一种基于E-GRN的集群围捕方法、执行装置和系统制造方法及图纸

本发明专利技术公开了一种基于E

【技术实现步骤摘要】
一种基于E
‑
GRN的集群围捕方法、执行装置和系统


[0001]本专利技术涉及无人机
，具体是一种基于E
‑
GRN的集群围捕方法、执行装置和系统。

技术介绍

[0002]基因调控网络是基于细胞内或特定一个基因组内基因和基因之间的相互作用关系所形成，在众多相互作用关系之中，又特指基于基因调控所导致的基因间的作用。基因调控网络模拟的是生物体内控制基因表达的机制，其研究有广泛的生物学意义，近年来随着人工智能仿生研究的不断发展，基因调控网络在群体智能领域也有所应用。
[0003]受发育基因调控网络的调控和环境的影响，生物形态发生一般会经过细胞分裂、生长和分化，最终形成生物有机体成熟形态。GRN是基因的模型和基因产物在环境中的相互作用，描述了基因在环境中的动态表达。在之前的研究中，已经有利用GRN和形态梯度实现群机器人系统形态发生的概念。将生物形态发生中的基因表达机制应用于群体机器人控制的基本思想是在细胞和机器人之间建立一种隐喻。即每个细胞都可以看作是一个机器人，细胞中的基因生成蛋白质构建蛋白质浓度场最终反过来影响细胞的运动，映射到机器人建立目标与障碍物信息浓度场并通过自身所生成的浓度场反过来调节自身基因表达，进而调节细胞生命活动（机器人运动）。
[0004]在群体智能领域，YaochuJin等人提出了一种基于进化分层基因调控网络模型(EH
‑
GRN)的群体智能体模式形成方法，提高了模式生成的灵活性和对各种任务的适应性。基因调控网络上层利用障碍物信息和围捕目标位置信息生成环境浓度信息，将浓度信息采样出pattern作为智能体的移动目标。基因调控网络下层基于该环境浓度信息避开障碍物移动向该目标pattern，在目标附近形成包围圈。Fan等人在此基础上，利用基因编程的方法实现了基因调控网络上层结构的自动生成。基因网络调控模型可以适用于群智能体的不同应用场景，即在复杂障碍物环境下实现对目标的围捕。但是目前基因调控网络模型中存在智能体围捕多个目标时分组数量不均匀，智能体针对每个目标形成的包围圈中智能体位置分布不均匀，智能体运动不稳定的问题。

技术实现思路

[0005]本专利技术提供一种基于E
‑
GRN的集群围捕方法、执行装置和系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0006]第一方面，提供一种基于E
‑
GRN的集群围捕方法，包括：步骤1、获取围捕目标位置信息和障碍物位置信息；步骤2、根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场，根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场；步骤3、通过将浓度场和浓度场进行耦合，得到中间浓度场和中间浓度场
，将中间浓度场和中间浓度场进行耦合得到最终浓度场M；步骤4、在最终浓度场M中取样设定的浓度值得到围捕形态pattern；步骤5、根据围捕形态pattern分配围捕点，直至所有的智能体均分配到唯一的围捕点；步骤6、控制目标智能体运动至围捕点。
[0007]进一步，在步骤1中，获取围捕目标位置信息和障碍物信息具体包括：建立平面坐标系，通过所述平面坐标系对围捕目标的位置进行表示，得到围捕目标位置信息，通过所述平面坐标系对障碍物的位置进行表示，得到障碍物位置信息。
[0008]进一步，在步骤2中，根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场，根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场具体包括：根据GRN上层浓度公式将围捕目标位置信息选其的Neuman边界条件映射成浓度场，浓度场的表达式如公式（3）所示：（3）；其中，表示为围捕目标位置信息中的横坐标信息，表示为围捕目标位置信息中的纵坐标信息，表示浓度扩散因子，可以调整距离与浓度的映射关系；的范围为[0,1]；根据GRN上层浓度公式将障碍物位置信息选其的Neuman边界条件映射成浓度场具体包括：通sigmond函数将围捕目标位置信息映射成浓度场，浓度场的表达式如公式（4）所示：（4）；其中，表示为障碍物位置信息中的横坐标信息，表示为障碍物位置信息中的纵坐标信息,表示浓度扩散因子，可以调整距离与浓度的映射关系，的范围为[0,1]。
[0009]进一步，在步骤3中，所述通过将浓度场和浓度场进行耦合，得到中间浓度场和中间浓度场，将中间浓度场和中间浓度场进行耦合得到最终浓度场M具体包括：将浓度场和浓度场分别代入公式（5）得到中间浓度场，将浓度场和浓度场分别代入公式（6）得到中间浓度场，将中间浓度场和中间浓度场分别代入公式（7）得到最终浓度场M；具体为：（5）；（6）；
（7）；其中，，为可调参量，的范围为[0,1]，为可调参量，的范围为[0
‑
2]，调节 可以调节整个浓度场的浓度值范围，调节可以整体调节浓度场内相邻栅格内浓度值的间隔。
[0010]进一步，在步骤5中，根据围捕形态pattern分配围捕点，直至所有的智能体均分配到唯一的围捕点具体包括：获取围捕形态pattern的数量，根据围捕形态pattern的数量将智能体进行分组，将围捕形态pattern的采样点以同一组的智能体的数量进行等间距分割，得到分割点，所述分割点作为一次分配围捕点；将所述一次分配围捕点进行均匀分配，其中，均匀分配具体包括：步骤S1、对每个智能体和围捕点遍历，计算智能体与各个围捕点之间的距离并存储到智能体列表中；步骤S2、智能体通过比较列表中自身与各个围捕点之间的距离，计算列表中距离的最小值，找到离得最近的围捕点，记该智能体离其最近的围捕点距离为,并将该智能体序列号存储到围捕点的列表中，如果围捕点列表中没有其他智能体，或者有其他智能体但其他智能体离围捕点的距离大于，则将该智能体与该围捕点配对，将作为的目标点；如果围捕点列表中有其他智能体且智能体比智能体距离围捕点M更近，则将围捕点与配对，围捕点成为的目标点；步骤S3，对每个智能体以及每个围捕点执行上述步骤，直至所有的智能体分配到相应的围捕点。
[0011]进一步，在步骤6中，所述控制目标智能体运动至围捕点具体包括：计算目标智能体与围捕目标与其他智能体之间的避碰速度；（8）；其中，表示为目标智能体与其他智能体之间的排斥速度；表示为目标智能体与围捕目标之间的排斥速度；（9）；（10）；
为设定的智能体之间的互相排斥的距离，当目标智能体与其他智能体之间的距离小于该距离时，则目标智能体会产生排斥速度，速度方向为远离其他智能体，为了方便描述，表示为智能体在坐标系中的绝对位置向量，表示为其他智能体在坐标系中的绝对位置向量，表示为目标智能体与其他智能体之间的距离，，为可调系数，可以线性调节该速度项的大小，范围在[0
‑
10]；为设定的距离，当目标智能体与围捕目标之间的距离小于该距离时，则目标智能体会产生排斥速度，速度方向为远离围捕目标，为了方便描述，表示为目标智能体相对于基准位置的距离向量，表示为围捕目标相对于基准位置的距离向量，表示为目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于E
‑
GRN的集群围捕方法，其特征在于，包括：步骤1、获取围捕目标位置信息和障碍物位置信息；步骤2、根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场，根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场；步骤3、通过将浓度场和浓度场进行耦合，得到中间浓度场和中间浓度场，将中间浓度场和中间浓度场进行耦合得到最终浓度场M；步骤4、在最终浓度场M中取样设定的浓度值得到围捕形态pattern；步骤5、根据围捕形态pattern分配围捕点，直至所有的智能体均分配到唯一的围捕点；步骤6、控制目标智能体运动至围捕点。2.根据权利要求1所述的一种基于E
‑
GRN的集群围捕方法，其特征在于，在步骤1中，获取围捕目标位置信息和障碍物信息具体包括：建立平面坐标系，通过所述平面坐标系对围捕目标的位置进行表示，得到围捕目标位置信息，通过所述平面坐标系对障碍物的位置进行表示，得到障碍物位置信息。3.根据权利要求2所述的一种基于E
‑
GRN的集群围捕方法，其特征在于，在步骤2中，根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场，根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场具体包括：根据GRN上层浓度公式将围捕目标位置信息选其的Neuman边界条件映射成浓度场，浓度场的表达式如公式（3）所示：（3）；其中，表示为围捕目标位置信息中的横坐标信息，表示为围捕目标位置信息中的纵坐标信息，表示浓度扩散因子，可以调整距离与浓度的映射关系；的范围为[0,1]；根据GRN上层浓度公式将障碍物位置信息选其的Neuman边界条件映射成浓度场具体包括：通sigmond函数将围捕目标位置信息映射成浓度场，浓度场的表达式如公式（4）所示：（4）；其中，表示为障碍物位置信息中的横坐标信息，表示为障碍物位置信息中的纵坐标信息,表示浓度扩散因子，可以调整距离与浓度的映射关系，的范围为[0,1]。4.根据权利要求1所述的一种基于E
‑
GRN的集群围捕方法，其特征在于，在步骤3中，所述通过将浓度场和浓度场进行耦合，得到中间浓度场和中间浓度场，将中间浓度场和中间浓度场进行耦合得到最终浓度场M具体包括：将浓度场和浓度场分别代入公式（5）得到中间浓度场，将浓度场和浓度场分别代入公式（6）得到中间浓度场，将中间浓度场和中间浓度场分别代入公式（7）得到最终浓度场M；
具体为：（5）；（6）；（7）；其中，，为可调参量，的范围为[0,1]，为可调参量，的范围为[0
‑
2]，调节 可以调节整个浓度场的浓度值范围，调节可以整体调节浓度场内相邻栅格内浓度值的间隔。5.根据权利要求1所述的一种基于E
‑
GRN的集群围捕方法，其特征在于，在步骤5中，根据围捕形态pattern分配围捕点，直至所有的智能体均分配到唯一的围捕点具体包括：获取围捕形态pattern的数量，根据围捕形态pattern的数量将智能体进行分组，将围捕形态pattern的采样点以同一组的智能体的数量进行等间距分割，得到分割点，所述分割点作为一次分配围捕点；将所述一次分配围捕点进行均匀分配，其中，均匀分配具体包括：步骤S1、对每个智能体和围捕点遍历，计算智能体与各个围捕点之间的距离并存储到智能体列表中；步骤S2、智能体通过比较列表中自身与各个围捕点之间的距离，计算列表中距离的最小值，找到离得最近的围捕点，记该智能体离其最近的围捕点距离为,并将该智能体序列号存储到围捕点的列表中，如果围捕点列表中没有其他智能体，或者有其他智能体但其他智能体离围捕点的距离大于，则将该智能体与该围捕点配对，将作为的目标点；如果围捕点列表中有其他智能体且智能体比智能体距离围捕点M更近，则将围捕点与配对，围捕点成为的目标点；步骤S3，对每个智能体以及每个围捕点执行上述步骤，直至所有的智能体分配到相应的围捕点。6.根据权利要求1所述的一种基于...

【专利技术属性】
技术研发人员：范衠，王琛，施兆辉，谷敏强，罗伟成，
申请(专利权)人：汕头大学，
类型：发明
国别省市：