CN113836781A - 面向个性化定制模式的大规模机器人群智协同决策方法 - Google Patents
面向个性化定制模式的大规模机器人群智协同决策方法 Download PDFInfo
- Publication number
- CN113836781A CN113836781A CN202110602029.7A CN202110602029A CN113836781A CN 113836781 A CN113836781 A CN 113836781A CN 202110602029 A CN202110602029 A CN 202110602029A CN 113836781 A CN113836781 A CN 113836781A
- Authority
- CN
- China
- Prior art keywords
- preference
- user
- demand
- scale
- robots
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000012358 sourcing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 20
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向个性化定制模式的大规模机器人群智协同决策方法,包括:建立以用户个性化定制需求偏好预测值为领导,以大规模机器人为跟随者的局部作用规则机制;基于HK模型构建用户个性化定制需求偏好预测模型,模拟大规模用户的需求偏好演化过程,对大规模用户的需求偏好进行预测,并进行偏好分类;构建群智协同决策模型,根据用户的偏好预测值进行任务决策,为相应偏好类别参照需求比重自主分配对应数量的机器人。本发明突破了开放、动态、复杂制造环境下大规模群体无法为全局预先设定的瓶颈,为解决如何充分利用资源,保证生产效率的任务分配问题提供了一种新的视角。
Description
技术领域
本发明涉及工业过程控制技术领域,特别涉及一种面向个性化定制模式的大规模机器人群智协同决策方法。
背景技术
随着智能化生产、网络化协同、个性化定制、服务化延伸等工业互联网新模式不断创新和涌现。面向工业互联网的大规模个性化生产模式正在对传统生产模式产生颠覆性的挑战。大规模个性化生产是严格按照客户的需求,在产品或服务生命周期内向客户提供达到自身需求的独一无二的产品,实现真正意义上的产品定制。然而,在信息飞速发展的互联网时代,人们个性化需求往往受社会信息的影响而改变,每个人不仅是社会信息的消费者,同时也是信息的生产者和观点的传播者。面对大规模的个性化需求,我们需要一个对用户需求偏好动态变化的认识过程。
另一方面,随着机器人技术在各个领域的广泛应用,大规模机器人系统更是在军事、民用等复杂应用场景中发挥难以替代的作用。因此,在工业互联网领域以大规模机器人为生产执行主体将是大势所趋。然而,在个性化定制模式下,随着规模逐渐庞大,不可避免的存在如何充分利用资源,保证生产效率的任务分配问题。
大规模机器人中的任务分配是指根据当前任务需要或群体收益,对执行不同任务的机器人数量进行动态调整,从而使群体的性能达到最优。代表性的工作有MichaelJ.B.Krieger(Michael J.B.Krieger,Jean-Bernard Billeter.The call of duty:Self-organized task assignment in apopulation ofup to twelve mobile robots[J].Robotics andAutonomous Systems,2000,30(1/2):65-84.)等人提出的阈值方法,机器人各自通过对不同环境或状态的评价得到最优的工作条件并设定其阈值,机器人通过工作在阈值内的数目来彼此协调,最终达到使尽可能多的机器人工作在最佳条件下。另外,由于目前生产生活需要人机协同,孔繁森(孔繁森,高天宇,李惠敏.考虑任务复杂性的人机联合任务分配问题研究[J].机械工程学报, 2021,1-11.)等人研究了在人机协同下的任务分配问题,以成本、时间和一些人为因素为指标进行任务分配,建立了考虑任务复杂性的人机联合任务分配模型,使得任务分配能在更复杂的环境得到充分发挥。
需要指出,工业互联网人机物互联互通、即插即用,是一个典型的开放、动态复杂系统。在工业互联网复杂系统下,用户需求大规模、多品种、小批量,且实时更新。个性化定制模式下,针对大规模机器人系统的任务分配问题,若要求系统所有个体都明确任务分工,这种假设过于严格,而且往往不切实际。因此,为突破开放、动态、复杂制造环境下大规模群体无法为全局预先设定的瓶颈,需要发展一种新的理论和方法。
观点动力学是描述公共观点的出现和演变的重要社会学系统,近年来引起了各个领域学者的广泛关注。目前已派生出很多种不同的研究方法和模型。其中应用最广泛的是基于有界信任的Hegselmann-Krause(HK)模型。基本的HK 模型简单地将个体的观点与邻近群体的观点进行交互,然后促进整个群体观点的演化,最终产生一致或分散的观点。虽然模型简单,但HK模型捕捉了一个基本的局部自组织机制,这是建立大型复杂系统的基础。
在观点动力学的研究过程中,学者们发现随机噪声可以在增强观点的一致性、分裂性方面发挥一定的积极作用,并有学者进行了数学上的严格分析证明。此外,为贴近实际生活中人们的观点演化,学者们基于HK模型纷纷在不同领域展开研究,模拟自然界和复杂社会网络中基于局部信息交互的群体协同智慧。
发明内容
本发明的目的在于提供一种面向个性化定制模式的大规模机器人群智协同决策方法。在工业互联网复杂巨系统下,由于用户个性化定制需求涉及到人的偏好动态变化问题,因此,在研究过程中不可避免地需要一个对大规模用户偏好演化的认识过程,本发明在研究观点动力学领域传统HK模型演化机制的基础上,构建用户个性化需求偏好预测模型,模拟大规模用户的需求偏好演化过程,对大规模用户需求进行偏好预测及偏好分类;结合个性化定制模式,针对大规模机器人系统的任务分配问题,构建群智协同决策模型,实现了基于局部规则,大规模机器人仅需与邻居的相对距离即可实现群体的一致性运动,并根据偏好预测值进行任务决策,即为相应偏好类别参照需求比重自主分配对应数量的机器人;同时,本发明随需求订单的实时改变,大规模机器人也可满足实时协调自主运动的能力,实现用户需求与机器人分配间的协同决策,为解决如何充分利用资源,保证生产效率的任务分配问题提供了一种新的思路。
为解决上述技术问题,本发明的实施例提供如下方案:
一种面向个性化定制模式的大规模机器人群智协同决策方法,包括以下步骤:
S1、建立以用户个性化定制需求偏好预测值为领导,以大规模机器人为跟随者的局部作用规则机制;
S2、基于HK模型构建用户个性化定制需求偏好预测模型,模拟大规模用户的需求偏好演化过程,对大规模用户的需求偏好进行预测,并进行偏好分类;
S3、构建群智协同决策模型,根据用户的偏好预测值进行任务决策,为相应偏好类别参照需求比重自主分配对应数量的机器人。
优选地,在所述步骤S2中,大规模用户需求最终收敛到不同的集合λk,每类需求分别对应不同的偏好预测值Jk,分为不同的偏好类别,共h类;其中,λk表示k类用户需求偏好集合;Jk表示k类需求对应的偏好预测值;由于用户需求的动态随机性,需求偏好预测结果也是动态不确定的,h可为{1,2,3,4......}中的任意数。
优选地,所述步骤S2具体包括:
考虑用户偏好惯性、流行因素影响以及国情时事突发因素影响,对传统HK 模型进行改进,设为n个用户个性化定制需求的集合,xi(t)∈[0,1], t≥0表示在t时刻第i个用户个性化定制需求的状态变量,此处表示用户偏好,构建用户个性化定制需求偏好预测模型:
其中
并且
并且
式中:αi∈(0,1]是偏好惯性强度;Ii(x(t))、Fi(x(t))分别为t时刻不同阈值下用户个性化定制需求i相应的邻居集;|·|表示邻居集的基数或实数的绝对值;εi∈(0,1]表示用户偏好的置信阈值;f为考虑流行因素和国情时事突发因素对用户偏好的影响程度;βi是流行因素影响度,βi∈[0,1];γi为国情时事突发因素影响度。
优选地,所述步骤S3具体包括:
令Γ={1,2,...,m}为大规模机器人集合,共m个,yi(t)∈[0,1],i∈Γ,t≥0表示在 t时刻第i个机器人的状态变量,构建群智协同决策模型:
式中:α代表用户需求偏好预测值的吸引强度;S1∪S2∪...Sh=Γ,是一组跟随不同用户需求偏好类的机器人个体的集合,且对有令|λk|表示k类需求偏好集合中用户需求的数量;Sk集合为跟随k类用户需求偏好的大规模机器人集合,|Sk|表示Sk集合中智能机器人的数量,并满足:
上述式子表示在大规模m个机器人中,为k类用户需求偏好集合λk集合分配的机器人数量|Sk|占机器人总数量的比例和k类偏好中用户需求数量|λk|占总需求数量n的比例一致,即满足为相应偏好类别参照需求比重自主决策分配对应数量的机器人。
本发明实施例提供的技术方案带来的有益效果至少包括:
1)提出一种面向个性化定制模式的大规模机器人群智协同决策方法。本发明在研究观点动力学领域噪声控制策略的基础上,结合工业互联网个性化定制模式,为突破开放、动态、复杂制造环境下大规模群体无法为全局预先设定的瓶颈,提出了一个以用户需求偏好预测值为“领导”,以大规模机器人“跟随者”的局部作用规则机制。
2)构建用户个性化定制需求偏好预测模型。本发明对传统HK模型进行改进,构建了用户个性化定制需求偏好预测模型,模拟了大规模用户的个性化需求偏好演化过程,对大规模用户个性化需求进行偏好预测及偏好分类。
3)构建群智协同决策模型。本发明根据所提出的局部作用规则机制,构建了群智协同决策模型。实现大规模机器人根据偏好预测值便可自主进行任务决策,即为相应偏好类别根据需求比重自主分配对应数量的智能机器人,实现了用户需求与机器人分配间的协同决策,为解决如何充分利用资源,保证生产效率的任务分配问题提供了一种新的视角。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例提供的面向个性化定制模式的大规模机器人群智协同决策方法的流程图;
图2是针对式(1)~(4),用户个性化定制需求数量n=20时,个性化定制需求的偏好预测结果;
图3是针对式(6)~(7),大规模机器人数量m=35时,以图2预测结果为“领导”,大规模机器人的任务决策结果;
图4是针对式(1)~(4),用户个性化定制需求数量n=100时,个性化定制需求的偏好预测结果;
图5是针对式(6)~(7),大规模机器人数量m=100时,以图4预测结果为“领导”,大规模机器人的任务决策结果。
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,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种面向个性化定制模式的大规模机器人群智协同决策方法,如图1所示,所述方法包括以下步骤:
S1、建立以用户个性化定制需求偏好预测值为领导,以大规模机器人为跟随者的局部作用规则机制;
S2、基于HK模型构建用户个性化定制需求偏好预测模型,模拟大规模用户的需求偏好演化过程,对大规模用户的需求偏好进行预测,并进行偏好分类;
S3、构建群智协同决策模型,根据偏好预测值进行任务决策,为相应偏好类别参照需求比重自主分配对应数量的机器人。
进一步地,所述步骤S1中,本发明以工业互联网个性化定制模式为背景,针对大规模机器人系统如何充分利用资源,保证生产效率的任务分配问题,为突破开放、动态、复杂制造环境下大规模群体无法为全局预先设定好的瓶颈,提出了一种以用户需求偏好预测值为“领导”,以大规模机器人为“跟随者”的局部作用规则机制。
进一步地,在所述步骤S2中,大规模用户需求最终收敛到不同的集合λk,每类需求分别对应不同的偏好预测值Jk,分为不同的偏好类别,共h类;其中,λk表示k类用户需求偏好集合;Jk表示k类需求对应的偏好预测值;由于用户需求的动态随机性,需求偏好预测结果也是动态不确定的,因此,h可为{1,2,3,4......} 中的任意数。
具体地,所述步骤S2包括:
考虑用户偏好惯性、流行因素影响以及国情时事突发因素影响,对传统HK 模型进行改进,设为n个用户个性化定制需求的集合,xi(t)∈[0,1], t≥0表示在t时刻第i个用户个性化定制需求的状态变量,此处表示用户偏好,构建用户个性化定制需求偏好预测模型:
其中
并且
并且
式中:αi∈(0,1]是偏好惯性强度;Ii(x(t))、Fi(x(t))分别为t时刻不同阈值下用户个性化定制需求i相应的邻居集;|·|表示邻居集的基数或实数的绝对值;εi∈(0,1]表示用户偏好的置信阈值;f为考虑流行因素和国情时事突发因素对用户偏好的影响程度;βi是流行因素影响度,βi∈[0,1];γi为国情时事突发因素影响度。
αi值越高说明用户偏好越不容易受周围其他观点的影响。敏感度βi值越高说明用户偏好越容易跟随大众潮流,会随着流行元素的更新迭代而改变自己的需求。要说明的是,式(2)中最后一项表示受突发情况影响下企业需求必须考虑阈值ε2以外的个体观点值,ε2值为很小的数。
进一步地,所述步骤S3中,传统带噪声的异质偏见HK模型:
式中:是一组具有异质偏见个体的集合;J1,J2∈[0,1]是满足|J1-J2|>ε的偏见值;α是偏见值的吸引强度;I{·}是根据条件取1还是0的示性函数;是独立同分布的随机噪声,而且对于δ≥0有Eξ1(1)=0, |ξ1(1)|≤δ。
上述具有异质偏见个体的HK模型,其演化机制在于,当群体中有两种异质性群体(个体特征或属性存在一定差异,本发明以不同偏好值的形式表现) 相互作用时,施加一定强度的随机噪声,给定任何初始值,基于局部相互规则,都会引导大规模群体根据各自偏见值自发涌现聚类,表现形式为与各自偏见值同步但波动。
为突破集群系统无法为全局预先设定的瓶颈,针对如何充分利用资源,保证生产效率的任务分配问题,受上述具有异质偏见个体的HK模型演化机制的启发,建立二者映射关系,本发明构建了群智协同决策(即决定群体的目标任务)模型。与传统异质偏见模型不同的是,本发明设计了以用户需求偏好预测值(Jk)为“领导”,以大规模机器人(yi(t))为“跟随者”的局部作用规则机制,引导大规模机器人群体根据用户需求偏好预测值自发涌现聚类,并参照不同偏好类别的需求比重自主分配对应数量的机器人,实现用户需求与机器人分配间的协同决策。
具体地,所述步骤S3包括:
令Γ={1,2,...,m}为大规模机器人集合,共m个,yi(t)∈[0,1],i∈Γ,t≥0表示在 t时刻第i个机器人的状态变量,构建群智协同决策模型:
式中:α代表用户需求偏好预测值的吸引强度;S1∪S2∪...Sh=Γ,是一组跟随不同用户需求偏好类的机器人个体的集合,且对有令|λk|表示k类需求偏好集合中用户需求的数量;Sk集合为跟随k类用户需求偏好的大规模机器人集合,|Sk|表示Sk集合中智能机器人的数量,并满足:
式(7)表示在大规模m个机器人中,为k类用户需求偏好集合λk集合分配的机器人数量|Sk|占机器人总数量的比例和k类偏好中用户需求数量|λk|占总需求数量n的比例一致,即满足为相应偏好类别参照需求比重自主决策分配对应数量的机器人。
仿真实验时,以工业互联网中以大规模机器人集群系统为主体的生产制造环境为应用场景。针对式(1)~(4),取阈值ε1为0.1,ε2为0.05,用户需求初值xi(0),在区间[0,1]内随机生成,用户偏好的吸引强度α为0.2,噪声强度d 为0.3。要说明的是,针对式(1)~(2),敏感度βi分为非常敏感、一般敏感、不太敏感三个程度,分别赋值0.8、0.2、0.5。一般来说,αi值较小的人的观点越容易受到外界因素而摇摆不定。相反,偏好惯性强度αi值大的人越不容易受外界因素的影响,因此,αi值对应敏感度分别设为0.2、0.5、0.8。本发明用以下两个例子进行仿真说明。
例1.用户个性化定制需求数量n=20,大规模机器人数量m=35。图2是针对式(1)~(4),用户个性化定制需求数量n=20时,个性化定制需求的偏好预测结果;图3是针对式(6)~(7),大规模机器人数量m=35时,以图2预测结果为“领导”,大规模机器人的任务决策结果。
个性化定制需求偏好预测值与大规模机器人个体最终演化值对应表如表1 所示,表中直观地显示出,用户需求偏好最终预测结果为λ1与λ2两个集合,对应的偏好预测值分别为J1=0.6231、J2=0.3054,用户偏好集合中的需求数目分别为 |λ1|=15,|λ2|=5。根据偏好预测值,模型(6)将35个机器人最终聚类到演化值趋于J1、J2附近的两类,并根据式(7)的分配规则,|S1|=26,|S2|=9,即为λ1集合分配26个智能机器人,为λ2集合分配9个智能机器人,即实现了资源的充分利用。
表1
例2.用户个性化定制需求数量n=100,大规模机器人数量m=100。图4是针对式(1)~(4),用户个性化定制需求数量n=100时,个性化定制需求的偏好预测结果;图5是针对式(6)~(7),大规模机器人数量m=100时,以图4 预测结果为“领导”,大规模机器人的任务决策结果。
仿真结果直观地显示出,用户需求偏好最终预测结果为λ1、λ2、λ3与λ4四个集合,对应的偏好预测值分别为J1=0.8625、J2=0.6411、J3=0.4911、J4=0.2596,用户偏好集合中需求数目分别为|λ1|=17、|λ2|=38、|λ3|=22、|λ4|=23。根据偏好预测值,模型(6)将100个机器人最终聚类到演化值趋于J1、J2、J3、J4附近的四类,并根据式(7)的分配规则,|S1|=17、|S2|=38、|S3|=22、|S4|=23,即为λ1集合分配17个智能机器人,为λ2集合分配38个智能机器人,为λ3集合分配22个智能机器人,为λ4集合分配23个智能机器人。
综上所述,本发明以工业互联网为背景,将观点动力学理论应用于大规模用户个性化需求与任务分配的协同决策进行了初步尝试,实现了一个以用户需求偏好预测值为“领导”,以大规模机器人为“跟随者”的局部作用规则机制;构建了用户个性化定制需求偏好预测模型,模拟了大规模用户的个性化需求偏好演化过程,并对其进行偏好预测及偏好分类;构建了群智协同决策模型,实现了大规模机器人根据偏好预测值便可自主进行任务决策,即为相应偏好类别根据需求比重自主分配对应数量的智能机器人。本发明突破了开放、动态、复杂制造环境下大规模群体无法为全局预先设定好的瓶颈,为解决如何充分利用资源,保证生产效率的任务分配问题提供了一种新的视角。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种面向个性化定制模式的大规模机器人群智协同决策方法,其特征在于,包括以下步骤:
S1、建立以用户个性化定制需求偏好预测值为领导,以大规模机器人为跟随者的局部作用规则机制;
S2、基于HK模型构建用户个性化定制需求偏好预测模型,模拟大规模用户的需求偏好演化过程,对大规模用户的需求偏好进行预测,并进行偏好分类;
S3、构建群智协同决策模型,根据用户的偏好预测值进行任务决策,为相应偏好类别参照需求比重自主分配对应数量的机器人。
2.根据权利要求1所述的面向个性化定制模式的大规模机器人群智协同决策方法,其特征在于,在所述步骤S2中,大规模用户需求最终收敛到不同的集合λk,每类需求分别对应不同的偏好预测值Jk,分为不同的偏好类别,共h类;其中,λk表示k类用户需求偏好集合;Jk表示k类需求对应的偏好预测值;由于用户需求的动态随机性,需求偏好预测结果也是动态不确定的,h为{1,2,3,4......}中的任意数。
3.根据权利要求1所述的面向个性化定制模式的大规模机器人群智协同决策方法,其特征在于,所述步骤S2具体包括:
考虑用户偏好惯性、流行因素影响以及国情时事突发因素影响,对传统HK模型进行改进,设为n个用户个性化定制需求的集合,xi(t)∈[0,1],t≥0表示在t时刻第i个用户个性化定制需求的状态变量,此处表示用户偏好,构建用户个性化定制需求偏好预测模型:
其中
并且
并且
4.根据权利要求1所述的面向个性化定制模式的大规模机器人群智协同决策方法,其特征在于,所述步骤S3具体包括:
令Γ={1,2,...,m}为大规模机器人集合,共m个,yi(t)∈[0,1],i∈Γ,t≥0表示在t时刻第i个机器人的状态变量,构建群智协同决策模型:
式中:α代表用户需求偏好预测值的吸引强度;S1∪S2∪...Sh=Γ,是一组跟随不同用户需求偏好类的机器人个体的集合,且对b有令|λk|表示k类需求偏好集合中用户需求的数量;Sk集合为跟随k类用户需求偏好的大规模机器人集合,|Sk|表示Sk集合中智能机器人的数量,并满足:
上述式子表示在大规模m个机器人中,为k类用户需求偏好集合λk集合分配的机器人数量|Sk|占机器人总数量的比例和k类偏好中用户需求数量|λk|占总需求数量n的比例一致,即满足为相应偏好类别参照需求比重自主决策分配对应数量的机器人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602029.7A CN113836781B (zh) | 2021-05-31 | 2021-05-31 | 面向个性化定制模式的大规模机器人群智协同决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602029.7A CN113836781B (zh) | 2021-05-31 | 2021-05-31 | 面向个性化定制模式的大规模机器人群智协同决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836781A true CN113836781A (zh) | 2021-12-24 |
CN113836781B CN113836781B (zh) | 2024-04-26 |
Family
ID=78962585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110602029.7A Active CN113836781B (zh) | 2021-05-31 | 2021-05-31 | 面向个性化定制模式的大规模机器人群智协同决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836781B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558856A (zh) * | 2013-11-21 | 2014-02-05 | 东南大学 | 动态环境下服务动机器人导航方法 |
KR20160002439A (ko) * | 2014-06-30 | 2016-01-08 | 울산과학기술원 산학협력단 | 플라스틱 사출 제조 라인에서 로봇의 동적 임무할당 장치 및 방법 |
CN110355761A (zh) * | 2019-07-15 | 2019-10-22 | 武汉理工大学 | 一种基于关节刚度和肌肉疲劳的康复机器人控制方法 |
CN111538349A (zh) * | 2020-04-17 | 2020-08-14 | 中国海洋大学 | 面向多任务的长航程auv自主决策方法 |
CN112381113A (zh) * | 2020-10-17 | 2021-02-19 | 北京科技大学 | 一种基于hk模型的工业互联网大数据协同决策方法 |
CN112836356A (zh) * | 2021-01-14 | 2021-05-25 | 北京科技大学 | 基于随机噪声的局部自组织大规模群体动态目标跟踪方法 |
-
2021
- 2021-05-31 CN CN202110602029.7A patent/CN113836781B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558856A (zh) * | 2013-11-21 | 2014-02-05 | 东南大学 | 动态环境下服务动机器人导航方法 |
KR20160002439A (ko) * | 2014-06-30 | 2016-01-08 | 울산과학기술원 산학협력단 | 플라스틱 사출 제조 라인에서 로봇의 동적 임무할당 장치 및 방법 |
CN110355761A (zh) * | 2019-07-15 | 2019-10-22 | 武汉理工大学 | 一种基于关节刚度和肌肉疲劳的康复机器人控制方法 |
CN111538349A (zh) * | 2020-04-17 | 2020-08-14 | 中国海洋大学 | 面向多任务的长航程auv自主决策方法 |
CN112381113A (zh) * | 2020-10-17 | 2021-02-19 | 北京科技大学 | 一种基于hk模型的工业互联网大数据协同决策方法 |
CN112836356A (zh) * | 2021-01-14 | 2021-05-25 | 北京科技大学 | 基于随机噪声的局部自组织大规模群体动态目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
EE MICIOLINO等: "Distributed opinion dynamics with heterogeneous reputation", INTERNATIONAL JOURNAL OF SYSTEM OF SYSTEMS ENGINEERING, vol. 4, 19 September 2013 (2013-09-19), pages 277 - 290 * |
王国霞等: "个性化推荐系统隐私保护策略研究进展", 《计算机应用研究》, vol. 29, no. 6, 15 June 2012 (2012-06-15), pages 2001 - 2008 * |
罗贵珣: "社交网络中观点演化模式及信息转发预测研究", 《中国博士学位论文全文数据库(信息科技辑)》, no. 01, 15 January 2020 (2020-01-15), pages 140 - 39 * |
Also Published As
Publication number | Publication date |
---|---|
CN113836781B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Smart city concepts and dimensions | |
Li et al. | Surprisingly popular-based adaptive memetic algorithm for energy-efficient distributed flexible job shop scheduling | |
Gong et al. | Interactive genetic algorithms with individual’s fuzzy fitness | |
Zhuge | Cyber physical society | |
Eng et al. | Ada-intelligent space: an artificial creature for the SwissExpo. 02 | |
CN111444949A (zh) | 一种基于规则优化的数据驱动粒度建模方法 | |
Hagras et al. | Employing type-2 fuzzy logic systems in the efforts to realize ambient intelligent environments [application notes] | |
CN112381113A (zh) | 一种基于hk模型的工业互联网大数据协同决策方法 | |
Armano et al. | The production of neoliberal subjectivity in platform capitalism: comparative interpretative hypotheses | |
CN113836781A (zh) | 面向个性化定制模式的大规模机器人群智协同决策方法 | |
CN100578538C (zh) | 基于层次图组织与变换的虚拟环境群体对象行为演化方法 | |
CN115840892B (zh) | 一种复杂环境下多智能体层次化自主决策方法及系统 | |
Ng | The social dynamics of diverse and closed networks | |
Kimm | Classes of AI tools, techniques, and methods | |
Rodriguez et al. | Interactive Genetic Algorithm with fitness modeling for the development of a color simulation system based on customer’s preference | |
Young | Globalisation, culture and museums: A review of theory | |
Yang et al. | Metaverse: Architecture, Technologies, and Industrial Applications | |
CN111970145B (zh) | 基于语义化虚拟和任务迁移的物联网设备管控方法 | |
Wang et al. | Multistrategy integrated marine predator algorithm applied to 3D surface WSN coverage optimization | |
Makkaoui et al. | University-Based Smart Cities: from collective intelligence to smart crowd-conscience | |
Pan | Structural optimization of architectural environmental art design based on multiagent simulation system | |
Valentina et al. | Implementation of Sustainable Urban Development through Project Management | |
Chen et al. | Parametric Design of Office Furniture Partition Space Integrated with the Interactive Evolution Algorithm of FNT and Tree Structure | |
Liu et al. | HCI model with learning mechanism for cooperative design in pervasive computing environment | |
Yang et al. | An Intelligent Designing Approach for Personalized Products Using Product Gene |
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 |