[发明专利]基于精英子集引导向量烟花算法的多智能体搜索方法

说明书

本发明提出了一种基于精英子集引导向量烟花算法的多智能体搜索方法。该方法包括以下步骤：初始化N个智能体的位置，利用烟花爆炸机制在智能体感知范围内模拟生成爆炸火花，通过路径规划方法指导智能体移动到爆炸火花和精英引导火花位置并感知其目标源信号强度；从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置。重复上述智能体搜索和移动过程，直到搜索到目标源或者达到最大迭代次数结束。将以上方法应用到气体泄漏源定位问题，智能体群按照烟花爆炸过程搜索目标源。本发明提供的这种精英子集引导向量烟花算法通过对原始引导烟花算法进行改进，极大地提高智能体的搜索能力，能够迅速有效地定位到目标源。

技术领域

本发明涉及多智能体协同目标搜索领域，特别是涉及一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法。

背景技术

多智能体是一个新兴的研究领域，主要关注在包含大量个体的智能体群中，如何通过群体间协同来控制这些简单的智能体个体，实现群体的复杂智能行为。在多智能体群中，每个智能体通过相互之间的局部交互以及与周围环境的信息交换，可以在群体规模上涌现出期望的智能行为。源目标搜索，是指通过控制一个或多个智能体的运动，找到释放信号的目标源位置。在实现场景中，这种信号可以是某种化学物质的浓度，也可以是环境中的某些信号(比如电磁信号、声波信号、温度信号等)。对于智能体而言，目标信号的空间分布函数是未知的，而距离目标越近，智能体感知到的信号信息越强，因此在搜索过程中，智能体可以通过感知信号强弱的方式逐步接近目标源。这种方式可以类比于优化问题中的智能优化算法。

烟花算法是一种群体智能优化算法，由谭营等人于2010年首次提出。它通过模拟烟花爆炸的过程，利用爆炸产生的火花来对问题空间进行搜索从而找到单个或者多个全局最优解，其算法参数少，全局优化能力强，不易陷入局部最优解，能够进行并行搜索，自提出以来它已经受到了学界的深入研究和工业界的广泛应用。

群体智能优化领域与多智能体协同目标搜索领域内的研究具有很多相似性，都能通过感知目标信息进行个体间的协同实现智能的行为。若将每个烟花或火花视作一个智能体，利用烟花爆炸机制在智能体感知范围内模拟生成爆炸火花，通过遍历火花位置获取目标源的信号强度，这对于指导多智能体进行目标源的定位具有重要的意义。虽然目前已有的基于单个引导向量的烟花算法能够应用到多智能体目标搜索问题上，然而其搜索效率仍存在较大提升空间，因此，需要一种更为有效、准确的烟花算法指导多智能体进行目标搜索。

发明内容

本发明提供了一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法，并应用到解决未知环境下气体泄露源定位问题中。

为实现上述目的，本发明提供了如下技术方案：

一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法，概括为：将每一个智能体视为一个烟花，初始化N个智能体的位置，利用烟花爆炸机制在智能体感知范围内模拟生成爆炸火花，通过路径规划方法指导智能体移动到爆炸火花的位置并感知目标源信号强度；根据信号强度将每个智能体遍历的所有位置按信号强度进行排序并组成候选集，对候选集内最好和最坏的部分位置计算其群体向量，然后对候选集内前K个位置计算其对应的个体向量，根据群体向量和个体向量组成的加权引导向量计算得到下一步精英引导火花位置，指导智能体遍历精英引导火花位置并感知信号强度；从每个智能体移动的所有位置中选择最好的位置作为该智能体的下一代移动位置。重复上述智能体搜索和移动过程，直到智能体搜索到目标源或者达到最大迭代次数结束。

一种基于精英子集引导向量烟花算法的多智能体协同目标搜索方法，该方法具体的实现步骤为：

建立搜索环境，设置气体泄露源，初始化算法参数：智能体个数N，爆炸火花常数λ，感知范围常数A，范围扩大和缩减系数C_a和C_r，选择最好和最差部分候选位置数量的比例σ，生成精英引导火花的个数K。