基于空闲时间窗和多Agent的A-SMGCS航空器滑行路由规划

先进场面活动引导与控制系统(A-SMGCS)中的航空器滑行路由规划是一个典型NP难题。为解决航空器滑行路由规划的优化性和计算量之间的矛盾,提出一种基于空闲时间窗的路由规划方法,并利用多Agent系统(MAS)进行算法求解。首先,建立滑行资源图以对场面滑行区进行建模。其次,按照航班计划为航空器设置滑行优先级,并按优先级顺序依次规划路由,后规划的路由不破坏已有路由,即利用滑行路段的空闲时间窗进行规划。每次只需为一架航空器规划滑行路由,降低了问题的求解难度;通过搜索空闲时间窗获得路由使场面交通均衡分布,保证了路由规划的整体优化性。分析了空闲时间窗特性,指出空闲时间窗的可达性条件和避免同步资源交换冲突的条件。最后,设计MAS,把建立、维护和搜索空闲时间窗图的复杂集中式求解过程简化为通过路由管理Agent,航空器Agent和资源节点Agent相互协作实现对场面路由规划问题的分布式求解。仿真结果表明,设计的MAS能够快速找到空闲时间窗中的最优解;与固定预选滑行路径算法相比,航空器的平均滑行时间显著减少,最多可以节省19.6%的滑行时间。     

变形翼的分布式协同控制方案

搭建了一个基于相互作用的智能体阵列的变形翼模型。针对该模型,提出了一种分布式协同控制方案,以驱动翼面准确平滑地变形至期望翼型。分析变形翼系统在采样通信约束下的稳定性,给出了基于Lyapunov-Krasovskii稳定性理论的稳定性判据。利用锥补线性化方法,提出了控制器设计的算法。最后使用Matlab进行变形翼的仿真,结果证明了提出方法的可行性。     

网络系统的容错控制、优化与博弈研究综述

网络系统是一类由多个子系统通过机械或通信相互耦合所构成的系统。该系统由于其结构复杂、耦合机制多变,具有较高发生故障的概率。随着近几年人工智能的快速发展,网络系统除了可能发生物理故障,还可能存在恶意决策,为系统的安全性带来了新的威胁。本文首先针对网络系统的物理故障,从容错控制和容错优化两个角度总结和梳理当前国内外相关的研究成果。接着,沿着容错博弈控制技术发展的脉络,从博弈控制到分别面向物理故障和恶意决策的容错博弈控制,总结了相关的研究成果。进一步,梳理了当前博弈论在集群飞行器中的应用现状,并以此抛砖引玉,希望推动容错博弈成果在航空航天领域中的应用。最后给出了几个未来值得探索的研究方向。     

Agent仿真中具有先验知识的混合学习算法与混合结构模型

强化学习是一种有效的机器学习方法,是无监督学习,通过不断地和环境交互得到外部环境评价信号,选择合适的动作。Q学习是一种典型的强化学习,其学习效率较低,尤其是当状态空间和决策空间较大时。为提高Q学习学习效率和收敛速度,采用具有先验知识的Q学习算法,利用模糊综合决策方法处理专家经验和环境信息得到Q学习的先验知识,对Q学习的初始状态进行优化;针对Agent个体学习与群体学习各自的不足,提出了采用混合学习算法,将个体学习与群体学习有效结合起来,提高了Agent的个体性能及系统整体的智能水平;同时为满足复杂适应性需求,采用Agent混合结构模型,在该模型中构造了基于知识的协调控制器,通过它来协调慎思式过程和反应式过程。     

基于BDI模型的管制员Agent行为建模研究

针对空中交通仿真系统中的管制员Agent建模问题，通过分析管制操作行为特点，采用BDI结构，建立了基于决策树模型的管制规则知识库，设计了慎思型管制员Agent。基于Jadex平台，构建了管制员Agent模型，将由JADE平台建立的航空器Agent和模拟空管自动化系统Agent与Jadex平台建立的管制员Agent进行通信与协调，通过仿真系统构建仿真场景并验证管制员Agent的BDI推理过程，实现了对管制员的日常指挥行为的模拟。实验结果表明，所构建的管制员Agent模型可以顺利进行推理过程并对飞行冲突进行探测与解脱。     

具有通信约束的分布式SOR多智能体轨迹估计算法

针对传统多智能体轨迹估计算法信息交换量大，计算量随群规模指数增长，可扩展性差等诸多不足，提出了一种基于超松弛迭代（SOR）的分布式多智能体轨迹估计算法，通过将最大似然（ML）准则下的轨迹估计转化为两级线性优化问题，并综合利用分布式超松弛迭代（Distributed SOR）和标记初始化方法，加快求解速度并简化信息交换流程，最终实现了多智能体位姿轨迹优化和协作定位。实验表明，所提的分布式方法能达到集中式算法的精度水平，在49个智能体规模条件下，位置估计误差小于0.15 m，姿态估计误差小于0.03°，且数据交换量仅到现有主流分布式方法DDF-SAM的0.06%，能很好用于大规模集群的场景。     

基于事件触发的异构多智能体最优包含控制

针对异构多智能体系统的输出包含控制问题，提出一种基于边的事件触发最优控制协议，保证所有跟随者的输出能进入到由领航者的输出所形成的凸包中。同时，使系统达到最优性能，最小化控制代价。考虑到不是所有的跟随者都可获得领航者的信息，提出一种基于边的分布式事件触发观测器，估计领航者输出形成的凸包内点的轨迹。设计加权代价函数评价包含控制的性能，并将输出包含问题转化为最优状态反馈控制设计问题。利用贝尔曼方程和黎卡提方程，给出异构多智能体系统最优输出包含控制的参数设计。选择不同类型的机器人构成多智能体系统，验证算法的有效性。     

连续信号交叉口网联自动驾驶车速控制

为了提高车辆在城市道路上行驶时的燃油经济性,同时减少污染物的排放,针对车联网环境下自动驾驶车辆可以与路侧设施及区域中心控制系统实时信息交互的特征,提出了连续信号交叉口车速控制方法。当车辆距下游各信号交叉口的距离和下游交叉口信号相位及时长可以提前获取时,通过提出的自动驾驶车速控制模型计算出一个使车辆能够连续通过下游多个信号交叉口的恒定速度,同时为了保证驾驶舒适性,采用平滑的三角函数曲线表征加/减速过程中的速度变化,避免了车辆在交叉口处急刹车或急加速的情况。为验证车速控制方法的有效性,基于多智能体技术建立了车联网环境下连续信号交叉口车速控制仿真系统,模拟对比分析了有速度控制和无速度控制下车辆连续通过3个信号交叉口的燃油消耗量、CO₂排放量以及行程时间。结果表明:在低密度车流下,运用该车速控制方法,车辆连续通过3个信号交叉口的平均燃油消耗量与CO₂排放量均减少了30%以上,行程时间减少了约5%;在中、高密度车流下,车辆的平均燃油消耗量与CO₂排放量减少了约20%,并能够节省约15%的行程时间。另外,通过与目前已有的针对单点信号交叉口的车速控制模型的比较,本文提出的连续信号交叉口车速控制模型在节能减排方面更具优势。      

基于MAS的舰载机动态调度模型

基于多主体系统(MAS)技术研究了充分考虑舰载机故障与维修影响的实时动态调度模型.通过系统分析舰载机的基本作业流程,建立了3层混合控制的柔性模型架构.充分考虑故障等系统扰动的影响,提出基于合同网协议(CNP)的两级交互协同机制提高主体(Agent)问的协商效率,并尽可能消除重调度的影响.给出Agent个体的抽象原则以及开放性式内部结构.深入探讨了基于MAS的舰载机动态调度的基本算法.最后,选取舰载机的典型任务,在特定舰载机可靠性维修性水平下对调度过程进行仿真验证,获取了与实际调度过程趋势相符的舰载机出动能力曲线,证明了模型的可行性.     

基于多智能体的多无人机编队算法

多架无人机协同攻击能够充分利用各个飞机的作战资源和空间占位,是未来空战的主要模式,对多无人机进行编队具有比较重要的实际意义。多智能体技术通过采用各智能体间的通信、合作、协调、管理及控制来表达实际系统的结构、功能及行为特性,为实际问题提供一种统一的框架。本文简要介绍了多智能体的概念及易于协调管理的特点,从多智能体系统理论和群集控制思想出发,对多无人机编队问题进行了分析和描述.