Групповое движение интеллектуальных летательных аппаратов в антaгонистической среде. В. К. Абросимов

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