多智能体协同的海上救援任务规划方法及系统与流程

本发明属于基于大数据人工智能进行任务规划的，尤其涉及多智能体协同的海上救援任务规划方法及系统。

背景技术：

1、海上救援规划通常遵循“三步递进”流程：救援目标位置确认后，第一步根据伤情与目标海况确定最优执行设备（确定“谁去”），第二步根据出发地与目标位置间海域的静态障碍判断救援可行性（确定“怎么去”），第三步根据初步路线间的动态障碍规划具体路线（确定“具体怎么走”）。

2、然而，现有技术中上述三步所采用的方法（如设备选型中的多目标决策法、静态路径规划中的a或dijkstra算法、动态避障中的dwa或人工势场法）各自独立运行，未形成有机联动。这导致问题一：设备选型输出结果可能无法通过后续路径可行性验证；问题二：静态路径规划的方案在动态环境下面临频繁重规划；问题三：各步骤计算结果无法相互复用，整体计算冗余度高。

技术实现思路

1、本技术提供一种多智能体协同的海上救援任务规划方法及系统，旨在实现救援资源与航行路线的同步配置、路线规划过程中计算结果复用并降低实时避障算法的计算开销的目的。

2、本技术提供的多智能体协同的海上救援任务规划方法，多智能体协同的海上救援任务规划方法，包括：

3、s0：将救援设备参数与救援目标参数处理形成标准的结构化数据；

4、s1：基于救援设备参数、救援目标参数和历史救援设备组合信息，通过粒子群优化算法选择最适配本次救援任务的设备组合，其中，粒子的适应度评分由设备的航行能力、设备的救援能力、历史相似度得分、目标位置的环境适应救援成本和目标区域海况决定；

5、s2：对海域静态障碍数据、气象水文动态数据进行标准化处理，生成栅格化海图；

6、s3：在栅格化海图中剔除静态障碍物所占区域，提取可通行的栅格，获取全局候选路线集，所述全局候选路线集包含救援设备从出发点到目标点的有向非负权重图的k最短路径集合；

7、s4：更新全局候选路线集内各路线所经栅格范围内的水文气象动态数据，求解最优平滑路线。

8、在一种实施方式中，s1包括:

9、s11：初始化包含n个长度为d的一维设备数组的粒子群，任意粒子i的初始位置、速度、粒子i搜索到的最优位置、整个群体搜索到的最优位置其中，d为候选设备数量，一维设备数组中元素的取值为0或1，0表示不选择该元素代表的设备，1表示选择该元素代表的设备；

10、s12：更新粒子i的速度：

11、，

12、其中，表示i粒子下一次迭代速度，其受到当前速度惯性、惯性权重、粒子i自身搜索到的最优位置、个体学习因子、和全局搜索到的最优位置及社会学习因子影响；

13、s13：采用更新粒子i的位置，其中，s表示sigmoid函数，， random(0,1)表示在（0,1）中随机一个小数；

14、s14：遍历更新粒子i的速度和位置，获得粒子i在 d 维空间中的位置；

15、s15：评价粒子i在当前位置的适应度fitness:

16、;

17、其中w为加权因子，航行能力包括续航、航速、抗风等级中的至少一项，救援能力包括救生载具、载人数中的至少一项、历史相似度得分取决于历史上通过该设备组合救援案例、环境适应性包含洋流、风速、水域环境中的至少一项，惩罚项包括救援成本、目标区域海况影响中的至少一项；

18、s16：通过s15计算得出的粒子i当前位置适应度fitness，与粒子i历史最优位置的适应度进行比较，优于历史最优时，更新最优值；再将fitness与整个粒子群的历史最优位置的适应度进行比较，优于历史最优时，更新最优值；

19、s17 观察粒子收敛结果，更新、、因子，重复s12到s16，直到多次迭代后找到解或达到停止条件，找到优化的设备组合。

20、在一种实施方式中， s3包括：

21、s31：构建权重非负的带权有向图，包括选择可通行的栅格中心点作为节点，沿出发点向目标点方向作为有向边，边的距离作为边权重；

22、s32：构建最短路径树，以目标点作为起始点，通过dijstra算法计算各节点到目标点的最短边，形成一棵以目标点为根的树，该树从出发点到目标点的任意简单路径为最短路径，最短距离记为；

23、s33：将不属于最短路径树的偏离边加入路径的计算，包括：设出发点沿非树边走到不在最短路径上的节点m，再延树边走到目标点，距离为，与最短距离的差为；越小，表明这条偏离边绕路越少；

24、s34：重复步骤s33，计算以目标点为根的树上各节点产生的，将按偏离边距离排序排序，形成偏离边堆；

25、s35：从偏离边堆中选择替换短路径，生成第k条最短路径。

26、在一种实施方式中，s3还包括：

27、s36：在节点密集处，用户剔除部分相似度较高路径。

28、在一种实施方式中，s4包括：

29、s41：更新全局候选路线集内各路线所经栅格范围内的水文气象动态数据；

30、s42：设置蚂蚁出发的问题集起点、终点、蚂蚁数量、初始信息素浓度矩阵、启发式函数、挥发因子、信息素因子、启发函数因子；

31、s43：从0时刻开始，每隔时间周期t，有数量m只蚂蚁从问题集起点出发，寻找通往终点路径；

32、s44：设蚂蚁a当前处于位置i，计算蚂蚁a选择下一位置j，概率为,；其中为周期t内位置i到j路径的信息素浓度，为周期t内位置i到j路径的启发式函数；

33、s45：若蚂蚁a尚未到达终点，则重复步骤s44，继续找寻下一位置，但不能选择已经过的位置作为新目标；

34、若蚂蚁a到达终点，更新蚂蚁a所访问过的所有路径的信息素浓度，所更新的信息素浓度为位置i到位置j的路径长度的倒数；其中路径长度由如下3公式得到：

35、

36、其中，风速风向、波高波向、流速流向；

37、值越小，表明下一位置海况越稳定；

38、s46：在每个时间周期t结束后，更新所有路径下一周期的信息素浓度:

39、

40、其中，上一周期t内蚂蚁a在路径i到j留下的信息素浓度，δ：表示增量，蚂蚁a在路径i至j 周期t的信息素增量；

41、s47 蚂蚁重复s43到s46，直到多轮迭代后信息素浓度仅固定在某一条或多条路径上增加，即找到最优路径作为所述最优平滑路线。

42、在一种实施方式中，s0包括：

43、s01 将语义化设备参数和语义化目标参数输入预训练语义模型或专有救援设备语义模型，通过模型提取关键信息，输出半结构化数据；

44、s02 依据救生和应急领域规范，将s01输出的半结构化数据通过大数据工具进行标准化处理，通过规范字典集消除不同参数之间的量纲影响，输出全域统一的结构化数据。

45、在一种实施方式中，s2包括：

46、s21 对海域静态障碍数据进行解析、矢量提取、空间插值与场变换，输出包含属性、影响范围的geojson数据；

47、s22 对气象水文动态数据进行解析、时空对齐、插值操作，输出包含时空标识、核心参数、空间形态的geojson数据；

48、s23 对原始海图进行物标提取、坐标系转换、符号化与绘制操作，生成底图，将s21、s22形成的geojson数据矢量叠加到底图，形成所述栅格化海图。

49、本技术还提供的多智能体协同的海上救援任务规划系统，包括：

50、结构化数据生成部，用于处理救援设备参数与救援目标参数形成标准的结构化数据并输出；

51、设备组合决策部：获得结构化数据生成部输出的结构化数据，并基于所述基于救援设备参数、救援目标参数和历史救援设备组合信息，通过粒子群优化算法选择最适配本次救援任务的设备组合，其中，粒子的适应度评分由设备的航行能力、设备的救援能力、历史相似度得分、目标位置的环境适应救援成本和目标区域海况决定；

52、栅格化海图生成部，用于对海域静态障碍数据、气象水文动态数据进行标准化处理，输出栅格化海图；

53、全局候选路线集计算部，获得栅格化海图生成部的输出，在栅格化海图中剔除静态障碍物所占区域，提取可通行的栅格，获取全局候选路线集，所述全局候选路线集包含救援设备从出发点到目标点的有向非负权重图的k最短路径集合；

54、路线平滑部，获得全局候选路线集计算部输出的所述全局候选路线集，并基于栅格化海图生成部输出的栅格化海图的数据更新全局候选路线集内各路线所经栅格范围内的水文气象动态数据，求解最优平滑路线。

55、本技术还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上任一所述海上救援任务规划方法。

56、本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一项所述海上救援任务规划方法。

57、有益效果：

58、1）本技术通过将设备组合的适应度与目标位置海况挂钩，实现设备组合与后续路径的可行性耦合，解决传统分阶段规划中“设备选型不考虑路径”或“路径规划忽略设备性能”的问题，因此设备选型输出结果能够通过后续路径可行性验证，实现了救援资源与航行路线的同步配置。

59、2）本技术有向非负权重图的k最短路径集合中的路径作为求解最优平滑路线的空间约束，将复杂的四维动态路径规划问题降维为局部平滑问题，在保持全局路径经济性的前提下，降低了实时避障算法的计算开销。

60、3）并且本技术通过分离静态障碍物与动态海况，分别由求解有向非负权重图的k最短路径集合和求解最优平滑路线的过程处理，克服了单一群智能算法在多模态环境下的早熟收敛问题，提高了高动态海域救援的路线规划结果的稳定性和可靠性。