[发明专利]一种基于启发式搜索的多智能体认知规划算法

说明书

本发明提出了一种基于启发式搜索的多智能体认知规划算法，其特征在于，所述算法提出了一种多智能体认知规划问题的、基于交替覆盖析取范式ACDF公式之间距离的启发式函数的定义，并使用基于AO*和环检测的CAO*算法作为规划器的主要规划算法。本发明具有良好通用性，能处理任意高阶多智能体认知公式，解决了已有工作中只能产生序列解，无法处理析取公式，信念嵌套深度受限等不足的问题；同时相比已有工作的朴素向前状态空间搜索算法，能够在搜索过程中拓展更少的节点，从而能在更合理的时间内求得多智能体认知规划问题的解，也能处理一些更大规模的问题，具有更好地可拓展性。

技术领域

本发明涉及计算机领域，具体涉及一种基于启发式搜索的多智能体认知规划算法。

背景技术

现今许多人工智能任务都涉及多个智能体相互沟通，协作以完成任务，因此导致了两方面的需求，一是多智能体知识或信念的推理需求，由于在许多人工智能任务中，某一时刻智能体能否采取特定动作取决于动作前提条件是否满足，因此智能体需要根据自身知识或信念进行推理；二是多智能体知识或信念的演进需求，根据智能体采取的动作，可能会对客观环境造成影响，也可能会改变智能体的知识或信念，因此智能体的知识或信念需要根据动作结果进行演进。此外，在特定情况下，对高阶知识或信念的推理和演进也存在需求。

近年来，多智能体认知规划在动态逻辑和规划领域越来越受到重视。理论方面，Bolander和Andersen首先基于动态认知逻辑(DEL)给出了多智能体认知规划问题的形式化定义，并给出了一个重要结论：多智能体认知规划问题一般是不可判定的。接着，Aucher和Bolander又指出在只存在感知动作的情况下，多智能体认知规划问题规划是不可判定的。后来，Yu等人给出了多智能体认知规划问题中的两个可判定片段。

实践方面，Kominis和Geffner提出一个多智能体认知规划问题的受限框架，其基于动作均为确定性动作和初始状态包含所有可能性两个假设，通过将多智能体认知规划问题编码成经典规划问题，从而使用经典规划器求解，该方法缺陷很明显，只能产生序列解以及完成一致性规划。此后，Muise等人基于不允许析取公式和以整个知识库为信念的根智能体两个假设上提出了另一种受限框架，但该方法也存在着表达能力不足以及可接受信念嵌套深度受限等不足。

另外，Huang等人基于高阶信念改变提出了一个多智能体认知规划的通用框架，该方法只考虑命题层面的公共知识，提出了一种交替覆盖析取范式(ACDF)来表示智能体知识库和动作，并给出了基于ACDF的知识推理和演进算法，最后基于广度优先搜索的PrAO算法实现了多智能体认知规划器MEPK，该方法局限性在于其拓展性差，在于MEPK是基于朴素的向前状态空间搜索算法，缺乏有效的启发式搜索方法,因此当测例规模变大和搜索空间增大时，MEPK会在搜索过程中拓展太多无意义节点，从而大大降低规划器效率。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种不仅能产生序列解，而且能处理析取公式，支持任意嵌套的高阶信念公式以及可拓展性好的算法。

为解决上述技术问题，本发明的技术方案如下：

一种基于启发式搜索的多智能体认知规划算法，其特征在于，所述算法提出了一种多智能体认知规划问题的、基于交替覆盖析取范式ACDF公式之间距离的启发式函数的定义，并使用基于AO*和环检测的CAO*算法作为规划器的主要规划算法。

所述交替覆盖析取范式ACDF的距离定义，设有φ和φ′，φ和φ′同为交替覆盖析取范式ACDF，其中从φ到φ′的距离，记做dist(φ,φ′)，递归计算如下：

(1)当φ和φ′为命题项时，dist(φ,φ′)的值为φ′中无法由φ蕴含的文字(literal)数目；

(2)当φ＝VΨ,φ′＝VΨ′得下式：

dist(φ,φ′)＝min({dist(ψ,ψ′|ψ∈Ψ,ψ′∈Ψ′)})；