[发明专利]一种基于图网络的集群动力学预测方法

说明书

本发明公开了一种基于图网络的集群动力学预测方法，包括：根据Vicsek模型模拟自驱动集群运动，生成数据集；通过数据预处理，将数据集处理为图结构数据,包括节点、边和全局属性；实现特征的初步提取和数据降维；使用图网络块，选择多层感知器作为更新函数，信息通过一定的规则在图上传播；信息还原，得到图结构数据；使用随机梯度下降的优化算法训练图网络，自动学习图网络中的参数。本发明将传统的物理科学与深度学习技术融合，能够实现对自驱动集群系统中的对象和关系进行模拟和推理，仅从粒子的初始位置确定系统的长期演化，而不需任何手工特征。

技术领域

本发明涉及深度学习技术领域，更具体地说，涉及一种基于图网络的集群动力学预测方法。

背景技术

活性物质系统不受限于诸如细致平衡条件或涨落耗散定理等热力学规则，因而会涌现出丰富复杂的动力学现象，例如广泛存在于空间尺度的集群运动，在自然界中(例如，动物、微生物和细胞)，人类社会中(例如，集体性人类行为和社交网络)和多个体智能系统中(例如，多机器人系统和多车合作控制)都有很多例子。典型的集群运动模型能够模拟多种形式的物质的运动，包括鸟群和鱼群的运动。以集群运动行为作为研究对象的模型系统是一个由大量自治个体组成的集合，这些个体通过考虑邻居的影响和环境中的扰动因素进行更新，使其整体呈现出复杂的行为。在足够高的密度和低于某一临界值的噪音下，可以观察到集群的同步现象，理解这一现象背后的物理本质一直是软物质和非平衡统计物理领域一个重要的研究方向。

在过去的几年里，活性物质研究开始使用机器学习方法。将机器学习应用于科学研究的进展为活性物质研究提供了一个强大的工具，可以识别最优和替代策略、实现活性物质的分类和表征以及粒子的定位、追踪。强化学习和深度强化学习已被用于在模拟鱼群中寻找最小化能量消耗的游泳策略。然而，传统的机器学习在解决以上问题时，通常将图结构数据映射为简单的表示，这使预处理阶段可能丢失结构本身的拓扑信息，影响最终的预测结果。

综上所述，需要提供一种方法，充分从网络拓扑结构的角度考虑个体和邻居之间的局部相互作用力，无需经过复杂的分子动力学演化，仅从系统中粒子的初始位置就能预测动力学的相变过程。

发明内容

本发明要解决的技术问题在于，针对现有技术中存在的不足，本发明提供一种基于图网络的集群动力学预测方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于图网络的集群动力学预测方法，包括：

根据Vicsek模型模拟自驱动集群运动，生成数据集；

通过数据预处理，将数据集处理为图结构数据,包括节点、边和全局属性；

实现特征的初步提取和数据降维；

使用图网络块，选择多层感知器作为更新函数，信息通过一定的规则在图上传播；

信息还原，得到图结构数据；

使用随机梯度下降的优化算法训练图网络，自动学习图网络中的参数。

其中，在Vicsek模型中，N个可视为质点的个体以相同的速率在L*L的二维周期性边界条件的平面上运动，在初始时刻，每个个体的位置在该平面区域内随机分布，运动方向在[-π，π)间随机分布，在每一个时刻t+1，每个个体的角度依据邻居角度的矢量平均来更新，并且在其邻域内的平均运动方向添加了一些随机的扰动；

其中，在根据Vicsek模型模拟自驱动集群运动的步骤中，邻居的定义采用如下公式表示：

N_i(t)＝{j|d_ij(t)r}

其中，N_i(t)表示个体i在t时刻的邻居，r表示视野半径，d_ij(t)表示两个个体之间的距离；

每个个体在平面中始终以不变的速率v运动，位置变化采用如下公式：