RCRSS中基于分区的多警察智能体任务分配方法组成比例

本发明专利技术提供一种RCRSS中基于分区的多警察智能体任务分配方法，将地图分割为不多于警察个数的分区，采用基于距离的k-means聚类算法，把距离作为相似性评价指标，对救援仿真环境进行建模分析，得到数量小于警察智能体数量的分区；在每个分区中分配一定数量的警察，采用静态分配与动态调整相结合的协作方式对警察智能体进行调度。对比实验结果表明，本发明专利技术所用的方法能够适应多种复杂灾难环境，在有限时间内更好的完成了清除路障的任务，提高了警察智能体协作效率，有效提升了警察智能体的救援效率。

【技术实现步骤摘要】
【专利摘要】本专利技术提供一种RCRSS中基于分区的多警察智能体任务分配方法，将地图分割为不多于警察个数的分区，采用基于距离的k-means聚类算法，把距离作为相似性评价指标，对救援仿真环境进行建模分析，得到数量小于警察智能体数量的分区；在每个分区中分配一定数量的警察，采用静态分配与动态调整相结合的协作方式对警察智能体进行调度。对比实验结果表明，本专利技术所用的方法能够适应多种复杂灾难环境，在有限时间内更好的完成了清除路障的任务，提高了警察智能体协作效率，有效提升了警察智能体的救援效率。【专利说明】RCRSS中基于分区的多警察智能体任务分配方法
本专利技术涉及一种RCRSS中基于分区的多警察智能体任务分配方法。
技术介绍
RoboCup救援仿真是属于RoboCup竞赛中救援类的仿真项目，涉及到分布式人工智能、智能机器人技术、多智能体协作等多个领域，是国际上一项为提高相关领域研究水平而举行的大型学术活动和竞赛。RCRSS作为比赛的基本平台，是典型的多智能体系统，它通过计算机模拟现实生活中的城市灾难环境，在房屋倒塌起火、火势蔓延、道路堵塞、市民掩埋受伤的情况下快速建立起理性智能的搜救和调度系统，使社会损失尽可能的减少到最低。 系统共有六类可控智能体，其中警察、消防队和救护队属于移动类智能体，分别承担了清障、消防灭火和救治市民的任务。而大量的实验表明，仿真初期警察智能体能否有效快速的清除路障对于消防队和救护队的行动有着重要意义，因而其自身的协作处理显得极其关键。 目前，各支队伍用的比较多的多智能体协作机制有以下几种:MRL的线性加权模型、基于市场机制的协作以及广泛应用的共享规划模型等。 MRL的线性加权模型，通过合理选择影响因子以及采用BELBIC快速学习方法实现协作，但需要全局信息和集中管理，扩展性差。 基于市场机制的协作具有良好的扩展性，特别适合于分布式机器人领域，但是会来带通信开销过大，系统负担过重的问题。 共享规划模型则将不同心智状态下的期望定义成一公理集合来指挥群体中成员采取行动去完成分配的任务，缺点是容易陷入局部最优解，难以达到协作的全局最优。 RCRSS作为一个实时的分布式仿真系统，为机器人救援仿真和相关领域的研究提供了试验平台。如图1所示，RCRSS通过各个分布式模拟器模拟构建灾难环境，产生比如火灾、市民被掩埋以及道路被堵塞等典型的灾难场景，然后通过警察、消防队、救护队这三类可控救援机器人的协作完成灭火、救护市民、清除路障等任务。在状态空间巨大、信息高度不完整的情况下，数量和能力都有限的智能体要高效完成救援任务的关键就在于任务分配。 RCRSS中任务分配的核心问题是将灾难环境中存在的M个救援智能体合理映射到N个任务上，具体到警察智能体表现为要将Mpf个清障任务分配给Npf个警察智能体在当前的分配机制下，由于没有指定各个智能体执行任务的区域，当仿真地图较大而智能体数量较少时，会出现两种问题:首先，对于单个智能体而言并不能在有限的任务周期内完全遍历整张地图；其次，在仿真实验中还发现了多个警察智能体同时执行一个任务的情况，在清障效果不叠加的前提下，这种方式是对警察资源的一种浪费。
技术实现思路
本专利技术提出了一种基于分区的任务分配机制，把每张地图的结构以及地图中建筑物的分布密度作为任务分配的参考指标，把地图中建筑物密度较大的区域聚类为一个分区，并在每个区域分配一定数量的智能体，通过这样的方式提高智能体遍历的效率，从而充分利用系统给定的资源和警察智能体自身特性，提高救援效率，在最大化整个系统效益的同时，满足其动态性、实时性等要求。 本专利技术的技术解决方案是: 一种RCRSS中基于分区的多警察智能体任务分配方法，将地图分割为不多于警察个数的分区，采用基于距离的k-means聚类算法，把距离作为相似性评价指标，对救援仿真环境进行建模分析，得到数量小于警察智能体数量的分区； 在分区中分配警察后，采用静态分配与动态调整相结合的协作方式对警察智能体进行调度。 进一步地,使用K-means算法把待聚类的数据集合X = (X1, x2, x3...xj划分成k个簇，其中，k是输入参数； K-means算法采用迭代更新的方法: 首先随机选取k个对象作为初始的k个聚类中心；然后计算剩余各个样本到每一个聚类中心的距离，把该样本归到离它最近的那个聚类中心所在的类，对调整后的新类使用平均值的方法计算新的聚类中心；如果相邻两次的聚类中心没有任何变化，则样本调整结束且聚类平均误差准则函数已经收敛。 进一步地，使用K-means聚类算法对灾难环境进行建模分区的过程为: 数据集合X:仿真开始后，警察智能体通过自身感知以及信息交互迅速获得城市地图的拓扑结构和连接信息，并将城市地图中的建筑物抽象成节点对象存储到Building=Ib1, b2,..., bj 中； 生成簇的数目k:也就是要获取的分区的数量，是由警察数量决定的，如式⑴: 【权利要求】1.一种RCRSS中基于分区的多警察智能体任务分配方法，其特征在于: 将地图分割为不多于警察个数的分区，采用基于距离的k-means聚类算法，把距离作为相似性评价指标，对救援仿真环境进行建模分析，得到数量小于警察智能体数量的分区； 在分区中分配警察后，采用静态分配与动态调整相结合的协作方式对警察智能体进行调度。2.如权利要求1所述的RCRSS中基于分区的多警察智能体任务分配方法，其特征在于，使用K-means算法把待聚类的数据集合X = {xl,x2,x3,…,xn}划分成k个簇,其中,k是输入参数； K-means算法采用迭代更新的方法: 首先随机选取k个对象作为初始的k个聚类中心；然后计算剩余各个样本到每一个聚类中心的距离，把该样本归到离它最近的那个聚类中心所在的类，对调整后的新类使用平均值的方法计算新的聚类中心；如果相邻两次的聚类中心没有任何变化，则样本调整结束且聚类平均误差准则函数已经收敛。3.如权利要求2所述的RCRSS中基于分区的多警察智能体任务分配方法，其特征在于，使用K-means聚类算法对灾难环境进行建模分区的过程为: 数据集合X:仿真开始后，警察智能体通过自身感知以及信息交互迅速获得城市地图的拓扑结构和连接信息，并将城市地图中的建筑物抽象成节点对象存储到Building ={b” b。，...，bn}中； 生成簇的数目k:也就是要获取的分区的数量，是由警察数量决定的，如式(I): Nmp = Ce.Num r ^——?「N N =、/^厂 χ -^=aP _V mP _ _V fflP」⑴(2) 其中，Nmp表示最大分区数，Ce表示饱和系数，Num表示警察的数量，Nap表示实际的分区数，方括号表示取整。4.如权利要求3所述的RCRSS中基于分区的多警察智能体任务分配方法，其特征在于，使用K-means聚类算法对灾难环境进行建模分区的具体步骤如下: 51、从Building中随机选取k个建筑b”b2,..., bk作为初始簇中心C1, c2,..., Ck ； 52、将Building中的建筑按照最小距离原则分配到最邻近的聚类:若(IijODi,Cj)<H Cm), m = 本文档来自技高网...

【技术保护点】
一种RCRSS中基于分区的多警察智能体任务分配方法，其特征在于：将地图分割为不多于警察个数的分区，采用基于距离的k‑means聚类算法，把距离作为相似性评价指标，对救援仿真环境进行建模分析，得到数量小于警察智能体数量的分区；在分区中分配警察后，采用静态分配与动态调整相结合的协作方式对警察智能体进行调度。

【技术特征摘要】

【专利技术属性】
技术研发人员：梁志伟，杨祥，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32