大规模集群系统的分布式递归编组及自主聚合控制方法

1.本发明属于多智能体技术领域，尤其涉及一种大规模集群系统的分布式递归编组及自主聚合控制方法。


背景技术：

2.多智能体技术是分布式人工智能的一个重要组成部分，已成为当前分布式人工智能领域的研究热点。随着嵌入式计算机性能的提升，通信网络的不断完善，多智能体能够以更高的效率完成复杂的任务，并被大量的应用于军事，航天以及工业生产等领域。但随着智能体技术在无人机编队控制，机器人控制，无线传感器网络等各领域的深入研究，该技术面临着巨大的挑战，其中，如何使多智能体有效安全地完成任务是当前智能体聚集问题面临的主要挑战。为了能将集群控制策略应用于实际应用中，必须考虑许多问题，包括可扩展和可靠的网路拓扑结构，灵活的集群配置和集群重构性，障碍物和防撞以及多种约束，包括系统动力学约束和复杂的环境约束。
3.目前，图论通常用于描述多智能体系统的网络拓扑。vicsek针对多智能体系统的分布式一致性问题提出了粒子群模型，要求系统仅通过本地网络连接来实现一致性。任等人探索利用图论和矩阵理论达成一致性的最低要求，并指出，如果拓扑网络图包括有向生成树，则多智能体系统可以渐进一致。olfati-saber将图论、矩阵论、非线性理论等应用于多智能体系统一致性的研究，建立了一致性的基本框架。在接下来的十年中，图论被广泛用于描述多智能体系统的网络拓扑结构，并在集群控制、编队控制和协同控制等方面取得了丰富的研究成果。不幸的是，大多数研究没有考虑通信约束，通常假设信息交互是理想的，网络拓扑是实时连接的。然而，在实际应用中，信息感知、传输、接收和执行不可避免地受到各种不利因素的影响，如传感器的感应范围、环境噪声和外部干扰等。同时，现有的网络拓扑多适用于个体较少的系统，可扩展性较差。随着个体数量的增加，网络结构变得非常复杂。对于具有大规模个体的群体系统，关键问题是设计无中心、可扩展的网络拓扑。为了设计可扩展的集群算法并保证它们的收敛性，belta和kumar提出了一种控制方法，用于控制大量智能体穿过狭窄的路径。r.olfatisaber提出了一个理论和计算框架，用于在存在或不存在障碍物的情况下设计和分析rm中的可扩展集群算法。
4.聚集是动物生存的重要行为。通过聚集，动物获得保护，抵御捕食者或抵抗不利环境条件。在自然界中，聚集有两种不同的方式：自组织的和基于线索的。为了研究具有大量个体特征的群体自组织聚集算法，craig w.reynolds提出了一种基于模拟的方法，以替代单独编写每只鸟的路径，并生成鸟群的真实动态。s.kalantar和u.r.zimmer提出了一种分布式形状控制方法，该方法实现了大量通信能力有限的自动驾驶车辆形成复杂的几何形状。不幸的是，这些任务都没有考虑智能体之间的通信拓扑结构，群体的形状是不可控的，并且无法分析整个系统的收敛性。为了在聚合机器人群时进行自组织，b.khaldi等人提出了一种用于机器人群行为的距离加权k-最近邻(dwknn)拓扑结构。d.li等人提出了一种具有固定和切换拓扑的自组织系统的群体控制方法，在拓扑固定的情况下可以渐近地实现聚
合和稳定性。自组织系统可以自动为群中的智能体构建通信拓扑，并基于关系不变自动生成通信拓扑。然而，网络拓扑的可扩展性相对较差。d.yu等人提出了多层编队控制方法的统一框架，它为具有任意数量编队层和灵活编队配置的多智能体编队问题提供了新的见解。不幸的是，它没有考虑系统中节点的添加和故障，leader agent故障会导致系统瘫痪。
5.综上，多智能体自组织聚合控制仍然存在许多问题，根据需要提出了一种大规模集群系统的分布式递归编组及自主聚合控制方法。


技术实现要素：

6.本发明的目的在于提出一种大规模集群系统的分布式递归编组及自主聚合控制方法，克服了多智能体协同控制中网络拓扑的可扩展性差，无法自主聚合期望构型的问题，实现了自主构型、避障和构型保持，改善了内部子群之间的内在联系，有效避免了系统分散现象。
7.为实现上述目的，本发明提供了一种大规模集群系统的分布式递归编组及自主聚合控制方法，包括：
8.智能体多层图拓扑结构设计将大规模的多智能体划分为几个不同的层，每个层里包含一些子群，子群由“簇节点”和“子节点”构成，再由簇节点构成一个高层的网络，从而构成一个分层网络结构；
9.多层自组织聚合控制方法是基于临近优先原则为每个智能体分配邻居，把整个群组分为许多不重合的子群，并在这些子群内部的个体间建立交互和聚合控制关系；
10.基于三维空间下进行仿真实验，通过最近邻优先原则，所有个体间建立通讯链路，形成了一些不重合的子系统，每个子组中的个体们相互维持期望的角度和距离，然后子组的状态和误差渐进收敛。
11.可选的，智能体多层图拓扑设计还包括：基于所述分层网络结构，设定每个智能体ai，i＝1，2，
…
，n的邻居数量上限为oi，智能体ai和其邻居组成一个独立的子群，这个子群不再允许新的个体加入，除非子群的某些成员出现故障。
12.可选的，所述多层自组织聚合控制方法将整个系统分为λ个层，每个层包含了多个子群。
13.可选的，所述多层自组织聚合控制方法包括聚合问题，所述聚合问题包括层内聚合和层间聚合，所述层内聚合包括每个子群的成员形成特定的形状，所述层间聚合包括子群形成的一个特定的形状。
14.可选的，所述多层自组织聚合控制方法中子群的第i个智能体的三类邻居分别为“斥力区”，平衡区，“引力区”。
15.可选的，所述多层自组织聚合控制方法包括智能体的邻居位置、数量以及相邻智体之间的距离和智能体的总数量。
16.可选的，所述多层自组织聚合控制方法包括第一层聚合控制，所述第一层聚合控制基于智能体和邻居的相对距离，形成第一势能函数，所述第一层聚合控制基于智能体和障碍物的相对距离，形成第二势能函数；基于第一势能函数和第二势能函数采用中上层特定子群聚集成新的子群，各相邻子群相互协作，整个系统自动聚集。
17.可选的，基于所述第一层聚合控制，获得新的子群，子群几何构型的质心作为子群
位置坐标，利用相邻原则构建第二层网络拓扑结构，重复聚合更大的子群，直到全部的智能体聚合成期望构型。
18.本发明技术效果：本发明公开了一种大规模集群系统的分布式递归编组及自主聚合控制方法，本发明设计了一种基于动态集群机制的无中心、可扩展的多层网络拓扑，实现了大规模、高密度群网络拓扑的可扩展性和鲁棒性；通过将复杂系统简化为多个独立且不重叠的子系统，可以有效提高系统的容错性和内在并行性。本发明提出了一种新的多层图模型来描述可扩展的通信拓扑结构，为时变网络拓扑下的系统收敛性分析提供了新的思路和理论。本发明提出了一种适用于大规模智能体系统的分层自组织聚合控制方法，不仅可以实现自主构型、避障、构型保持，还可以改善内部子群之间的内在联系，有效避免系统分散现象。
附图说明
19.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
20.图1为本发明实施例大规模集群系统的分布式递归编组及自主聚合控制方法的结构示意图；
21.图2为本发明实施例多层图拓扑结构图；
22.图3为本发明实施例三种典型的不同oi的通信图结构图；
23.图4为本发明实施例多智能体的邻居表示；
24.图5为本发明实施例多智能体间势函数；
25.图6为本发明实施例oi＝2的15个智能体的第一层聚合；
26.图7为本发明实施例oi＝1的16个智能体的第一层聚合；
27.图8为本发明实施例oi＝3的90个智能体的第一层聚合；
28.图9为本发明实施例oi＝1时的4个多智能体多层自组织聚合；
29.图10为本发明实施例oi＝2时的9个多智能体多层自组织聚合；
30.图11为本发明实施例oi＝3时的16个多智能体多层自组织聚合；
31.图12为本发明实施例oi＝3时的64个多智能体多层自组织聚合。
具体实施方式
32.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
33.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
34.如图1-12所示，本实施例中提供一种大规模集群系统的分布式递归编组及自主聚合控制方法，包括：
35.智能体多层图拓扑结构设计将大规模的多智能体划分为几个不同的层，每个层里包含一些子群，子群由“簇节点”和“子节点”构成，再由簇节点构成一个高层的网络，从而构成一个分层网络结构；
36.多层自组织聚合控制方法是基于临近优先原则为每个智能体分配邻居，把整个群组分为许多不重合的子群，并在子群内部的个体间建立交互和聚合控制关系；
37.基于三维空间下进行仿真实验，通过最近邻优先原则，所有个体间建立通讯链路，形成了一些不重合的子系统，每个子组中的个体们相互维持期望的角度和距离，然后子组的状态和误差渐进收敛。
38.进一步优化方案，智能体多层图拓扑设计还包括：基于所述分层网络结构，设定每个智能体ai，i＝1，2，
…
，n的邻居数量上限为oi，智能体ai和其邻居组成一个独立的子群，这个子群不再允许新的个体加入，除非子群的某些成员出现故障。
39.进一步优化方案，所述多层自组织聚合控制方法将整个系统分为λ个层，每个层包含了多个子群。
40.进一步优化方案，所述多层自组织聚合控制方法包括聚合问题，所述聚合问题包括层内聚合和层间聚合，所述层内聚合包括每个子群的成员形成特定的形状，所述层间聚合包括子群形成的一个特定的形状。
41.进一步优化方案，所述多层自组织聚合控制方法中子群的第i个智能体的三类邻居分别为“斥力区”，平衡区，“引力区”。
42.进一步优化方案，所述多层自组织聚合控制方法包括智能体的邻居位置、数量以及相邻智体之间的距离和智能体的总数量。
43.进一步优化方案，所述多层自组织聚合控制方法包括第一层聚合控制，所述第一层聚合控制基于智能体和邻居的相对距离，形成第一势能函数，所述第一层聚合控制基于智能体和障碍物的相对距离，形成第二势能函数；基于第一势能函数和第二势能函数采用中上层特定子群聚集成新的子群，各相邻子群相互协作，整个系统自动聚集。
44.进一步优化方案，基于所述第一层聚合控制，获得新的子群，子群几何构型的质心作为子群位置坐标，利用相邻原则构建第二层网络拓扑结构，重复聚合更大的子群，直到全部的智能体聚合成期望构型。
45.本发明主要包括多智能体多层图拓扑结构设计，多层自组织聚合控制方法，和仿真实验设计三大部分，
46.步骤1、多层图拓扑结构设计
47.步骤1.1假设多智能体的总数为n，qi表示第i个智能体的坐标，d
ij
＝||q
i-qj||和d
des
分别为智能体ai和aj实际距离和期望距离。
48.步骤1.2定义第一层无向图：g1＝(v1，ε1)，其中)，其中为图的节点，k1＝n；＝n；为图的边，包含表示相邻关系的无序节点对。
49.步骤1.3将多智能体进行分组步骤1.3将多智能体进行分组其中，且i≠j，i，j∈{1，2，
…
，k2}，作为新的个体，其
重心坐标可以表示为
50.步骤1.3定义第二层无向图：g2＝(v2，ε2)，其中)，其中为第二层图的节点，图的节点，为第二层图的边，和分别为智能体和的实际距离和期望距离。类似的，依次定义n级无向图，从而构造多层图拓扑结构，多智能体的通信拓扑结构具体如下：
[0051][0052][0053]
步骤2、多层自组织聚合控制
[0054]
步骤2.1第一层聚合控制：对于随机分布在一个特定区域的n个智能体，基于临近优先原则，为每个智能体分配邻居，把整个群组分为许多不重合的子群，并在这些子群内部的个体间建立交互和聚合控制关系。
[0055]
步骤2.1.1基于临近优先准则给每个个体分配邻居，把整个智能体群分为许多不重合的子群，并在这些子群内部的个体间建立交互和聚合控制关系。其中第i个智能体的三类邻居分别为“斥力区”，平衡区，“引力区”，用n1，n2，n3表示，如图3所示：
[0056]
n1＝{j∈ni|dr＞||d
ij
||}
[0057]
n2＝{j∈ni|dr≤||d
ij
||≤ds}
[0058]
n3＝{j∈ni|ds＜||d
ij
||＜dm}
[0059]
其中d
ij
＝q
i-qj表示ai和aj的相对位置向量。
[0060]
步骤2.1.2第i个智能体影响范围内的非相邻智能体和障碍物用如下公式描述：
[0061][0062]
其中d
io
＝q
i-qo表示ai和障碍物的相对位置向量。
[0063]
步骤2.1.3假设智能体ai知道邻居的位置，邻居的数量oi，相邻智能体之间的期完距离以及智能体的总数量，第一层聚合控制公式如下：
[0064][0065]
其中kc是一个正的常数，作为阻尼系数；f
ij
用于调节智能体ai与其邻居aj间的位置，从而避免子群中的碰撞与分散。f
io
用于避免撞到障碍物和非邻居的智能体。
[0066]
步骤2.1.4f
ij
是由一个势能函数p
ij
(q)产生的，势能函数依赖于智能体ai与其邻居aj的相对距离。p
ij
是一个可微分的、非负的平整的成对的势函数，如图4所示，p
ij
定义如下：
[0067][0068]kij
为正的参数，一个向量的σ-范数||
·
||
σ
是一个映射：rm→r
，被定义为其中参数ε大于0。不同于在0处不可微分的范数||z||，映射||z||
σ
处处可微分。
[0069]fio
是由一个势能函数p
io
(q)产生的，p
io
(q)依赖于智能体ai和障碍物的相对距离，p
io
定义如下
[0070][0071]
其中ko为正数。
[0072]
步骤2.1.5分别对p
ij
(q)和p
io
(q)求微分，得到势场力，
[0073][0074][0075]
步骤2.2当第一层智能体形成了一些无重合的子群，并在子群内的个体间建立定位和交流关系。作为多层图结构模型的结果，上层中特定子群会被聚集，并形成一些大一点的子群。通过这个方式，大规模智能体群体通过一个分级的框架有机的聚集起来，可以有效地提升层间交互的效率，增强可扩展性和整体，并避免系统的分布散。
[0076]
步骤2.2.1第ρ层整合控制：在第ρ层，有k
ρ
个子群。将这些子群认为是新的个体，邻居被定义为：
[0077][0078][0079][0080]
表示和的相对位置向量。为的邻居组。分别表示排斥区、平衡区、引力区的最大半径。的坐标可以表示为
[0081]
[0082]
和表示的相邻坐标，函数f(
·
)被定义为的几何重心。
[0083]
步骤2.2.2相邻的子群可以相互协作，然后整个系统会自动的聚集，形成k
ρ
子群。类似于第一层的p
ij
，第ρ层子群间的势函数定义如下：
[0084][0085]
其由为正数，多层自组织聚合控制方法的公式如下：
[0086][0087]
其中kc是一个正的常数，作为阻尼系数；f
ij
用于调节智能体ai与其邻居aj间的位置，f
io
用于避免撞到障碍物和非邻居的智能体。
[0088]
步骤3、仿真实验验证
[0089]
步骤3.1第一层聚合的目的是为一组智能体群完成邻居分配，实现邻域个体之间的聚合任务，实现第一层的划分。本发明在三维空间下进行仿真实验，智能体的初始状态是在[0，100]
×
[0，100]
×
[0，100]的空间中符合高斯随机分布，期望距离其他参数的设定如下：dr＝ds＝4，dm＝200，对σ范数，有ε＝0.1，k
ij
＝1，k
io
＝20，kc＝1，智能体的总数量设定为n＝15。从图6中可以看出，每个智能体有两个邻居，即图中的蓝色三角形。
[0090]
通过最近邻优先原则，所有个体可以和他们的邻居们建立通讯链路。整个系统形成了一些不重合的子系统，每个子组中的个体们可以相互维持期望的角度和距离，然后子组的状态和误差渐进收敛。图7和图8展现了不同的邻居数量和群体大小下的第一层整合，用于划分第一层子组的邻居的数量可以根据群体大小调整，有效的提高了系统的可调节性和普适性。
[0091]
步骤3.2多层自组织聚合：当多智能体完成了第一层的聚合，本发明把这些子群当做新的个体，子群几何构型的质心作为其位置坐标，这个坐标可以由子群中智能体的坐标计算而来。这些子群将会用相邻原则建立第二层网络拓扑结构，并聚合出更大的子群，直到全部的智能体聚集成期望的构型。
[0092]
智能体群的初始状态是在[0，100]
×
[0，100]
×
[0，100]的空间中符合高斯随机随机分布，期望的距离被设定为：其他参数的设定如下：dr＝ds＝4，dm＝200，对σ范数，有ε＝0.1，k
ij
＝1，k
io
＝50，kc＝1。
[0093]
图9展示了在oi＝1时的4个多智能体多层自组织聚合的效果。智能体a1和a3形成子
组g1，a2和a4形成子组g2。然后，子群g1和g2聚合成一个最终的构型。
[0094]
图10展示了9个智能体在oi＝2时的自组织聚合。a1和他的邻居a6，a9形成子群g1，a2，a7，a8是邻居，形成子群g2；a3，a4，a5聚合为子群g3。g3和他的邻居们在没有碰撞的情况下聚合一个最终的构型。
[0095]
图11描述了16个智能体的自组织聚合，它展示了一个集群中的多智能体的路径可以在无碰撞下聚合成一个期望的构型，且所有的智能体能够和他的邻居们保持期望的距离。
[0096]
图12展示了oi＝3时的64个无人机的自组织聚合过程，设计了三层；基于自组织聚合控制法则，64个随机分布的智能体可以成功地聚合为期望的集群构型。
[0097]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。