Модификация аппарата нейронной сети Хопфилда для решения задачи оптимального распределения заданий в группе мобильных роботов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

При групповом взаимодействии мобильных роботов возникает проблема распределения поставленных перед группой задач с учетом характеристик роботов и рабочей среды. Целью работы является модификация нейронной сети Хопфилда и разработка методик ее использования для поиска решений задачи распределения произвольного числа заданий в группе мобильных роботов. Для этого произведено представление нейронной сети Хопфилда в виде графа. На модели группы роботов показан алгоритм перехода от исходной задачи к TSP-задаче (travelling salesman problem, задача коммивояжера). Описано применение модели Хопфилда к задаче распределения заданий в группе роботов и разработан алгоритм расчета функции оптимизации. Проведена оценка влияния параметров нейросети на качество и скорость решения оптимизационной задачи. По результатам сравнения с другими эвристическими методами (генетическим и муравьиным алгоритмами) определены области применения модифицированного алгоритма.

Полный текст

Доступ закрыт

Об авторах

О. В. Даринцев

Институт механики им. Р.Р. Мавлютова — обособленное структурное подразделение УФИЦ РАН; Уфимский университет науки и технологий

Автор, ответственный за переписку.
Email: ovd@uimech.org
Россия, Уфа; Уфа

А. Б. Мигранов

Институт механики им. Р.Р. Мавлютова — обособленное структурное подразделение УФИЦ РАН

Email: abm.imech.anrb@mail.ru
Россия, Уфа

Список литературы

  1. Барсуков Д.А., Волосатова Т.М. Создание робота-ищейки // Мехатроника, автоматика и робототехника. 2019. № 3. C. 6–9.
  2. Батанов А.Ф., Мингалеев С.Г., Очкин И.В. Робототехнические комплексы в аэромобильных группировках МЧС России // Технологии гражданской безопасности. 2019. Т. 16. № 2 (60). C. 60–69.
  3. Иванов Д.Я. Распределение ролей в коалициях роботов при ограниченных коммуникациях на основе роевого взаимодействия // Управление большими системами. 2019. № 78. C. 23–45.
  4. Kalyaev I., Kapustyan S., Ivanov D. et al. A Novel Method for Distribution of Goals Among UAVs for Oil Field Monitoring // IEEE 6th ICIEVISCMHT. Himeji, Japan, 2017. P. 1–4. doi: 10.1109/ICIEV.2017.8338554.
  5. Гречушкин И.В., Савин В.И. Применение наземных робототехнических комплексов для проведения погрузочно-разгрузочных и транспортно-складских работ // Научные проблемы материально-технического обеспечения Вооруженных Сил Российской Федерации. 2019. № 3(13). C. 103–116.
  6. Casbeer D.W., Beard R.W., McLain T.W. et al. Forest Fire Monitoring with Multiple Small UAVs // Proc. American Control Conference. Portland, USA, 2005. P. 3530–3535.
  7. Khamis A., Hussein A., Elmogy A. Multi-robot Task Allocation: A Review of the State-of-the-Art // Cooperative Robots and Sensor Networks. 2015. V. 604. doi: 10.1007/978-3-319-18299-5_2.
  8. Ziemke T. Adaptive Behavior in Autonomous Agents // Presence. 2003. № 7(6). P. 564–587.
  9. Kruglikov S.V., Kruglikov A.S. An A Priori Planning of Joint Motions for USV as a Problem of Guaranteed Control/estimation // Applied Mechanics and Materials. TransTech Publications. Switzerland, 2014. P. 1110–1113.
  10. Ivic S., Crnkovic B., Mezic I. Ergodicity - based Cooperative Multiagent Area Coverage Via a Potential Field // IEEE Transactions on Cybernetics. 2016. P. 1–11.
  11. Renzaglia A., Doitsidis L., Martinelli A. Cognitive-based Adaptive Control for Cooperative Multi-robot Coverage // IEEE Intern. Conf. on Robotics and Intelligent System (IROS). Taipei, Taiwan, 2010. P. 3314-3320. doi: 10.1109/IROS.2010.5649249.
  12. Даринцев О.В., Мигранов А.Б. Аналитический обзор подходов к распределению задач в группах мобильных роботов на основе технологий мягких вычислений // Информатика и автоматизация. 2022. Вып. 21. Т. 4. С. 729–757. doi: 10.15622/ia.21.4.4.
  13. Migranov A.B., Darintsev O.V. Choosing a Swarm Algorithm to Synthesis an Optimal Mobile Robot Team Control Strategy // 2020 Intern. Multi-Conf. on Industrial Engineering and Modern Technologies. Vladivostok, Russia, 2020. P. 1–5. doi: 10.1109/FarEastCon50210.2020.9271639.
  14. Лоскутов А.И., Горбулин В.И., Карпушев С.И., Ряхова Е.А. Решение задачи о ранце на основе динамической нейронной сети Хопфилда // Нелинейный мир. 2019. Т. 17. № 3. C. 25–35.
  15. Хайкин С. Нейронные сети. Полный курс. М.: Вильямс, 2016. 1104 с.
  16. Музычин В.В., Мациевский С.В. Исследование возможности использования рекуррентной нейронной сети Хопфилда для решения задачи коммивояжера // Современная наука: актуальные проблемы теории и практики. Сер.: Естественные и технические науки. 2020. № 5. C. 93–99.
  17. Hopfield J.J., Tank D.W. Neural Computation of Decisions in Optimization Problems // Biological Cybernetics. 1985. V. 52. P. 141–152. doi: 10.1007/BF00339943.
  18. Кононов А.А. Использование метода нейронных сетей Хопфилда для решения задачи маршрутизации в сети // Московский экономический журнал. 2019. № 9. C. 74.
  19. Darintsev O.V., Migranov A.B. Using the Hopfield Neural Network to Select a Behaviour Strategy for the Group of Mobile Robots // IOP Publishing. J. Phys.: Conf. 2021. Ser. 2096 012086. doi: 10.1088/1742-6596/2096/1/012086.
  20. Тархов Д.А. Нейронные сети. Модели и алгоритмы. М.: Радиотехника, 2005. 256 с.
  21. Migranov A.B., Darintsev O.V. The Use of Genetic Algorithms for Distribution of Tasks in Groups of Mobile Robots with Minimization of Energy Consumption // Intern. Multi-Conf. on Industrial Engineering and Modern Technologies. Vladivostok, Russia, 2019. P. 1–6.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Графическое представление расположения роботов и задач на рабочем поле

Скачать (56KB)
Метаданные
3. Рис. 2. Граф GVRP для рассматриваемого примера

Скачать (60KB)
Метаданные
4. Рис. 3. Блок-схема алгоритма оптимизации

Скачать (216KB)
Метаданные
5. Рис. 4. Результат расчета стратегии поведения группы роботов

Скачать (151KB)
Метаданные
6. Рис. 5. Тестовая задача для размерности N = 20 (5 роботов, 15 заданий) и ее решение при начальных параметрах (u0 = 0.2; A = B = D = 500; C = 200)

Скачать (182KB)
Метаданные
7. Рис. 6. Зависимость минимальной длины маршрута от порогового уровня потенциала (250 запусков нейросети для каждой точки)

Скачать (121KB)
Метаданные
8. Рис. 7. Метаоптимизация суммарной длины маршрута по весовым коэффициентам (250 запусков нейросети для каждой точки)

Скачать (154KB)
Метаданные
9. Рис. 8. Тестовая задача и ее решение после этапа 2 метаоптимизации

Скачать (174KB)
Метаданные
10. Рис. 9. Зависимость минимальной длины маршрута от порогового уровня потенциала на этапе 3 метаоптимизации (250 запусков нейросети для каждой точки)

Скачать (144KB)
Метаданные
11. Рис. 10. Тестовая задача и ее решение после этапа 3 метаоптимизации

Скачать (148KB)
Метаданные
12. Рис. 11. Примеры решения тестовых задач модифицированной нейросетью при различных начальных условиях (N = 20)

Скачать (366KB)
Метаданные
13. Рис. 12. Примеры полигонов типов 1, 2, 3, 4, 5

Скачать (273KB)
Метаданные

© Российская академия наук, 2024