CN116193395A - 无人集群组织重构角色分配方法、系统、设备及存储介质 - Google Patents
无人集群组织重构角色分配方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116193395A CN116193395A CN202310070951.5A CN202310070951A CN116193395A CN 116193395 A CN116193395 A CN 116193395A CN 202310070951 A CN202310070951 A CN 202310070951A CN 116193395 A CN116193395 A CN 116193395A
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- model
- cluster
- role
- degree
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000008520 organization Effects 0.000 title claims abstract description 112
- 230000006870 function Effects 0.000 claims description 29
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 101710181757 1,2-dihydroxy-3-keto-5-methylthiopentene dioxygenase Proteins 0.000 description 2
- 101710094863 Acireductone dioxygenase Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002889 sympathetic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了无人集群组织重构角色分配方法、系统、设备及存储介质,本方法通过获取多个基础模体,并基于多个基础模体构建集群组织重构的模体模型;建立分析集群组织重构的模体模型的角色动态重构的指标;计算集群组织重构的模体模型中节点之间的信任度,并根据信任度和指标,设置模体重构方法;根据模体重构方法对集群组织重构的模体模型进行模体重构,获得多个模体重构解集;从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案。本发明能够具有较强的适变性,提高整个体系的作战效能。
Description
技术领域
本发明涉及无人集群组织重构技术领域,尤其是涉及无人集群组织重构角色分配方法、系统、设备及存储介质。
背景技术
无人集群是由一定数量的无人作战装备组成,以交感网络为基础使整体具有自组织特性的移动性多智能体系统,无人装备平台能够在原有集群无法正常遂行作战任务的情况下,加入新的集群或者在原集群中承担新的任务。在集群层,装备配系特性需求是要支持可重构编组。
在现有技术中,普遍默认为无人作战装备处于相对静止环境,但实际作战环境中,扰动因素是存在的,包含外部的实时可变的环境态势扰动和内部组件故障通信中断等扰动因素。扰动会造成无人集群网络节点失效、链路中断等问题,进而导致集群网络拓扑结构发生变动,影响整个体系的作战效能。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出无人集群组织重构角色分配方法、系统、设备及存储介质,能够具有较强的适变性,提高整个体系的作战效能。
第一方面,本发明实施例提供了一种无人集群组织重构角色分配方法,所述无人集群组织重构角色分配方法包括:
获取多个基础模体,并基于所述多个基础模体构建集群组织重构的模体模型;
建立分析所述集群组织重构的模体模型的角色动态重构的指标;
计算所述集群组织重构的模体模型中节点之间的信任度,并根据所述信任度和所述指标,设置模体重构方法;
根据所述模体重构方法对所述集群组织重构的模体模型进行模体重构,获得多个模体重构解集;
从所述多个模体重构解集中获取最优的解集,将所述最优的解集作为无人集群组织重构角色分配的方案。
与现有技术相比,本发明第一方面具有以下有益效果:
本方法首先获取多个基础模体,通过具有实际作战意义的基础模体来构建集群组织重构的模体模型能够更符合实际情况;通过建立分析集群组织重构的模体模型的角色动态重构的指标,计算集群组织重构的模体模型中节点之间的信任度,并根据信任度和指标,设置模体重构方法,使得设计的模体重构方法能够有效面对执行任务过程中发生的意外情况,具有较强的适变性;通过根据模体重构方法对集群组织重构的模体模型进行模体重构,获得多个模体重构解集,从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案,选择最优的解集,能够提高整个体系的作战效能。
根据本发明的一些实施例,所述获取多个基础模体,包括:
获取角色更新模体、角色分配模体、角色评估模体和角色生成模体,其中,所述角色更新模体为集群头领平台根据切换规则更新新型构型目标列表;所述角色分配模体为所述集群头领平台根据切换规则备选模式分配;所述角色评估模体为所述集群头领平台评估各项备选方案;所述角色生成模体为所述集群头领平台选择新的角色分配方案并下发给下属各平台。
根据本发明的一些实施例,所述指标包括:
从模体的重要性分析结构的相似性、从统计的角度量化模体的重要程度、将当前节点分配到使所述当前节点启动最早的处理机器上。
根据本发明的一些实施例,所述计算所述集群组织重构的模体模型中节点之间的信任度,包括:
通过jaccard相似系数计算入度信任度和出度信任度:
对所述入度信任度和所述出度信任度进行标准化:
其中,表示标准化的所述入度信任度,/>表示标准化的所述出度信任度, 表示所有模体的所述入度信任度的均值,/>表示所有模体的所述出度信任度的均值,/>表示所有模体的所述入度信任度的标准差,/>表示所有模体的所述出度信任度的标准差;
对所述标准化的所述入度信任度和所述标准化的所述出度信任度进行加权平均,获得所述集群组织重构的模体模型中节点i和节点j之间的信任度:
其中,α表示加权系数,0<α<1。
根据本发明的一些实施例,所述根据所述信任度和所述指标,设置模体重构方法,包括:
判断所述集群组织重构的模体模型中是否存在新的任务要求,若存在新的任务要求,则更新任务列表;
采用非线性混合布尔规划方法处理所述新的任务要求中出现的节点中断场景;其中,所述非线性混合布尔规划方法为采用非线性的规划方法和采用布尔混合的方法;
在所述节点中断场景处理后,选择用于构建所述集群组织重构的模体模型的模体并建立分析所述集群组织重构的模体模型的指标;
计算所述集群组织重构的模体模型中节点之间的信任度,并选择所述信任度高于预设值的节点进行模体重构。
根据本发明的一些实施例,所述节点中断场景包括:存在不确定因素导致原本的模体结构不符合集群要求和存在节点中断的现象扰动基本的模体结构。
根据本发明的一些实施例,所述从所述多个模体重构解集中获取最优的解集,包括:
基于带精英策略的非支配排序遗传方法,在所述带精英策略的非支配排序遗传方法中加入新的拥挤度计算公式对所述模体重构方法进行优化,获得优化后的模体重构方法,其中,所述新的拥挤度距离计算公式为:
其中,M表示目标函数的总数量,LON[Zi]表示个体Zi的拥挤度距离,表示种群在m目标函数下的最大值,/>表示种群在m目标函数下的最小值,g(Zi+1)M表示个体Zi+1的目标函数,g(Zi-1)M表示个体Zi-1的目标函数;
通过所述优化后的模体重构方法从所述多个模体重构解集中获取最优的解集。
第二方面,本发明实施例还提供了一种无人集群组织重构角色分配系统,所述无人集群组织重构角色分配系统包括:
模型构建单元,用于获取多个基础模体,并基于多个基础模体构建集群组织重构的模体模型;
指标建立单元,用于建立分析集群组织重构的模体模型的角色动态重构的指标;
信任度计算单元,用于计算集群组织重构的模体模型中节点之间的信任度,并根据信任度和指标,设置模体重构方法;
模体重构单元,用于根据模体重构方法对集群组织重构的模体模型进行模体重构,获得多个模体重构解集;
最优解集获取单元,用于从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案。
第三方面,本发明实施例还提供了一种无人集群组织重构角色分配设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上所述的一种无人集群组织重构角色分配方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的一种无人集群组织重构角色分配方法。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例的一种无人集群组织重构角色分配方法的流程图;
图2是本发明一实施例的模体演化的示意图;
图3是本发明一实施例的模体变体重构的示意图;
图4是本发明一实施例的模体重构方法的流程图;
图5是本发明一实施例的节点动态调整的示意图;
图6是本发明一实施例的集群性能单元和ARD执行任务成本的示意图;
图7是本发明一实施例的集群角色重配机制方案的示意图;
图8是本发明一实施例的任务规划Gantt对比图;
图9是本发明一实施例的一种无人集群组织重构角色分配系统的结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
无人集群是由一定数量的无人作战装备组成,以交感网络为基础使整体具有自组织特性的移动性多智能体系统,无人装备平台能够在原有集群无法正常遂行作战任务的情况下,加入新的集群或者在原集群中承担新的任务。在集群层,装备配系特性需求是要支持可重构编组。
在现有技术中,普遍默认为无人作战装备处于相对静止环境,但实际作战环境中,扰动因素是存在的,包含外部的实时可变的环境态势扰动和内部组件故障通信中断等扰动因素。扰动会造成无人集群网络节点失效、链路中断等问题,进而导致集群网络拓扑结构发生变动,影响整个体系的作战效能。
为解决上述问题,本发明首先获取多个基础模体,通过具有实际作战意义的基础模体来构建集群组织重构的模体模型能够更符合实际情况;通过建立分析集群组织重构的模体模型的角色动态重构的指标,计算集群组织重构的模体模型中节点之间的信任度,并根据信任度和指标,设置模体重构方法,使得设计的模体重构方法能够有效面对执行任务过程中发生的意外情况,具有较强的适变性;通过根据模体重构方法对集群组织重构的模体模型进行模体重构,获得多个模体重构解集,从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案,选择最优的解集,能够提高整个体系的作战效能。
参照图1,本发明实施例提供了一种无人集群组织重构角色分配方法,本无人集群组织重构角色分配方法包括但不限于步骤S100至步骤S500:
步骤S100、获取多个基础模体,并基于多个基础模体构建集群组织重构的模体模型;
步骤S200、建立分析集群组织重构的模体模型的角色动态重构的指标;
步骤S300、计算集群组织重构的模体模型中节点之间的信任度,并根据信任度和指标,设置模体重构方法;
步骤S400、根据模体重构方法对集群组织重构的模体模型进行模体重构,获得多个模体重构解集;
步骤S500、从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案。
在一些实施例的步骤S100至步骤S500中,为了使构建的集群组织重构的模体模型能够更符合实际情况,通过获取多个基础模体,并基于多个基础模体构建集群组织重构的模体模型;为了使得设计的模体重构方法能够有效面对执行任务过程中发生的意外情况,具有较强的适变性,通过建立分析集群组织重构的模体模型的角色动态重构的指标,计算集群组织重构的模体模型中节点之间的信任度,并根据信任度和指标,设置模体重构方法;为了提高整个体系的作战效能,通过根据模体重构方法对集群组织重构的模体模型进行模体重构,获得多个模体重构解集,从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案。
在一些实施例中,获取多个基础模体,包括:
获取角色更新模体、角色分配模体、角色评估模体和角色生成模体,其中,角色更新模体为集群头领平台根据切换规则更新新型构型目标列表;角色分配模体为集群头领平台根据切换规则备选模式分配;角色评估模体为集群头领平台评估各项备选方案;角色生成模体为集群头领平台选择新的角色分配方案并下发给下属各平台。
在本实施例中,角色更新模体、角色分配模体、角色评估模体和角色生成模体都是基础简单的、频繁出现的、具有实际作战意义的基础模体。
在一些实施例中,指标包括:
从模体的重要性分析结构的相似性、从统计的角度量化模体的重要程度、将当前节点分配到使当前节点启动最早的处理机器上。
在本实施例中,通过构建的三个指标来衡量模体重构变化的效果。
在一些实施例中,计算集群组织重构的模体模型中节点之间的信任度,包括:
通过jaccard相似系数计算入度信任度和出度信任度:
对入度信任度和出度信任度进行标准化:
其中,表示标准化的入度信任度,/>表示标准化的出度信任度, 表示所有模体的入度信任度的均值,/>表示所有模体的出度信任度的均值,/>表示所有模体的入度信任度的标准差,/>表示所有模体的出度信任度的标准差;
对标准化的入度信任度和标准化的出度信任度进行加权平均,获得集群组织重构的模体模型中节点i和节点j之间的信任度:
其中,α表示加权系数,0<α<1。
在一些实施例中,根据信任度和指标,设置模体重构方法,包括:
判断集群组织重构的模体模型中是否存在新的任务要求,若存在新的任务要求,则更新任务列表;
采用非线性混合布尔规划方法处理新的任务要求中出现的节点中断场景;其中,非线性混合布尔规划方法为采用非线性的规划方法和采用布尔混合的方法;
在节点中断场景处理后,选择用于构建集群组织重构的模体模型的模体并建立分析集群组织重构的模体模型的指标;
计算集群组织重构的模体模型中节点之间的信任度,并选择信任度高于预设值的节点进行模体重构。
在本实施例中,由于实际作战环境中,扰动因素是存在的,包含外部的实时可变的环境态势扰动和内部组件故障通信中断等扰动因素。扰动会造成无人集群网络节点失效、链路中断等问题,进而导致集群网络拓扑结构发生变动,影响整个体系的作战效能。因此,本实施例通过采用非线性混合布尔规划方法处理新的任务要求中出现的节点中断场景,并选择信任度高于预设值的节点进行模体重构,使得设置的模体重构方法能够有效面对执行任务过程中发生的意外情况,具有较强的适变性。从而解决扰动会造成无人集群网络节点失效、链路中断等问题,提高整个体系的作战效能。
在一些实施例中,节点中断场景包括:存在不确定因素导致原本的模体结构不符合集群要求和存在节点中断的现象扰动基本的模体结构。
在一些实施例中,从多个模体重构解集中获取最优的解集,包括:
基于带精英策略的非支配排序遗传方法,在带精英策略的非支配排序遗传方法中加入新的拥挤度计算公式对模体重构方法进行优化,获得优化后的模体重构方法,其中,新的拥挤度距离计算公式为:
其中,M表示目标函数的总数量,LON[Zi]表示个体Zi的拥挤度距离,表示种群在m目标函数下的最大值,/>表示种群在m目标函数下的最小值,g(Zi+1)M表示个体Zi+1的目标函数,g(Zi-1)M表示个体Zi-1的目标函数;
通过优化后的模体重构方法从多个模体重构解集中获取最优的解集。
在本实施例中,从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案,能够进一步提高整个体系的作战效能。
为方便本领域人员理解,以下提供一组最佳实施例:
一、集群组织重构的模体模型。
模体是一种在特定的网络或者不同网络中重复出现的子网结构,可以反映一个框架内能够有效实现的功能。Youngwoo Lee和Taeisk Lee在2014年发表的研究中认为由于丰富的作战环境所呈现的大量复杂性,进行作战效能的操作度量是一项非常具有挑战性的任务。他们提出了一种新的基于模体的作战效能度量方法。他们根据作战任务的特点和网络模体的特性,从作战网络中抽象出两种模体:独立攻击模体和联合攻击模体,接着过分科大刘家杰提出面向功能的角度构建了无人机集群模体,建立了侦察模体、攻击模体、察打模体、侦控打模体、侦控察打模体、侦控打评模体六种模体。本实施例借鉴模体思想,将模体引入集群组织重构角色分配机制中。
首先,根据模体的频繁性,从集群组织重构角色分配中找出基础模体,将其作为基础的集群配系结构单元。其次,集群组织重构是大规模数量的群体协作,由于模体的无标度性,可以由设计小规模集群网络配系进行大规模集群角色分配。最后,模体具有简单基础性,模体内部结构以及模体之间的交互结构简单,连接数量较少,对于受地理环境限制、天气气候等诸多限制的个体之间的通信连接而言,模体适用于集群级作战的设计。另一方面集群访问控制机制直接从资源到角色的分配与授权,并未有效说明集群角色如何动态分配。本实施例从集群协同作战网络中抽象出了四种种在网络中基础简单的、频繁出现的、具有实际作战意义的基础模体,建立集群组织重构的模体模型,这四种基于模体的配系单元如下:
角色更新模体:集群头领平台根据切换规则更新新型构型目标列表。根据其功能,将这个模体命名为更新模体。同时为了表示方便,更新模体记做a。
角色分配模体:集群头领平台根据切换规则备选模式分配。根据其功能,将这个模体命名为分配模体。同时为了表示方便,分配模体记做b。
角色评估模体:集群头领平台评估各项备选方案。根据其功能,将这个模体命名为评估模体。同时为了表示方便,评估模体记做c。
角色生成模体:集群头领平台选择新的角色分配方案并下发给下属各平台。根据其功能,将这个模体命名为生成模体。同时为了表示方便,生成模体记做d。
建立四阶模体子图中闭合四阶模体子图和非闭合四阶模体子图的定义。集群组织重构柔变机制从集群头领平台的方案生成,记有向网络G=<V,E>,其中V表示节点的集合,E表示边的集合。Exy表示由节点x指向y的有向边。
定义:闭合四阶模体子图对于一个给定的四阶模体子图Gi,如果存在边的集合eab,ebc,ecd,eda∈E,则称Gi为闭合四阶模体子图。
设定集群组织重构柔变机制的基本结构是非闭合四阶模体子图,机制设计需要依次经过(1)-(4)四个步骤。
对于一个给定的非闭合四阶模体子图,模体{a,b,c,d}∈N,单个模体的连边只包含正向、反向、双向和不连四种可能。如图2所示,那么Num(eac)=Num(ebd)=Num(eda)=4。由此可得闭合四阶模体子图的连接方式有/>种,表示有64种方案输出。同样的,非闭合四阶模体子图,其eda=null,它的连接方式有/>种。那么全部演化模型具有9种演化方式共有29种连接方式。记网络的邻接矩阵C=[Cij]n×n,可以表示为:
cij表示节点之间有连接时,取值为1,否则为0。
因为方向性决定了边和节点的复杂度,四阶有向闭合模体和四阶有向非闭合模体的变体是不同的,需要分别考虑如图3,为了衡量模体重构变化的效果需要建立三个指标进行分析,角色动态重配主要依靠三个指标:
1、从模体的重要性分析结构的相似性;
2、从统计的角度量化模体的重要程度;
3、将节点分配到使它启动最早的处理机器上。
任务完成时间(T_mct)设为:
Tmct=max{Fin_T}
Fin_T表示所有任务变动完成的时间集。
在四阶有向模体中,设为i的邻接矩阵,为了区别方向性引入获得度(in-degree)和离开度(out-degree),因此把节i的度分为总度ktotal(i)、获得度kin(i)、离开度kout(i),其中:
ktotal(i)=kin(i)+kout(i)
其中,j表示i的邻接点,V(i)表示j的集合。
在实验中建立的有向加权的网络模型实例中,当k≤10时,网络的出入度分布是一段平缓的过程。度分布服从泊松分布的网络,其度分布函数为:
p(k)=λke-k/k!。
节点的关联程度的计算,分别定义如下参数:
其中||表示符号内集合中元素的个数,避免模体的出度和入度相减后分母为零的情况,再分母后面加1,然后进行标准化:
最后利用两种相似性信任度进行加权平均得到节点i和节点j之间的信任度。
其中0<α<1为加权系数。
二、模体重构方法。
集群角色重配机制由集群层的集群头领平台负责执行,属于任务域的任务适变机制,其主要目标是针对集群内部新的状态或者新的任务要求,进行在线适应性规划,对集群角色进行柔性重分配,支持集群任务适变。出发条件为以下两类事件:上级下达新任务或者发现内部出现协作状态故障。规则库包括任务更新规则、状态检测规则、角色分配规则、角色评估规则等。机制执行的具体步骤为:
(1)集群头领平台根据切换规则生产更新备选新型构型模式;
(2)集群头领平台根据切换规则备选模式分配;
(3)集群头领相关平台备选模式评估;
(4)集群头领平台选择新的角色分配方案并下发给下属各平台。
属于少量集中的分布式结构,机制执行需满足以下前置约束:在线角色重配授权。机制执行需要集群角色在线分配算法进行支撑,该算法能够在较短的时间周期内针对更新后的任务列表或状态事件自动生成角色分配方案,并且初步完成任务或协作兼容性判断。该机制可以作为指挥控制的一部分,编成软硬件支撑集群头领平台的集群组织重构功能。邻接矩阵考虑的是节点的关联度,通过定量的角度分析有向图的结构。因此,可以将四阶模体映射到邻接矩阵中输入利用算法进行求解。在有向图的邻接矩阵中:
第i行含义:以结点vi为尾的弧(即出度边)。
第i列含义:以结点vi为头的弧(即入度边)。
分析1:有向图的邻接矩阵可能是不对称的;
分析2:顶点的出度kout(i)等于第i行元素之和,顶点的入度kin(i)等于第i列元素之和,顶点的度ktotal(i)等于第i行元素之和加第i列元素之和,有权图的邻接矩阵表示为:
其中,Wij表示边上的权重,<vi,vj>or(vi,vj)∈VR表示有边。
集群中的调度问题是集群组织重构角色分配的一个核心问题。多维动态调度法常被用来战争中的装备调度并取得不错的效果。通过对多维动态调度法的改进,设计模体重构方法,逻辑结构参照图4。
因此在研究中,使用模体重构方法,在给定一个基本的四阶非闭环模体组织结构的情况下,判断是否存在新的任务要求,更新任务模体。新的任务要求考虑两种情况:
1、存在不确定因素导致原本的四阶非闭合模体结构不符合集群要求。
2、存在节点中断等现象扰动基本的四阶模体结构。
其中,本实施例认为利用柔变可以将集群任务链路的不确定因素和扰动等发生的节点中断进行处理,参照图5,采用的是非线性混合布尔规划方法建立数学模型从而将风险进行优化。
可重构柔变网络是通过可重构技术对网络节点进行功能、性能或相应关系的调整,从而能够满足变化的任务需求的一种可变的网络系统。要想满足战场的适变性要求就必须要求网络组织结构是可变的。具体的模体重构方法的伪代码参见表1。
表1
集群角色重配机制设计问题其实是一个多目标优化问题,解决满足三个目标的任务规划优化问题,使用MOEA called NSGA-2(带精英策略的非支配排序遗传算法),该算法在同样的算法中拥有较好的性能。在较少的迭代过程中拥有较好的性能。
对于一个多目标优化问题而言,问题的最优解可能不止一个,而应该是一组,通常称这组最优解为相应多目标优化问题的一个非支配解集,或者称为是Pareto解集,其中的每一个解称之为Pareto解。求解多目标优化问题的解法有很多,比如常见的目标规划方法,目标分解方法,目标化多为少方法(将多个目标表示为一个)等。进化算法在解决多目标问题上有着天然的优势,对于一个进化多目标优化算法而言,它可以对多个目标函数同时进行优化,而且输出一组非支配的Pareto解集,从而可以有效地求解多目标问题。
本实施例基于带精英策略的非支配排序遗传算法,在带精英策略的非支配排序遗传方法中加入新的拥挤度计算公式对模体重构方法进行优化,获得优化后的模体重构方法,其中,新的拥挤度距离计算公式为:
其中,M表示目标函数的总数量,LON[Zi]表示个体Zi的拥挤度距离,表示种群在m目标函数下的最大值,/>表示种群在m目标函数下的最小值,g(Zi+1)M表示个体Zi+1的目标函数,g(Zi-1)M表示个体Zi-1的目标函数。
需要说明的是,本实施例的带精英策略的非支配排序遗传算法为现有技术,本实施例不做具体描述。
通过优化后的模体重构方法从多个模体重构解集中获取最优的解集。参见表2,给出了优化后的模体重构方法的优化过程的伪代码,参见表3,给出了交叉和变异算子的伪代码,参见表4,给出了拥挤距离分配的优化过程的伪代码,该优化过程进行了拥挤度排序。
表2
表3
表4
为了更好的说明,进行了如下实验:
参照图6,已知当前ARD执行成本,战争专家根据任务的难度,执行任务需要的模体的种类和数量,结合战场情况,估计出完成每个任务的时间,集群角色重配机制方案参照图7。
现有可使用的无人机资源为3架中继无人机、20架决策无人机、15架侦察无人机、18架攻击无人机和9架察打一体无人机。经过对任务难度,敌方目标数量等任务要素分析,量化任务的能力需求和通信需求,计算出任务的模体需求向量,估计它们的完成时间,参照图6,选择一个可行的任务优先执行顺序,基于MATLAB运行动态列表调度发,输出基本的任务开始时间和结束时间。
将这个顺序作为输入,主要目的是设计扰动点观察是否快速适变,此时利用本实施例的模体重构方法计算出出现意外变化情况下的集合ts和total,使用Gantt图表示调度差。
参照图8,针对扰动点U1和新的打击任务出现,U3迅速变化配合U4完成了这次任务的调度。根据实验结果,当无人机集群执行任务时,面对编制组织调动或者作战任务发生的意外情况时,本实施例的模体重构方法有助于无人机集群任务链的快速调整,完成使命任务。本实施例的仿真实验采用了实验设计的方法对集群角色重配机制方案进行了验证,设计了意外发生节点,当意外节点发生时,U3和U4短时间内快速调整任务,初步得到了集群角色重配机制方案的有效性。
参照图9,本发明实施例还提供了一种无人集群组织重构角色分配系统,本无人集群组织重构角色分配系统包括模型构建单元100、指标建立单元200、信任度计算单元300、模体重构单元400以及最优解集获取单元500,其中:
模型构建单元100,用于获取多个基础模体,并基于多个基础模体构建集群组织重构的模体模型;
指标建立单元200,用于建立分析集群组织重构的模体模型的角色动态重构的指标;
信任度计算单元300,用于计算集群组织重构的模体模型中节点之间的信任度,并根据信任度和指标,设置模体重构方法;
模体重构单元400,用于根据模体重构方法对集群组织重构的模体模型进行模体重构,获得多个模体重构解集;
最优解集获取单元500,用于从多个模体重构解集中获取最优的解集,将最优的解集作为无人集群组织重构角色分配的方案。
需要说明的是,由于本实施例中的一种无人集群组织重构角色分配系统与上述的一种无人集群组织重构角色分配方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本系统实施例,此处不再详述。
本发明实施例还提供了一种无人集群组织重构角色分配设备,包括:至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的一种无人集群组织重构角色分配方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的一种无人集群组织重构角色分配方法,例如,执行以上描述的图1中的方法步骤S100至步骤S500。
以上所描述的系统实施例仅仅是示意性的,其中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,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单元来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的一种无人集群组织重构角色分配方法,例如,执行以上描述的图1中的方法步骤S100至步骤S500的功能。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本申请实施例的较佳实施进行了具体说明,但本申请实施例并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。
Claims (10)
1.一种无人集群组织重构角色分配方法,其特征在于,所述无人集群组织重构角色分配方法包括:
获取多个基础模体,并基于所述多个基础模体构建集群组织重构的模体模型;
建立分析所述集群组织重构的模体模型的角色动态重构的指标;
计算所述集群组织重构的模体模型中节点之间的信任度,并根据所述信任度和所述指标,设置模体重构方法;
根据所述模体重构方法对所述集群组织重构的模体模型进行模体重构,获得多个模体重构解集;
从所述多个模体重构解集中获取最优的解集,将所述最优的解集作为无人集群组织重构角色分配的方案。
2.根据权利要求1所述的无人集群组织重构角色分配方法,其特征在于,所述获取多个基础模体,包括:
获取角色更新模体、角色分配模体、角色评估模体和角色生成模体,其中,所述角色更新模体为集群头领平台根据切换规则更新新型构型目标列表;所述角色分配模体为所述集群头领平台根据切换规则备选模式分配;所述角色评估模体为所述集群头领平台评估各项备选方案;所述角色生成模体为所述集群头领平台选择新的角色分配方案并下发给下属各平台。
3.根据权利要求1所述的无人集群组织重构角色分配方法,其特征在于,所述指标包括:
从模体的重要性分析结构的相似性、从统计的角度量化模体的重要程度、将当前节点分配到使所述当前节点启动最早的处理机器上。
4.根据权利要求1所述的无人集群组织重构角色分配方法,其特征在于,所述计算所述集群组织重构的模体模型中节点之间的信任度,包括:
通过jaccard相似系数计算入度信任度和出度信任度:
对所述入度信任度和所述出度信任度进行标准化:
其中,表示标准化的所述入度信任度,/>表示标准化的所述出度信任度, 表示所有模体的所述入度信任度的均值,/>表示所有模体的所述出度信任度的均值,/>表示所有模体的所述入度信任度的标准差,/>表示所有模体的所述出度信任度的标准差;
对所述标准化的所述入度信任度和所述标准化的所述出度信任度进行加权平均,获得所述集群组织重构的模体模型中节点i和节点j之间的信任度:
其中,α表示加权系数,0<α<1。
5.根据权利要求3所述的无人集群组织重构角色分配方法,其特征在于,所述根据所述信任度和所述指标,设置模体重构方法,包括:
判断所述集群组织重构的模体模型中是否存在新的任务要求,若存在新的任务要求,则更新任务列表;
采用非线性混合布尔规划方法处理所述新的任务要求中出现的节点中断场景;其中,所述非线性混合布尔规划方法为采用非线性的规划方法和采用布尔混合的方法;
在所述节点中断场景处理后,选择用于构建所述集群组织重构的模体模型的模体并建立分析所述集群组织重构的模体模型的指标;
计算所述集群组织重构的模体模型中节点之间的信任度,并选择所述信任度高于预设值的节点进行模体重构。
6.根据权利要求5所述的无人集群组织重构角色分配方法,其特征在于,所述节点中断场景包括:存在不确定因素导致原本的模体结构不符合集群要求和存在节点中断的现象扰动基本的模体结构。
7.根据权利要求1所述的无人集群组织重构角色分配方法,其特征在于,所述从所述多个模体重构解集中获取最优的解集,包括:
基于带精英策略的非支配排序遗传方法,在所述带精英策略的非支配排序遗传方法中加入新的拥挤度计算公式对所述模体重构方法进行优化,获得优化后的模体重构方法,其中,所述新的拥挤度距离计算公式为:
其中,M表示目标函数的总数量,LON[Zi]表示个体Zi的拥挤度距离,表示种群在m目标函数下的最大值,/>表示种群在m目标函数下的最小值,g(Zi+1)M表示个体Zi+1的目标函数,g(Zi-1)M表示个体Zi-1的目标函数;
通过所述优化后的模体重构方法从所述多个模体重构解集中获取最优的解集。
8.一种无人集群组织重构角色分配系统,其特征在于,所述无人集群组织重构角色分配系统包括:
模型构建单元,用于获取多个基础模体,并基于所述多个基础模体构建集群组织重构的模体模型;
指标建立单元,用于建立分析所述集群组织重构的模体模型的角色动态重构的指标;
信任度计算单元,用于计算所述集群组织重构的模体模型中节点之间的信任度,并根据所述信任度和所述指标,设置模体重构方法;
模体重构单元,用于根据所述模体重构方法对所述集群组织重构的模体模型进行模体重构,获得多个模体重构解集;
最优解集获取单元,用于从所述多个模体重构解集中获取最优的解集,将所述最优的解集作为无人集群组织重构角色分配的方案。
9.一种无人集群组织重构角色分配设备,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的无人集群组织重构角色分配方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的无人集群组织重构角色分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070951.5A CN116193395A (zh) | 2023-01-18 | 2023-01-18 | 无人集群组织重构角色分配方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070951.5A CN116193395A (zh) | 2023-01-18 | 2023-01-18 | 无人集群组织重构角色分配方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116193395A true CN116193395A (zh) | 2023-05-30 |
Family
ID=86445616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310070951.5A Pending CN116193395A (zh) | 2023-01-18 | 2023-01-18 | 无人集群组织重构角色分配方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116193395A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777402A (zh) * | 2023-06-19 | 2023-09-19 | 华东师范大学 | 一种基于元认知的面向群体协作的个性化角色定位方法 |
-
2023
- 2023-01-18 CN CN202310070951.5A patent/CN116193395A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777402A (zh) * | 2023-06-19 | 2023-09-19 | 华东师范大学 | 一种基于元认知的面向群体协作的个性化角色定位方法 |
CN116777402B (zh) * | 2023-06-19 | 2024-01-30 | 华东师范大学 | 一种基于元认知的面向群体协作的个性化角色定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113316118B (zh) | 基于任务认知的无人机集群网络自组织系统及方法 | |
Ghobaei-Arani et al. | A cost-efficient IoT service placement approach using whale optimization algorithm in fog computing environment | |
CN113282368B (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
CN107330560B (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
CN109819032B (zh) | 一种联合考虑基站选择与计算迁移的云机器人任务分配方法 | |
CN112953761B (zh) | 一种面向多跳网络中虚网构建的资源虚实映射方法 | |
CN113064671A (zh) | 基于多智能体的边缘云可扩展任务卸载方法 | |
CN116193395A (zh) | 无人集群组织重构角色分配方法、系统、设备及存储介质 | |
CN112532442B (zh) | 一种用于全域指控网络的任务协同能力评估方法 | |
CN115175217A (zh) | 一种基于多智能体的资源分配和任务卸载优化方法 | |
CN113687875A (zh) | 一种车联网中车辆任务卸载方法及装置 | |
CN113031650A (zh) | 一种不确定环境下的无人机集群协同目标分配设计方法 | |
CN112734127A (zh) | 一种基于动态蚁群劳动分工模型的多auv任务分配方法 | |
Xu et al. | Living with artificial intelligence: A paradigm shift toward future network traffic control | |
CN113973113B (zh) | 一种面向移动边缘计算的分布式服务迁移方法 | |
Saadi et al. | A hybrid improved manta ray foraging optimization with Tabu search algorithm for solving the UAV placement problem in smart cities | |
Bardhan et al. | A decentralized game theoretic approach for team formation and task assignment by autonomous unmanned aerial vehicles | |
CN116709290A (zh) | 一种基于无人机边缘计算的灾害地区应急通信方法及系统 | |
CN116669068A (zh) | 一种基于gcn的时延业务端到端切片部署方法及系统 | |
CN116367190A (zh) | 一种面向6g移动网络的数字孪生功能虚拟化方法 | |
CN110224861A (zh) | 基于学习的自适应动态异构网络选择策略的实现方法 | |
Lima et al. | Formal analysis in a cellular automata ant model using swarm intelligence in robotics foraging task | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
CN114610058A (zh) | 一种集群飞行器多任务分布式任务分配方法 | |
CN114792187A (zh) | 基于意愿和信任双重约束的群智感知团队招募方法及系统 |
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 |