第2期 吴莹莹，等：面向环境探测的多智能体自组织目标搜索算法 ·291· 2算法设计 目标特性变化对航空磁探测的影响。昆虫群体行 为通过生物制剂机制在环境中协调无人机集群的 本节介绍了为多机器人目标搜索系统设计的 行为模式；鸟群效应基于对齐、分离和内聚的局 分布式仿生集群模型和协同搜索优化策略与协调 部规则的影响。 方法。无人机集群分布式目标搜索模型考虑环境 具体来讲，无人机定期对其位置进行目标检 和目标运动特性对多智能体系统感知传感器探测 查。在无人机的每一个执行周期里完成如下过 性能的影响，基于启发式的仿生集群算法和传感 程：1)目标检测，如果无人机的磁探仪探测宽度 器探测宽度模型建立；使用差分进化算法提取从 内存在一个未知的目标，它会在它的位置上释放 环境中感知到的信息，以引导无人机通过环境。 大量的吸引信息素。2)目标和边界检测，如果在 自组织目标搜索算法考虑元启发式的使用和代理 探测半径内有无人机或障碍物，那么无人机就会 之间的本地交互，以最小化完成任务时间为目标 转向自由方向并离开。如果没有发现近距离物 优化分布式模型的协调参数，产生一种在线的无 体，无人机就会释放排斥信息素，并尝试感知吸 人机集群协调模式。本文算法流程如图2所示。 引信息素。如果在嗅觉半径内有吸引信息素，无 开始 人机就会转向其最大强度的方向。当没有信息素 的时候，无人机将在分离区域检测到同伴后，放 初始化种群和参数。计算初始适应度 慢速度并转离同伴。如果在该分离区域内发现没 * 有其他无人机，无人机将朝向更大区域内的其他 基于鸟群和昆虫行为更新种群 无人机飞。如果既没有发现无人机，也没有发现 信息素，更没有发现障碍物，如果可能的话，无人 计算适应度 机会随机转向排斥信息素最小的方向并前进。无 人机群体重复以上过程，直至发现的目标达到目 差分进化算法更新种群参数 标总数的95%。 在上述搜索过程中，本文将搜索者、搜索环 N 是否满足 境、目标等因素条件抽象为搜索模型中的搜索要 选代条件 素，建立静态航空磁探仪搜索概率评估解析模 y 型。假设在不同的横向距离L条件下，磁探仪的 是否达到目标 目标检测概率为P(),则探测宽度R可以描述为 发现率要求 目标检测概率在空间的累积，其物理含义表示航 空磁探仪的等效平均探测宽度，定义为 n+eo 输出最优解 R= P(LdL J-四 目标在横向探测距离R范围内即被探测 结束 到，目标在R范围之外则未被探测到，即检测 图2多智能体自组织目标搜索算法流程 概率表示为 Fig.2 The flow chart of self-organizing target search al- ∫1，凹≤Rd gorithm of multi-agent system pD=0,☑>R 2.1无人机集群分布式目标搜索模型 因此在设定的环境条件下，只需计算不同横 对多智能体系统而言，分布式规划避免了单 向距离L条件下的目标检测概率，便可以得到磁 一的故障点，即使通信暂时中断，机器人集群也 探仪的等效平均探测宽度，计算公式为 能保证正常工作。此外，多个节点并行计算拓展 R R= p(L)dL=2Rmad 了机器人团队可用的计算资源。相关的计算主要 -R 在执行计算结果的机器人个体中执行，这种规划 其中，目标检测概率表达式为 机制能大大提高多智能体的感知决策速度。在本 P=1-Pr12M,∑B1c) 节中，通过采用结合不同的仿生集群算法，即基 式中：假设磁噪声是高斯噪声，均值为0，方差为 于昆虫协调方式和鸟群效应的生物机制建立了无 σ2。检测概率P(x/2M,∑B/σ2)是M自由度的 人机集群分布式模型，同时该模型考虑了环境和 非中心卡方分布的随机变量的累积分布函数，B:2 算法设计 本节介绍了为多机器人目标搜索系统设计的 分布式仿生集群模型和协同搜索优化策略与协调 方法。无人机集群分布式目标搜索模型考虑环境 和目标运动特性对多智能体系统感知传感器探测 性能的影响，基于启发式的仿生集群算法和传感 器探测宽度模型建立；使用差分进化算法提取从 环境中感知到的信息，以引导无人机通过环境。 自组织目标搜索算法考虑元启发式的使用和代理 之间的本地交互，以最小化完成任务时间为目标 优化分布式模型的协调参数，产生一种在线的无 人机集群协调模式。本文算法流程如图 2 所示。 开始 基于鸟群和昆虫行为更新种群 计算适应度 是否满足 迭代条件 输出最优解 结束 差分进化算法更新种群参数 是否达到目标 发现率要求 初始化种群和参数，计算初始适应度 Y Y N N 图 2 多智能体自组织目标搜索算法流程 Fig. 2 The flow chart of self-organizing target search al￾gorithm of multi-agent system 2.1 无人机集群分布式目标搜索模型 对多智能体系统而言，分布式规划避免了单 一的故障点，即使通信暂时中断，机器人集群也 能保证正常工作。此外，多个节点并行计算拓展 了机器人团队可用的计算资源。相关的计算主要 在执行计算结果的机器人个体中执行，这种规划 机制能大大提高多智能体的感知决策速度。在本 节中，通过采用结合不同的仿生集群算法，即基 于昆虫协调方式和鸟群效应的生物机制建立了无 人机集群分布式模型，同时该模型考虑了环境和 目标特性变化对航空磁探测的影响。昆虫群体行 为通过生物制剂机制在环境中协调无人机集群的 行为模式；鸟群效应基于对齐、分离和内聚的局 部规则的影响。 具体来讲，无人机定期对其位置进行目标检 查。在无人机的每一个执行周期里完成如下过 程：1) 目标检测，如果无人机的磁探仪探测宽度 内存在一个未知的目标，它会在它的位置上释放 大量的吸引信息素。2) 目标和边界检测，如果在 探测半径内有无人机或障碍物，那么无人机就会 转向自由方向并离开。如果没有发现近距离物 体，无人机就会释放排斥信息素，并尝试感知吸 引信息素。如果在嗅觉半径内有吸引信息素，无 人机就会转向其最大强度的方向。当没有信息素 的时候，无人机将在分离区域检测到同伴后，放 慢速度并转离同伴。如果在该分离区域内发现没 有其他无人机，无人机将朝向更大区域内的其他 无人机飞。如果既没有发现无人机，也没有发现 信息素，更没有发现障碍物，如果可能的话，无人 机会随机转向排斥信息素最小的方向并前进。无 人机群体重复以上过程，直至发现的目标达到目 标总数的 95%。 P(L) 在上述搜索过程中，本文将搜索者、搜索环 境、目标等因素条件抽象为搜索模型中的搜索要 素，建立静态航空磁探仪搜索概率评估解析模 型。假设在不同的横向距离 L 条件下，磁探仪的 目标检测概率为 ，则探测宽度 R 可以描述为 目标检测概率在空间的累积，其物理含义表示航 空磁探仪的等效平均探测宽度，定义为 R = ∫ +∞ −∞ P(L)dL Rmad Rmad 目标在横向探测距离 范围内即被探测 到，目标在 范围之外则未被探测到，即检测 概率表示为 p(L) = { 1, |L| ⩽ Rmad 0, |L| > Rmad 因此在设定的环境条件下，只需计算不同横 向距离 L 条件下的目标检测概率，便可以得到磁 探仪的等效平均探测宽度，计算公式为 R = ∫ R∞ −R∞ p(L)dL = 2Rmad 其中，目标检测概率表达式为 P=1− P(x ∗ /σ2    M, ∑ B 2 i /σ2 ) σ 2 P(x ∗ /σ2   M, ∑ B 2 i /σ2 ) Bi 式中：假设磁噪声是高斯噪声，均值为 0，方差为 。检测概率 是 M 自由度的 非中心卡方分布的随机变量的累积分布函数， 第 2 期 吴莹莹，等：面向环境探测的多智能体自组织目标搜索算法 ·291·