基于多智能体群集的分布式环境探测算法研究

摘要

由于多智能体系统与单个智能体相比，有很多优点，因此对多智能体的协同合作的研究在近年来受到学术界与工业界的广泛重视。其中基于多智能体群集的环境场探测具有很好的现实意义。多个智能体通过协同合作来对某环境区域（如核污染环境、赤潮（水华）环境、有毒气体泄漏区域等）进行梯度跟踪找到该环境区域浓度值的极大值，或对某些特征值跟踪，从而获得一定观测区域内环境标量场的分布情况，会为人们处理环境污染和突发事件以及认识自然环境带来很大的帮助。
　　通常情况下，所探测环境场值分布的先验模型是无法得到的，每个智能体通过传感器只能测得环境场的标量信息，而不能测量出环境场中的梯度，因此需要多个智能体用测量值来估计梯度信息。
　　本文首先提出了一种基于多智能体群集的环境场极值探测算法。该算法中多智能体仅仅根据自己以及自己的邻居对环境场的探测值信息，估计环境场的梯度方向，基于估计的梯度向量，利用分布式一致优化算法，得到驱使智能体运动的控制输入项，结合多智能体群集策略，完成对环境场的极大值探测。该算法与现有算法相比，不需要预知环境场的分布模型，而且具有灵活的群集拓扑结构，而不需要一个固定的队形。通过仿真实验，验证了该算法的有效性和鲁棒性。其次，为了得到更多环境场的分布信息，在论文提出的环境场极大值探测算法的基础上，提出了基于多智能体群集的环境场等值线追踪方法。在该算法中，智能体计算出估计的梯度的正交向量，然后将该向量进行一致平均，得到沿等值线运动的控制输入项，结合多智能体群集策略，完成对等值线的追踪。在该算法中根据当前位置的环境场观测值与预设追踪值的大小关系，分情况进行了讨论，并通过仿真实验，验证了算法的等值线追踪算法的有效性与适用性。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 多智能体对环境场极大值探测的研究现状

1．2．2 多智能体对环境场等值线追踪的研究现状

1．3 论文研究内容

1．4 论文组织结构

第2章 多智能体群集模型及相关理论基础

2．1 多智能体编队控制方法

2．2 群集的拓扑结构

2．2．1 图

2．2．2 群集的几何形状：晶格与准晶格

2．3 基于人工势场法的群集模型

2．3．1 多智能体的运动学模型

2．3．2 群集的规则

2．3．3 集体势能函数

2．3．4 图的拉普拉斯矩阵和速度匹配

2．4 群集的控制律

2．5 平均一致算法

2．6 本章小结

第3章 多智能体对环境场的极大值探测

3．1 环境场

3．2 多智能体对环境场的探测模型

3．3 分布式一致最优化算法

3．4 多智能体分布式环境场极大值探测算法

3．4．1 环境场极大值探测MDMF算法原理

3．4．2 多智能体环境场极大值探测控制输入

3．4．3 收敛性分析

3．5 仿真实验验证

3．5．1 算法有效性验证

3．5．2 算法鲁棒性验证

3．6 本章小结

第4章 多智能体对环境场的等值线追踪

4．1 环境场等值线分类及追踪方法

4．2 多智能体对环境场等值线追踪算法

4．2．1 等值线追踪CTMF算法原理

4．2．2 多智能体等值线追踪的分布式控制输入

4．3 仿真实验

4．3．1 算法有效性验证

4．3．2 算法性能分析

4．4 本章小结

第5章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

攻读学位期间发表的论著