CN112884116B - 基于精英子集引导向量烟花算法的多智能体搜索方法 - Google Patents

Abstract

本发明提出了一种基于精英子集引导向量烟花算法的多智能体搜索方法。该方法包括以下步骤：初始化N个智能体的位置，利用烟花爆炸机制在智能体感知范围内模拟生成爆炸火花，通过路径规划方法指导智能体移动到爆炸火花和精英引导火花位置并感知其目标源信号强度；从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置。重复上述智能体搜索和移动过程，直到搜索到目标源或者达到最大迭代次数结束。将以上方法应用到气体泄漏源定位问题，智能体群按照烟花爆炸过程搜索目标源。本发明提供的这种精英子集引导向量烟花算法通过对原始引导烟花算法进行改进，极大地提高智能体的搜索能力，能够迅速有效地定位到目标源。

Description

基于精英子集引导向量烟花算法的多智能体搜索方法

技术领域

本发明涉及多智能体协同目标搜索领域，特别是涉及一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法。

背景技术

多智能体是一个新兴的研究领域，主要关注在包含大量个体的智能体群中，如何通过群体间协同来控制这些简单的智能体个体，实现群体的复杂智能行为。在多智能体群中，每个智能体通过相互之间的局部交互以及与周围环境的信息交换，可以在群体规模上涌现出期望的智能行为。源目标搜索，是指通过控制一个或多个智能体的运动，找到释放信号的目标源位置。在实现场景中，这种信号可以是某种化学物质的浓度，也可以是环境中的某些信号(比如电磁信号、声波信号、温度信号等)。对于智能体而言，目标信号的空间分布函数是未知的，而距离目标越近，智能体感知到的信号信息越强，因此在搜索过程中，智能体可以通过感知信号强弱的方式逐步接近目标源。这种方式可以类比于优化问题中的智能优化算法。

烟花算法是一种群体智能优化算法，由谭营等人于2010年首次提出。它通过模拟烟花爆炸的过程，利用爆炸产生的火花来对问题空间进行搜索从而找到单个或者多个全局最优解，其算法参数少，全局优化能力强，不易陷入局部最优解，能够进行并行搜索，自提出以来它已经受到了学界的深入研究和工业界的广泛应用。

群体智能优化领域与多智能体协同目标搜索领域内的研究具有很多相似性，都能通过感知目标信息进行个体间的协同实现智能的行为。若将每个烟花或火花视作一个智能体，利用烟花爆炸机制在智能体感知范围内模拟生成爆炸火花，通过遍历火花位置获取目标源的信号强度，这对于指导多智能体进行目标源的定位具有重要的意义。虽然目前已有的基于单个引导向量的烟花算法能够应用到多智能体目标搜索问题上，然而其搜索效率仍存在较大提升空间，因此，需要一种更为有效、准确的烟花算法指导多智能体进行目标搜索。

发明内容

本发明提供了一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法，并应用到解决未知环境下气体泄露源定位问题中。

为实现上述目的，本发明提供了如下技术方案：

一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法，概括为：将每一个智能体视为一个烟花，初始化N个智能体的位置，利用烟花爆炸机制在智能体感知范围内模拟生成爆炸火花，通过路径规划方法指导智能体移动到爆炸火花的位置并感知目标源信号强度；根据信号强度将每个智能体遍历的所有位置按信号强度进行排序并组成候选集，对候选集内最好和最坏的部分位置计算其群体向量，然后对候选集内前K个位置计算其对应的个体向量，根据群体向量和个体向量组成的加权引导向量计算得到下一步精英引导火花位置，指导智能体遍历精英引导火花位置并感知信号强度；从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置。重复上述智能体搜索和移动过程，直到智能体搜索到目标源或者达到最大迭代次数结束。

一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法，该方法具体的实现步骤为：

建立搜索环境，设置气体泄露源，初始化算法参数：智能体个数N，爆炸火花常数λ，感知范围常数A，范围扩大和缩减系数C_a和C_r，选择最好和最差部分候选位置数量的比例σ，生成精英引导火花的个数K。

步骤1.1：随机初始化智能体的位置X_i，i∈{1，2，...，N}，并评估其信号强度f(X_i)。

步骤1.2：计算每一个智能体对应的爆炸火花数量，公式如下：

步骤1.3：将智能体分成两组，第一个组为当前最好的智能体(X_CF)，第二组为其余的智能体，计算第一组的智能体感知范围，公式如下：

其中，t代表迭代次数。计算第二组的智能体感知范围，公式如下：

步骤1.4：根据爆炸火花数量，在以智能体为中心的感知范围内模拟生成爆炸火花。利用路径规划算法指导智能体遍历爆炸火花位置并感知信号强度f(s_ij)，s_ij为第i个智能体遍历的第j个爆炸火花位置(j∈{1，2，...，λ})。

步骤1.5：将智能体及其移动的所有位置按信号强度进行排序并组成候选集，选择候选集内前K个位置并生成其对应的精英引导火花位置S_ik，指导智能体遍历精英引导火花位置并感知信号强度f(S_ik)，S_ik为第i个智能体遍历的第k个精英引导火花位置(k∈{1，2，...，K})。

步骤1.6：从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置。

步骤1.7：若当前迭代次数达到最大次数或成功搜索到气体泄露源位置则执行步骤1.8，否则执行步骤1.2。

步骤1.8：输出搜索到的气体泄漏源位置。

具体的：

在上述步骤1.5中，选择候选集中前K个位置，计算每个位置的加权引导向量，得到其对应的精英引导火花位置S_ik，所述步骤1.5的具体过程如下(为表述简单，我们以一个智能体为例，因此下标i省略不写)：

步骤(1)：从排序好的候选集内，选择最好和最差的部分位置c_j，j∈{1，2，...，λ+1}，计算得到群体向量，公式如下：

其中，

代表群体向量，ω_j代表候选位置c_j的权重，其计算公式如下：

其中，r_j代表第j个候选位置的排序值。

步骤(2)：对候选集内前K个位置计算其个体向量，公式如下：

其中，

代表第k个位置的个体向量。

步骤(3)：根据群体向量和个体向量得到前K个位置对应的加权引导向量，其公式如下：

其中，G_k为第k个位置对应的加权引导向量，α_k为其动态调整参数，其计算公式如下：

关于参数α_k，对不同的加权引导向量G_k具有重要的调整能力，具体来说，如果选择前10个位置，那么就会有10个相应的精英引导向量，当k＝1时，

此时G₁具有较好的全局探索能力；当k＝10时，

此时G₁₀具有较好的局部探索能力；当1＜k＜10时，G_k具有在G₁和G₁₀之间的一种平衡能力。

步骤(4)：根据前K个位置以及对应的加权引导向量得到其下一步精英引导火花位置S_k，公式如下：

S_k＝c_k+G_k，k∈{1，2，…，K}。

基于以上步骤(1)-(4)指导智能体遍历精英引导火花位置S_k并评估其信号强度f(S_k)。

本发明利用精英子集引导向量烟花算法能够极大的提高智能体的全局搜索能力，迅速有效地定位到气体泄露源。

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，下面将对实施例中所需要使用的附图作简单地介绍。

图1.1为本发明中基于精英子集引导向量烟花算法的目标源定位流程图。

图1.2为基于原始引导向量烟花算法的目标源定位流程图。

图2为搜索过程中，目标源在智能体感知范围外，智能体移动的单个引导火花位置。

图3为搜索过程中，目标源在智能体感知范围内，智能体移动的单个引导火花位置。

图4为搜索过程中，目标源在智能体感知范围外，智能体移动的所有精英引导火花位置(K＝40个)。

图5为搜索过程中，目标源在智能体感知范围内，智能体移动的所有精英引导火花位置(K＝40个)。

图6为利用精英子集引导向量烟花算法(MGFWA)与原始引导向量烟花算法(GFWA)在两个复杂多模函数下的收敛曲线图。

图2和图3为基于原始引导向量算法的多智能体搜索示例，智能体只能根据单个引导向量向前探索生成的一个引导火花位置，而本发明提出的基于精英子集引导向量算法如上技术方案所述，采用多个精英子集引导向量强化探索，智能体根据前K个爆炸火花位置计算各自的加权引导向量，遍历生成的精英引导火花位置，能够更加有效、准确地搜索到目标源，如图4和图5所示。

具体实施方式

所述的精英子集引导向量烟花算法在气体泄漏源定位问题中的应用：

在气体泄露源定位问题中，利用本发明的基于精英子集引导向量烟花算法进行搜索定位应用：

假设：每个智能体被视为一个烟花，智能体群被投放到一个较大的有界搜索空间内，搜索环境中只包含智能体和气体泄露的目标源，智能体对泄露气体具有敏感，采用微型智能体，相比于搜索空间具有很小的尺寸和一定的局部感知范围，而目标气体泄露是静止的且在整个搜索空间具有影响范围，因此智能体距离目标越近，其感知到的信号越强，智能体本身对环境和目标没有先验知识，只能通过局部通信及传感器获得临近智能体及目标的相关信息。通过控制智能体群在待测区域内进行搜索，根据检测到的气体浓度信息并利用精英子集引导向量烟花算法进行群体交互，指导智能体群找到浓度值最大的位置，将该位置作为检测气体的泄漏源。具体实现过程为：当搜索开始的时候，智能体群随机初始化在整个搜索空间内，每个智能体模拟烟花爆炸过程，通过路径规划方法指导智能体移动到爆炸火花位置并感知目标源信号强度。根据信号强度将每个智能体遍历的所有位置按信号强度进行排序并组成候选集，对候选集内最好和最坏的部分位置计算其群体向量，然后对候选集内前K个位置计算其对应的个体向量，根据群体向量和个体向量组成的加权引导向量计算得到下一步精英引导火花位置，指导智能体遍历精英引导火花位置并感知信号强度；从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置。重复上述智能体搜索和移动过程，直到智能体搜索到目标源或者达到最大迭代次数结束。

基于上述思路，本发明所采用的实施方案为：

建立搜索环境，设置气体泄露源，初始化算法参数：智能体个数N，爆炸火花常数λ，感知范围常数A，范围扩大和缩减系数C_a和C_r，选择最好和最差部分候选位置数量的比例σ，生成精英引导火花的个数K。

步骤1.1：随机初始化智能体的位置X_i，i∈{1，2，...，N}，并评估其信号强度f(X_i)。

步骤1.2：计算每一个智能体对应的爆炸火花数量，公式如下：

步骤1.3：将智能体分成两组，第一个组为当前最好的智能体(X_CF)，第二组为其余的智能体，计算第一组的智能体感知范围，公式如下：

其中，t代表迭代次数。计算第二组的智能体感知范围，公式如下：

步骤1.4：根据爆炸火花数量，在以智能体为中心的感知范围内模拟生成爆炸火花。利用路径规划算法指导智能体遍历爆炸火花位置并感知信号强度f(s_ij)，s_ij为第i个智能体遍历的第j个爆炸火花位置(j∈{1，2，...，λ})。

步骤1.5：将智能体移动的所有位置按信号强度进行排序并组成候选集，选择候选集内前K个位置并生成其对应的精英引导火花位置S_ik，指导智能体遍历精英引导火花位置并感知信号强度f(S_ik)，S_ik为第i个智能体遍历的第k个精英引导火花位置(k∈{1，2，...，K})。

步骤1.6：从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置。

步骤1.7：若当前迭代次数达到最大次数或成功搜索到气体泄露源位置则执行步骤1.8，否则执行步骤1.2。

步骤1.8：输出搜索到的气体泄漏源位置。

具体的：

在上述步骤1.5中，选择候选集中前K个位置，计算每个位置的加权引导向量，得到其对应的精英引导火花位置S_ik，所述步骤1.5的具体过程如下(为表述简单，我们以一个智能体为例，因此下标i省略不写)：

步骤(1)：从排序好的候选集内，选择最好和最差的部分位置c_j，j∈{1，2，...，λ+1}，计算得到群体向量，公式如下：

其中，

代表群体向量，ω_j代表位置c_j的权重，其计算公式如下：

其中，r_j代表第j个候选位置的排序值。

步骤(2)：对候选集内前K个位置计算其个体向量，公式如下：

其中，

代表第k个位置的个体向量，σ为候选集中最好和最差的部分位置的个数比例。

步骤(3)：根据群体向量和个体向量得到前K个位置对应的加权引导向量，其公式如下：

其中，G_k为第k个位置对应的加权引导向量，α_k为其动态调整参数，其计算公式如下：

关于参数α_k，对不同的加权引导向量G_k具有重要的调整能力，具体来说，如果选择前10个位置，那么就会有10个相应的精英引导向量，当k＝1时，

此时G₁具有较好的全局探索能力；当k＝10时，

此时G₁₀具有较好的局部探索能力；当1＜k＜10时，G_k具有在G₁和G₁₀之间的一种平衡能力。

步骤(4)：根据前K个位置以及对应的加权引导向量得到其下一步精英引导火花位置S_k，公式如下：

S_k＝c_k+G_k，k∈{1，2，…，K}。

其中，c_k为候选集中第k个位置。

基于以上步骤(1)-(4)指导智能体遍历精英引导火花位置S_k并评估其信号强度f(S_k)。

为了更直观的验证本发明在源目标搜索问题中的性能，我们使用了CEC2013基准函数测试集里的两个多峰函数(Function12和Function13)来模拟复杂的信号环境，在这些函数中目标源只有一个最小值，其余极值均为假目标，函数方程如下：

本发明创新地改进了原始引导烟花算法(GFWA)，将提出的精英子集引导向量烟花算法(MGFWA)与原始引导烟花算法GFWA(J.Li，S.Zheng and Y.Tan，″The Effect ofInformation Utilization：Introducing a Novel Guiding Spark in the FireworksAlgorithm，”in IEEE Transactions on Evolutionary Computation，vol.21，no.1，pp.153-166，Feb.2017.)进行比较，结果如图6所示，MGFWA相比于GFWA具有更出色的收敛性能，这表明了利用MGFWA的策略，能大幅提升多智能体的探索能力，从而迅速有效地定位到目标源。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (1)

1.一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法，该方法具体的实现步骤为：

建立搜索环境，设置气体泄露源，初始化算法参数：智能体个数N，爆炸火花常数λ，感知范围常数A，范围扩大和缩减系数C_a和C_r，选择最好和最差部分候选位置数量的比例σ，生成精英引导火花的个数K；

步骤1.1：随机初始化智能体的位置X_i,i∈{1,2,...,N}，并评估其信号强度f(X_i)；

步骤1.2：计算每一个智能体对应的爆炸火花数量,公式如下：

步骤1.3：将智能体分成两组，第一个组为当前最好的智能体X_CF，第二组为其余的智能体，计算第一组的智能体的感知范围，公式如下：

其中，t代表迭代次数；计算第二组的智能体感知范围，公式如下：

步骤1.4：根据爆炸火花数量，在以智能体为中心的感知范围内模拟生成爆炸火花；利用路径规划算法指导智能体遍历爆炸火花位置并感知信号强度f(s_ij),s_ij为第i个智能体遍历的第j个爆炸火花位置，j∈{1,2,...,λ}；

步骤1.5：将智能体移动的所有位置按信号强度进行排序并组成候选集，选择候选集内前K个位置并生成其对应的精英引导火花位置S_ik，指导智能体遍历精英引导火花位置并感知信号强度f(S_ik),S_ik为第i个智能体遍历的第k个精英引导火花位置，k∈{1,2,...,K}；

步骤1.6：从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置；

步骤1.7：若当前迭代次数达到最大次数或成功搜索到气体泄露源位置则执行步骤1.8，否则执行步骤1.2；

每个智能体被视为一个烟花，智能体群被投放到有界搜索空间内，搜索环境中只包含智能体和气体泄露的目标源，智能体对泄露气体具有敏感，采用微型智能体，目标气体泄露是静止的且在整个搜索空间具有影响范围，智能体距离目标越近，其感知到的信号越强，智能体本身对环境和目标没有先验知识，只能通过局部通信及传感器获得临近智能体及目标的相关信息；通过控制智能体群在待测区域内进行搜索，根据检测到的气体浓度信息并利用精英子集引导向量烟花算法进行群体交互，指导智能体群找到浓度值最大的位置，将该位置作为检测气体的泄漏源；

具体实现过程为：当搜索开始的时候，智能体群随机初始化在整个搜索空间内，每个智能体模拟烟花爆炸过程，通过路径规划方法指导智能体移动到爆炸火花位置并感知目标源信号强度；根据信号强度将每个智能体遍历的所有位置按信号强度进行排序并组成候选集，对候选集内最好和最坏的部分位置计算其群体向量，然后对候选集内前K个位置计算其对应的个体向量，根据群体向量和个体向量组成的加权引导向量计算得到下一步精英引导火花位置，指导智能体遍历精英引导火花位置并感知信号强度；从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置；重复上述智能体搜索和移动过程，直到智能体搜索到目标源或者达到最大迭代次数结束；

步骤1.8:输出搜索到的气体泄漏源位置；

步骤1.5中，选择候选集中前K个位置，计算每个位置的加权引导向量，得到其对应的精英引导火花位置S_ik，所述步骤1.5的具体过程如下：

步骤1.5.1：从排序好的候选集内，选择最好和最差的部分位置c_j,j∈{1,2,...,λ+1}，计算得到群体向量，公式如下：

其中，

代表群体向量，ω_j代表位置c_j的权重，其计算公式如下：

其中，r_j代表第j个候选个体的排序值；

步骤1.5.2：对候选集内前K个位置计算其个体向量，公式如下：

其中，

代表第k个位置的个体向量；

步骤1.5.3：根据群体向量和个体向量得到前K个位置对应的加权引导向量，其公式如下：

其中，G_k为第k个位置对应的加权引导向量，α_k为其动态调整参数，其计算公式如下：

关于参数α_k，对不同的加权引导向量G_k具有重要的调整能力，具体来说，如果选择前10个位置，那么就会有10个相应的精英引导向量，当k＝1时，

此时G₁具有较好的全局探索能力；当k＝10时，

此时G₁₀具有较好的局部探索能力；当1<k<10时，G_k具有在G₁和G₁₀之间的一种平衡能力；

步骤1.5.4：根据前K个位置以及对应的加权引导向量得到其下一步精英引导火花位置S_k，公式如下：

S_k＝c_k+G_k，k∈{1,2,...,K}

基于以上步骤1.5.1-1.5.4指导智能体遍历精英引导火花位置S_k并评估其信号强度f(S_k)。

Images