CN116016206B - 开放环境下无人集群系统的弹性评估方法及系统 - Google Patents
开放环境下无人集群系统的弹性评估方法及系统 Download PDFInfo
- Publication number
- CN116016206B CN116016206B CN202211563817.0A CN202211563817A CN116016206B CN 116016206 B CN116016206 B CN 116016206B CN 202211563817 A CN202211563817 A CN 202211563817A CN 116016206 B CN116016206 B CN 116016206B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned
- node
- cluster system
- communication
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了开放环境下无人集群系统的弹性评估方法与系统,包括:设定无人集群系统的初始条件;采用多智能体系统对无人集群系统的集群行为进行仿真,得到仿真数据;基于仿真数据,对无人集群系统进行复杂网络建模,得到网络模型;基于网络模型,计算弹性评估指标,基于弹性评估指标绘制弹性曲线,得到无人集群系统的性能弹性情况。本发明提出开放任务场景下无人集群系统的多层复杂网络模型,将流量概念引入网络,更好的描述开放系统在任务过程中的动态变化,达到全面准确的评估效果;本发明建立开放环境下无人集群系统任务场景,通过对比不同恢复方案,分析开放系统的弹性机理,以促进系统可靠运行,更好的指导集群系统的决策与优化应用。
Description
技术领域
本发明涉及无人集群系统弹性评估技术领域,具体涉及开放环境下无人集群系统的弹性评估方法及系统。
背景技术
无人集群系统是指若干无人系统根据任务分工,在一定时间、空间内协同完成复杂任务的整体系统。随着无人技术领域控制、通信及人工智能的不断进步,在高时空复杂度、多元任务载荷的需求驱动下,无人集群系统取得了长足的发展。在现今多元庞杂任务场景下,单个无人系统由于任务单元少、体系力量弱无法完成相应目标,无人集群系统由多个无人系统组成,具有多机协同,任务涌现等特点,相比于单机执勤有着无法比拟的优势,在国防部署、环境安全、城市物流等领域都有着广泛的应用。无人技术不断朝着集群化、智能化、自主化的方向发展,无人集群系统在自主控制、通讯链路、智能协同、任务分配等方面都有大量研究,当今无人集群系统逐渐应用于开放场景中,不断提升其与环境交互的能力。
但与此同时,无人集群系统作为一个整体任务体系,面临着来自场景中更多威胁因素,受到风险而破坏的概率更高,尤其是在战斗对抗情况下的攻击与干扰,常导致集群体系破坏而无法运作。当前,无人集群系统应用领域逐渐广泛,任务范畴逐渐复杂,由于开放环境的预测困难与任务场景的实时多变,传统保护策略无法准确提供适当的预防与保护,无人集群系统的抵抗破坏与实时重构是保证系统可靠性的主要手段与研究重点,分析动态变化下的无人集群系统运行机理亦是提升其可靠性的关键与基础。
在这种情况下,大量研究通过弹性概念对集群系统的抵抗破坏及恢复重构的能力进行描述。弹性系统分析广泛应用于交通网络系统、生态网络系统、道路网络系统与管道网络系统等,弹性概念由Holling提出,众多研究者一直沿用其思路进行拓展性的研究。在网络化应用的背景下,集群系统弹性的研究方法主要是考虑随机攻击和蓄意攻击等针对网络结构的弹性冲击以及考虑级联失效的网络失效机制。基于此思想将弹性应用于无人集群系统,Sun等人研究无人武器系统(UWSoS)在不同攻击强度下的弹性,同时考虑了系统多种拓扑重构的恢复方式,分析了面向任务的弹性指标情况。Bai等人建立了通信限制下的无人机集群模型,考虑了蓄意攻击下的集群通信能力弹性,利用重新连接链路的方式提高弹性。当今无人集群系统在非封闭任务场景中,流量动态引入引出,开放环境中的资源引入与恢复是目前弹性系统恢复的发展趋势,目前研究大部分通过内部重构恢复,对无人集群开放系统弹性研究较少,亟需一种对无人集群系统开放环境中的弹性度量指标与方法。
各个研究对性能指标的制定也不同,对系统需求分析从而合理度量弹性是弹性研究的基础。Dorbritz R等人研究交通网络在灾难事件下的弹性,建立网络模型,利用最大连通子团作为性能指标,类似的还有平均路径长度、网络吞吐量等,Poulin等人基于关键基础设施的研究,将弹性性能指标总结为可用性、生产力、质量三方面。以上指标是对抽象目标的广泛定义,针对无人集群系统的复杂性、涌现性,其指标的提取需要对系统特性与任务需求进行详细建模与分析。Cheng等人研究无人机侦察任务能力弹性,针对侦察任务提出弹性性能指标,基于复杂网络理论探讨了拓扑结构、协同策略等对弹性恢复的影响,还有任务能力,通信能力等指标的相关研究,复杂网络方法是能很好体现集群特征的建模方法,在此基础上,对无人集群系统的多性能综合分析及多层次建模是发展需要与关键之处。此外弹性评估方法大部分基于弹性曲线分析,对弹性曲线只度量积分性能,缺乏对弹性过程的分析,Poulin将弹性曲线进行参数多方面剖析,提出应注重曲线的积分、大小、速率等多方面性能,并在具体模型中加以应用,因此有必要对无人集群系统弹性评估方法与指标做进一步研究改进。
发明内容
针对现有技术的缺陷和不足,本发明针对开放环境下无人集群系统的特性机理进行分析,基于当前弹性研究制定无人集群系统的弹性性能指标体系,进行无人集群系统的弹性研究。
一方面,为实现上述目的,本申请提供了开放环境下无人集群系统的弹性评估方法,步骤包括:
S1,设定无人集群系统的初始条件;
S2,采用多智能体系统对所述无人集群系统的集群行为进行仿真,得到仿真数据;
S3,基于所述仿真数据,对所述无人集群系统进行复杂网络建模,得到网络模型;
S4,基于所述网络模型,计算弹性评估指标,基于所述弹性评估指标绘制弹性曲线,得到所述无人集群系统的性能弹性情况。
可选地,所述S1包括:
根据对应任务的初始条件,明确所述对应任务的任务目标和所述无人集群系统的集群规模,设定所述无人集群系统的所述初始条件。
可选地,所述多智能体系统包括但不限于netlogo和anylogic。
可选地,所述仿真包括:
初始化装备参数,对所述多智能体系统的能力进行赋值,随后运行对应任务,在所述对应任务的运行过程中进行链路重连,并进行资源补充,直至所述对应任务完成,得到所述仿真数据。
可选地,所述弹性评估指标包括结构拓扑性能、流量连通性能和任务效能性能。
可选地,所述网络模型为:
G=(V,E,X)
其中:
V=(Va,Vb,Vc)
E=(Ea,Eb,Ec,E')
X=(Xa,Xc)
式中,V为网络节点集,E为边集,X为节点属性集合;Va为无人集群系统通讯节点,Ea为各无人集群系统通讯连接关系,Xa为各节点通讯属性能力;Vb为无人集群系统实体,Eb为各无人集群系统编队关系;Vc为无人系统任务载荷,Ec为各无人系统任务传递关系,Xc为各节点任务属性能力;E'为三层网络的层间连边集合。
可选地,所述结构拓扑性能的计算公式为:
Q1=ak*+bC*+cL*(a,b,c≥0,a+b+c=1)
其中:
式中,a,b,c为常系数;k为节点度;N为节点总数;ki为节点vi的度;C为平均聚类系数,表示网络所有节点的聚类系数的平均值;Ci为节点vi的聚类系数;L为平均路径长度;dij为节点vi的到节点vj的距离。
可选地,所述流量连通性能的计算公式为:
Q2=mQ21+nQ22(m,n≥0,m+n=1)
Q21=fcmax
Q22=kfbmax+lf'bmax(k,l≥0,k+l=1)
式中,Q21表示任务流通能力,Q22表示通讯流通能力,权重m与n基于任务与通讯的重要程度设置;fcmax为以感知类节点为源点,以执行类节点为汇点的任务层最大流;fbmax为以感知类节点为源点,以执行类节点为汇点的通讯层最大流;f‘bmax为以执行类节点为源点,以感知类节点为汇点的最大流;权重k与l基于不同方向的通讯信息重要程度设置。
可选地,所述任务效能性能的计算公式为:
R(t)=P(Cs>Cm)
式中,Cs指当前时刻的任务链路数量,Cm指需要的任务链路数量;P(A)为A事件的概率。
另一方面,为实现上述目的,本发明提供了开放环境下无人集群系统的弹性评估系统,包括:初始条件设定模块、仿真模块、模型构建模块和弹性曲线绘制模块;
所述初始条件设定模块用于设定无人集群系统的初始条件;
所述仿真模块用于采用多智能体系统对所述无人集群系统的集群行为进行仿真,得到仿真数据;
所述模型构建模块用于基于所述仿真数据,对所述无人集群系统进行复杂网络建模,得到网络模型;
所述弹性曲线绘制模块用于基于所述网络模型,计算弹性评估指标,基于所述弹性评估指标绘制弹性曲线,得到所述无人集群系统的性能弹性情况。
与现有技术相比,本发明的有益效果如下:
1.从不同角度进行弹性度量,提出以开放式无人集群系统为对象的弹性评估指标框架,将弹性过程进行分解研究,基于集群特性分三个层次解析弹性性能,达到全面准确的评估效果;
2.提出开放任务场景下无人集群系统的多层复杂网络模型,将流量概念引入网络,更好的描述开放系统在任务过程中的动态变化;
3.通过实例研究,建立开放环境下无人集群系统任务场景,通过对比不同恢复方案,分析开放系统的弹性机理,以促进系统可靠运行,更好的指导集群系统的决策与优化应用。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一开放环境下无人集群系统的弹性评估方法流程示意图;
图2为本发明实施例一单agent逻辑流程图;
图3为本发明实施例一开放式无人集群系统仿真流程图;
图4为本发明实施例一无人集群系统结构映射模型示意图;
图5为本发明实施例一任务链路元路径示意图;
图6为本发明实施例一任务链路构成过程示意图;
图7为本发明实施例一弹性曲线示意图。
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,显然,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,为本发明实施例的方法流程示意图,步骤包括:
S1,根据对应任务的初始条件,明确对应任务的任务目标和无人集群系统的集群规模,设定无人集群系统的初始条件。
S2,采用多智能体系统对无人集群系统的集群行为进行仿真,得到仿真数据;
多智能体系统是指在环境中多个智能体进行交互形成的复杂系统,主要具有自主性、鲁棒性等特点,通过多智能体系统分析可以降低系统复杂程度,提高控制水平。对于无人集群系统,可以将其看作一个多智能体系统,每个无人系统看作一个智能体。通过多智能体系统可对无人集群系统的任务过程进行很好的仿真描述,且能对开放环境中的节点补充做很好的响应处理。常见多智能体仿真软件有netlogo、anylogic等。基于通用任务流程,对单个智能体进行任务逻辑设置为:
开始:生成智能体,按规则形成编队,构成通讯与任务连接;
执行任务:根据自身任务类型,执行相应的感知、决策、执行任务;
链路断开/新加入智能体:基于相应链路重连规则,进行链路重构;
无人集群系统多智能体仿真的单个无人系统流程图如图2所示。
基于多智能体系统仿真,可布置初始场景条件,规定无人集群系统参数,对具体任务过程进行详细演绎,从而得到仿真数据。考虑开放环境的节点引入后,整体仿真流程图如图3所示,首先初始化装备参数,对智能体能力进行赋值,随后运行任务,任务过程中涉及到链路重连,与封闭条件集群任务不同的是,加入了开放环境的交互,在必要时刻进行资源补充,最后以任务完成为结束条件。
S3,基于仿真数据,对无人集群系统进行复杂网络建模,得到网络模型;
网络模型的连接基于集群编队与结构,结构层网络的建立主要通过编队形成分簇,集合内部进行就近连接;通讯层流网络的构建依赖于集群结构与任务需求;任务层流网络的建立基于ooda模型,节点通过3种元路径形成流网络,具体过程如下:
1)设感知类、决策类、执行类节点个数为m,n,p,编队个数为k,基于S→D→I、S→S→D→I与S→D→D→I路径分配,对感知、决策类节点内部进行全连接,则共有m!,n!种连接方式。
2)基于任务链路,按照感知、决策、执行任务链路进行编队内连接,存在m*n*p/k2种连接方式,形成复杂网络结构。
3)基于2)中建立复杂网络结构,规定流网络边的方向为任务前向,同类节点间由编号小的点指向编号大的点。节点的能力作为其前向边的容量。
开放环境下,当任务进行到一定程度,会对无人集群系统进行外部资源补充,网络的变化主要通过节点的增加与删除,在三层网络模型下,各层级网络相互耦合,当机体受损,拓扑层节点失效,同时通讯层与任务层节点也受其影响失效,同时网络的变化引起网络连边的重新连接,其连接方式基于任务与场景考虑,重构原则主要包括:在其通讯范围内进行重构,基于距离搜索相应节点,重新构成通讯链路与任务链,连接数量不超过其最大控制数量。
S4,基于网络模型,计算弹性评估指标,基于弹性评估指标绘制弹性曲线,得到无人集群系统的性能弹性情况;
弹性评估指标选取原则
在对无人集群系统进行弹性指标定义时,首先需要体现集群的涌现特性,即要表达单个无人系统在整个集群发挥的作用,又要推导出由点到面的能力交互与结合,其次在开放环境下,考虑到系统会得到外界资源的补充,系统性能变化可伸缩空间更大。同时集群系统以任务为导向,一切行动以完成任务为目标,针对任务的性能指标是至关重要的,故对无人集群系统的弹性分析需从多个维度进行全面考虑。在对无人集群系统进行弹性性能评估指标选取时,参考关键基础设施弹性的三个维度:
系统可用性:系统结构于功能的完好性;
系统生产力:系统可工作的数量;
服务质量:系统功能发挥的质量;
这三方面概括了系统运行的性能弹性需求,对考虑能量效率的卫星通信模型进行建模,在可靠性、可用性与服务质量三方面评估弹性,以优化通信弹性。无人集群系统在任务进行过程中多系统协同合作,编队飞行,通过通讯链路进行信息共享,扩大态势感知,将任务分配到具有对应任务载荷的系统上,协同执行任务。无人集群系统的性能评估关注自主协同能力、系统鲁棒性、任务效能三方面。在实际任务进行过程中、无人集群结构动态多变,其集群方式、组成、距离等时刻影响着系统任务执行效率,拓扑结构相关性能时刻影响着集群完整与可用程度,集群的输出主要是任务效果以及通讯信息传递,体现着无人集群系统的生产力,集群任务效能是集群应用的最终目的,是其服务质量的体现,同时在开放环境下,研究在不同条件资源补充下集群可用性、任务效能等方面的性能也具有指导意义。对无人集群系统的这三方面进行分析,可用性、生产力、服务质量的弹性性能在无人集群系统上可分别映射为:结构拓扑性能Q1、流量连通性能Q2、任务效能性能Q3,具体包括:
结构拓扑性能
结构拓扑性能指的是无人集群系统在一定规模下的结构完整与可用的程度,其弹性指集群在节点失效、节点间连接中断、流量性能下降等的影响下,集群物理结构抵抗吸收影响,并进行重构恢复,提高集群可用程度的能力。首先针对结构拓扑方面对无人集群系统进行建模,网络是目前描述集群的主要模型(即网络模型)。无人集群系统具有很明显的网络特性,每个系统可看作一个节点,节点间相互影响构成连接,最终构成网络模型,网络模型不仅能提取利用每个无人系统的属性能力,更能直接体现无人系统之间的相互关系以及由点到面的集群涌现性特征,集群的破坏与来自开放环境的补充也可以通过网络节点删除与增加得到很好的体现。一个简单的复杂网络模型可表示为G=(V,E),其中V={v1,v2,...,vn}为节点集合,E={e1,e2,...,en}为连边集合。可以将集群中每个无人系统单元抽象为节点,其相互交联关系抽象为边进行描述,在实际任务运行时,集群单元之间存在编队控制、通讯组网、任务分配等多方面动态交互方式,运用多层复杂网络可更好地描述无人集群系统这种复杂关系。将多层复杂网络分为通讯层、结构层、任务层,分别对应无人集群系统的通讯数据链、机体、任务载荷,其映射关系示意图如图4所示。
根据集群具体结构功能构造无人集群的网络模型,其表达为:
G=(V,E,X)
其中,V=(Va,Vb,Vc)为网络节点集,E=(Ea,Eb,Ec,E')为边集,X=(Xa,Xc)为节点属性集合,该网络模型由三层网络构成,分别为通讯层Ga、结构层Gb、任务层Gc,网络三个层级的节点与连边都有不同含义。通讯层Ga=(Va,Ea,Xa),其中Va代表无人系统通讯节点,Ea代表各无人系统通讯连接关系,Xa代表各节点通讯属性能力;结构层Gb=(Vb,Eb),其中Vb代表无人系统实体,Eb代表各无人系统编队关系;任务层Gc=(Vc,Ec,Xc),其中Vc代表无人系统任务载荷,Ec代表各无人系统任务传递关系,Xc代表各节点任务属性能力。E'代表三层网络的层间连边集合,层与层之间的连接代表层之间相互依赖形成整体,如任务层、通讯层节点都受结构层节点影响。
针对网络模型的可用性度量,考虑网络基本属性的完好程度,选取复杂网络拓扑指标节点平均度、平均聚类系数与平均距离作为结构拓扑弹性的衡量指标。对指标作简单介绍如下:
节点vi的度ki在无人集群中,节点度代表着该无人集群系统所感知连接的无人系统数量,节点度越大则越为重要,同时收到攻击干扰而产生的影响也越大:
平均聚类系数即网络模型所有节点聚类系数的平均值,表示网络模型中节点聚集的程度,在无人集群中聚类系数一般表示无人系统编队整体的紧密程度,聚类系数越大越容易受到攻击与干扰:
在无人集群网络中平均路径长度表示集群内各个系统实际距离远近,一定程度上影响着通讯交互。
最后进行归一化,假设初始状态下各项指标有最大值,将各指标与最大值的比值作为标准化指标,用三项指标加权和代表网络结构拓扑的性能指标,得到结构拓扑性能的计算公式为:
Q1=ak*+bC*+cL*(a,b,c≥0,a+b+c=1)
其中,a,b,c为常系数;k为节点度;N为节点总数;ki为节点vi的度;C为平均聚类系数,表示网络所有节点的聚类系数的平均值;Ci为节点vi的聚类系数;L为平均路径长度;dij为节点vi的到节点vj的距离。
流量连通性能
流量连通性能指集群保持组分之间连通,流量可流动的程度,其弹性指集群在节点失效,节点间连接中断,流量性能下降等的影响下,通讯与任务能力等流量的流通性能抵抗吸收影响并进行补充重构,性能恢复的能力。利用流量性质表示通讯信息与任务能力,在动态开放环境下,无人集群系统状态实时多变,与外界进行密切交互,伴随着集群组分的流失与补充,可以利用流网络描述该动态交互情况。基于随机流网络理论,网络构件由于失效、部分失效以及恢复等因素,其容量并不是固定的值,即网络中的构建都具有多种容量或者状态,这种网络被称为随机流网络。随机流网络考虑了网络动态变化的特征,更能描述网络的真实情况。随机流网络一般解决网络可靠性的问题,利用概率学原理,求解网络通过给定值流量的概率,作为网络的连通可靠性。流网络定义为G=(V,E,C),其中V,E分别为节点集与边集,C={c1,c2,...,cn}为网络的容量函数,基于具体系统与场景而定义,ci对应链路ei的容量,且在随机流网络中,边ei的容量可以为0到ci的某个数,f(e)为边e通过的流量,其满足容量约束与流量守恒。
流量能够反映网络节点间交互情况,无人集群网络中引入流量,在容量限制下通过连边在节点之间流动,能够描述集群在任务过程中的信息传递,任务分配,协同合作等关系,无人集群复杂网络中通讯层与任务层具有该特征。
建立通讯层流网络Ga'=(Va,Ea,Ca),其中,Va与Ea分别为通讯层节点与连边集合,Ca为连边容量集合,代表两节点间的通讯能力限制,通讯层流网络的建立基于集群的编队结构,有如行为法、领航法、全自主法等。
建立任务层流网络Gc'=(Vc,Ec,Cc),其中,Vc与Ec分别为任务层节点与连边集合,Cc为连边容量集合,代表两节点间的任务能力流动限制。集群任务的执行过程概括为“感知”→“决策”→“执行”的过程,将集群中执行对应任务的无人系统分为三类:
感知类sensor(S):从环境中侦察、探测、获取信息的无人系统实体;
决策类decider(D):进行判断、指令、控制的无人系统实体;
执行类influencer(I):接收命令直接执行具体任务的无人系统实体;
三类无人系统按顺序构成任务链路,将任务能力输出到目标。同时,同类型节点间存在着协同连接,任务交互,如感知节点之间进行信息共享,决策节点之间进行任务再分配。因此,在任务层流网络中,流量流动方向包括S→D,D→I,S→S,D→D,在该任务能力流通关系下,基于实际任务流程考虑,任务链路可以表示为3种元路径,分别为S→D→I,S→S→D→I,S→D→D→I,即感知类节点与决策类节点存在着任务串行关系,其示意图如图5所示,实际任务链路基于元路径进行衍生,节点通过该关系形成流动关系。
将复杂网络中节点能力值进行转化,在任务执行动态过程中,通讯质量受节点通讯能力的影响与限制,通讯层内节点通讯属性能力即为其向下一个节点传递信息的能力,将该值作为这条前向边的容量,如感知类无人系统向决策类无人系统传递信息,将感知类无人系统通讯能力作为该链路通讯容量。任务层内同理,节点任务能力作为该节点向下一个节点连边的任务流动容量,完成对Ca及Cc的求解,将复杂网络模型转化为流网络模型。
各类无人集群系统通过信息共享、态势感知来不断推动任务进行,通讯信息与任务能力在各个系统间不断流动。利用该特征类比流网络中的流量流动模型,流量从源点开始,在各个边容量限制下进行传输来达到汇点。流量的大小体现着网络流通能力,以网络最大通行流量作为流通能力指标。在流网络基础上,流量连通体现在通讯流通能力与任务流通能力的流动上,将流量连通性能定义为:
Q2=mQ21+nQ22(m,n≥0,m+n=1)
式中,Q21表示任务流通能力,Q22表示通讯流通能力,权重m与n基于任务与通讯的重要程度设置。
针对任务流动能力,在单项执行的任务链路上,以任务链路起点为源点,任务连路终点为汇点,其流量可反映任务执行情况与流通性,基于此将感知类节点作为源点,执行类节点为汇点,任务层网络的最大流作为任务流通能力的体现,即:
Q21=fcmax
fcmax为以感知类节点为源点,以执行类节点为汇点的任务层最大流;
针对通讯流通能力,在单向执行的任务链路基础上,不仅存在向前流动的信息流量,而且时刻存在信息反馈,如执行类节点时刻将其任务执行情况反馈给决策类节点,以更新集群自主任务情况。故通讯流通能力包括两部分,分别是以感知类节点为源点,执行类节点为汇点的最大流fbmax,与以执行类节点为源点,感知类节点为汇点的最大流fb'max,表示为:
Q22=kfbmax+lfb'max(k,l≥0,k+l=1)
涉及到的权重k与l基于不同方向的通讯信息重要程度考虑。
在流量连通弹性中,针对网络最大流的计算,基于Edmonds-Karp算法搜索网络中的最大流,其计算流程如下:
1)令网络流为0,在网络中增加额外的两个点,分别为超级源点与超级汇点,作为流网络的唯一源点与汇点,将其分别与感知类节点与执行类节点相连。基于当前通讯网络与任务网络构建方式,将网络连接关系分别存入矩阵;
2)以bfs算法寻找一条增广路径,记录每个点的前一个点,计算该路径的边的最小容量作为该路径流量,将该流量值加入网络流;
3)反向追踪路径,各个边的容量减去该路径的流量值,并建立反向边,更新整个网络;
4)对更新后的网络重复步骤2),3),直到无法寻找到一条从源点到汇点的增广路径,此时的网络流即为最大流。
任务效能性能
任务效能定义为集群针对具体任务表现出的能力与质量,其弹性指集群因节点失效,节点间连接中断,流量性能下降等的影响,抵抗吸收影响,对任务损失降低到最小,并进行重构恢复,尽可能达到任务预期效果的能力。在开放环境下,任务效能可以直观体现节点的失去与补充对任务的影响,当前针对任务的效能评估研究十分丰富,基于具体任务的任务效能评估指标较为广泛,如战果、任务可靠度、任务完成度等,任务效能不仅需要考虑系统本身特性与网络涌现特征,而且对于任务执行过程也需进行分析,一般选取统计指标,例如选取任务可靠度作为任务效能性能指标:
R(t)=P(Cs>Cm)
式中,Cs指当前时刻的任务链路数量,Cm指需要的任务链路数量;P(A)为A事件的概率。任务链构成过程如图6所示作为任务基线,进行多次任务后取该时刻的任务链路数量大于任务基线的概率作为任务效能,任务效能指标注重无人集群系统整体对任务的完成情况,具有直观性、通俗性。
弹性曲线分析
对无人集群系统进行弹性定量分析十分必要。根据性能函数的变化,对系统进行弹性曲线绘制,经典弹性曲线如图7所示(已进行归一化)。图7中所示的关键时间点定义如下:
te为中断事件开始的时间;td为性能处于最低状态的时间;tr为恢复操作开始的时间;ts为性能达到稳定状态的时间;tf为任务结束的时间。
经典弹性研究一般情况下取整体积分(累计性能)作为弹性评估值,但显然积分的度量无法体现弹性失效与恢复的快慢,受破坏与重构的程度,进而也无法全面体现弹性所包含的抵抗能力与恢复能力。基于弹性曲线的各个参数,全方面考虑无人集群系统任务需求以及弹性目标的设定,从以下角度进行分析:
将弹性曲线过程分为两个阶段:抵抗阶段与恢复阶段,分别代表了系统弹性中的抵抗能力与恢复能力。在每个阶段,从大小magnitude,速率rate,积分integral三个影响因子进行解析,分别代表了弹性过程中从结果、时间与过程的三个角度。抵抗过程中这三个因子分别对应剩余性能,故障速度,与抵抗阶段累计性能。各个因子具体计算为:剩余性能R1d=Q(td)为系统收到破坏性事件后的最低性能值,体现无人集群系统受到破坏而保持整体性能的能力,失效速率基于系统失效到某一阈值的时间长度,时间越长,说明其抵抗能力较好,令其中Δ为退化因子,体现了系统失效的快慢;抵抗阶段累计性能体现了系统在该过程抵抗破坏并发挥出的效果。恢复过程中,恢复性能R1r=Q(tf),体现系统性能重构恢复的程度,恢复速率/>体现系统重构策略下恢复的速度,恢复阶段累计性能/>体现系统重构过程中的性能效果。六个因子的标准化数学表达如下表1所示:
表1
通过不同参数的分解对比可分析弹性过程性能变化的详细情况,将弹性6个指标利用加权和与积集成为总体弹性指标R,反映弹性过程整体状况,如下所示:
R=R1dR2dR3d+R1rR2rR3r
对曲线的参数进行分析至关重要,同时需要对系统不同情况做出对比验证,无人集群系统在单机属性设置、拓扑结构、协同策略,编队规模、重构方式等方面都存在很多不确定因素,分析对比结果是提高其可靠性的关键。
实施例二
本发明提供了开放环境下无人集群系统的弹性评估系统,包括:初始条件设定模块、仿真模块、模型构建模块和弹性曲线绘制模块;
初始条件设定模块用于设定无人集群系统的初始条件;
仿真模块用于采用多智能体系统对无人集群系统的集群行为进行仿真,得到仿真数据;
模型构建模块用于基于仿真数据,对无人集群系统进行复杂网络建模,得到网络模型;
弹性曲线绘制模块用于基于网络模型,计算弹性评估指标,基于弹性评估指标绘制弹性曲线,得到无人集群系统的性能弹性情况。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (5)
1.开放环境下无人集群系统的弹性评估方法,其特征在于,包括以下步骤:
S1,设定无人集群系统的初始条件;
S2,采用多智能体系统对所述无人集群系统的集群行为进行仿真,得到仿真数据;
S3,基于所述仿真数据,对所述无人集群系统进行复杂网络建模,得到网络模型;
S4,基于所述网络模型,计算弹性评估指标,基于所述弹性评估指标绘制弹性曲线,得到所述无人集群系统的性能弹性情况;
所述弹性评估指标包括结构拓扑性能、流量连通性能和任务效能性能;
所述网络模型为:
G=(V,E,X)
其中:
V=(Va,Vb,Vc)
E=(Ea,Eb,Ec,E')
X=(Xa,Xc)
式中,V为网络节点集,E为边集,X为节点属性集合;Va为无人集群系统通讯节点,Ea为各无人集群系统通讯连接关系,Xa为各节点通讯属性能力;Vb为无人集群系统实体,Eb为各无人集群系统编队关系;Vc为无人系统任务载荷,Ec为各无人系统任务传递关系,Xc为各节点任务属性能力;E'为三层网络的层间连边集合;
所述结构拓扑性能的计算公式为:
Q1=ak*+bC*+cL* (a,b,c≥0,a+b+c=1)
其中:
式中,a,b,c为常系数;k为节点度;N为节点总数;ki为节点vi的度;C为平均聚类系数,表示网络所有节点的聚类系数的平均值;Ci为节点vi的聚类系数;L为平均路径长度;dij为节点vi的到节点vj的距离;
所述流量连通性能的计算公式为:
Q2=mQ21+nQ22 (m,n≥0,m+n=1)
Q21=fcmax
Q22=kfbmax+lf′bmax (k,l≥0,k+l=1)
式中,Q21表示任务流通能力,Q22表示通讯流通能力,权重m与n基于任务与通讯的重要程度设置;fcmax为以感知类节点为源点,以执行类节点为汇点的任务层最大流;fbmax为以感知类节点为源点,以执行类节点为汇点的通讯层最大流;f‘bmax为以执行类节点为源点,以感知类节点为汇点的最大流;权重k与l基于不同方向的通讯信息重要程度设置;
所述任务效能性能的计算公式为:
R(t)=P(Cs>Cm)
式中,Cs指当前时刻的任务链路数量,Cm指需要的任务链路数量;P(A)为A事件的概率。
2.根据权利要求1所述的开放环境下无人集群系统的弹性评估方法,其特征在于,所述S1包括:
根据对应任务的初始条件,明确所述对应任务的任务目标和所述无人集群系统的集群规模,设定所述无人集群系统的所述初始条件。
3.根据权利要求1所述的开放环境下无人集群系统的弹性评估方法,其特征在于,所述多智能体系统包括但不限于netlogo和anylogic。
4.根据权利要求1所述的开放环境下无人集群系统的弹性评估方法,其特征在于,所述仿真包括:
初始化装备参数,对所述多智能体系统的能力进行赋值,随后运行对应任务,在所述对应任务的运行过程中进行链路重连,并进行资源补充,直至所述对应任务完成,得到所述仿真数据。
5.开放环境下无人集群系统的弹性评估系统,其特征在于,包括:初始条件设定模块、仿真模块、模型构建模块和弹性曲线绘制模块;
所述初始条件设定模块用于设定无人集群系统的初始条件;
所述仿真模块用于采用多智能体系统对所述无人集群系统的集群行为进行仿真,得到仿真数据;
所述模型构建模块用于基于所述仿真数据,对所述无人集群系统进行复杂网络建模,得到网络模型;
所述弹性曲线绘制模块用于基于所述网络模型,计算弹性评估指标,基于所述弹性评估指标绘制弹性曲线,得到所述无人集群系统的性能弹性情况;
所述弹性评估指标包括结构拓扑性能、流量连通性能和任务效能性能;
所述网络模型为:
G=(V,E,X)
其中:
V=(Va,Vb,Vc)
E=(Ea,Eb,Ec,E')
X=(Xa,Xc)
式中,V为网络节点集,E为边集,X为节点属性集合;Va为无人集群系统通讯节点,Ea为各无人集群系统通讯连接关系,Xa为各节点通讯属性能力;Vb为无人集群系统实体,Eb为各无人集群系统编队关系;Vc为无人系统任务载荷,Ec为各无人系统任务传递关系,Xc为各节点任务属性能力;E'为三层网络的层间连边集合;
所述结构拓扑性能的计算公式为:
Q1=ak*+bC*+cL* (a,b,c≥0,a+b+c=1)
其中:
式中,a,b,c为常系数;k为节点度;N为节点总数;ki为节点vi的度;C为平均聚类系数,表示网络所有节点的聚类系数的平均值;Ci为节点vi的聚类系数;L为平均路径长度;dij为节点vi的到节点vj的距离;
所述流量连通性能的计算公式为:
Q2=mQ21+nQ22 (m,n≥0,m+n=1)
Q21=fcmax
Q22=kfbmax+lf′bmax (k,l≥0,k+l=1)
式中,Q21表示任务流通能力,Q22表示通讯流通能力,权重m与n基于任务与通讯的重要程度设置;fcmax为以感知类节点为源点,以执行类节点为汇点的任务层最大流;fbmax为以感知类节点为源点,以执行类节点为汇点的通讯层最大流;f‘bmax为以执行类节点为源点,以感知类节点为汇点的最大流;权重k与l基于不同方向的通讯信息重要程度设置;
所述任务效能性能的计算公式为:
R(t)=P(Cs>Cm)
式中,Cs指当前时刻的任务链路数量,Cm指需要的任务链路数量;P(A)为A事件的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563817.0A CN116016206B (zh) | 2022-12-07 | 2022-12-07 | 开放环境下无人集群系统的弹性评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563817.0A CN116016206B (zh) | 2022-12-07 | 2022-12-07 | 开放环境下无人集群系统的弹性评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116016206A CN116016206A (zh) | 2023-04-25 |
CN116016206B true CN116016206B (zh) | 2023-09-05 |
Family
ID=86031492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211563817.0A Active CN116016206B (zh) | 2022-12-07 | 2022-12-07 | 开放环境下无人集群系统的弹性评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116016206B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116860002B (zh) * | 2023-08-01 | 2023-12-22 | 北京航空航天大学 | 基于流网络模型的无人机集群任务资源调度方法 |
CN117332923B (zh) * | 2023-10-09 | 2024-03-26 | 北京京航计算通讯研究所 | 一种网状指标体系的赋权方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959072A (zh) * | 2018-06-14 | 2018-12-07 | 北京航空航天大学 | 一种基于复杂网络的集群系统弹性测评方法 |
CN113219857A (zh) * | 2021-05-31 | 2021-08-06 | 中国人民解放军国防科技大学 | 一种无人系统集群网络通信仿真方法及装置 |
CN113536564A (zh) * | 2021-07-13 | 2021-10-22 | 中国科学院软件研究所 | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 |
CN114326806A (zh) * | 2021-12-29 | 2022-04-12 | 北京航空航天大学 | 一种考虑任务体系下的无人机集群维修方法 |
CN114510012A (zh) * | 2022-02-16 | 2022-05-17 | 中国电子科技集团公司第五十四研究所 | 一种基于元动作序列强化学习的无人集群演进系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377750B (zh) * | 2018-09-18 | 2020-10-09 | 北京航空航天大学 | 一种基于渗流分析的交通系统弹性临界点确定方法 |
-
2022
- 2022-12-07 CN CN202211563817.0A patent/CN116016206B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959072A (zh) * | 2018-06-14 | 2018-12-07 | 北京航空航天大学 | 一种基于复杂网络的集群系统弹性测评方法 |
CN113219857A (zh) * | 2021-05-31 | 2021-08-06 | 中国人民解放军国防科技大学 | 一种无人系统集群网络通信仿真方法及装置 |
CN113536564A (zh) * | 2021-07-13 | 2021-10-22 | 中国科学院软件研究所 | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 |
CN114326806A (zh) * | 2021-12-29 | 2022-04-12 | 北京航空航天大学 | 一种考虑任务体系下的无人机集群维修方法 |
CN114510012A (zh) * | 2022-02-16 | 2022-05-17 | 中国电子科技集团公司第五十四研究所 | 一种基于元动作序列强化学习的无人集群演进系统及方法 |
Non-Patent Citations (1)
Title |
---|
无人机自主通信和组网能力评估方法;赵海涛 等;《通信学报》;第41卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116016206A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116016206B (zh) | 开放环境下无人集群系统的弹性评估方法及系统 | |
CN113282368B (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
CN104951425B (zh) | 一种基于深度学习的云服务性能自适应动作类型选择方法 | |
Mikaelian et al. | A logical approach to real options identification with application to UAV systems | |
CN104850727A (zh) | 基于云重心理论的分布式大数据系统风险评估方法 | |
CN112580217A (zh) | 基于复杂网络的通信体系结构参数化建模方法 | |
CN110197282A (zh) | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 | |
Tan et al. | Multi-type task allocation for multiple heterogeneous unmanned surface vehicles (USVs) based on the self-organizing map | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
Sirigineedi et al. | Modelling and verification of multiple uav mission using smv | |
CN111598393B (zh) | 一种基于超网络理论的数据链网络运行可靠性评估方法 | |
Ajitha et al. | Neural network model for software size estimation using use case point approach | |
Sun et al. | Deep reinforcement learning-based resilience enhancement strategy of unmanned weapon system-of-systems under inevitable interferences | |
CN109766568A (zh) | 一种多因素耦合的航天人因可靠性不确定性分析方法 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
Li et al. | A credibility evaluation method for complex simulation systems based on interactive network analysis | |
CN116090270A (zh) | 一种航天器轨道威胁自主规避架构设计及分析方法 | |
Kong et al. | Resilience evaluation of UAV swarm considering resource supplementation | |
Rolim et al. | Comparison of a multi output adaptative neuro-fuzzy inference system (manfis) and multi layer perceptron (mlp) in cloud computing provisioning | |
Zhang et al. | Resource and delay aware fine-grained service offloading in collaborative edge computing | |
JP2010134926A (ja) | マルチ・モーダル・グリーン・コンピューティング統合システム、コンピュータ・プログラム、方法、およびシステムの展開方法(問題解析を用いたマルチ・モーダル・グリーン・コンピューティング統合) | |
CN116860002B (zh) | 基于流网络模型的无人机集群任务资源调度方法 | |
Fang et al. | Exploring Decision Patterns for Supporting DoDAF based Architecture Design | |
Hu et al. | Application Analysis of Intelligent Computer Software Online Guiding Based on Virtual Reality | |
Kaplan et al. | Fuzzy Reliability Theory in the Decision-Making Process |
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 |