[发明专利]一种用于山地环境下的多智能体协同搜索节能方法

说明书

本发明公开了一种用于山地环境下的多智能体协同搜索节能方法，包括以下步骤：S1.确定智能体的特性参数；S2.进行导航目标选择，获得下一个要遍历的目标位置；S3.构建运动学模型，控制智能体从当前位置运动到目标位置。本发明通过深度强化学习选择导航目标点，并鼓励智能体沿等高线方向在导航目标点之间移动，通过深度强化学习模型，智能体可以自己进行学习，选择最优路径以减少重复覆盖和能量消耗。

技术领域

本发明涉及多智能体协同搜索，特别是涉及一种用于山地环境下的多智能体协同搜索节能方法。

背景技术

利用多智能体搜索感兴趣区域的算法已经比较成熟。多智能体主要被用于搜索不平坦的地形，但现有的搜索算法都是针对平坦地形设计的，因此多智能体在导航目标之间的移动往往采用最短路径方式移动。在不平坦的地形上使用最短路径移动会消耗更多的能量。目前智能体基本是使用便携式能源供电，如果智能体移动过程中消耗的能量过多，可能会导致不能完成搜索任务。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于山地环境下的多智能体协同搜索节能方法，通过深度强化学习选择导航目标点，并鼓励智能体沿等高线方向在导航目标点之间移动，通过深度强化学习模型，智能体可以自己进行学习，选择最优路径以减少重复覆盖和能量消耗。

本发明的目的是通过以下技术方案来实现的：一种用于山地环境下的多智能体协同搜索节能方法，包括以下步骤：

S1.确定智能体的特性参数；

S2.进行导航目标选择，获得下一个要遍历的目标位置；

S3.构建运动学模型，控制智能体从当前位置运动到目标位置。

所述步骤S1智能体的特性参数包括智能体的数量为N、智能体的搜索半径r_s以及智能体之间的通信半径为r_c；其中r_s0，r_c2r_s。

步骤S2中所述的导航目标选择，包括信息地图引入和深度强化学习。所述信息地图引入过程包括：

考虑到智能体由于功率约束，所能克服的最大倾角有限，假设能克服的最大倾角为60度，遍历的区域在x-y平面的投影为m*n的矩形，将该区域划分成k*l个小矩形区域，k和l的定义如下：

将矩形的中心点看做是一个引导点γ_x,y坐标用(x,y)表示；整个搜索区域就看作是记录所有引导点γ的一张信息地图；

智能体i的信息地图M_i(γ)存储着其区域覆盖的历史信息，表示为M_i(γ)＝γ_x,y(x,y＝1,2,...,m)，其值为0或1：若智能体i没有遍历过引导点γ所在位置，则记m_i(γ)＝0，否则记m_i(γ)＝1，如果智能体之间的距离小于智能体之间的通信半径r_c，那么它们会进行信息交互，更新彼此的信息地图更新公式如下：

m_i(γ_x，y)＝max(m_s(γ_x，y)).

m_s(γ(x,y))表示通信范围内其他智能体的信息地图数据。

所述深度强化学习过程包括：

针对山地的搜索遍历，引入信息地图之后，就转换为遍历完整个信息地图的γ点；为了提高遍历效率，减少重覆盖，采用深度强化学习，让智能体自己去选择下一个最优的γ点进行遍历；所述深度强化学习就是让智能体与外界环境进行交互，智能体通过采取行为改变自身状态并获得一定奖励，经过网络的训练之会得到一个深度强化学习模型；