基于深度强化学习的分布式UUV集群任务分配算法

任务分配问题是智能体集群研究的基础关键问题之一,UUV集群在任务分配问题方面受到水下探测和通信能力的限制,UUV个体只能获得周围局部信息,常规的全局算法无法得到很好的应用。提出了一种基于深度强化学习和分布式UUV集群组织架构的任务分配算法,算法首先实现每个UUV个体的局部任务分配,其次相邻的个体之间进行信息一致协调,从而实现UUV集群的最优化任务分配。仿真实验结果表明,所提算法相较遗传算法收敛更快,相较合同网算法通信量小,任务分配效率高,且分布式架构不依赖“指挥中心”,UUV集群系统的鲁棒性更高,任务分配可靠性更高。     

拉法叶级护卫舰的启示

拉法叶级的满载排水量为3680吨,拥有4台柴油发动机,可输出31800匹马力,有2具螺旋桨和2具方向舵,最大速度46km／h。舰体上层结构为堡垒式密封设计,具有核生化防护能力。     

面向任务的航空数据链动态组网策略

针对现有航空数据链网络对实际任务需求耦合不紧密的问题,结合未来航空作战集群化、智能化的特点,设计了面向任务的智能化航空数据链网络体系结构。描述了面向任务的智能化航空数据链网络信息类型与信息处理传递机制,并基于所设计体系结构提出了一种面向任务的航空数据链动态组网策略。通过组网实例分析,说明在面向任务的智能化航空数据链网络体系结构下所提组网策略对实际任务需求具有较好的支撑能力。     

基于改进QGA的有/无人机编队多任务联盟生成

针对有/无人机编队作战中多约束复杂任务分配问题,提出一种改进QGA(Quantum Genetic Algorithm,QGA)的多任务联盟求解方法。首先确定任务需求、时间、平台能力等多种约束,综合考虑联盟总任务收益、耗费成本与任务时间因素,构造目标函数,建立了多任务联盟生成优化问题模型;从多分组并行演化、观测值修正、动态旋转角调整3方面对QGA算法进行改进用于问题求解;并结合实际案例进行了仿真分析,结果表明,提出的方法可以有效生成多任务联盟,解决有/无人机编队多约束复杂任务分配问题,解质量较高。     

基于DBSCAN聚类的异构多智能体分层任务分配方法

针对多约束条件下大规模探测/通信智能体集群协同探测任务分配问题,从全局与局部相结合的角度,提出了一种分层任务分配求解方法。首先,根据通信距离约束对所有任务节点进行聚类预分组,将集群任务分配问题划分为上层全局任务分配和底层局部任务分配。然后,根据聚类结果采用启发式算法求解探测/通信智能体组间全局任务分配结果。随后,根据探测智能体的全局任务分配结果,采用遗传算法对探测智能体组内任务进行分配。最后,通信智能体根据探测智能体的组内任务分配结果,采用基于虚拟节点的方法进行组内任务分配。实验结果表明,相较于直接求解方法,分层任务分配方法不仅解决了大规模集群协同任务分配问题,还可以在保证优化目标值相近的情况下,缩短70%以上的求解时间,较快得到相对最优的任务分配结果。     

基于强化学习的鱼群自组织行为模拟

自组织行为广泛存在于自然界中。为了通过学习的方式模拟鱼群自组织行为,构建了鱼群模拟环境模型、智能体模型和奖励机制,并提出了一种基于赫布迹和行动者-评价者框架的多智能体强化学习方法。该方法利用赫布迹加强游动策略的学习记忆能力,基于同构思想实现了多智能体的分布式学习。仿真结果表明,该方法能够适用于领航跟随、自主漫游、群体导航等场景中鱼群自组织行为学习,并且基于学习方法模拟的鱼群展现的行为特性与基于博德规则计算模拟的鱼群行为类似。     

基于人工势场的军事态势分析模型

在基于Agent建模仿真方法的战争复杂性研究过程中,为了解决高层指挥控制Agent对军事态势自主分析判断能力的问题,引入了高等物理学中电势场的基本原理来对战场军事态势分析进行建模--并取名为人工势场.介绍了人工势场模型构建的基本原理,结合工程实践详细讨论了该模型在理论和工程实现上的一些基本问题,最后给出了基于该模型的几个简单的分析测试实例.仿真实验证明该模型用于高层指挥控制Agent的实时军事态势分析是可行的.     

延时和切换拓扑下多智能体系统动态事件触发一致性

研究了具有延时和切换拓扑的一般线性多智能体系统动态事件触发一致性问题.在实际系统中,传统的触发方式并不能有效地节约网络资源,在事件触发机制的基础上,通过引入动态变量提出了动态事件触发机制.使所设计的事件触发条件可以根据系统的运行状态进行动态调整,从而减少控制更新的频率.在时延控制输入、切换拓扑及动态事件触发下,建立了闭...     

基于多智能体的舰艇防空目标分配模型设计

建立了基于多智能体技术的水面舰艇对空防御火力分配模型,并对模型运行机理做了较详细介绍。通过与其他分配模型的比较,显示出了引入智能体技术进行决策的长处。