[发明专利]基于flocking模型的多agent系统自适应方法及其系统

说明书

本发明提供了一种基于flocking模型的多agent系统自适应方法及其系统，包括：建立多agent系统；建立基于多agent系统的评价函数；以遗传算法为基础，依据评价函数对多agent系统的参数进行更新。本发明建立了一种评估机制，优化了机器人群的性能；基于评估机制，利用遗传算法设计了一种优化的机器人群flocking模型以用于参数更新。

技术领域

本发明涉及agent动力学领域，具体公开了一种基于flocking模型的多agent系统自适应方法。

背景技术

随着机器人群在各个领域的广泛部署，机器人群的稳定性和可扩展性成为机器人群服务提供者和用户的主要关注点。特别地，自适应和自主机器人群模型在工业和学术界中受到极大关注，以完成复杂任务和适应动态环境。机器人群构成了一个有吸引力且可扩展的解决方案，可以完成复杂的任务，例如搜索和救援，映射，目标跟踪和全覆盖攻击，这可以让人类远离枯燥，恶劣和危险的环境。机器人群解决方案的一个主要优点是复杂系统中个体之间的简单局部交互，可以生成在系统级别观察到的一些新属性和现象，例如一组集体行为。就像生物群体一样，如鱼群，鸟群，蚁群和细胞群，由此产生的集体模式对agent来说是健壮且灵活的加入和退出，特别是当障碍，危险和新任务等事故出现时。虽然机器人群具有许多优点，但是当存在延迟，不确定性和运动约束时，大规模自主机器人群由于现实条件而导致机器人高失效概率。这种现象在像Gremlins和LOCUST这样的军事项目中更为明显，因为它们建立在小型，低成本和半自动无人机上，其失效概率预计会高得多。另一方面，越来越多的企业和研究机构在机器人群上设计了模型和实际系统。值得注意的是，许多系统，例如空中，地面和海洋中的群体，都是基于雷诺的经典三个原则：短距离排斥，中距离速度对准和远距离吸引。将这种系统的行为推向某种理想的模式是非常重要的。首先，机器人是自主的和不完美的，即，每个机器人具有机载计算机，用于执行控制其自身动作所需的计算，用于测量相对位置和速度的传感器系统，以及通信设备，用于与邻近agent进行数据交换。这些特征反映了中描述的感知和自主反应。其次，这些系统应该没有中央控制，也就是说，尽管agent可以相互观察并且可以交换信息，但是它们不发送和接收直接控制命令，因为组内没有领导者，也没有外部监督者，例如基站或人类监督者。因此，开发用于稳定和可扩展的机器人群的自主和自适应flocking模型成为共同的挑战。

为了在受限环境中实现自主机器人群模型，已经进行了大量的研究，其中大量具有复杂非线性相互作用的参数起着重要作用。然而，很少有关于建模的研究在合理的时间内研究各种条件下的参数调整过程，这是影响群体性能的关键。基于规则的方法是实现分布式多机器人系统协同区域移动任务的有效方法。在基于规则的模型研究中，模拟实验是验证模型正确性的一种流行方法，其中包括许多自行设计的参数，参考现有研究或其专家的知识。广泛的研究已经考虑了现实生活环境的不确定因素，如静态障碍物，移动障碍物，噪声等。然而，与传统的多机器人系统不同，自主机器人群具有明显的特征：现实差距：在理想条件下进行模拟表现稳定的flocking模型，在延迟、不确定和运动学约束的真实条件下，会迅速振荡并且不稳定；可扩展性：在特定速度或集群大小情形下开发的flocking模型可能无法扩展；也就是说，对于更高的速度或更大的群组，运动模式可能变得不稳定；高维度：在现实生活中工作良好的flocking模型通常会出现大量具有复杂非线性且相互作用的参数，需要在合理的时间内针对各种条件进行调整。上述特征给机器人群的研究带来了更多的困难。很少有研究深入研究上述问题。因此，现有的flocking模型很难从机器人群中充分受益。

发明内容

本发明目的在提供一种基于flocking模型的多agent系统自适应方法，以解决现有技术中存在的技术缺陷。

为实现上述目的，本发明提供了基于flocking模型的多agent系统自适应方法，包括以下步骤：

建立多agent系统；

建立基于多agent系统的评价函数；

以遗传算法为基础，依据评价函数调对多agent系统的参数进行更新。