Введение 4
1. Постановка задачи 7
2. Обзор 8
2.1. Мультиагентные технологии 8
2.2. Мультиагентные алгоритмы синхронизации 10
2.3. О применении мультиагентных систем для управления группой роботизированных устройств 12
2.4. О реализации мультиагентных систем 13
3. Мультиагентный алгоритм управления группой роботизированных устройств 16
3.1. Моделирование работы алгоритма 19
3.1.1. Упрощённая математическая модель турбулентного потока 19
3.1.2. Программная реализация фреймворка для работы с МАС 20
3.2. Тестовый стенд 22
3.3. Исследование алгоритма 25
Заключение 29
Список литературы 30
В настоящее время исполнительные механизмы становятся всё более точными, а вычислительные устройства приобретают всё меньший размер. Это открывает новые возможности в интеллектуальном управлении сложными системами в тех случаях, когда стандартные математические модели в силу тех или иных причин оказываются неприменимыми.
Одним из ключевых недостатков традиционных методов анализа и управления системами является предположение о том, что модель описания окружающей среды является заранее известной и точной. На практике часто приходится сталкиваться с различными сложностями. Например, в ряде случаев приходится иметь дело с приближёнными моделями (причина может быть в том, что точной модели просто не существует, либо в том, она неудобна для вычислений) и искажёнными входными данными (для большинства измерений характерно наличие помех и “выбросов”). Более того, существует возможность технических сбоев, частично или полностью выводящих из строя различные компоненты системы. К тому же, в ряде случаев может меняться и структура пространства состояний.
Ранее вопросы адаптивного управления в условиях неопределённости не получали достаточного внимания со стороны исследователей в связи с техническими ограничениями по реализации механических систем. Однако, современная техническая база позволяет применять новые математические модели для решения подобных проблем. В частности, стал возможен сбор более детальной информации об окружающей среде — различные датчики становятся не только более точными, но и более компактными.
Как было показано в [5, 7, 18, 19], ряд природных явлений стоит рассматривать как процессы с переменной структурой пространства состояний. Изменение структуры пространства состояний приводит к изменению внутренней структуры системы, а взаимодействие элементов системы, в свою очередь, приводит к изменению системы в целом [30].
При рассмотрении турбулентности в жидкостях, газах, мультифазовых и пластических потоках окружение может рассматриваться в качестве подобной системы[8, 10]. Примером таких систем может служить практически любая биологическая система. О динамическом формировании структур можно говорить и в рамках социологии, психологии и экономики [2].
Из-за изменения числа степеней свободы даже фиксированный набор переменных для построения математической модели неравновесного процесса, как строго доказано в неравновесной статистической механике [27], никогда не будет полным. Следовательно, неравновесные системы в природе не могут быть описаны в полной мере с помощью традиционных дифференциальных моделей для динамических систем. Для описания таких переходных процессов следует использовать более гибкие математические модели. Эти модели должны уметь приспосабливаться к изменению внешней среды, например, с помощью механизма внутренней обратной связи [6].
Мультиагентные системы могут быть использованы для эффективного решения широкого спектра проблем, связанных с возмущениями и нестационарными системами [15]. Эффективность решения достигается заменой большой и сложной модели набором простых локальных моделей. Согласованное поведение некоторой подгруппы агентов приводит к уменьшению размерности пространства состояний [14, 26]. Возмущения внешней среды могут приводить к нарушению согласованности в поведении некоторых групп агентов, и это будет соответствовать увеличению размерности пространства состояний.
В последнее десятилетие проблемы взаимодействия в распределённых системах управления всё больше привлекает внимание исследователей [3, 9, 12, 13]. Этот интерес связан с растущим количеством прикладных областей, связанных с управлением в распределённых электрических сетях, межпроцессорным взаимодействием, беспроводными, транспортными и промышленными сетями, сетями датчиков, БПЛА, координацией мобильных роботов и так далее.
В [6] предлагалось использовать мультиагентную систему для решения проблем, связанных с движением в турбулентном потоке. Эта задача не имеет аналитического решения, и в настоящее время используются различные упрощённые модели, а значит, использование мультиагентного подхода может оказаться эффективным.
В ходе выполнения данной работы были получены следующие результаты.
1. Разработан фреймворк для работы с мультиагентными системами на языке Python, позволяющий собирать и обрабатывать данные о работе системы.
2. Выполнено моделирование работы алгоритма для упрощённой математической модели, показавшее применимость данного подхода.
3. Разработано ПО для макета для физических экспериментов на базе набора плат STM32F3Discovery, каждая из которых оснащена сервоприводом и датчиком давления.
4. Проведено исследование влияния различных параметров на поведение мультиагентной системы, использующей разработанный алгоритм. Показана зависимость скорости сходимости от данных параметров.
5. Результаты работы представлены на конференции СПИСОК-2017.
