Диссертация (1090784), страница 9

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 9)

При этом номера выбранныхтехнологических операций не должны повторяться, чтобы исключитьситуации назначения разных роботов на одну и ту же задачу. Тогда числовсевозможных назначений Nназн будет определяться числом размещений из Tпо R:(2.11)Целью распределителя задач будет являться перебор возможныхразмещений элементов множества назначений (2.9) и выбор того их них,результирующая пригодность которого максимальна:R 1 2 RA : f    f (i j , j )  maxi ,i ,...,i(2.12)j 1При этом алгоритм распределения заданий робототехническим агентамбудет иметь следующий вид:1. Ввод числа технологических операций T и числа робототехническихагентов R;642. ИнициализациямассиваоценокпотенциальныхназначенийQ  {q1 , q2 ,..., qm }, где m  Nназн ;3. Инициализациявыходныхпеременныхзначенияииндексанаилучшей оценки:q*: 0,n*: 0;4.

Инициализацияпеременнойцикла(номераоцениваемогоназначения) n : 0 ;5. Формирование множества назначений A (2.9), с расчетом номеровпотенциально назначаемых технологических операций по правиламформирования разрядов целого числа в системе счисления соснованием T [38]: n i j  1  n  T j 1  j 1  , j  1,2,...,RT 6. Если множество A содержит одинаковые числа, то переход к п.97.

Вычислениесуммарнойоценкиназначениясучетоминдивидуальной пригодности агентов на основе формулы (2.7):Rqn :  f (i j , j ) ;j 18. Если qn  q * , то обновление наилучшей оценки:q*: qn ,n*: n;9. Увеличение переменной цикла на единицу: n : n  1 ;10.Если n  N назн , то переход к п. 5, иначе завершение алгоритма.Как можно заметить из (2.11), вычислительная сложность алгоритмараспределения заданий при фиксированном количестве предметов сувеличением количества роботов растет как O(nR) [33]. Это может привести кзначительному увеличению времени принятия управляющих решений вбольших группах роботов. В связи с этим, в реальных приложениях может65быть оправданным использование эвристических методов поиска множестваназначений, таких как генетический алгоритм, или же разбиение роботов наподгруппы в целях понижения размерности матрицы пригодности.2.2.3 Моделирование процесса распределения заданий в группе роботовЦелый ряд областей применения МАРС связан с задачей передвиженияроботов на местности для взаимодействия с объектами целевого интереса.Проблемыавтоматизациигрузоперевозок,обслуживанияскладскихпомещений, разведки местности и др.

предполагают распределение заданиймежду робототехническими агентами по критериям минимизации временидвижения, оптимизации затрат энерго-ресурсов и др.Рассмотрим задачу транспортировки объектов на местности, в которойраспределитель заданий решает проблему поиска оптимального множестваназначений (2.9).Под оптимальностью назначений в данной задаче будем пониматьобеспечение минимального суммарного расстояния, пройденного роботами.Путь, преодолеваемый каждым агентом, складывается из расстояния отисходного местоположения робота до транспортируемого объекта ирасстояния от местоположения объекта до целевой точки, в которуюнеобходимо переместить все объекты н местности.Примем число роботов равным R=2, а число предметов T=3.

Схемаданной ситуации показана на рис. 2.12. Линиями с числами обозначеныусловные расстояния между объектами на местности.Искомое множество назначений для группы из двух роботов будетсостоять из двух чисел: A ={i1, i2}.Для оценки полезности агентов для транспортировки объектов,основываясь на (2.7), используем следующую формулу: fij   Lij  L j , гдеLij – расстояние от i-го робота до j-го предмета, Lj – расстояние от j-гопредмета до цели.66Рис. 2.12. Упрощенный пример прикладной задачи МАРС, требующей оптимизациираспределения заданийТак, например, для 1-го робота и 1-го предмета на рис 2.12 пригодностьравняется f11   14  10  24 . Для 2-го робота и 1-го предмета пригодностьсоставляет f21   31  10  41.

Сравнивая два полученных результата (f11 >f21), можно заключить, что назначение 1-го робота на транспортировку 1-гообъекта более оправданно, чем назначение 2-го робота.Для ситуации, показанной на рис. 2.12, матрица пригодности будетвыглядеть следующим образом: 24 54 48 F 41 51 35 Числовсевозможныхназначений(2.13)роботовнавыполнениетехнологических операций, подлежащих перебору в рамках решенияоптимизационной задачи (2.11), составит:. Дляматрицы (2.13) решением данной задачи будет являться вектор назначенийA={1, 3} с суммарной пригодностью равной f   24  (35)  59 .

Такимобразом, 1-му роботу следует транспортировать 1-й объект, а 2-му роботу –3-й.67Выводы по главе 2Настоящая глава была посвящена вопросам группового управления. Врамках предложенного сценарного подхода к планированию действий вМАРС были разработаны модели и алгоритмы, позволяющие: моделировать процесс выполнения технологической операции в составезаданного группового сценария в зависимости от различных способовпредставления знаний; моделировать переходы между состояниями занятостиробототехнического агента и его доступности для назначения навыполнение технологических операций; определять перечень технологических операций, задач, которые требуютвыполнения на текущем этапе функционирования МАРС;Наряду с процессами планирования был рассмотрен алгоритмраспределения заданий между робототехническими агентами в составеМАРС с учетом имеющихся у них функциональных возможностей иресурсов на основе формирования многокритериальных оценок.Достоверностьразработанныхтеоретическихрезультатовбылаподтверждена модельными примерами, а также результатами имитационногомоделирования процессов планирования и распределения заданий в МАРС.Важно отметить, что предложенные модели и алгоритмы групповогоуправления носят универсальный характер и могут быть использованы как вмногоагентных робототехнических системах с централизованной, так и сдецентрализованной архитектурой.68Глава 3.

Разработка принципов построения и программноалгоритмическое обеспечение человеко-машинного интерфейса МАРСЭкстремальностьусловийисредыфункционированияробототехнических систем является одной из характерных особенностейподавляющего большинства областей их прикладного применения [24, 25],включая оборонную сферу, сельское хозяйство, строительство, горное дело ит.д. При этом работа оператора сопряжена с дефицитом времени напостановку задачи, с наличием стресса и быстрой потерей концентрациивнимания, с негативным влиянием климатических и погодных факторов.Другие факторы, определяющие специфику практического примененияМАРС, связаны с выбором их состава и структуры под решение конкретнойприкладной задачи. Так, например, в зависимости от особенностейрассматриваемых приложений оперативное формирование многоагентнойсистемы может осуществляться в соответствии с централизованной,децентрализованной или смешанной структурой.

Кроме того, МАРС можетобъединять в своем составе группировки автономных роботов различныхтипов и назначения: наземного, воздушного, а в некоторых случаях инадводного или подводного базирования.В данной связи, организация человеко-машинного интерфейса МАРСдолжнапредусматриватьнетолькообеспечениевозможностейполномасштабной информационной подготовки МАРС к выполнениютребуемых задач с последующим контролем ее функционирования, но иинтеллектуальную поддержку действий оператора.3.1 Принципы построения человеко-машинного интерфейса МАРСВ основу общей концепции построения универсального человекомашинного интерфейса для управления МАРС могут быть положены триосновные принципа:69 комплексной автоматизации процессов информационной подготовкиМАРС к решению требуемых прикладных задач и контроля ихвыполнения; унификации инструментальных средств за счет использования модульнойархитектуры программно-алгоритмического обеспечения; интеллектуализации процессов принятия решений на всех этапахинформационной подготовки МАРС к решению требуемых прикладныхзадач и контроля их выполнения.Реализацияпервогопринципа,предполагающегокомплекснуюавтоматизацию процессов информационной подготовки МАРС к решениютребуемых прикладных задач и контроля их выполнения, предусматриваетразработку следующего набора программно-алгоритмических средств; оперативной постановки и описания условий выполнения прикладнойзадачи, решаемой с помощью МАРС; выбора структуры и состава, а также оценки численности состава МАРС,необходимого для выполнения поставленной задачи; анализа выполнимости поставленной задачи по результатам оперативногомоделирования МАРС с учетом выбранных параметров комплектования; оперативного приема и передачи данных по каналам беспроводнойсетевой связи между пультом оператора и МАРС; оперативного контроля выполнения поставленной задачи и текущегосостояния отдельных роботов, действующих в составе многоагентнойсистемы.В свою очередь, принцип унификации программно-аппаратных средствчеловеко-машинного интерфейса предполагает, что его функциональныевозможностидолжныобеспечиватьподдержкуразличныхстратегийгруппового управления в МАРС с централизованной, децентрализованной исмешанной архитектурой.Третий принцип обуславливает применение современных методов итехнологий искусственного интеллекта для представления и обработки70экспертных знаний по обоснованному выбору состава и структуры МАРС, атакже стратегий и алгоритмов группового управления роботами взависимостиотособенностейзадачихприкладногоприменения,описываемых оператором с использованием средств человеко-машинногоинтерфейса.Сформированные принципы по существу регламентируют обобщеннуюструктуру интеллектуального человеко-машинного интерфейса для МАРСразличных типов и назначения.

Характеристики

Список файлов диссертации