CN115390458A - 一种面向信息交互的智能体双层解耦状态控制方法及系统 - Google Patents
一种面向信息交互的智能体双层解耦状态控制方法及系统 Download PDFInfo
- Publication number
- CN115390458A CN115390458A CN202211330462.0A CN202211330462A CN115390458A CN 115390458 A CN115390458 A CN 115390458A CN 202211330462 A CN202211330462 A CN 202211330462A CN 115390458 A CN115390458 A CN 115390458A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- state
- target sequence
- intelligent agent
- 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
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据控制技术领域,涉及一种面向信息交互的智能体双层解耦状态控制方法及系统。所述方法包括:建立UAU‑F O*智能体模型,其对应表征无人集群任一一个智能体节点,其具备双层的信息交互状态表征层次:交互决策层与时空分布层;基于UAU‑F O*智能体模型对智能体节点进行状态控制。本发明提供的方法和系统均衡无人集群信息交互的时效性、鲁棒性和动态适应性等实用化目标的优势,同时兼具解耦的匹配性和分层的可扩展性,可为无人集群系统的实用化系统模型设计提供新型架构设计的思路。
Description
技术领域
本发明涉及一种面向信息交互的智能体双层解耦状态控制方法及系统,属于数据控制技术领域。
背景技术
无人集群作为面向未来战场侦察监视、目标打击等任务需求的重要力量和作战样式,须具备有人/无人一体化的自主运行、动态调整、聚合解聚与平滑过渡能力。这要求无人集群能够以个体自主规划决策为基准,实现个体对环境的及时感知、来源的有效甄别、信息的融合采信和决策的多场景适应,并支持无人自主和有人/无人编配的多模式快速匹配。尽管各式集群规划与控制算法发展了线性规划、遗传算法、粒子群算法、强化学习和深度强化学习等多类型方法,促进了有关无人系统协同作业能力的发展。但场景训练数据稀疏、仿真数据与实际数据的偏差,对算法模型能够具备差异化场景迁移能力提出了极大的挑战。同时,效用和复杂度难以平衡等多方面实用化考虑往往聚焦在特定场景和特定任务问题上,并未对无人集群系统构建形成面向实战和实用化的体系性支撑。
发明内容
本发明所要解决的技术问题是提供一种面向信息交互的智能体双层解耦状态控制方法及系统,均衡无人集群信息交互的时效性、鲁棒性和动态适应性等实用化目标的优势,同时兼具解耦的匹配性和分层的可扩展性,可为无人集群系统的实用化系统模型设计提供新型架构设计的思路。
为实现本发明目的,本发明采用的技术方案为:
一种面向信息交互的智能体双层解耦状态控制方法,所述方法基于UAU-F O*智能体模型实现,UAU-F O*智能体模型对应表征无人集群任意一个智能体节点,包括时空分布层与交互决策层,时空分布层设置有FO*模型、观测感知模块、通信接收模块、邻域剪裁筛选模块和信息融合模块,交互决策层设置有UAU模型、收益-代价评估模块和目标拣选与更新模块;具体实现过程如下:
时空分布层的处理过程为:
FO*模型对智能体节点进行行为状态控制,包括F态和O*态,F态表征智能体节点处于自由状态,O*态表征智能体节点处于观测目标的状态,时空分布层FO*状态控制变更的具体触发条件与交互决策层UAU状态控制变更的具体触发条件耦合联动;
通过观测感知模块观察环境内的目标,将观测的目标信息记为第一目标信息,若智能体节点为F态,则第一目标信息为空,若智能体节点为O*态,则第一目标信息为观测数据,并将第一目标信息发送至信息融合模块;同时通过通信接收模块接收1跳邻域及2跳邻域智能体节点集合发送的第二目标序列信息,若智能体节点集合中某一智能体节点为F态,则第二目标信息为空,若智能体节点集合中某一智能体节点为O*态,则第二目标信息为观测数据,并将第二目标信息发送至邻域剪裁模块;
通过邻域剪裁模块对第二目标序列信息进行1跳邻域及2跳邻域计算及剪裁,筛选出待融合的目标序列信息,发送至信息融合模块;
通过信息融合模块对观测感知模块发送的第一目标信息和邻域剪裁模块发送的
待融合的目标序列信息进行各目标信息级联拓扑关联度评估,生成待拣选的可观测目标序
列,将可观测目标序列发送给交互决策层的收益-代价评估
模块;式中,为任一可观测目标,,为可观测目标数量;
交互决策层的处理过程为:
UAU模型包括两种基本状态U态和A态,所述U态表征智能体节点无观测目标状态,U
态下交互决策层不对时空分布层的信息交换加以限制,A态表征智能体节点有观测目标状
态,A态下交互决策层对时空分布层的信息交换进行限制约束;UAU状态控制变更的具体触
发条件为:待拣选可观测目标序列是否为空,若为空,则
智能体节点变更为U态,若不为空,则智能体节点变更为A态;
通过收益-代价评估模块对可观测目标序列进行基于信息交互评价的收益-代价评估;
通过目标拣选与更新模块根据评估结果拣选观测目标和更新,若智能体节点为A态,则对拟观测目标拣选结果与原关注目标比对,若不同则更新关注目标,若智能体节点为U态,则使智能体节点保持无观测自由漫游;
当拣选了观测目标后,交互决策层根据观测目标是否由无变为有而触发时空分布层FO*状态是否由F态向O*变迁;或交互决策层根据是否更替观测目标,而触发时空分布层观测目标状态不变的情况下进行观测目标的切换。
其中,信息融合模块对观测感知模块发送的第一目标信息和邻域剪裁模块发送的待融合的目标序列信息进行各目标信息级联拓扑关联度评估,生成待拣选的可观测目标序列,具体包括以下过程:
S3.4对待融合的第二目标序列信息进行融合,生成待拣选可观测目标序列
S3.5根据结果进行第一目标信息遍历修订,若第一目标序列和第二目标序列
融合结果存在相同目标,且目标在两个序列中信息差处于预设的误差阈值范围内,则
以第一目标序列观测值更新修订对应目标的目标序列信息融合结果,否则不进行修订
操作;
其中,收益-代价评估模块对可观测目标序列进行基于信息交互评价的收益-代价评估,具体计算过程为:
根据下式计算级联邻域内当前时刻t获取的信息,可观测目标序列中各目标在1跳和2跳邻域的交互传播密度:
式中,为计数函数,为1跳邻域传播信息中目标出现的计数
次数,为2跳邻域传播信息中目标出现的计数次数,为1
跳邻域传播信息中各目标出现的总计数次数,为2跳邻域传播信息中各目
标出现的总计数次数,和分别为1跳邻域与2跳邻域的权重;
式中, 为求和函数,表示基于历史交互记录的目标的目标信息存续度,
即从首次出现时间到当前时刻t的总时长,为基于历史交互记录的目标的目标
信息新鲜度,即从上次出现时间到当前时刻 的时长,为可观测目标序列中
所有目标存续度之和, 为可观测目标序列中所有目标新鲜度之和,为目标信息
存续度调节系数,为目标信息新鲜度调节系数;
根据下式计算任务匹配收益度:
式中,为求和函数,为目标序列中目标的目标优先级值;为目
标序列中目标的目标偏好值;为可观测目标序列中所有目标优先级值之和,为可观测目标序列中所有目标偏好值之和,为目标信息优先级调节系数,为目标信息偏好调节系数;
根据下式计算目标更替抑制因子:
根据下式计算收益-代价评估值:
为实现所述发明目的,本发明还提供一面向信息交互的智能体双层解耦状态控制系统,包括存储器和一个或者多个处理器,所述存储器用于存储计算机程序,所述处理器调用计算机程序以执行上述方法。
与现有技术相比,本发明提供的面向信息交互的智能体双层解耦状态控制方法及系统,基于复杂网络相关理论,对无人集群中任一智能体节点的信息交互与状态控制,设计双层解耦的基本控制架构,将任务协商与协同信息和底层通信交互信息进行逻辑层面的控制解耦,能够从行为决策和通信保障等不同维度进行逻辑的分离,具备在自主化前提下,均衡无人集群信息交互的时效性、鲁棒性和动态适应性等实用化目标的优势,同时兼具解耦的匹配性和分层的可扩展性,可为无人集群系统的实用化系统模型设计提供新型架构设计的思路。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明提供的无人集群系统的结构示意图;
图2为本发明提供的面向信息交互的智能体双层解耦状态控制方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
无人集群系统在实际作业过程中,及其自主协同关系稳定运行的过程中,应重点考虑信息交互行为中存在的具体问题。本发明从结合中心式和分布式的目标出发,将系统从网络动态运行过程角度,看作时空和信息域的可变弱中心或多中心决策场景,为解决自底向上的系统设计和自顶向下的系统需求之间难以匹配的问题,提供一种分层解耦的节点信息交换与状态控制思路,抽象成为面向弱连接条件的局部交互场景,将无人节点抽象为智能体节点,通过横向与纵向的双向解耦,构建层次化信息交互解耦的状态控制方法,实现群体面向目标的自主分配行为涌现,具备成为供按需装填专有决策控制算法模型的底层机制的基础,在实现时效、鲁棒性和动态适应等实用化目标的均衡方面提供了新思路。
第一实施例
图1为本发明提供的无人集群系统的结构示意图,图2为本发明提供的面向信息交互的智能体双层解耦状态控制方法的流程图。如图1、图2所示,无人集群系统包括多个智能体节点。本发明第一实施例提供的面向信息交互的智能体双层解耦状态控制方法,所述方法包括:
所述方法基于UAU-F O*智能体模型实现,UAU-F O*智能体模型对应表征无人集群任意一个智能体节点,包括时空分布层与交互决策层,时空分布层设置有FO*模型、观测感知模块、通信接收模块、邻域剪裁筛选模块和信息融合模块,交互决策层设置有UAU模型、收益-代价评估模块和目标拣选与更新模块;具体实现过程如下:
时空分布层的处理过程为:
FO*模型对智能体节点进行行为状态控制,包括F态和O*态,F态表征智能体节点处于自由状态,O*态表征智能体节点处于观测目标的状态,时空分布层FO*状态控制变更的具体触发条件与交互决策层UAU状态控制变更的具体触发条件耦合联动;
通过观测感知模块观察环境内的目标,将观测的目标信息记为第一目标信息,若
智能体节点为F态,则第一目标信息为空,若智能体节点为O*态,则第一目标信息为观测数
据,并将第一目标信息发送至信息融合模块;同时通过通信接收模块接收1跳邻域及2跳邻
域智能体节点集合发送的第二目标序列信息,若智能体节点集合中某一智能体节点为F态,
则第二目标信息为空,若智能体节点集合中某一智能体节点为O*态,则第二目标信息为观
测数据,并将第二目标信息发送至邻域剪裁模块;其中,所述1跳邻域为t时刻某一智能体节
点有直接通信连接的智能体节点的智能体节点集合;2跳邻域为与智能体节点平台集合
中的每一智能体节点有通信连接的智能体节点集合。
通过邻域剪裁模块对第二目标序列信息进行1跳邻域及2跳邻域计算及剪裁,筛选出待融合的目标序列信息,发送至信息融合模块;
通过信息融合模块对观测感知模块发送的第一目标信息和邻域剪裁模块发送的
待融合的目标序列信息进行各目标信息级联拓扑关联度评估,生成待拣选的可观测目标序
列,将可观测目标序列发送给交互决策层的收益-代价评估
模块;式中,为任一可观测目标,,为可观测目标数量;具体包括以下过程:
S3.4对待融合的第二目标序列信息进行融合,生成待拣选可观测目标序列
S3.5根据结果进行第一目标信息遍历修订,若第一目标序列和第二目标序列
融合结果存在相同目标,且目标在两个序列中信息差处于预设的误差阈值范围内,则
以第一目标序列观测值更新修订对应目标的目标序列信息融合结果,否则不进行修订
操作;
交互决策层的处理过程为:
UAU模型包括两种基本状态U态和A态,所述U态表征智能体节点无观测目标状态,U
态下交互决策层不对时空分布层的信息交换加以限制,A态表征智能体节点有观测目标状
态,A态下交互决策层对时空分布层的信息交换进行限制约束;UAU状态控制变更的具体触
发条件为:待拣选可观测目标序列是否为空,若为空,
则智能体节点变更为U态,若不为空,则智能体节点变更为A态;
通过收益-代价评估模块对可观测目标序列进行基于信息交互评价的收益-代价评估;具体计算过程为:
根据下式计算级联邻域内当前时刻t获取的信息,可观测目标序列中各目标在1跳和2跳邻域的交互传播密度:
式中,为计数函数,为1跳邻域传播信息中目标出现的计数
次数,为2跳邻域传播信息中目标出现的计数次数,为1
跳邻域传播信息中各目标出现的总计数次数,为2跳邻域传播信息中各目
标出现的总计数次数,和分别为1跳邻域与2跳邻域的权重;
式中, 为求和函数,表示基于历史交互记录的目标的目标信息存续度,
即从首次出现时间到当前时刻t的总时长,为基于历史交互记录的目标的目标
信息新鲜度,即从上次出现时间到当前时刻 的时长,为可观测目标序列中
所有目标存续度之和, 为可观测目标序列中所有目标新鲜度之和,为目标信息
存续度调节系数,为目标信息新鲜度调节系数;
根据下式计算任务匹配收益度:
式中,为求和函数,为目标序列中目标的目标优先级值;为目
标序列中目标的目标偏好值;为可观测目标序列中所有目标优先级值之和,为可观测目标序列中所有目标偏好值之和,为目标信息优先级调节系数,为目标信息偏好调节系数;
根据下式计算目标更替抑制因子:
根据下式计算收益-代价评估值:
通过目标拣选与更新模块根据评估结果拣选观测目标和更新,若智能体节点为A态,则对拟观测目标拣选结果与原关注目标比对,若不同则更新关注目标,若智能体节点为U态,则使智能体节点保持无观测自由漫游;
当拣选了观测目标后,交互决策层根据观测目标是否由无变为有而触发时空分布层FO*状态是否由F态向O*变迁;或交互决策层根据是否更替观测目标,而触发时空分布层观测目标状态不变的情况下进行观测目标的切换。
本发明中,时空分布层根据FO*状态,确定是否对通信接收模块接收的信息进行过
滤操作,若智能体节点处于O*态的有序态(ORD),则对所有通信接收模块接收的非关注目
标信息全部过滤排除,若智能体节点处于F态或O*态的观测态(OBS),则不进行过滤操作。
本发明中,交互决策层根据拣选后目标是否更替或由无关注变为有关注,进行UAU状态切换,并联动切换时空分布层的FO*状态,切换FO*状态时,若拣选目标还不在感知范围内,即还需一段时空运动才能达到开始实际观测的情况,则将O*态设为有序态(ORD),若拣选后,可立即开始观测感知,则将O*态设为观测态(OBS),同步启动通信接收的目标信息过滤抑制操作。若ORD态且在运动过程中未更替观测目标情况下到达可观测感知范围,则将O*态设为OBS态,并且同步启动通信接收的目标信息过滤抑制操作。
第二实施例
本发明第二实施例还提供一面向信息交互的智能体双层解耦状态控制系统,其包括存储器和一个或者多个处理器,所述存储器用于存储计算机程序,所述处理器调用计算机程序以执行第一实施例任一所述的方法。
本发明提供的面向信息交互的智能体双层解耦状态控制方法及系统,对无人集群中任一智能体节点的信息交互与状态控制,设计双层解耦的基本控制架构,将任务协商与协同信息和底层通信交互信息进行逻辑层面的控制解耦,能够从行为决策和通信保障等不同维度进行逻辑的分离,具备在自主化前提下,均衡无人集群信息交互的时效性、鲁棒性和动态适应性等实用化目标的优势,同时兼具解耦的匹配性和分层的可扩展性,可为无人集群系统的实用化系统模型设计提供新型架构设计的思路。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (5)
1.一种面向信息交互的智能体双层解耦状态控制方法,其特征在于,所述方法基于UAU-F O*智能体模型实现,UAU-F O*智能体模型对应表征无人集群任意一个智能体节点,包括时空分布层与交互决策层,时空分布层设置有FO*模型、观测感知模块、通信接收模块、邻域剪裁筛选模块和信息融合模块,交互决策层设置有UAU模型、收益-代价评估模块和目标拣选与更新模块;具体实现过程如下:
时空分布层的处理过程为:
FO*模型对智能体节点进行行为状态控制,包括F态和O*态,F态表征智能体节点处于自由状态,O*态表征智能体节点处于观测目标的状态,时空分布层FO*状态控制变更的具体触发条件与交互决策层UAU状态控制变更的具体触发条件耦合联动;
通过观测感知模块观察环境内的目标,将观测的目标信息记为第一目标信息,若智能体节点为F态,则第一目标信息为空,若智能体节点为O*态,则第一目标信息为观测数据,并将第一目标信息发送至信息融合模块;同时通过通信接收模块接收1跳邻域及2跳邻域智能体节点集合发送的第二目标序列信息,若智能体节点集合中某一智能体节点为F态,则第二目标信息为空,若智能体节点集合中某一智能体节点为O*态,则第二目标信息为观测数据,并将第二目标信息发送至邻域剪裁模块;
通过邻域剪裁模块对第二目标序列信息进行1跳邻域及2跳邻域计算及剪裁,筛选出待融合的目标序列信息,发送至信息融合模块;
通过信息融合模块对观测感知模块发送的第一目标信息和邻域剪裁模块发送的待融
合的目标序列信息进行各目标信息级联拓扑关联度评估,生成待拣选的可观测目标序列,将可观测目标序列发送给交互决策层的收益-代价评估模
块;式中,为任一可观测目标,,为可观测目标数量;
交互决策层的处理过程为:
UAU模型包括两种基本状态U态和A态,所述U态表征智能体节点无观测目标状态,U态下
交互决策层不对时空分布层的信息交换加以限制,A态表征智能体节点有观测目标状态,A
态下交互决策层对时空分布层的信息交换进行限制约束;UAU状态控制变更的具体触发条
件为:待拣选可观测目标序列是否为空,若为空,则智能
体节点变更为U态,若不为空,则智能体节点变更为A态;
通过收益-代价评估模块对可观测目标序列进行基于信息交互评价的收益-代价评估;
通过目标拣选与更新模块根据评估结果拣选观测目标和更新,若智能体节点为A态,则对拟观测目标拣选结果与原关注目标比对,若不同则更新关注目标,若智能体节点为U态,则使智能体节点保持无观测自由漫游;
当拣选了观测目标后,交互决策层根据观测目标是否由无变为有而触发时空分布层FO*状态是否由F态向O*变迁;或交互决策层根据是否更替观测目标,而触发时空分布层观测目标状态不变的情况下进行观测目标的切换。
3.根据权利要求1所述的一种面向信息交互的智能体双层解耦状态控制方法,其特征在于,信息融合模块对观测感知模块发送的第一目标信息和邻域剪裁模块发送的待融合的目标序列信息进行各目标信息级联拓扑关联度评估,生成待拣选的可观测目标序列,具体包括以下过程:
S3.4对待融合的第二目标序列信息进行融合,生成待拣选可观测目标序列
S3.5根据结果进行第一目标信息遍历修订,若第一目标序列和第二目标序列融合
结果存在相同目标,且目标在两个序列中信息差处于预设的误差阈值范围内,则以第
一目标序列观测值更新修订对应目标的目标序列信息融合结果,否则不进行修订操
作;
4.根据权利要求1所述的一种面向信息交互的智能体双层解耦状态控制方法法,其特征在于,收益-代价评估模块对可观测目标序列进行基于信息交互评价的收益-代价评估,具体计算过程为:
根据下式计算级联邻域内当前时刻t获取的信息,可观测目标序列中各目标在1跳和2跳邻域的交互传播密度:
式中,为计数函数,为1跳邻域传播信息中目标出现的计数次数,为2跳邻域传播信息中目标出现的计数次数,为1跳邻域
传播信息中各目标出现的总计数次数,为2跳邻域传播信息中各目标出现
的总计数次数,和分别为1跳邻域与2跳邻域的权重;
式中, 为求和函数,表示基于历史交互记录的目标的目标信息存续度,即从
首次出现时间到当前时刻t的总时长,为基于历史交互记录的目标的目标信息
新鲜度,即从上次出现时间到当前时刻的时长,为可观测目标序列中所有目
标存续度之和, 为可观测目标序列中所有目标新鲜度之和,为目标信息存续度
调节系数,为目标信息新鲜度调节系数;
根据下式计算任务匹配收益度:
式中,为求和函数,为目标序列中目标的目标优先级值;为目标序
列中目标的目标偏好值;为可观测目标序列中所有目标优先级值之和,为可观测目标序列中所有目标偏好值之和,为目标信息优先级调节系数,为目标信息偏好调节系数;
根据下式计算目标更替抑制因子:
根据下式计算收益-代价评估值:
5.一面向信息交互的智能体双层解耦状态控制系统,其特征在于,包括存储器和一个或者多个处理器,所述存储器用于存储计算机程序,所述处理器调用计算机程序以执行权利要求1-4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330462.0A CN115390458B (zh) | 2022-10-28 | 2022-10-28 | 一种面向信息交互的智能体双层解耦状态控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330462.0A CN115390458B (zh) | 2022-10-28 | 2022-10-28 | 一种面向信息交互的智能体双层解耦状态控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115390458A true CN115390458A (zh) | 2022-11-25 |
CN115390458B CN115390458B (zh) | 2023-01-24 |
Family
ID=84115063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330462.0A Active CN115390458B (zh) | 2022-10-28 | 2022-10-28 | 一种面向信息交互的智能体双层解耦状态控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115390458B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930944A (zh) * | 2016-07-12 | 2016-09-07 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于dec-pomdp的多卫星协同优化决策方法及装置 |
CN113316118A (zh) * | 2021-05-31 | 2021-08-27 | 中国人民解放军国防科技大学 | 基于任务认知的无人机集群网络自组织系统及方法 |
CN114567888A (zh) * | 2022-03-04 | 2022-05-31 | 重庆邮电大学 | 一种多无人机动态部署方法 |
-
2022
- 2022-10-28 CN CN202211330462.0A patent/CN115390458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930944A (zh) * | 2016-07-12 | 2016-09-07 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于dec-pomdp的多卫星协同优化决策方法及装置 |
CN113316118A (zh) * | 2021-05-31 | 2021-08-27 | 中国人民解放军国防科技大学 | 基于任务认知的无人机集群网络自组织系统及方法 |
CN114567888A (zh) * | 2022-03-04 | 2022-05-31 | 重庆邮电大学 | 一种多无人机动态部署方法 |
Non-Patent Citations (4)
Title |
---|
INMO JANG等: "An Integrated Decision-making Framework of a Heterogeneous Aerial Robotic Swarm for Cooperative Tasks with Minimum Requirements", 《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS》 * |
张广政 等: "非确定环境下基于分层理论多无人机动态协同设计", 《系统工程理论与实践》 * |
沈宇婷 等: "面向集群目标分配的层次化信息传播方法", 《兵工学报》 * |
王祥科 等: "大规模固定翼无人机集群编队控制方法", 《控制与决策》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115390458B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112202672B (zh) | 一种基于业务服务质量需求的网络路由转发方法和系统 | |
Zavlanos et al. | Graph-theoretic connectivity control of mobile robot networks | |
Zhang et al. | Collective behavior coordination with predictive mechanisms | |
Yao et al. | RDAM: A reinforcement learning based dynamic attribute matrix representation for virtual network embedding | |
US8605092B2 (en) | Method and apparatus of animation planning for a dynamic graph | |
CN108075975B (zh) | 一种物联网环境中的路由传输路径的确定方法及确定系统 | |
Liao et al. | Genetic algorithms with particle swarm optimization based mutation for distributed controller placement in SDNs | |
CN104836711B (zh) | 一种指挥控制网络生成模型的构建方法 | |
CN108595533A (zh) | 一种基于协同过滤的物品推荐方法、存储介质及服务器 | |
CN106685745B (zh) | 一种网络拓扑构建方法及装置 | |
Al Ridhawi et al. | Design guidelines for cooperative UAV-supported services and applications | |
CN108650011A (zh) | 多无人机与地面网络高效协作性数据中继方法及系统 | |
Rahbari et al. | Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach | |
Tuyishimire et al. | Modelling and analysis of interference diffusion in the internet of things: An epidemic model | |
Hans et al. | Controller placement in software defined Internet of Things using optimization algorithm | |
CN114936307A (zh) | 一种范式化图模型构建方法 | |
Nguyen et al. | Efficient virtual network embedding with node ranking and intelligent link mapping | |
Han et al. | Smart optimization solution for channel access attack defense under UAV-aided heterogeneous network | |
CN115390458B (zh) | 一种面向信息交互的智能体双层解耦状态控制方法及系统 | |
Zhan et al. | Flocking of discrete-time multi-agent systems with predictive mechanisms | |
CN112770256B (zh) | 一种无人机自组织网络中的节点轨迹预测方法 | |
Eriksson et al. | Evolution of meta-parameters in reinforcement learning algorithm | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
Haught et al. | A Kalman filter-based prediction system for better network context-awareness | |
CN115497012A (zh) | 一种无人集群系统目标融合拣选方法及装置 |
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 |