Вячеслав Абросимов - Групповое движение интеллектуальных летательных аппаратов в антaгонистической среде

• Название: Групповое движение интеллектуальных летательных аппаратов в антaгонистической среде
• Автор: Вячеслав Абросимов
• Жанр: Техническая литература
• Год: 2013
• ISBN: 978-5-9902335-8-4

В монографии рассмотрен новый класс задач динамики управляемого движения динамических систем – групповое движение летательных аппаратов в составе группы и с точки зрения интересов группы. Описаны принципиально новые взгляды на движение в недружественной управления среде: нечеткие траектории полета и маневрирования, модель движения на основе нейтронных сетей, многоагентный подход к описанию летательного аппарата как объекта управления. Рассмотрены общие вопросы построения имитационных моделей, реализующих предложенные подходы к обнаружению, сопровождению и определению характеристик группового движения летательных аппаратов.

Для научных работников, преподавателей, аспирантов, специалистов в области ракетно-космической техники, студентов вузов указанного профиля.

---

• «Замешательство» хищника. Среднее время от момента нападения до первой успешной поимки возрастает при увеличении числа рыб в стае. Однако эта закономерность соблюдается, если все члены стаи одинаковы. Заметно уклоняющиеся особи (по окраске, поведению, размеру) становятся легкой добычей хищника. Нейрофизиологической основой «эффекта замешательства» является перегрузка канала обработки зрительной информации.

• Заблаговременное обнаружение хищника. Многие стайные рыбы обнаруживают хищника тем раньше, чем больше размер стаи. Для объяснения этого эффекта некоторыми иностранными авторами предложена гипотеза «многих глаз» (many eyes hypothesis), нашедшая экспериментальное подтверждение.

• Внезапный маневр стаи затрудняет нападение хищника и др.

Следует отметить, что зависимости, связанные с числом рыб, наблюдаются лишь в диапазоне сравнительно небольших размеров стай (от нескольких до 20–30 особей). При дальнейшем увеличении числа рыб в стае величина эффекта остается постоянной.

Представляют интерес и самые общие положения, в соответствии с которыми рыбы сбиваются в стаи. Рыбы постоянно находятся в нестабильной и неблагоприятной среде обитания. Обнаружение одиночной рыбой даже потенциально доступных участков с обильным кормом затруднено, поскольку они могут быть найдены только путем ненаправленного случайного поиска, который энергетически малоэффективен, поскольку значительная часть усилий тратится при этом на повторные посещения уже обследованных участков. Кроме того, активно плавающая в толще воды одиночная рыба оказывается в высокой степени уязвимой для хищников. Поэтому рыбы, стремясь избежать неблагоприятной ситуации, повышают двигательную активность и, расширяя участок обитания, неизбежно попадают в незнакомую обстановку, которая первоначально воспринимается как неструктурированная. Присутствие в ближайшей окрестности других особей, сходных по размеру, мотивационному состоянию и поведению, приводит к образованию стаи, которая существует до того момента, когда часть рыб, обследовав структурированный и благоприятный в других отношениях участок, не начинает осваивать другие индивидуальные территории. Поэтому формирование стаи у рыб можно рассматривать как компенсаторную реакцию на недостаточную структурированность среды, в которой одиночные рыбы не могут успешно осуществлять поведение, связанное с исследованием, питанием, защитой от хищников, и удовлетворять, таким образом, основные жизненные потребности.

В целом для целей настоящей работы можно сделать вывод, что поведение стаи рыб основано на простых врожденных реакциях, таких, как следование и подражание, при, скорее всего, ведущей роли лидера или группы лидеров.

Такое поведение легло в основу так называемых «стайных» эвристических стохастических алгоритмов оптимизации прямого поиска (алгоритм Particle Swarm Optimization – PSO [22]). Суть алгоритма состоит в движении частиц, описываемых в виде многомерных векторов в некотором пространстве. При этом в основу управления движением закладывается учет собственного опыта, приобретаемого отдельной частицей (критерий – расстояние до глобального оптимума), и опыта других частиц, полученный суммарно при исследовании пространства поиска. Параметрами алгоритма являются ограничения на максимальную скорость движения частиц, число частиц в стае, инерционные характеристики, форма представления группировки частиц (кольцо, звезда и др.). К сожалению, решение существенно зависит от задачи.

В ряде исследований описана применимость принципов стайного управления в задачах группового управления в условиях противодействия [5, 60]. Стайное управление является частным случаем коллективного управления, но при этом в стаях нет специально выделенных каналов обмена информацией, а объекты стаи могут получать информацию о действиях других объектов только опосредованно, через среду.

Преимуществами стайного управления являются:

• высокая живучесть группы (выход из строя даже некоторого множества простых элементов не причинит существенного вреда стае, и групповая цель будет достигнута);

• быстрота реагирования на изменения ситуации.

Отличие задачи стайного управления заключается в отсутствии у каждого простого элемента непосредственной и достоверной информации о наличии и действиях других объектов стаи, а также о возможных противодействиях со стороны внешних сил, в том числе и организованного противодействия со стороны других групп. В то же время он располагает информацией о своих индивидуальных возможностях по трансформации состояния Si и окружающего его участка среды Ei за счет своих индивидуальных действий, а также имеет возможность определять действующие на него в текущий момент времени силы Gi. Иными словами, каждый элемент Ri, входящий в стаю, не имеет информации о действиях всех элементов стаи и состояния среды вокруг них, а может только определять изменение своего состояния, состояния участка окружающей среды, которые описывают его исходное «представление» о возможностях его индивидуального влияния на среду с учетом ограничений. При этом элемент Rj адаптирует свою индивидуальную модель и к стайному взаимодействию посредством анализа изменений состояния среды Ei, произошедших в результате действий всей стаи. При этом каждый элемент выбирает, возможно, не самое лучшее действие с точки зрения оптимального достижения общей цели, но оптимальное в рамках имеющейся у него на данный момент информации о сложившейся ситуации. Проведенные исследования подтверждают работоспособность предложенных принципов и алгоритма стайного управления.

1.3.3.2. Муравьиные алгоритмы коллективного поведения

Муравьиные алгоритмы серьезно исследуются европейскими учеными с середины 90-х годов. На сегодняшний день уже получены хорошие результаты для оптимизации таких сложных комбинаторных задач, как задача коммивояжера, задача оптимизации маршрутов транспорта, задача раскраски графа, квадратичная задача о назначениях, задача оптимизации сетевых графиков, задача календарного планирования и многие другие. Особенно эффективны муравьиные алгоритмы при динамической оптимизации процессов в распределенных нестационарных системах, например, трафиков в телекоммуникационных сетях[5].

Муравьи относятся к социальным насекомым, образующим коллективы. Коллективная система способна решать сложные динамические задачи по выполнению совместной работы, которая не могла бы выполняться каждым элементом системы в отдельности в разнообразных средах без внешнего управления, контроля или координации. В таких случаях говорят о роевом интеллекте (Swarm intelligence) как о замысловатых способах кооперативного поведения, то есть стратегии выживания.

Основу поведения муравьиной колонии составляет самоорганизация, обеспечивающая достижение общих целей колонии на основе низкоуровневого взаимодействия. Колония не имеет централизованного управления, и ее особенностью является обмен локальной информацией только между отдельными особями. Представляет особый интерес так называемый «непрямой обмен» (stigmergy), то есть разнесенное во времени взаимодействие, при котором одна особь изменяет некоторую область окружающей среды, а другие используют эту информацию позже, когда в нее попадают. Биологи установили, что такое отложенное взаимодействие у муравьев происходит через специальное химическое вещество – феромон (секрет специальных желез), откладываемый при перемещении муравья. Концентрация феромона на пути определяет предпочтительность движения по нему. Адаптивность поведения реализуется испарением феромона, который в природе воспринимается муравьями в течение нескольких суток.

Муравьиные алгоритмы представляют собой вероятностную так называемую «жадную» эвристику, где вероятности устанавливаются исходя из информации о качестве решения, полученной из предыдущих решений. Они могут использоваться как для статических, так и для динамических комбинаторных оптимизационных задач.

Идея муравьиного алгоритма – моделирование поведения муравьев, связанного с их способностью быстро находить кратчайший путь от муравейника к источнику пищи и адаптироваться к изменяющимся условиям, находя новый кратчайший путь. При своем движении муравей метит путь феромоном, и эта информация используется другими муравьями для выбора пути. Это элементарное правило поведения и определяет способность муравьев находить новый путь, если старый оказывается недоступным.

Итак, на пути цепочки идущих муравьев возникает преграда (рис. 5). Дойдя до преграды, муравьи с равной вероятностью будут обходить ее справа и слева. То же самое будет происходить и на обратной стороне преграды. Однако те муравьи, которые случайно выберут кратчайший путь, будут быстрее его проходить, и за несколько передвижений он будет более обогащен феромоном. Поскольку движение муравьев определяется концентрацией феромона, то следующие будут предпочитать именно этот путь, продолжая обогащать его феромоном до тех пор, пока этот путь по какой-либо причине не станет недоступен.