CN113645317B - 一种松散的集群控制方法、装置、设备、介质和产品 - Google Patents

一种松散的集群控制方法、装置、设备、介质和产品 Download PDF

Info

Publication number
CN113645317B
CN113645317B CN202111200844.7A CN202111200844A CN113645317B CN 113645317 B CN113645317 B CN 113645317B CN 202111200844 A CN202111200844 A CN 202111200844A CN 113645317 B CN113645317 B CN 113645317B
Authority
CN
China
Prior art keywords
agent
pheromone
neighbor
determining
concentration
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
Application number
CN202111200844.7A
Other languages
English (en)
Other versions
CN113645317A (zh
Inventor
丘腾海
王乐乐
蒲志强
刘振
易建强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202111200844.7A priority Critical patent/CN113645317B/zh
Publication of CN113645317A publication Critical patent/CN113645317A/zh
Application granted granted Critical
Publication of CN113645317B publication Critical patent/CN113645317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/14—Session management
    • H04L67/141—Setup of application sessions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Agricultural Chemicals And Associated Chemicals (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种松散的集群控制方法装置、设备、介质和产品，其中，该方法包括：获取集群中智能体的自身状态、所述智能体的局部通信范围内的邻居智能体集合和所述智能体在所述局部感知范围内的最低浓度信息素位置，所述自身状态包括自身位置；基于所述自身位置和所述邻居智能体集合，通过虚拟势力函数确定所述智能体的虚拟势力项；基于所述自身位置和所述最低浓度信息素位置，确定所述智能体的信息素浓度项；根据所述虚拟势力项和所述信息素浓度项确定所述智能体的控制量。能够实现在复杂环境中，集群通信连通保持约束条件下，集群对动态区域和目标的最优覆盖。

Description

一种松散的集群控制方法、装置、设备、介质和产品
技术领域
本发明涉及无人集群领域，尤其涉及一种松散的集群控制方法、装置、设备、介质和产品。
背景技术
无人集群通过相互的合作和协调形成集群行为，可以完成个体无法实现的复杂任务，提高任务的完成度、执行效率和成功概率等。近些年，集群控制方法吸引了人们的极大关注，主要分为蜂拥算法和抗蜂拥算法。蜂拥算法方面，有些人考虑能量最小化和安全性，提出采用最优控制协议实现集群的协同；有些论文提出基于通信拓扑变化的分布式快速同步集群控制方法，有效提高算法的收敛速度；还有些论文提出基于分布式角度控制策略的双积分集群控制方法，实现集群队形的保持。但这些方法限制了集群执行一些复杂任务的能力，缺乏灵活性，比如说监视场景，要求集群在执行动态区域覆盖的同时对目标进行覆盖。
不同于蜂拥算法，抗蜂拥算法是由独居性生物的个体行为激发灵感获得。这类算法考虑了集群间的避碰问题，未定义集群的期望形态，每个个体朝最大化个体增益，且与其他集群分离的方向移动。因此，这类方法在动态区域覆盖和目标跟踪问题上具有很好的性能。然而，抗蜂拥算法存在无法保证集群的通信连接，传输集群协同必要信息的问题，但通信连通又是动态区域覆盖等集群行为的至关重要的前提。
综上所述，现有方法一定程度上限制了集群的灵活性，且无法保证集群间的通信连接，或者存在通信冗余连接，仅考虑集群间的显式交互，而忽略了与环境的隐式交互等问题，有待进一步研究和解决。
发明内容
本发明提供一种松散的集群控制方法、装置、设备、介质和产品，旨在解决现有技术存在限制集群的灵活性，无法保证集群间的通信连接，或者存在通信冗余连接，仅考虑集群间的显式交互，而忽略了与环境的隐式交互，导致集群控制效果不佳等问题。本发明可以实现在复杂环境中，集群通信连通保持约束条件下，集群对动态区域和目标的最优覆盖。
第一方面，本发明提供了一种松散的集群控制方法，包括：获取集群中智能体的自身状态、所述智能体的局部通信范围内的邻居智能体集合和所述智能体在所述局部感知范围内的最低浓度信息素位置，所述自身状态包括自身位置，所述局部通信范围根据预先设定的局部通信半径确定，所述局部感知范围根据预先设定的局部感知半径确定；基于所述自身位置和所述邻居智能体集合，通过虚拟势力函数确定所述智能体的虚拟势力项；基于所述自身位置和所述最低浓度信息素位置，确定所述智能体的信息素浓度项；根据所述虚拟势力项和所述信息素浓度项确定所述智能体的控制量，所述控制量用于控制所述智能体的加速度。
进一步地，所述基于所述自身位置和所述邻居智能体集合，通过虚拟势力函数确定所述智能体的虚拟势力项，包括：从所述邻居智能体集合中获取必要交互邻居智能体集合，并获取所述必要交互邻居智能体集合的位置；基于所述自身位置和所述必要交互邻居智能体集合的位置，通过虚拟势力函数确定所述智能体的虚拟势力项。
进一步地，所述从所述邻居智能体集合中获取必要交互邻居智能体集合，包括：基于所述邻居智能体集合，确定所述智能体的局部通信拓扑子图；基于所述局部通信拓扑子图，通过Prims算法确定对应所述局部通信拓扑子图的最小生成树；根据所述最小生成树中的节点确定所述必要交互邻居智能体集合。
进一步地，所述基于所述局部通信拓扑子图，通过Prims算法确定对应所述局部通信拓扑子图的最小生成树，包括：获取所述智能体的度和所述邻居智能体集合的度，所述智能体的度表示所述邻居智能体集合的个数，所述邻居智能体集合的度表示所述邻居智能体集合中每个所述邻居智能体在对应的局部通信范围内的邻居智能体的个数；根据所述智能体的度、所述邻居智能体集合的度和空间邻接矩阵确定对应所述邻居智能体集合的权重系数；基于所述局部通信拓扑子图，根据所述权重系数，通过所述Prims算法确定对应所述局部通信拓扑子图的最小生成树。
进一步地，所述根据所述智能体的度、所述邻居智能体集合的度和空间邻接矩阵确定对应所述邻居智能体集合的权重系数之前，还包括：获取所述邻居智能体集合的位置；基于所述自身位置和所述邻居智能体集合的位置确定所述空间邻接矩阵。
进一步地，所述基于所述自身位置和所述最低浓度信息素位置，确定所述智能体的信息素浓度项，包括：获取所述智能体的局部感知范围内的信息素浓度扩散速率、预设的信息素释放速率和预设的信息挥发速率，所述局部感知范围根据预先设定的局部感知半径确定；基于所述信息素浓度扩散速率与所述预设的信息素释放速率的差值与所述预设的信息挥发速率的比值，确定所述智能体的局部感知范围内的信息素浓度，并获取所述信息素浓度对应的位置；基于所述局部感知范围内的信息素浓度，获取最低信息素浓度以及所述最低信息素浓度对应的最低浓度信息素位置；基于所述最低浓度信息素位置与所述自身位置的差值，确定所述智能体的信息素浓度项。
第二方面，本发明还提供了一种松散的集群控制装置，包括：第一处理模块，用于获取集群中智能体的自身状态、所述智能体的局部通信范围内的邻居智能体集合和所述智能体在所述局部感知范围内的最低浓度信息素位置，所述自身状态包括自身位置，所述局部通信范围根据预先设定的局部通信半径确定，所述局部感知范围根据预先设定的局部感知半径确定；第二处理模块，用于基于所述自身位置和所述邻居智能体集合，通过虚拟势力函数确定所述智能体的虚拟势力项；第三处理模块，用于基于所述自身位置和所述最低浓度信息素位置，确定所述智能体的信息素浓度项；第四处理模块，用于根据所述虚拟势力项和所述信息素浓度项确定所述智能体的控制量，所述控制量用于控制所述智能体的加速度。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述松散的集群控制方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述松散的集群控制方法的步骤。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一种所述松散的集群控制方法的步骤。
本发明提供的一种松散的集群控制方法、装置、设备、介质和产品，通过获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置，自身状态包括自身位置，局部通信范围根据预先设定的局部通信半径确定，局部感知范围根据预先设定的局部感知半径确定；基于自身位置和邻居智能体集合，通过虚拟势力函数确定智能体的虚拟势力项；基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项；根据虚拟势力项和信息素浓度项确定智能体的控制量，控制量用于控制智能体的加速度。可以看出，本发明通过将虚拟势力项和信息素浓度项结合获得集群中各智能体的控制量，实现了复杂环境中，通信连通保持约束条件下，集群的最优覆盖。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明提供的松散的集群控制方法的一些实施例的流程示意图；
图2是根据本发明提供的松散的集群控制方法的另一些实施例的流程示意图；
图3-1是根据本发明提供的松散的集群控制方法的一个应用场景的效果示意图；
图3-2是各智能体在通信连通约束条件下动态区域覆盖的累计覆盖率波形图；
图4是根据本发明提供的松散的集群控制装置的一些实施例的结构示意图；
图5是根据本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本发明。
请参阅图1，图1是本发明提供的松散的集群控制方法的一些实施例的流程示意图。如图1所示，该方法包括以下步骤：
步骤101，获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置。
在一些实施例中，集群中有多个智能体，对于每个智能体，需要获取自身状态、邻居智能体集合和最低浓度信息素位置。其中，自身状态可以包括自身位置、自身速度和自身的加速度等信息。局部通信范围是根据预先设定的局部通信半径确定的。邻居智能体集合表示在智能体的局部通信范围内，与该智能体保持通信的智能体的集合。最低浓度信息素位置是在局部感知范围内的找到信息素浓度最低的位置，局部感知范围根据预先设定的局部感知半径确定。其中，信息素是蚁群进行交流并实现群集智能的媒介，因此，获取最低浓度信息素位置的方法是模拟蚁群交流方式。信息素浓度的大小表示路径的远近，信息素浓度越高，表示对应的路径距离越短。
步骤102，基于自身位置和邻居智能体集合，通过虚拟势力函数确定智能体的虚拟势力项。
在一些实施例中，也可以根据预设的规则，在邻居智能体集合中选取符合规则的一个或多个邻居智能体，基于自身位置和符合规则的一个或多个邻居智能体，通过虚拟势力函数确定智能体的虚拟势力项。虚拟势力函数可以是关于虚拟力场的模型，模型可以根据具体需要确定，虚拟势力项可以表示在智能体虚拟立力场中受到的引力和斥力合力。
步骤103，基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项。
在一些实施例中，可以根据智能体在局部通信范围内的最低浓度信息素位置和自身位置，确定智能体的信息素浓度项。也可以通过获取邻居智能体的局部通信范围或者局部感知范围内的最低浓度信息素位置和自身位置，确定智能体的信息素浓度项。
步骤104，根据虚拟势力项和信息素浓度项确定智能体的控制量。
在一些实施例中，控制量即控制智能体的信号。控制量用于控制智能体的加速度。控制量能够使集群往周围扩散，同时保证必要的通信连通，使集群呈现一个松散的状态。
如图3-1所示，集群中智能体个数为10个，智能体初始速度范围为[-1,1]，最大速 度为
Figure 414213DEST_PATH_IMAGE001
，图3-1（a）（b）表示智能体在第0步和第500步时的位置和行动轨迹，图3-1 （c）（d）表示集群中各智能体的通信拓扑连通情况，黑点表示智能体，实线表示智能体间的 必要的通信连接边。由图可见，集群中各智能体逐步分散，冗余连通逐步减小，但始终保持 连通。因此，本发明提出一种松散的集群控制方法能够很好的满足集群中各智能体的通信 连通保持约束。
图3-2表示集群中各智能体在通信连通约束条件下动态区域覆盖的累计覆盖率波形图，与其他两种集群控制方法相比，本发明提出一种松散的集群控制方法在第882步时完成全局覆盖，而第二、三种方法都在同样步数下都未完成区域覆盖，因此本发明提出的方法在引入必要连通选择机制和智能体信息素等模型后，具有显著效果。
本发明一些实施例公开的松散的集群控制方法，通过获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置，自身状态包括自身位置，局部通信范围是根据预先设定的局部通信半径确定；基于自身位置和邻居智能体集合，通过虚拟势力函数确定智能体的虚拟势力项；基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项；根据虚拟势力项和信息素浓度项确定智能体的控制量，控制量用于控制智能体的加速度。可以看出，本发明通过将虚拟势力项和信息素浓度项结合获得集群中各智能体的控制量，实现了复杂环境中，通信连通保持约束条件下，集群的最优覆盖。
请参阅图2，图2是根据本发明的松散的集群控制方法的另一些实施例的流程图。如图2所示，该方法包括以下步骤：
步骤201，获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置，自身状态包括自身位置，局部通信范围根据预先设定的局部通信半径确定，局部感知范围根据预先设定的局部感知半径确定。
在一些实施例中，步骤201的具体实现及其所带来的技术效果，可以参考图1对应的实施例中的步骤101，在此不再赘述。
步骤202，从邻居智能体集合中获取必要交互邻居智能体集合，并获取必要交互邻居智能体集合的位置。
在一些可选的实现方式中，从邻居智能体集合中获取必要交互邻居智能体集合，包括：基于邻居智能体集合，确定智能体的局部通信拓扑子图；基于局部通信拓扑子图，通过Prims算法确定对应局部通信拓扑子图的最小生成树；根据最小生成树中的节点确定必要交互邻居智能体集合。
在一些实施例中，智能体i的局部通信拓扑子图可以表示为：
Figure 126954DEST_PATH_IMAGE002
（公式1）
其中，Gi表示局部通信拓扑子图，Vi表示智能体i局部通信范围内的邻居智能体集合的节点集合，Ei表示智能体i与其局部通信范围内邻居智能体节点的连接边集合，V，E分别表示集群中所有智能体节点集合和连接边集合。
必要交互邻居智能体集合可以表示为：
Figure 644524DEST_PATH_IMAGE003
（公式2）
其中，
Figure 438954DEST_PATH_IMAGE004
表示智能体i的连通必要边集合，
Figure 332961DEST_PATH_IMAGE005
表示必要交互邻居智能体集合，j表 示邻居智能体，Ni表示智能体i的邻居智能体集合，eij表示智能体i和邻居智能体j的连接 边。
在一些可选的实现方式中，基于局部通信拓扑子图，通过Prims算法确定对应局部通信拓扑子图的最小生成树，包括：获取智能体的度和邻居智能体集合的度，智能体的度表示邻居智能体集合的个数，邻居智能体集合的度表示邻居智能体集合中每个邻居智能体在对应的局部通信范围内的邻居智能体的个数；根据智能体的度、邻居智能体集合的度和空间邻接矩阵确定对应邻居智能体集合的权重系数；基于局部通信拓扑子图，根据权重系数，通过Prims算法确定对应局部通信拓扑子图的最小生成树。
在一些实施例中，Prims算法，图论中的一种算法，可在加权连通图里搜索最小生成树。意即由此算法搜索到的边子集所构成的树中，不但包括了连通图里的所有顶点，且其所有边的权值之和亦为最小。
在一些可选的实现方式中，根据智能体的度、邻居智能体集合的度和空间邻接矩阵确定对应邻居智能体集合的权重系数之前，还包括：获取邻居智能体集合的位置；基于自身位置和邻居智能体集合的位置确定空间邻接矩阵。
在一些实施例中，权重系数可以通过公式3得到。
Figure 900208DEST_PATH_IMAGE006
（公式3）
其中，Wij表示各连接边的权重，di，dj分别表示智能体i和邻居智能体j的度，
Figure 588678DEST_PATH_IMAGE007
表 示空间邻接矩阵的元素，qj，qi分别表示智能体i和邻居智能体j的位置，
Figure 867475DEST_PATH_IMAGE008
表示范式，z表示 距离变量。
步骤203，基于自身位置和必要交互邻居智能体集合的位置，通过虚拟势力函数确定智能体的虚拟势力项。
在一些实施例中，虚拟势力项可以根据公式4得到。
Figure 565173DEST_PATH_IMAGE009
（公式4）
其中，
Figure 721348DEST_PATH_IMAGE010
表示虚拟势力项，
Figure 344834DEST_PATH_IMAGE011
表示必要交互邻居智能体集合，
Figure 609462DEST_PATH_IMAGE012
表示智能体 i与其必要交互邻居智能体集合
Figure 48533DEST_PATH_IMAGE011
中智能体的虚拟合势力函数，
Figure 622997DEST_PATH_IMAGE013
表示虚拟势力函 数，
Figure 918849DEST_PATH_IMAGE014
表示
Figure 405194DEST_PATH_IMAGE015
范式函数，即
Figure 960807DEST_PATH_IMAGE016
表示智能体的局部通信半 径，
Figure 91574DEST_PATH_IMAGE017
，Q表示固定的参数，
Figure 558328DEST_PATH_IMAGE018
，
Figure 33433DEST_PATH_IMAGE019
表示范围阈值。作为示例，
Figure 611045DEST_PATH_IMAGE020
=3，Q=100表示固定的参数，
Figure 861898DEST_PATH_IMAGE018
=2.95，
Figure 233974DEST_PATH_IMAGE019
=17。
步骤204，基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项。
在一些可选的实现方式中，基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项，包括：获取智能体的局部感知范围内的信息素浓度扩散速率、预设的信息素释放速率和预设的信息挥发速率，局部感知范围根据预先设定的局部感知半径确定；基于信息素浓度扩散速率与预设的信息素释放速率的差值与预设的信息挥发速率的比值，确定智能体的局部感知范围内的信息素浓度，并获取信息素浓度对应的位置；基于局部感知范围内的信息素浓度，获取最低信息素浓度以及最低信息素浓度对应的最低浓度信息素位置；基于最低浓度信息素位置与自身位置的差值，确定智能体的信息素浓度项。
在一些实施例中，可以根据最低浓度信息素位置与自身位置的差值确定智能体的信息素浓度项，参考公式5。
Figure 131129DEST_PATH_IMAGE021
（公式5）
其中，i表示智能体，k表示常数，qi表示智能体i的当前位置，
Figure 574749DEST_PATH_IMAGE022
表示最低信息素浓 度位置，
Figure 742425DEST_PATH_IMAGE023
表示智能体i的信息素浓度项。
在一些实施例中，最低浓度信息素位置
Figure 990129DEST_PATH_IMAGE022
的表达式可以参考公式6。
Figure 610466DEST_PATH_IMAGE024
（公式6）
其中，p（x，y）表示第t时刻位置（x，y）的信息素浓度，
Figure 857777DEST_PATH_IMAGE025
表示信息浓度随位置 的扩散速度，
Figure 118775DEST_PATH_IMAGE026
表示预设的信息素挥发速率，
Figure 98232DEST_PATH_IMAGE027
表示智能体i在位置（x，y）的信息素 释放速率，（xa，yb）表示智能体i当前所在的位置，Rd表示预设的智能体i的信息素释放半径，
Figure 409128DEST_PATH_IMAGE028
表示信息素释放速率。
步骤205，根据虚拟势力项和信息素浓度项确定智能体的控制量，控制量用于控制智能体的加速度。
在一些实施例中，控制量的表达式可以参考公式7。
Figure 132233DEST_PATH_IMAGE029
（公式7）
其中，ui表示智能体i的控制量，
Figure 572704DEST_PATH_IMAGE030
表示智能体i的信息素浓度项，
Figure 988642DEST_PATH_IMAGE031
表示虚拟势 力项。
从图2中可以看出，与图1对应的一些实施例的描述相比，图2对应的一些实施例中的松散的集群控制方法体现了如何得到虚拟势力项，即，从邻居智能体集合中获取必要交互邻居智能体集合，并获取必要交互邻居智能体集合的位置；基于自身位置和必要交互邻居智能体集合的位置，通过虚拟势力函数确定智能体的虚拟势力项。可以看出，通过必要交互邻居智能体集合的位置获取虚拟势力项，可以减少计算成本，更快速和精确的实现集群对动态区域和目标的最优覆盖。另外，本发明通过局部通信拓扑子图得到最小生成树，获得必要交互邻居智能体集合，并基于虚拟力场函数得到集群中各智能体的虚拟势力项，并设计集群信息素浓度函数与虚拟势力项结合获得集群中各智能体的控制量，能够快速实现复杂环境通信连通保持约束条件下集群对动态区域和目标的最优覆盖。
请参阅图4，图4是根据本发明提供的松散的集群控制装置的一些实施例的结构示意图，作为对上述各图所示方法的实现，本发明还提供了一种松散的集群控制装置的一些实施例，这些装置实施例与图1所示的一些方法的实施例相对应，且该装置可以应用于各种电子设备中。
如图4所示，一些实施例的松散的集群控制装置400包括第一处理模块401、第二处理模块402、第三处理模块403、第四处理模块404：第一处理模块401，用于获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置，局部通信范围根据预先设定的局部通信半径确定，局部感知范围根据预先设定的局部感知半径确定；第二处理模块402，用于基于自身位置和邻居智能体集合，通过虚拟势力函数确定智能体的虚拟势力项；第三处理模块403，用于基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项；第四处理模块404，用于根据虚拟势力项和信息素浓度项确定智能体的控制量，控制量用于控制智能体的加速度。
在一些实施例的可选实现方式中，第二处理模块402还包括：第一处理单元，用于从邻居智能体集合中获取必要交互邻居智能体集合，并获取必要交互邻居智能体集合的位置；第二处理单元，用于基于自身位置和必要交互邻居智能体集合的位置，通过虚拟势力函数确定智能体的虚拟势力项。
在一些实施例的可选实现方式中，第一处理单元还用于基于邻居智能体集合，确定智能体的局部通信拓扑子图；基于局部通信拓扑子图，通过Prims算法确定对应局部通信拓扑子图的最小生成树；根据最小生成树中的节点确定必要交互邻居智能体集合。
在一些实施例的可选实现方式中，第一处理单元还用于获取智能体的度和邻居智能体集合的度，智能体的度表示邻居智能体集合的个数，邻居智能体集合的度表示邻居智能体集合中每个邻居智能体在对应的局部通信范围内的邻居智能体的个数；根据智能体的度、邻居智能体集合的度和空间邻接矩阵确定对应邻居智能体集合的权重系数；基于局部通信拓扑子图，根据权重系数，通过Prims算法确定对应局部通信拓扑子图的最小生成树。
在一些实施例的可选实现方式中，第二处理模块402还包括第三处理单元，用于获取邻居智能体集合的位置；基于自身位置和邻居智能体集合的位置确定空间邻接矩阵。
在一些实施例的可选实现方式中，第三处理模块403还用于获取智能体的局部感知范围内的信息素浓度扩散速率、预设的信息素释放速率和预设的信息挥发速率，局部感知范围根据预先设定的局部感知半径确定；基于信息素浓度扩散速率与预设的信息素释放速率的差值与预设的信息挥发速率的比值，确定智能体的局部感知范围内的信息素浓度，并获取信息素浓度对应的位置；基于局部感知范围内的信息素浓度，获取最低信息素浓度以及最低信息素浓度对应的最低浓度信息素位置；基于最低浓度信息素位置与自身位置的差值，确定智能体的信息素浓度项。
可以理解的是，该装置400中记载的各模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的模块、单元，在此不再赘述。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行松散的集群控制方法，该方法包括：获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置，自身状态包括自身位置，局部通信范围根据预先设定的局部通信半径确定，局部感知范围根据预先设定的局部感知半径确定；基于自身位置和邻居智能体集合，通过虚拟势力函数确定智能体的虚拟势力项；基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项；根据虚拟势力项和信息素浓度项确定智能体的控制量，控制量用于控制智能体的加速度。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，上述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，上述计算机程序包括程序指令，当上述程序指令被计算机执行时，计算机能够执行上述各方法所提供的松散的集群控制方法，该方法包括：获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置，自身状态包括自身位置，局部通信范围根据预先设定的局部通信半径确定，局部感知范围根据预先设定的局部感知半径确定；基于自身位置和邻居智能体集合，通过虚拟势力函数确定智能体的虚拟势力项；基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项；根据虚拟势力项和信息素浓度项确定智能体的控制量，控制量用于控制智能体的加速度。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的松散的集群控制方法，该方法包括：获取集群中智能体的自身状态、智能体的局部通信范围内的邻居智能体集合和智能体在局部感知范围内的最低浓度信息素位置，局部通信范围根据预先设定的局部通信半径确定，局部感知范围根据预先设定的局部感知半径确定；基于自身位置和邻居智能体集合，通过虚拟势力函数确定智能体的虚拟势力项；基于自身位置和最低浓度信息素位置，确定智能体的信息素浓度项；根据虚拟势力项和信息素浓度项确定智能体的控制量，控制量用于控制智能体的加速度。
以上所描述的装置实施例仅仅是示意性的，其中上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分上述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种松散的集群控制方法，其特征在于，包括：
获取集群中智能体的自身状态、所述智能体的局部通信范围内的邻居智能体集合和所述智能体在局部感知范围内的最低浓度信息素位置，所述自身状态包括自身位置，所述局部通信范围根据预先设定的局部通信半径确定，所述局部感知范围根据预先设定的局部感知半径确定；
基于所述自身位置和所述邻居智能体集合，通过虚拟势力函数确定所述智能体的虚拟势力项；
基于所述自身位置和所述最低浓度信息素位置，确定所述智能体的信息素浓度项；
根据所述虚拟势力项和所述信息素浓度项之和确定所述智能体的控制量，所述控制量用于控制所述智能体的加速度；
所述最低浓度信息素位置表示在所述局部感知范围内的信息素浓度最低的位置，所述信息素浓度的值表示路径的长度，所述信息素表示集群交流的媒介；
其中，所述基于所述自身位置和所述邻居智能体集合，通过虚拟势力函数确定所述智能体的虚拟势力项，包括：
从所述邻居智能体集合中获取必要交互邻居智能体集合，并获取所述必要交互邻居智能体集合的位置；
基于所述自身位置和所述必要交互邻居智能体集合的位置，通过虚拟势力函数确定所述智能体的虚拟势力项；
其中，所述从所述邻居智能体集合中获取必要交互邻居智能体集合，包括：
基于所述邻居智能体集合，确定所述智能体的局部通信拓扑子图；
基于所述局部通信拓扑子图，通过Prims算法确定对应所述局部通信拓扑子图的最小生成树；
根据所述最小生成树中的节点确定所述必要交互邻居智能体集合；
其中，所述基于所述自身位置和所述最低浓度信息素位置，确定所述智能体的信息素浓度项，包括：
获取所述智能体的局部感知范围内的信息素浓度扩散速率、预设的信息素释放速率和预设的信息挥发速率；
基于所述信息素浓度扩散速率与所述预设的信息素释放速率的差值与所述预设的信息挥发速率的比值，确定所述智能体的局部感知范围内的信息素浓度，并获取所述信息素浓度对应的位置；
基于所述局部感知范围内的信息素浓度，获取最低信息素浓度以及所述最低信息素浓度对应的最低浓度信息素位置；
基于所述最低浓度信息素位置与所述自身位置的差值，确定所述智能体的信息素浓度项。
2.根据权利要求1所述的松散的集群控制方法，其特征在于，所述基于所述局部通信拓扑子图，通过Prims算法确定对应所述局部通信拓扑子图的最小生成树，包括：
获取所述智能体的度和所述邻居智能体集合的度，所述智能体的度表示所述邻居智能体集合的个数，所述邻居智能体集合的度表示所述邻居智能体集合中每个所述邻居智能体在对应的局部通信范围内的邻居智能体的个数；
根据所述智能体的度、所述邻居智能体集合的度和空间邻接矩阵确定对应所述邻居智能体集合的权重系数；
基于所述局部通信拓扑子图，根据所述权重系数，通过所述Prims算法确定对应所述局部通信拓扑子图的最小生成树。
3.根据权利要求2所述的松散的集群控制方法，其特征在于，所述根据所述智能体的度、所述邻居智能体集合的度和空间邻接矩阵确定对应所述邻居智能体集合的权重系数之前，还包括：
获取所述邻居智能体集合的位置；
基于所述自身位置和所述邻居智能体集合的位置确定所述空间邻接矩阵。
4.一种松散的集群控制装置，其特征在于，包括：
第一处理模块，用于获取集群中智能体的自身状态、所述智能体的局部通信范围内的邻居智能体集合和所述智能体在局部感知范围内的最低浓度信息素位置，所述自身状态包括自身位置，所述局部通信范围根据预先设定的局部通信半径确定，所述局部感知范围根据预先设定的局部感知半径确定；
第二处理模块，用于基于所述自身位置和所述邻居智能体集合，通过虚拟势力函数确定所述智能体的虚拟势力项；
第三处理模块，用于基于所述自身位置和所述最低浓度信息素位置，确定所述智能体的信息素浓度项；
第四处理模块，用于根据所述虚拟势力项和所述信息素浓度项之和确定所述智能体的控制量，所述控制量用于控制所述智能体的加速度；
所述最低浓度信息素位置表示在所述局部感知范围内的信息素浓度最低的位置，所述信息素浓度的值表示路径的长度，所述信息素表示集群交流的媒介；
其中，所述第二处理模块还用于：
从所述邻居智能体集合中获取必要交互邻居智能体集合，并获取所述必要交互邻居智能体集合的位置；
基于所述自身位置和所述必要交互邻居智能体集合的位置，通过虚拟势力函数确定所述智能体的虚拟势力项；
其中，所述第二处理模块还用于：
基于所述邻居智能体集合，确定所述智能体的局部通信拓扑子图；
基于所述局部通信拓扑子图，通过Prims算法确定对应所述局部通信拓扑子图的最小生成树；
根据所述最小生成树中的节点确定所述必要交互邻居智能体集合；
其中，所述第三处理模块还用于：
获取所述智能体的局部感知范围内的信息素浓度扩散速率、预设的信息素释放速率和预设的信息挥发速率；
基于所述信息素浓度扩散速率与所述预设的信息素释放速率的差值与所述预设的信息挥发速率的比值，确定所述智能体的局部感知范围内的信息素浓度，并获取所述信息素浓度对应的位置；
基于所述局部感知范围内的信息素浓度，获取最低信息素浓度以及所述最低信息素浓度对应的最低浓度信息素位置；
基于所述最低浓度信息素位置与所述自身位置的差值，确定所述智能体的信息素浓度项。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述的松散的集群控制方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的松散的集群控制方法的步骤。
CN202111200844.7A 2021-10-15 2021-10-15 一种松散的集群控制方法、装置、设备、介质和产品 Active CN113645317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111200844.7A CN113645317B (zh) 2021-10-15 2021-10-15 一种松散的集群控制方法、装置、设备、介质和产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111200844.7A CN113645317B (zh) 2021-10-15 2021-10-15 一种松散的集群控制方法、装置、设备、介质和产品

Publications (2)

Publication Number Publication Date
CN113645317A CN113645317A (zh) 2021-11-12
CN113645317B true CN113645317B (zh) 2022-01-18

Family

ID=78426998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111200844.7A Active CN113645317B (zh) 2021-10-15 2021-10-15 一种松散的集群控制方法、装置、设备、介质和产品

Country Status (1)

Country Link
CN (1) CN113645317B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115157B (zh) * 2021-11-26 2024-03-08 厦门大学 针对智能体集群不确定丢包的优化控制方法、系统和装置
CN117850437B (zh) * 2024-03-08 2024-05-14 北京航空航天大学 智能体集群运动控制方法和相关产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107367944A (zh) * 2017-09-04 2017-11-21 贾永楠 一种面向多智能体系统的集群控制方法
CN110442134A (zh) * 2019-08-01 2019-11-12 北京理工大学 一种基于双层网络的多智能体群集控制方法
CN110554709A (zh) * 2019-09-06 2019-12-10 哈尔滨工业大学（深圳） 一种分布式的仿生的多智能体自主集群控制方法
CN111880564A (zh) * 2020-07-22 2020-11-03 电子科技大学 一种基于协同增强学习的多智能体区域搜索方法
CN112269396A (zh) * 2020-10-14 2021-01-26 北京航空航天大学 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法
CN112286203A (zh) * 2020-11-11 2021-01-29 大连理工大学 一种基于蚁群算法的多智能体强化学习路径规划方法
CN113359824A (zh) * 2021-05-31 2021-09-07 杭州电子科技大学 基于模糊模型的无人机集群控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10079072B2 (en) * 2016-12-20 2018-09-18 Siemens Healthcare Gmbh Biologically inspired intelligent body scanner

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107367944A (zh) * 2017-09-04 2017-11-21 贾永楠 一种面向多智能体系统的集群控制方法
CN110442134A (zh) * 2019-08-01 2019-11-12 北京理工大学 一种基于双层网络的多智能体群集控制方法
CN110554709A (zh) * 2019-09-06 2019-12-10 哈尔滨工业大学（深圳） 一种分布式的仿生的多智能体自主集群控制方法
CN111880564A (zh) * 2020-07-22 2020-11-03 电子科技大学 一种基于协同增强学习的多智能体区域搜索方法
CN112269396A (zh) * 2020-10-14 2021-01-26 北京航空航天大学 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法
CN112286203A (zh) * 2020-11-11 2021-01-29 大连理工大学 一种基于蚁群算法的多智能体强化学习路径规划方法
CN113359824A (zh) * 2021-05-31 2021-09-07 杭州电子科技大学 基于模糊模型的无人机集群控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大规模无人系统集群智能控制方法综述;梁晓龙等;《计算机应用研究》;20140827(第01期);第11-15页 *

Also Published As

Publication number Publication date
CN113645317A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113645317B (zh) 一种松散的集群控制方法、装置、设备、介质和产品
CN107491086B (zh) 时变网络拓扑下的无人机编队避障方法及系统
CN110852448A (zh) 一种基于多智能体强化学习的合作型智能体的学习方法
Siligardi et al. Robust area coverage with connectivity maintenance
Wu et al. Autonomous cooperative flocking for heterogeneous unmanned aerial vehicle group
CN113495578A (zh) 一种基于数字孪生式训练的集群航迹规划强化学习方法
CN113128657B (zh) 多智能体行为决策方法、装置、电子设备和存储介质
Sardouk et al. Crisis management using MAS-based wireless sensor networks
CN113552899B (zh) 一种通信链路受限下的多无人机自主协同搜索方法
CN113573333B (zh) 一种基于虚拟力的粒子群异构WSNs覆盖优化算法
Sarker et al. Local interactions over global broadcasts for improved task allocation in self-organized multi-robot systems
CN108063701A (zh) 一种控制智能设备的方法及装置
Xu et al. An improved swarm model with informed agents to prevent swarm-splitting
Wang et al. Coupled alternating neural networks for solving multi-population high-dimensional mean-field games with stochasticity
Minelli et al. Stop, think, and roll: Online gain optimization for resilient multi-robot topologies
Baresi et al. Achieving self-adaptation through dynamic group management
US20210334649A1 (en) Apparatus and method for distributed reinforcement learning
CN115793717A (zh) 群体协同决策方法、装置、电子设备及存储介质
Liu et al. A swarm intelligence based algorithm for distribute search and collective cleanup
Tosun et al. On connectivity-aware distributed mobility models for area coverage in drone networks
Faramondi et al. Distributed c-means clustering via broadcast-only token passing
Liu et al. Area: an automatic runtime evolutionary adaptation mechanism for creating self-adaptation algorithms in wireless networks
Yao et al. Backbone-based connectivity control for mobile networks
Zhou et al. Digital Twin-Based 3D Map Management for Edge-Assisted Device Pose Tracking in Mobile AR
Hasanzadeh Fard et al. A Two-Dimensional Self-coordination Mechanism of Agents in a Minority Game

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