仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法技术

本发明专利技术提出了一种仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法，包括初始化种群及其参数，设定初始状态下，所有Agent都将初始位置作为个体最优位置，并且所有Agent都将自己最邻近的6或7个邻居的最优值作为局部最优；适应度函数计算，设定每个Agent个体周围的邻居分布各向异性，但其最邻近6或7个邻居为各向同性，Agent个体之间的相互作用取决于拓扑距离；选择更新同伴，包括为某Agent选择最邻近的6或7个邻居之一作为其更新同伴；定义Agent之间的相互作用关系；进行Agent速度与位置的更新。本发明专利技术将在无人机集群密集编队、大型集合场所人群应急疏散、大规模机器人群体协同作业、疾病传播控制等军事、应急、工业、医疗等领域都具有非常广阔的应用前景。

【技术实现步骤摘要】
仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法
本专利技术属于人工智能群智能应用
，尤其涉及一种仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法。
技术介绍
许多应用领域，例如无人机集群密集编队、大型公共场所人群应急疏散、工业机器人群体协同作业等，需要大规模智能体共同协同工作才能完成。在智能群体应用系统中，智能体(如传感器、机器人、飞行器等)的个体能力有限，但其群体却能表现出高效的协同合作能力和高级的智能协调水平。随着计算机网络、通信通讯、分布计算等技术的不断发展，许多实际应用系统往往变得非常的庞大和复杂，使得单个智能体因个体的知识、计算资源等的限制而不能对其进行有效的处理和管理，因而大规模智能群体协同在许多应用中扮演着十分重要的作用。如何使智能体的团队合作达到最大化效果，有关智能群体协同理论的研究一直以来为群体智能的重要课题和关键，其目的是研究分散的、自治的智能体如何利用集体行为相互协作，高效地、最大程度地共同完成单个智能体难以完成的复杂任务，有关大规模智能群体系统的研究具有非常重要的现实意义。近年来，国内外许多学者对协同问题开展了深入而广泛的研究，从局部控制策略研究群集控制问题，通过设计局部规则和控制策略，使集群协作涌现出所期望的行为。对集群行为的研究源于Reynolds等(1987)对鸟群飞行行为的模拟仿真，他们提出了群集中个体遵循三条简单启发性规则，即聚集(Cohesion)、分离(Separation)、对齐(Alignment)，构建了集群行为Boids模型。从系统控制来看，该工作实质上是一种不依靠中央控制机制，采用局部规则控制策略达到群集协同的思想和策略，虽然简单，但却十分有效。在Reynolds三原则基础上，一些学者提出了大量的群集运动模型，其中较为经典的是Swarm模型、Cucker-Smale模型以及Cavagna模型等。Kwong等(2003)将Swarm描述为一些相互作用的相邻个体的集合，对该Swarm模型进行集群行为控制仿真，包括聚集、绕圈运动、绕“8”字形运动、排成直线形运动等。Wang等(2005)则通过增加局部反馈信息对移动自治智能体群的集群行为控制，设计集群局部规则模型，验证了方法的可行性。Cucker和Smale(2007)采用邻接矩阵描述个体间相互作用强度，提出了着重描述个体间速度相互影响的模型，仅考虑了三原则中的对齐原则。但是这些方法存在明显的缺点，群行为和集群模型参数之间的关系是未知的，需要通过大量的仿真实验来确定合适的参数值，同时集群运动行为对参数的取值往往过于敏感，离实际系统的控制要求甚远。Cavagna等(2015)尝试建立一般性理论来统一群集运动模型，给出集群运动的惯性自旋模型，鸟群飞行时向外传播信息类似于磁性材料中的自旋波。然而集群系统通常高度复杂，集群行为极其多样，通过系统参数调节方法实现对大量集群行为的控制有其一定的局限性，所以仅仅依靠局部控制策略并不能满足大规模集群系统的有效控制。近年来生物学家通过对欧椋鸟群进行了深入观察和研究。每到黄昏时分，在一些地区上空，数万只乃至数十万只欧椋鸟聚集在一起飞行，其奇特之处在于整个鸟群在飞行过程中个体之间完全同步，飞行机制类似于雪崩和晶体形成的瞬时转变的均衡临界系统，但几乎是瞬时信号处理速度，这一现象引起了世界各地研究者的广泛兴趣。Ballerini等(2008)利用计算机视觉技术记录了欧椋鸟群中特定个体的三维位置，发现鸟群中个体分布存在各向异性。在规模巨大的欧椋鸟群中，个体采用拓扑距离(topologicaldistance)与其最近6～7个个体进行交互，并非由群体中个体的度量距离(metricdistance)决定。Bode等(2010)根据Ballerini等的观察结果，开发了基于个体的动物群集运动模型，但该模型缺乏群体指导机制，整个群体运动方向是无目标的。Young等(2013)则通过系统论的方法，给出了产生这一观察结果的原因，在感知存在不确定性因素时，智能体与其周围6、7个邻居进行交互有助于优化团队凝聚力和个人努力之间的平衡。以上这些最新的生物学重要发现为大规模智能群体协同应用提供了一条崭新的思路。Cavagna(2010)提出通过极化作用来度量欧椋鸟群的整体有序程度，在位移-速度框架下，将这种拓扑相互作用机制引入粒子群算法，使其在具有欧椋鸟飞行特征的同时具有更好的自适应性，但尚没有提出完整的实现方案。Hereford和Blum(2011)提出FlockOpt算法，对Boids模型进行了改进，将欧椋鸟群运动模型与群智能算法相结合，解决了单峰搜索空间寻找最优值问题，但未能解决多峰搜索问题。Netjinda等(2015)把欧椋鸟集体反应行为引入粒子群算法以增加群体多样性，实现了更广泛的搜索空间范围，避免次优解决方案。邱华鑫和段海滨(2017)尝试了把这种鸟群群集飞行机制引入到无人机自主集群编队控制实际应用中，初步研究成果表明基于将该机制与群体智能协同研究相互结合具有可行性。综述当前国内外最新研究成果均未能突破智能群体在数量级上的自主协同。
技术实现思路
本专利技术的目的是提供一种欧椋鸟群集行为启发的大规模智能群体自主协同的建模方法。区别于现有粒子群算法、遗传算法等，结合欧椋鸟等群集行为动物习性学和计算生物学最新研究成果，解析欧椋鸟生物群集行为机理和无中心自组织的内部作用与协调机制，建立欧椋鸟群向大规模智能群体协同应用的映射机理。为了达到上述目的，本专利技术提供的仿欧椋鸟群集行为机理的大规模智能群体自主协同的建模方法，包括以下步骤，步骤S1，初始化种群及参数，包括设定初始状态下，所有Agent都将初始位置作为个体最优位置，并且所有Agent都将初始位置作为个体局部最优位置；步骤S2，适应度函数计算，包括遵循以下规则⑴和规则⑵，构建拓扑作用机制框架，规则⑴，每个Agent个体周围的邻居分布各向异性，但其最邻近6或7个邻居为各向同性；规则⑵，Agent个体之间的相互作用取决于拓扑距离；步骤S3，选择更新同伴，包括为Agenti选择最邻近的6或7个邻居之一作为更新同伴Agentj；步骤S4，定义Agent之间的相互作用关系；步骤S5，进行Agent速度与位置的更新，返回步骤S2直到Agent群体到达目的地或循环次数达到最大进化代数。而且，步骤S3中，更新同伴Agentj遵循以下规则⑶选取，然后根据规则⑷计算适应度值，规则⑶，根据pj～1/dij原则，为Agenti在其周围一定视野半径rV范围内从最邻近的6或7个邻居中选择更新同伴Agentj，其中，pj为概率，dij为Agenti与Agentj之间的距离；规则⑷，对所选择的更新同伴Agentj采用适应度函数进行评价，包括根据预设的适应度函数阈值fthreshold；如果Agentj适应度值大于fthreshold，则适应度值较差，Agentj被淘汰，Agenti保持自己原有的飞行方式；否则Agenti选择Agentj作为自己的更新同伴。而且，步骤S4中，定义Agent之间的相互作用关系，实现方式如下，定义排斥半径rE、保持半径rM以及吸引半径rA三个半径参数，定义Agent之间的拓扑关系满足以下规则，规则⑸，排斥规则，Agenti排斥其近距离范围内的其本文档来自技高网...

【技术保护点】
1.一种仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法，其特征在于：包括以下步骤，步骤S1，初始化种群及参数，包括设定初始状态下，所有Agent都将初始位置作为个体最优位置，并且所有Agent都将初始位置作为个体局部最优位置；步骤S2，适应度函数计算，包括遵循以下规则⑴和规则⑵，构建拓扑作用机制框架，规则⑴，每个Agent个体周围的邻居分布各向异性，但其最邻近6或7个邻居为各向同性；规则⑵，Agent个体之间的相互作用取决于拓扑距离；步骤S3，选择更新同伴，包括为Agent i选择最邻近的6或7个邻居之一作为更新同伴Agent j；步骤S4，定义Agent之间的相互作用关系；步骤S5，进行Agent速度与位置的更新，返回步骤S2直到Agent群体到达目的地或循环次数达到最大进化代数。

【技术特征摘要】
1.一种仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法，其特征在于：包括以下步骤，步骤S1，初始化种群及参数，包括设定初始状态下，所有Agent都将初始位置作为个体最优位置，并且所有Agent都将初始位置作为个体局部最优位置；步骤S2，适应度函数计算，包括遵循以下规则⑴和规则⑵，构建拓扑作用机制框架，规则⑴，每个Agent个体周围的邻居分布各向异性，但其最邻近6或7个邻居为各向同性；规则⑵，Agent个体之间的相互作用取决于拓扑距离；步骤S3，选择更新同伴，包括为Agenti选择最邻近的6或7个邻居之一作为更新同伴Agentj；步骤S4，定义Agent之间的相互作用关系；步骤S5，进行Agent速度与位置的更新，返回步骤S2直到Agent群体到达目的地或循环次数达到最大进化代数。2.如权利要求1所述的仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法，其特征在于：步骤S3中，更新同伴Agentj遵循以下规则⑶选取，然后根据规则⑷计算适应度值，规则⑶，根据pj～1/dij原则，为Agenti在其周围一定视野半径rV范围内从最邻近的6或7个邻居中选择更新同伴Agentj，其中，pj为概率，dij为Agenti与Agentj之间的距离；规则⑷，对所选择的更新同伴Agentj采用适应度函数进行评价，包括根据预设的适应度函数阈值fthreshold；如果Agentj适应度值大于fthreshold，则适应度值较差，Agentj被淘汰，Agenti保持自己原有的飞行方式；否则Agenti选择Agentj作为自己的更新同伴。3.如权利要求1所述的仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法，其特征在于：步骤S4中，定义Agent之间的相互作用...

【专利技术属性】
技术研发人员：谢榕，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42