[发明专利]一种多智能体的动态编群方法

说明书

本发明公开了一种多智能体的动态编群方法，包括：步骤一、接收多源信息；步骤二、数据预处理；步骤三、选择聚类中心；步骤四、构造相似度函数；步骤五、自主动态编群。本发明通过数据预处理，实现了数值化信息和非数值化信息的统一量化及特征数据的处理问题，解决了模糊C均值遇到孤立点和噪声点难以得到良好划分结果问题；非固定中心选择策略设计，解决了人为设置初始化聚类中心无法满足无人智能体自主化要求的问题；最后，通过高维空间的相似度函数构造及基于内在作用力的自主动态编群，减弱了隶属度的约束，从实质上实现智能体的动态编群。

技术领域

本发明涉及多传感器信息融合领域，尤其涉及多智能体的动态编群方法。

背景技术

目标编群的实质是聚类，而模糊C均值聚类方法是一种典型的聚类分析方法，是将目标对象以一定的度量标准划分到所对应的多个类别中，并保证同一类别内存在较好的相似性，而类间有明显的差异性，此外，它能够在不需要领域知识的前提下从数据中得到额外的有用信息，并能够直接而快速的反应数据特征，因此能有效运用于处理大量不完备数据的聚类问题，整个过程快速而准确。

然而，传统基于模糊C均值聚类编群方法有以下几方面不足：一是仅适应影响因素如位姿可数值化的信息，不适应非数值化信息，智能体多源信息利用率不高；二是当遇到孤立点和噪声点时，难以得到良好的划分结果；三是需要人为设置初始化聚类中心，不满足无人智能体自主化的要求；另外，受隶属度约束的限制，导致其它样本点容易受除该类以外其他聚类中心的干扰，无法反映智能体动态编群的实际问题。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种自主化的多智能体动态编群方法，基于智能体不同的运动状态，动态选择非固定中心，进而针对不同信息，设计不同的相似性度量，并将其作为智能体间的内在作用力实现多智能体的动态编群，进而依据投票机制和属性唯一性实现编群的多义性处理，提高多智能体编群效率。

本发明提供的一种多智能体的动态编群方法，其特征在于，包括：

步骤一、接收多源信息；

步骤二、数据预处理；

步骤三、选择聚类中心；

步骤四、构造相似度函数；

步骤五、自主动态编群。

进一步，所述多源信息包括位置信息PI、姿态信息SI、属性信息AI和战术动作特征TPI。

进一步，所述数据预处理包括非量化信息处理或特殊数据处理，其中非量化信息包括属性信息和战术动作特征，特殊数据包括缺失值、孤立点和噪声点数据。

进一步，所述非量化信息处理是指根据非量化信息的类别将非量化信息数值化。

进一步，所述特殊数据处理包括：基于概率论实现对缺失值的处理、基于分箱法实现对噪声点的处理或者基于滤波方法实现对孤立点的处理。

进一步，所述基于滤波方法实现对孤立点的处理包括：通过卡尔曼滤波算法判断当前点迹是否为孤立点，如果是，则直接将其编为一个单元群，并将其进行缓存。

进一步，所述选择聚类中心为非固定中心选择，是指从无组织、无固定中心的微型无人智能体集群中选择出聚类中心，包括随机运动状态和类规律运动状态下的非固定中心选择。

进一步，基于分区域的模糊C均值方法实现随机运动状态下的非固定中心选择，或者基于均匀分布和仿生思想实现类规律运动状态下的非固定中心选择。

进一步，所述相似度函数包括位置信息的相似度函数、姿态信息的相似度函数、属性信息的相似度函数、战术动作特征的相似度函数及综合相似度函数。

进一步，基于多智能体之间的内在作用力，结合仿生理论实现多智能体的动态编群。