一种基于改进的生物启发神经网络的多智能体协同目标搜索方法技术

本发明专利技术提出一种基于改进的生物启发神经网络的多智能体协同目标搜索方法，该方法通过“平均邻居输入激励耦合”，有效解决基于生物启发神经网络的目标搜索存在单个个体陷入“死锁”的问题；此外，加入“障碍物膨胀”的理论，即将障碍物所在栅格及其周围8个邻居栅格的神经激励输入均设为较大的负数值，从而有效解决多个体行径中碰撞的问题；最后，针对搜索的路径非最优的问题，采用基于“预测控制”的多步搜索策略，从而决策出最短路径。因此，基于改进的生物启发神经网络的多智能体协同目标搜索方法能够有效的提高搜索效率。能够有效的提高搜索效率。能够有效的提高搜索效率。

【技术实现步骤摘要】
一种基于改进的生物启发神经网络的多智能体协同目标搜索方法


[0001]本专利技术属于目标搜索
，具体涉及一种基于改进的生物启发神经网络的多智能体协同目标搜索方法。

技术介绍

[0002]多智能体目标搜索是指多个智能体通过协作，利用机载传感器对任务区域进行勘测，获取目标信息。目标搜索是实现救援、侦查、防御等任务的重要环节，是多智能体研究的重要内容之一。
[0003]生物启发神经网络方法是当前比较新颖的一种目标搜索方法，它比较适用于动态不确定环境，且计算复杂度小。但在目标搜索的过程中，总会出现搜索路径过长，无法避免搜索过程中的碰撞等问题，从而导致目标搜索的效率较低甚至无法搜索到目标。

技术实现思路

[0004]为了解决现有技术存在的问题，本专利技术提出一种基于改进的生物启发神经网络的多智能体协同目标搜索方法，通过加入”障碍物膨胀“理论，有效避免智能体之间的碰撞，同时使智能体尽量分散开，以搜索不同的区域；并采用基于预测控制的多步搜索算法，相较于原始生物启发神经网络的单步搜索算法，能够有效提高搜索的效率。
[0005]本专利技术的技术方案为：
[0006]一种基于改进的生物启发神经网络的多智能体协同目标搜索方法，包括以下步骤：
[0007]步骤1：将搜索区域栅格化：
[0008]将搜索区域分隔成大小相同，互不重叠的m
×
n个栅格，每个栅格都代表一个离散的神经元，每个神经元的初始活性值均为零；
[0009]步骤2：初始化神经元的外部输入激励：
[0010]在栅格地图中，将智能体没有到过的区域称为未覆盖区域，并且设置神经元的外部输入激励为+E；智能体到过的区域称为已覆盖区域，并且设置神经元的外部输入激励为0；将障碍物所在的区域称为障碍物区域，并且设置神经元的外部输入激励为-E；
[0011]步骤3：初始化神经网络的活性值：
[0012]根据步骤2中每个神经元的外部输入激励，按照神经网络活性值计算公式，计算整个搜索区域中各个神经元的活性值：
[0013][0014]其中，x
i
为栅格i对应神经元的活性值，A,B和D为设定常数，-A反映了栅格i对应神经元的活性值x
i
的衰减速率，B和D分别为神经元活性值的上下限值；I
i
表示栅格i对应神经元的外部输入激励信号，其中未覆盖区域神经元的外部输入激励为E，障碍物区域神经元的
外部输入激励为-E，已覆盖区域神经元的外部输入激励为0，E为远大于B的正常数，[I
i
]+
＝max{I
i
,0}，[I
i
]-＝max{-I
i
,0}；
[0015]代表了栅格i对应神经元受到来自其感知区域内的其他正活性神经元的输入总和，k是栅格i对应神经元可感知的神经元数量；w
ij
表示栅格i对应神经元与栅格j对应神经元之间的连接权值，w
ij
＝f(d
ij
)，d
ij
＝|q
i-q
j
|表示栅格i对应神经元所在位置向量q
i
和栅格j对应神经元所在位置向量q
j
之间的欧式距离，f为递减函数；
[0016]步骤4：基于障碍物膨胀原理，更新神经网络活性值：
[0017]步骤4.1：智能体i利用自身感器探测其感知范围内是否有智能体j存在，如果有，则将智能体j所在栅格及智能体j周围的8个邻居栅格的神经元的外部输入激励设置为-E，如果没有，则按照步骤2设置神经元的外部输入激励；
[0018]步骤4.2：按照步骤4.1的神经元外部输入激励，利用神经网络活性值计算公式，更新整个神经网络神经元的活性值；
[0019]步骤5：基于预测控制的多步搜索策略，决策智能体下一时刻的位置：
[0020]步骤5.1：基于智能体i当前时刻的状态，预测未来T时刻的状态，T为预测时域，得到智能体决策树的不同的候选路径；
[0021]步骤5.2：对于每条候选路径，均计算候选路径中的神经元活性值总和，选择活性值总和最大的路径作为下一时刻的移动位置；
[0022]步骤5.3：智能体移动到步骤5.2决策的位置，判断智能体探测范围内是否存在目标，若存在目标，则结束搜索；若不存在目标，设置智能体当前所在神经元的外部输入激励为0，并且返回步骤4更新神经网络的活性值，继续搜索目标。
[0023]有益效果
[0024]本专利技术提出一种基于改进的生物启发神经网络的多智能体协同目标搜索方法，该方法通过“平均邻居输入激励耦合”，有效解决基于生物启发神经网络的目标搜索存在单个个体陷入“死锁”的问题；此外，加入“障碍物膨胀”的理论，即将障碍物所在栅格及其周围8个邻居栅格的神经激励输入均设为较大的负数值，从而有效解决多个体行径中碰撞的问题；最后，针对搜索的路径非最优的问题，采用基于“预测控制”的多步搜索策略，从而决策出最短路径。因此，基于改进的生物启发神经网络的多智能体协同目标搜索方法能够有效的提高搜索效率。
[0025]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0026]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0027]图1：栅格地图的图形化表示；
[0028]图2：神经元的感知区域；
[0029]图3：障碍物膨胀示意图；
[0030]图4：预测3T时刻的转向表示；
[0031]图5：个体与其他智能体的平均距离；
[0032]图6：平均搜索步数统计对比图。
具体实施方式
[0033]下面结合附图和实施例描述本专利技术：
[0034]本专利技术提出的一种基于改进的生物启发神经网络的多智能体协同目标搜索方法，包括以下步骤：
[0035]步骤1：将搜索区域栅格化：
[0036]将搜索区域分隔成大小相同，互不重叠的m
×
n个栅格，每个栅格都代表一个离散的神经元，每个神经元的初始活性值均为零。
[0037]步骤2：初始化神经元的外部输入激励：
[0038]在栅格地图中，如图1所示，黑色栅格表示环境中已知的静态障碍物，空白栅格表示智能体的可行区域；将智能体没有到过的区域称为未覆盖区域，并且设置神经元的外部输入激励为+E；将障碍物所在的区域称为障碍物区域，并且设置神经元的外部输入激励为-E；
[0039]步骤3：初始化神经网络的活性值，这里的神经网络即栅格化的搜索区域中各个栅格对应的神经元组成的网络；
[0040]根据步骤2中每个神经元的输入激励信号，按照如下神经网络活性值计算公式，计算整个搜索区域的活性值
[0041][0042]其中，x
i
为栅格i对应神经元的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的生物启发神经网络的多智能体协同目标搜索方法，其特征在于：包括以下步骤：步骤1：将搜索区域栅格化：将搜索区域分隔成大小相同，互不重叠的m
×
n个栅格，每个栅格都代表一个离散的神经元，每个神经元的初始活性值均为零；步骤2：初始化神经元的外部输入激励：在栅格地图中，将智能体没有到过的区域称为未覆盖区域，并且设置神经元的外部输入激励为+E；智能体到过的区域称为已覆盖区域，并且设置神经元的外部输入激励为0；将障碍物所在的区域称为障碍物区域，并且设置神经元的外部输入激励为-E；步骤3：初始化神经网络的活性值：根据步骤2中每个神经元的外部输入激励，按照神经网络活性值计算公式，计算整个搜索区域中各个神经元的活性值：其中，x
i
为栅格i对应神经元的活性值，A,B和D为设定常数，-A反映了栅格i对应神经元的活性值x
i
的衰减速率，B和D分别为神经元活性值的上下限值；I
i
表示栅格i对应神经元的外部输入激励信号，其中未覆盖区域神经元的外部输入激励为E，障碍物区域神经元的外部输入激励为-E，已覆盖区域神经元的外部输入激励为0，E为远大于B的正常数，[I
i
]
+
＝max{I
i
,0}，[I
i
]-＝max{-I
i
,0}；代表了栅格i对应神经元受到来自其感知区域内的其他正活性神经元的输入总和，k是栅格i对应神经元可感知的神经元数量；w
ij
表示栅格i对应神经元与栅格j对应神经元之间的连接权值，w
ij
＝f(d
ij
)，d
ij
＝|q
i-q
j
...

【专利技术属性】
技术研发人员：刘明雍，李晓玉，牛云，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：