
| CN112558612B true CN112558612B (zh) | 2022-08-30 |
Family
ID=75063678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011477297.2A Active CN112558612B (zh) | 2020-12-15 | 2020-12-15 | 一种基于云模型量子遗传算法的异构智能体编队控制方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220284338A1 (zh) |
| CN (1) | CN112558612B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764247B (zh) * | 2022-04-25 | 2023-08-29 | 珠海云洲智能科技股份有限公司 | 无人驾驶设备集群的控制方法、装置、设备及存储介质 |
| CN115033016B (zh) * | 2022-05-17 | 2023-03-17 | 浙江大学 | 一种异构无人集群编队避障方法及系统 |
| CN115993842B (zh) * | 2023-03-23 | 2023-05-30 | 西北工业大学深圳研究院 | 一种用于群体智能系统的编队协同控制方法 |
| CN116627044B (zh) * | 2023-07-26 | 2023-10-31 | 华东交通大学 | 行驶轨迹预测控制方法 |
| CN116859960B (zh) * | 2023-07-28 | 2024-02-20 | 哈尔滨理工大学 | 一种多uuv队形切换与编队避障的自适应方法 |
| CN117195564B (zh) * | 2023-09-12 | 2024-05-14 | 中国船舶集团有限公司第七零七研究所九江分部 | 水下航行器三维避碰模型的构建方法和安全距离计算方法 |
| CN117193335B (zh) * | 2023-11-08 | 2024-04-12 | 山东大学 | 一种多智能体系统规避动态障碍物方法及系统 |
| CN117236371B (zh) * | 2023-11-16 | 2024-03-26 | 国开启科量子技术(安徽)有限公司 | 基于博弈悖论的量子人工智能体优化方法、装置、设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104281052A (zh) * | 2013-07-06 | 2015-01-14 | 哈尔滨点石仿真科技有限公司 | 一种基于行为的领航者-跟随者多智能体队形控制方法 |
| CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
| CN108536536A (zh) * | 2018-03-09 | 2018-09-14 | 三峡大学 | 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法 |
| CN111694375A (zh) * | 2020-06-22 | 2020-09-22 | 淮阴工学院 | 翼伞系统航迹规划方法和系统、航迹跟踪控制方法和系统 |
| CN111707988A (zh) * | 2020-05-29 | 2020-09-25 | 江苏科技大学 | 基于无人车车载uwb基站的无人器定位系统及定位方法 |
-
2020
- 2020-12-15 CN CN202011477297.2A patent/CN112558612B/zh active Active
-
2021
- 2021-12-15 US US17/300,933 patent/US20220284338A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104281052A (zh) * | 2013-07-06 | 2015-01-14 | 哈尔滨点石仿真科技有限公司 | 一种基于行为的领航者-跟随者多智能体队形控制方法 |
| CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
| CN108536536A (zh) * | 2018-03-09 | 2018-09-14 | 三峡大学 | 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法 |
| CN111707988A (zh) * | 2020-05-29 | 2020-09-25 | 江苏科技大学 | 基于无人车车载uwb基站的无人器定位系统及定位方法 |
| CN111694375A (zh) * | 2020-06-22 | 2020-09-22 | 淮阴工学院 | 翼伞系统航迹规划方法和系统、航迹跟踪控制方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| Fractional-Order PID Motion Control for AUV Using Cloud-Model-Based Quantum Genetic Algorithm;Junhe Wan;《IEEE Access》;20190828;124828-124843 * |
| 一种基于云模型的改进型量子遗传算法;许波;《计算机应用研究》;20111015;3684-3686 * |
| 分组量子遗传算法在某翻转式弧形门水闸地基土层力学参数反演中的应用;游健;《水电能源科学》;20160225;129-132 * |
| 协同目标分配问题研究综述;欧峤;《系统仿真学报》;20191108;2216-2227 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220284338A1 (en) | 2022-09-08 |
| CN112558612A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112558612B (zh) | 一种基于云模型量子遗传算法的异构智能体编队控制方法 | |
| Fan et al. | Improved artificial potential field method applied for AUV path planning | |
| CN109240091B (zh) | 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法 | |
| Xue et al. | Proximal policy optimization with reciprocal velocity obstacle based collision avoidance path planning for multi-unmanned surface vehicles | |
| Yao et al. | Path planning method based on D* lite algorithm for unmanned surface vehicles in complex environments | |
| CN110906935A (zh) | 一种无人艇路径规划方法 | |
| Li et al. | Three-dimensional path planning for AUVs in ocean currents environment based on an improved compression factor particle swarm optimization algorithm | |
| CN109916400B (zh) | 一种基于梯度下降算法与vo法相结合的无人艇避障方法 | |
| CN114138022B (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
| Zhang et al. | A hybrid path planning algorithm considering AUV dynamic constraints based on improved A* algorithm and APF algorithm | |
| CN113538973B (zh) | 一种基于改进粒子群算法的船舶自动避碰方法 | |
| CN114397899A (zh) | 一种仿生机器鱼三维路径跟踪控制方法及装置 | |
| CN113093804B (zh) | 基于反演滑模控制的无人艇编队控制方法和控制系统 | |
| Zhang et al. | Intelligent vector field histogram based collision avoidance method for auv | |
| Zhang et al. | Research on Path Planning Method of Unmanned Boat Based on Improved Artificial Potential Field Method | |
| Chen et al. | Motion planning for an under-actuated autonomous underwater vehicle based on fast marching nonlinear model-predictive quantum particle swarm optimization | |
| Xie et al. | Random Patrol Path Planning for Unmanned Surface Vehicles in Shallow Waters | |
| CN115718497A (zh) | 一种多无人艇避碰决策方法 | |
| CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 | |
| CN114942643B (zh) | 一种usv无人艇路径规划模型的构建方法及应用 | |
| Wang et al. | Multi-AUG three-dimensional path planning and secure cooperative path following under DoS attacks | |
| Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey | |
| Tziortziotis et al. | Motion planning with energy reduction for a floating robotic platform under disturbances and measurement noise using reinforcement learning | |
| Yin et al. | Global Path Planning for UUV Based on Grey Wolf-Particle Swarm Optimization | |
| CN116578102B (zh) | 水下自主航行器避障方法、装置、计算机设备和存储介质 |
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 |