一种基于平衡联盟的多智能体联盟形成方法
【专利摘要】本发明公开了一种基于平衡联盟的多智能体联盟形成方法。本发明根据平衡系数的原理，建立智能体任务选择行为模型，建立智能体与任务对应的联盟的关系，减少了先计算所有潜在联盟的步骤，节省了任务分配的时间。而且，本发明结合实际情况，先以每个智能体作为主智能体，仅考虑能够与主智能体形成联盟的邻居智能体，避免出现由于无法形成联盟而对结果产生影响的问题。此外，本发明在联盟能力不能满足任务需求或者大于任务需求情况下，通过对联盟成员的招募或者删减，从而实现联盟能力满足任务的需求，且不会产生联盟资源冗余，提高了任务分配的灵活性和有效性。
【专利说明】
一种基于平衡联盟的多智能体联盟形成方法
技术领域
[0001] 本发明涉及智能机器人技术领域，具体涉及一种基于平衡联盟的多智能体联盟形 成方法。
【背景技术】
[0002] 在多智能体系统中，多智能体能够协同完成单个智能体无法胜任的任务，并保证 任务的顺利完成，提高完成任务的成功率。在多智能体协同任务分配过程中，形成联盟是一 个实现多智能体任务分配的有效途径。形成的联盟的平衡系数越高，联盟的容错率越大。
[0003] 文南犬(Vig L,Adams J A.Multi-robot coalition formation!!J] ? Robotics，IEEE Transactions on，2006，22(4): 637-649.)给出了平衡联盟的证明，并且通过对所有潜在联 盟的平衡系数的计算，筛选出平衡系数最大的联盟作为最终联盟。但是，采用文献中提到的 选择方法，存在以下几个问题：
[0004] 1、随着潜在联盟个数的增长，计算量也随之增大，导致联盟形成时间延长，影响任 务执行效率。
[0005] 2、上述方法是将智能体系统中的所有智能体相互形成联盟，进而获得平衡系数。 但在实际情况下，有些潜在联盟因通信阻塞等异常和突发事件的影响，导致该潜在联盟无 法形成。
[0006] 3、在实际情况下，大多数智能体通常具备多项资源或能力，但文献中设定的智能 体的资源或能力为1维数值量，不符合实际情况。
【发明内容】
[0007] 有鉴于此，本发明提供了一种基于平衡联盟的多智能体联盟形成方法，根据智能 体的实际情况，结合平衡系数的原理，形成最优联盟。
[0008] -种基于平衡联盟的多智能体联盟形成方法，具体包括如下步骤：
[0009] 步骤一、获得主智能体与其相邻的邻居智能体之间的结盟倾向度，具体为：
[0010] 将智能体系统中的任意一个智能体定义为智能体i，并作为主智能体，其能力向量 用ri表示;主智能体i的邻居智能体定义为智能体j，jG {1，2,…，| |Ni | | }，其能力向量用rj 表示;Ni表示主智能体i的邻居智能体的集合，| |Ni| |表示邻居智能体的个数；
[0011]根据叫=? iXcosOijhwXdij，获得主智能体i与邻居智能体j的相似程度，即 两智能体之间的结盟倾向度aijdij为向量ri和向量rj之间的夹角；dij为向量ri的模长和向 量rj的模长之差的相对大小；w挪《2为权值系数;且《1 = 0.6, 〇2 = 0.4;
[0012] 步骤二、获得智能体自身能力向量与任务需求向量的一致程度：
[0013]
获得主智能体i的能力向量与任意任务tq的任务需求向量之间 的相关程度&%其中，\为任务tq的任务需求向量3气代表主智能体i的能力向量与任务 需求向量间的内积3为任务需求向量'的模值；Ini为能力向量以的模值；
[0014 ]步骤三、按照步骤一的方法，遍历主智能体与其所有邻居智能体的结盟倾向度，并 求其平均值，获得主智能体与邻居智能体的平均结盟倾向度;并根据该主智能体i的能力向 量与任意任务tq的任务需求向量之间的相关程度分别对平均结盟倾向度和相关程度 > 爲4分配相应权值w 3和《 4，并加权求和，获得主智能体对任务的tq的倾向度;其中，权值《 3 和〇 4均等于0.5;
[0015] 步骤四、按照步骤一至步骤三的方法，遍历整个智能体系统，分别以智能体系统中 的每个智能体作为主智能体，获得各个智能体对所有任务的倾向度；
[0016] 步骤五、针对每个智能体，选择其对应的最大倾向度值所对应的任务作为该智能 体选择的最终任务;将选择同一最终任务的所有智能体形成初始联盟；
[0017] 步骤六、分别判断每个初始联盟是否符合形成最终联盟的条件，并对初始联盟中 的成员进行调整，具体为：
[0018] 以其中一个初始联盟为例，定义该初始联盟为联盟C，其对应选择的任务为tq;根 据联盟C所选任务t q的任务需求向量^，计算联盟C的联盟能力值QC;若：
[0019]
则联盟C符合条件，直接形成最终联盟；
[0020] 条件二<7丨，则联盟C进入增加联盟成员状态;此时：
[0021] 获得其中任意一个邻居智能体P与联盟C ， 中的所有智能体共同完成任务tq的倾向度其中，所述的邻居智能体P是指与联盟C中的 所有智能体相邻的邻居智能体;所有邻居智能体形成的集合用NC表示，| INC11代表邻居智 能体个数;ahp表示邻居智能体p和联盟(：中的任意智能体，定义为智能体h的结盟倾向度;& 表示邻居智能体P对任务的tq的倾向度；
[0022] b、将邻居智能体p当前所选任务的倾向度与倾向度？H比较，若倾向度大于当 前所选任务的倾向度，则将邻居智能体P加入到联盟C中，计算联盟C联盟能力值，若此时联 盟C符合条件一，则形成最终联盟，否则，继续按照a中的方法，计算其他邻居智能体的倾向 度，并进行比较，直至联盟C满足要求;若在设定时间阈值内，联盟C仍不能满足要求，则联盟 C解散；
[0023] 则联盟C进入减少联盟成员状态;此时，按照步 ， 骤三计算倾向度的方法，计算联盟C中每个智能体在与联盟C中的邻居智能体形成联盟后的 倾向度，并从大到小排序，依次将倾向度最小的智能体删除;每删除一个智能体，计算一次 联盟C的联盟能力值，一旦满足条件一，停止删除，并形成最终联盟；
[0024] 按照步骤六的方法，完成对所有初始联盟的调整，并形成最终联盟。
[0025] 有益效果：
[0026] 本发明根据平衡系数的原理，建立智能体任务选择行为模型，建立智能体与任务 对应的联盟的关系，减少了先计算所有潜在联盟的步骤，节省了任务分配的时间。而且，本 发明结合实际情况，先以每个智能体作为主智能体，仅考虑能够与主智能体形成联盟的邻 居智能体，避免出现由于无法形成联盟而对结果产生影响的问题。此外，本发明在联盟能力 不能满足任务需求或者大于任务需求情况下，通过对联盟成员的招募或者删减，从而实现 联盟能力满足任务的需求，且不会产生联盟资源冗余，提高了任务分配的灵活性和有效性。
【附图说明】
[0027]图1为智能体状态图。
[0028]图2为本发明流程图。
【具体实施方式】
[0029]下面结合附图并举实施例，对本发明进行详细描述。
[0030]本发明提供了一种基于平衡联盟的多智能体联盟形成方法，本发明的原理为：
[0031] 根据平衡联盟的特性，即联盟平衡系数越大，联盟容错率越高的特点，建立智能体 任务选择行为模型，并根据如图1所示的智能体的五种状态，进行联盟成员的招募和删除， 形成最终联盟，执行相应任务。如同2所示，具体包括：
[0032] 步骤一、获得主智能体与其相邻的邻居智能体之间的结盟倾向度：
[0033] 在文南犬(Vig L, Adams J A .Multi-robot coalition formation!! J] ? Robotics， IEEE Transactions on，2006，22(4):637-649.)中，提出了平衡联盟概念。在整个智能体系 统中，选择任意智能体，命名为智能体i，作为主智能体。根据平衡联盟的平衡联盟系数BC的 计算公式，获得如下推论：
[0035] 其中，T为任务需求值，且『4叫+巧+"' + 5+'_、+，1:|￥1为主智能体1的资源或 能力值，W"，V"，、||为主智能体i的邻居智能体j的资源或能力值;心表示主智能体i的 邻居智能体的集合，I |Nd |表示邻居智能体的个数。
[0036] 根据公式（1)可推知，当主智能体与各邻居智能体的资源或能力值越接近，主智能 体与各邻居智能体越相似，平衡联盟系数BC的值越大；当G ……=l||时，其平衡 联盟系数BC的值最大，此时，BC=1。故本发明依据该原理(平衡系数的原理），建立智能体任 务选择行为模型。
[0037] 在实际情况下，由于智能体的资源或能力是多项的，即是非1维的，为此，本发明根 据实际情况，将智能体i的资源或能力值^扩展为多维，设智能体i共有k项资源或能力，则 其资源或能力向量表示为，且乏]/=1< =1。
[0038] 根据平衡系数的原理推知，设任意智能体i作为主智能体，在与其相邻的邻居智能 体j结盟后，jG {1，2，一，I |Ni I I }，当其资源或能力向量ri = rj时，即两智能体在向量一致的 情况下，平衡联盟系数BC的值最大。
[0039] 以智能体i和其相邻的邻居智能体j为例，两智能体的资源或能力向量是否相等， 需要判断两向量之间的夹角是否相等，判断两向量模长是否更相近。其中，
[0040] 两向量之间的向量夹角的余弦的计算公式为：
[0042]其中，ri ? rj代表两向量的内积。I ri I为资源或能力向量ri的模值。0ij为向量ri和 向量rj之间的夹角。
[0043]向量ri的模长和向量rj的模长之差的相对大小dij为：
[0045] 根据公式(2)和公式(3)，获得主智能体与任意邻居智能体的相似程度：
[0046] aij= ? 1 X cos(9ij)+? 2 X dij (4)
[0047] 其中，表示两智能体之间的结盟倾向度。为权值系数。对于向量相近， 通常认为夹角比模长之差的相对大小更为重要。故本发明将《: = 〇.6,《2 = 0.4;
[0048] 步骤二、获得智能体自身资源或能力向量与任务需求向量的一致程度：
[0049] 在形成联盟时，主智能体不仅需要考虑与邻居智能体之间的相似度，还要考虑与 任务的相似度。只有在保证上述的两个方面均为最优，才能够形成最优联盟。
[0050] 为此，主智能体在选择任务时，需考虑任务的需求向量与其自身的资源或能力向 量是否一致，为了能够更好的完成任务，选择与其自身的资源或能力向量尽量一致的任务。 故根据公式(5)，获得主智能体i的能力向量与任意任务t q的任务需求向量之间的相关程度 P,.
[0052]其中八为任务tq的任务需求向量A代表两向量的内积。|rv|为任务需求向量久 的模值。
[0053 ]步骤三、按照步骤一的方法，遍历主智能体与其所有相邻的邻居智能体的结盟倾 向度，并求其平均值，获得主智能体与邻居智能体的平均结盟倾向度。并根据该主智能体对 某一任务的tq的相关程度爲，，获得主智能体在综合情况下对某一任务的t q的倾向度％/ 即智能体任务选择行为模型；
[0055] 其中，| |Ni| |为与主智能体相邻的邻居智能体的个数；《3和《4为权值系数；由于 邻居智能体对自身的影响和自身选择任务的倾向重要性一样。故权值《 3和W 4均等于0.5。
[0056] 之后，按照步骤三的方法，遍历所有任务，获得以智能体i作为主智能体时，对所有 任务的倾向度。
[0057]步骤四、按照步骤一至步骤三的方法，遍历整个智能体系统，分别以智能体系统中 的每个智能体作为主智能体，获得每个智能体对所有任务的倾向度。
[0058]步骤五、每个智能体均根据步骤四中获得的所有任务的倾向度，选择最大倾向度 值所对应的任务作为该智能体选择的最终任务。将选择同一任务的所有智能体形成初始联 盟。
[0059] 步骤六、分别判断每个初始联盟是否符合形成最终联盟的条件，并对初始联盟中 的成员进行调整，具体为：
[0060] 以其中一个初始联盟为例，定义该初始联盟为联盟C，其对应选择的任务为tq;根 据联盟C所选任务t q的任务需求向量1，计算该初始联盟的联盟能力值QC;若：
[0061]
，则联盟C符合条件，直接形成最终联盟；
[0062] 条件二，则联盟C进入增加联盟成员状态;此时，根据公式(7)，获得其中任 意一个邻居智能体P与联盟C中的所有智能体共同完成任务tq的倾向度°其中，所述的邻 居智能体P是指:与联盟C中的所有智能体相邻的邻居智能体。
[0064]其中，所有邻居智能体形成的集合用NC表示，| |NC| |代表邻居智能体个数;ahp表示 邻居智能体P和联盟C中的任意智能体，定义为智能体h的结盟倾向度;表示邻居智能体p 对任务的tq的倾向度;其中，《 3和W 4为权值系数；
[0065] 之后，将邻居智能体p当前所选任务的倾向度与倾向度比较，若倾向度?k大于 当前所选任务的倾向度，则将邻居智能体P加入到联盟C中，计算联盟C联盟能力值，若此时 联盟C符合条件一，则形成最终联盟，否则，继续按照上述方法，计算其他邻居智能体的倾向 度，并进行比较，直至联盟C满足要求。若在设定时间阈值内，联盟C仍不能满足要求，则联盟 C解散。
[0066]
，则联盟C进入减少联盟成员状态;此时，按照公 式(6)的方法，计算联盟C中每个智能体在与联盟C中的邻居智能体形成联盟后的倾向度，并 从大到小排序，依次将倾向度最小的智能体删除。每删除一个智能体，计算一次联盟C的联 盟能力值，一旦满足条件一，停止删除，并形成最终联盟。
[0067] 按照上述方法，完成对所有初始联盟的调整，并形成最终联盟。
[0068] 综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的 保护范围之内。
【主权项】
1. 一种基于平衡联盟的多智能体联盟形成方法，其特征在于，具体包括如下步骤： 步骤一、获得主智能体与其相邻的邻居智能体之间的结盟倾向度，具体为： 将智能体系统中的任意一个智能体定义为智能体i，并作为主智能体，其能力向量用^ 表示;主智能体i的邻居智能体定义为智能体j，jG {1，2,…，| |Ni}，其能力向量用rj表示;Ni 表示主智能体i的邻居智能体的集合，I |Nd |表示邻居智能体的个数； 根据叫=?1\〇〇8(0^)+〇2\(1^，获得主智能体；[与邻居智能体」的相似程度，8卩两智 能体之间的结盟倾向度aij，0ij为向量ri和向量rj之间的夹角;dij为向量ri的模长和向量rj 的模长之差的相对大小；w 1和w2为权值系数;且<^ = 0.6, 〇2 = 0.4; 步骤二、获得智能体自身能力向量与任务需求向量的一致程度：，获得主智能体i的能力向量与任意任务tq的任务需求向量之间的相 关程度其中，v为任务tq的任务需求向量；代表主智能体i的能力向量与任务需求 ? 向量间的内积； < 为任务需求向量'的模值；|ri|为能力向量^的模值； lq 步骤三、按照步骤一的方法，遍历主智能体与其所有邻居智能体的结盟倾向度，并求其 平均值，获得主智能体与邻居智能体的平均结盟倾向度;并根据该主智能体i的能力向量与 任意任务tq的任务需求向量之间的相关程度5分别对平均结盟倾向度和相关程度見^分 配相应权值w 3和《 4，并加权求和，获得主智能体对任务的tq的倾向度;其中，权值《 3和《 4 均等于〇. 5; 步骤四、按照步骤一至步骤三的方法，遍历整个智能体系统，分别以智能体系统中的每 个智能体作为主智能体，获得各个智能体对所有任务的倾向度； 步骤五、针对每个智能体，选择其对应的最大倾向度值所对应的任务作为该智能体选 择的最终任务;将选择同一最终任务的所有智能体形成初始联盟； 步骤六、分别判断每个初始联盟是否符合形成最终联盟的条件，并对初始联盟中的成 员进行调整，具体为： 以其中一个初始联盟为例，定义该初始联盟为联盟C，其对应选择的任务为tq;根据联盟 C所选任务tq的任务需求向量1，计算联盟C的联盟能力值QC;若：则联盟C符合条件，直接形成最终联盟； :，条件二5则联盟C进入增加联盟成员状态;此时：获得其中任意一个邻居智能体P与联盟C中的 ， 所有智能体共同完成任务tq的倾向度其中，所述的邻居智能体P是指与联盟C中的所有 智能体相邻的邻居智能体;所有邻居智能体形成的集合用NC表示，| |Nd I代表邻居智能体个 数;<^表示邻居智能体p和联盟C中的任意智能体，定义为智能体h的结盟倾向度;表示邻 居智能体P对任务的tq的倾向度； b、将邻居智能体p当前所选任务的倾向度与倾向度?k比较，若倾向度大于当前所选 任务的倾向度，则将邻居智能体P加入到联盟C中，计算联盟C联盟能力值，若此时联盟C符合 条件一，则形成最终联盟，否则，继续按照a中的方法，计算其他邻居智能体的倾向度，并进 行比较，直至联盟C满足要求;若在设定时间阈值内，联盟C仍不能满足要求，则联盟C解散；，则联盟C进入减少联盟成员状态；此时，按照步骤三 计算倾向度的方法，计算联盟C中每个智能体在与联盟C中的邻居智能体形成联盟后的倾向 度，并从大到小排序，依次将倾向度最小的智能体删除;每删除一个智能体，计算一次联盟C 的联盟能力值，一旦满足条件一，停止删除，并形成最终联盟； 按照步骤六的方法，完成对所有初始联盟的调整，并形成最终联盟。
【文档编号】G06F9/46GK106055390SQ201610470945
【公开日】2016年10月26日
【申请日】2016年6月24日
【发明人】方浩, 卢少磊
【申请人】北京理工大学