基于群智能算法的多智能体编队协同避碰方法、装置和电子设备

本发明属于航空航天多智能体编队控制与决策，涉及一种基于群智能算法的多智能体编队协同避碰方法、装置和电子设备。

背景技术：

1、对于单智能体而言，多智能体编队具有工作空间上的分布性、较高的可靠性、较强的容错能力及更高的执行效率等优点；同时对多智能体编队协同的研究能进一步提高多智能体系统的群智能化水平。然而在多智能体编队的协同运动中，不可避免地会受到路径中障碍物的影响，因此多智能体编队除了需要完成编队跟踪之外，还需要对在跟踪过程中出现的障碍物进行躲避。对于已知的恶劣环境区域和静态障碍物，往往根据气象信息和电子地图，采用全局避碰规划完成多智能体编队的航线规划。对于已知环境的全局避碰规划，目前主要有栅格法、a*算法、人工势场法等方法。对于任务执行过程中遭遇的未知动态障碍，一般采取局部避碰的方法，结合智能体装备的传感装置来感知周围障碍物，以实现多智能体系统的实时局部避碰功能，目前主要有遗传算法、神经网络法、模糊控制法和群智能算法等方法。群智能算法源于对以蚂蚁、鱼群等为代表的“社会性”生物群体行为的研究，将寻优过程模拟成生物个体的觅食等行为过程，从而使复杂的工程优化问题转化为相对简单的函数优化问题。群智能算法是一种概率搜索算法，目前多用于解决路径预规划、自主编队与任务重构、集群智能协同决策等多智能体编队控制与决策问题。但在处理实际问题时，单一的群智能算法往往存在对复杂地图搜索性不强，易落入局部最优解等缺陷，以及仅使用单一群智能算法如蚁群算法时，无法同时解决多智能体编队的动、静态避碰控制问题，因此往往需要根据各种群智能算法的具体特点进行结合或改进。

技术实现思路

1、本发明的目的在于克服现有技术的缺陷，提供一种基于群智能算法的多智能体编队协同避碰方法、装置和电子设备，针对多智能体编队在运动过程中遭遇未知动、静态障碍物时的避碰控制问题，基于混沌优化因子和蚁群算法基础结构对经典蚁群算法进行改进，改善经典蚁群算法在静态路径规划问题中收敛性差、易落入局部最优解和规划路径不够平滑等问题，结合基于改进蚁群算法的全局路径规划方法和基于鱼群效应的局部路径重规划方法，综合运用群智能算法提出一种协同避碰方法并设计一种装置，实现多智能体系统在未知环境内的避碰编队控制。

2、为解决上述问题，本发明采用以下技术方案。

3、本发明的一种基于群智能算法的多智能体编队协同避碰方法，包括以下步骤：

4、步骤1、栅格地图构建阶段：

5、步骤1.1、转化障碍物信息。膨胀化处理障碍物，将被障碍物覆盖的栅格全部设定为不可达区域，通过给定每个栅格逻辑值来转化地图中的障碍物信息，并把栅格图转化为矩阵的形式，每个小栅格转化为矩阵的一个元素，取值为0或1，若为0，表示该栅格空间不含有障碍物；若为1，则表示该栅格空间含有障碍物。

6、步骤1.2、计算栅格地图的位置坐标。栅格长度由实际地图大小和栅格规模共同决定，第i个栅格在坐标系中的位置用其中心点的坐标(pi,qi)来表示，且路径点每次只能向相邻栅格移动。

7、步骤2、静态路径规划阶段：

8、步骤2.1、构建路径规划目标函数。根据栅格地图下的坐标转化方式和路径点转移方式，可以得出多智能体编队最优路径规划问题的目标函数为l*＝min(l)，l*是规划出的最优路径长度，是第n次迭代的路径长度，n是该路径经过的栅格数；(pi-1,qi-1)和(pi,qi)分别是该次迭代中第i-1步和第i步时路径规划点的位置坐标。

9、步骤2.2、建立复合启发函数。综合考虑距离和夹角两个指标，在启发函数中加入夹角因素、相邻点距离因素和目标点距离因素，建立复合启发函数，增强蚂蚁对于路径的搜索性。

10、步骤2.3、改进蚁群算法概率转移函数。提出一种信息素动态给予机制，利用高斯函数下降部分使信息素总量随算法迭代次数增加而减小，且确保后几代信息素贡献最低，在算法迭代前期引入由立方映射作为信号发射器产生的混沌因子，引导蚂蚁开发未知空间，增强种群多样性，在状态转移概率函数中使用自适应动态调整的权重因子，并采用轮盘赌的方式选择下一路径点。

11、提出一种动态信息素给予机制，使得蚁群信息素总量q随着迭代次数动态变化，在迭代后期减缓信息素浓度增加，从而避免算法难以搜索优质解而落入次优解的循环，具体如下：

12、

13、式中，q0、σ、μ是常数；n是当前迭代次数；取σ＝35，μ＝0，使q随着迭代次数增加按照符合3σ法则的正态分布下降。

14、在算法迭代前期引入混沌因子，采用立方映射作为信号发射器，其表达式为：

15、x(n+1)＝4x(n)3-3x(n)； -1≤x(n)≤1； n＝0,1,2… (2)

16、在信息素更新时加入由立方映射产生的混沌因子，具体如下：

17、

18、

19、

20、式中，ρ是信息素挥发系数；n0是混沌因子参与迭代的阈值，保证算法后期信息素浓度的有效积累；lk是蚁群完成第次迭代后所有蚂蚁经过的路径集合；i,j∈lk表示本次迭代中蚂蚁走过栅格i和栅格j。

21、在状态转移概率函数中使用自适应动态调整的权重因子，并采用轮盘赌的方式选择下一路径点，具体如下：

22、

23、

24、式中，α和β分别是信息素浓度和启发信息的动态权重因子，代表其在状态转概率函数中的重要程度；n是总迭代次数；a、b、c、d是常数，用于调整两因子的动态幅度。

25、因此，改进后的状态转移概率函数为：

26、

27、式中，是第k只蚂蚁从栅格i转移到栅格j的概率；τij(n)是栅格i到栅格j路径上的信息素浓度；ηij(n)是启发函数；α和β分别是信息素浓度和启发信息的相对重要性程度；kallowed是下一步蚂蚁可选择的栅格集合。

28、步骤2.4、生成虚拟领航点。将改进蚁群算法输出的路径规划结果按照虚拟领航智能体的速度约束，建立路径与时间的耦合关系，生成编队跟踪的一系列虚拟领航点。

29、步骤3、编队队形形成阶段：

30、步骤3.1、构建多智能体控制模型。构建多智能体二阶微分方程控制模型，描述其位置和速度之间的关系，并结合编队队形信息给出编队控制目标。

31、步骤3.2、基于一致性原理的编队队形构建。用完全有向图描述多智能体编队的通信拓扑关系，基于一致性原理设计满足收敛条件的控制律。

32、步骤4、动态协同避碰阶段：

33、步骤4.1、构建基于鱼群效应的合力势函数。多智能体编队在遭遇障碍后将解除编队状态，各自避障，转化为多智能体集群，进行独立避碰任务，受到来自障碍的排斥力、来自集群内其他智能体的排斥力、来自局部重规划终点的吸引力以及来自集群平均运动位置的吸引力。

34、当智能体检测到避障反应范围内有障碍物时，会受到排斥作用fib，具体如下：

35、

36、

37、

38、式中，a1,a2为常量；和分别是智能体i和障碍物b的位置坐标；dib是智能体i与障碍物b之间的距离；nib是从智能体i指向障碍物b的单位方向向量。

39、当智能体i检测到集群运动安全范围内有其他智能体出现时，将会受到排斥作用，综合考虑智能体集群协同和群间避碰的势函数fis可以设计为：

40、

41、

42、式中，rv是综合考虑集群平均运动方向和集群平均碰撞方向的智能体运动方向上的单位向量；vit和是智能体i在t时刻的速度矢量和位置坐标；xt和是多智能体系统在t时刻的集群平均位置坐标和集群平均运动方向；是多智能体系统在t时刻的集群平均碰撞方向；b1是权重值；k1是加速度常数；k2,λ1,λ2是在[0,1]范围内服从均匀分布的随机变量。

43、除此之外，智能体i受到来自局部重规划终点的引力fie为：

44、

45、式中，k1是加速度常数；k3是在[0,1]范围内服从均匀分布的随机变量，xe是局部重规划终点的位置坐标。

46、综上所述，智能体i在协同避碰过程中的合力势函数为：

47、fi＝fis+fib+fie (15)

48、步骤4.2、动力学特性约束修正。考虑智能体在实际运动过程中受到的动力学约束，比如速度特性、转动惯量等关键动力学特性，对输出的指令信号进行约束修正。

49、本发明的一种基于群智能算法的多智能体编队协同避碰装置，包括：

50、地图构建模块，用于通过建立笛卡尔直角坐标系作为全局静态路径规划坐标系，采用栅格化的方法将静态地图划分为若干个大小相等的小栅格；为了减小多智能体编队运动过程中与障碍物的碰撞问题，通过膨胀化处理障碍物，将被障碍物覆盖的栅格全部设定为不可达区域；

51、路径规划模块，用于基于混沌优化因子改进蚁群算法，改善经典蚁群算法在静态路径规划问题中收敛性差、易落入局部最优解和规划路径不够平滑等不足，最终输出一条成功避开静态已知障碍的路径，并基于此路径生成一系列虚拟领航点用于编队控制；其中，根据栅格地图下的坐标转化方式和路径点转移方式，可以得出多智能体编队最优路径规划问题的目标函数为l*＝min(l)，l*是规划出的最优路径长度，是第m次迭代的路径长度，m是该路径经过的栅格数；xi和yi分别是该次迭代中第i步时路径规划点的横坐标和纵坐标；其中，综合考虑距离和夹角两个指标，在启发函数中加入夹角因素、相邻点距离因素和目标点距离因素，建立复合启发函数，增强蚂蚁对于路径的搜索性；其中，提出信息素动态给予机制，利用高斯函数下降部分使信息素总量随算法迭代次数增加而减小，且确保后几代信息素贡献最低，在算法迭代前期引入由立方映射作为信号发射器产生的混沌因子，引导蚂蚁开发未知空间，增强种群多样性，在状态转移概率函数中使用自适应动态调整的权重因子，并采用轮盘赌的方式选择下一路径点；其中，将改进蚁群算法输出的路径规划结果按照虚拟领航智能体的速度约束，建立路径与时间的耦合关系，生成编队跟踪的一系列虚拟领航点；

52、编队形成模块，用于多智能体系统进入编队循迹模式，给出多智能体运动模型描述和编队队形描述，并基于一致性算法设计编队控制律；

53、协同避碰模块，用于多智能体系统进入协同避碰模式，构建未知障碍模型，采用自律型避碰法设计动态避碰算法，实现多智能体局部路径动态重规划，保证智能体顺利避开障碍物并且在避碰结束后不影响编队任务的继续执行。

54、本发明的一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于群智能算法的多智能体编队协同避碰方法。

55、一种非暂态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如上述基于群智能算法的多智能体编队协同避碰方法。

56、与现有技术相比，本发明具有以下优点和有益效果：

57、1.本发明将混沌因子引入到蚁群算法中，并且按照蚁群算法结构合理改进算法，解决了经典蚁群算法在静态路径规划问题中收敛性差、易落入局部最优解和规划路径不够平滑等不足，且改进后的算法在复杂地图的规划问题中具有显著优势。

58、2.本发明将多智能体编队的静态路径全局规划和动态路径重规划有机结合在一起，结合两种经典的群智能算法，成功解决了多智能体系统在运动过程中遭遇已知、未知障碍时的避碰问题，为多智能体编队执行任务的安全性提供了新的方案。