多Agent铁路

多Agent铁路（精选7篇）

多Agent铁路 篇1

6502电气集中信号设备是我国目前主要采用的组织指挥列车运行,提高运输效率,改善行车人员劳动条件的重要设施,是保障铁路行车安全的关键所在。造成铁路6502电气集中信号设备故障的原因错综复杂,在现场分析、处理故障时,大多依赖维修人员对设备故障处理的经验,缺乏故障诊断的智能性。随着人工智能领域的Agent技术迅速发展,在铁路系统中应用基于多Agent的故障监测与诊断技术是我国铁路故障诊断系统研究的一个热点。

1 基于多Agent系统的铁路信号设备故障诊断模块原理

Agent是一个独立自主的计算实体,其自身就具有一定的控制能力;具有基于当前知识和经验,以一种理性的方式进行推理和预测的能力;具有开放的性质,能够在推理过程中积累或学习经验和知识。

基于多Agent的信号设备的故障监测与诊断系统就是利用多Agent系统的自主性、主动性、社会性等特点将铁路信号设备的故障监测与诊断过程分成多个子任务,用多个Agent来分别自主地完成各自的任务,并在适当的时间与其他Agent进行交流,达到监测与诊断任务的自主完成,从而实现了监测与诊断的智能化。

智能诊断Agent模块原理图如图1所示,其中监控Agent是监测功能的主要实现者,诊断Agent和管理Agent是故障诊断功能的主要实现者。现将各部分的功能介绍如下:

1)监控Agent。

利用多传感器系统采集现场信息并存储设备实时状态数据,分析并提取故障特征量,并根据这些特征量对监控对象的状态进行判断,将感知的异常数据信息报告给判断Agent。

2)判断Agent。

对本系统所有监控对象状态的监测,它对来自监控Agent的异常数据进一步处理、综合,全面把握监控对象的状态,判断是否确属异常情况。如果判断确属异常情况,自动进行事故范围估算,按范围及事故类型对相应机构报警,把数据送入评价Agent和诊断Agent,若设备发生较大故障,还可以通过管理Agent与用户交互得到进一步的确认。

3)诊断Agent。

负责实现各种诊断算法,及子系统的故障诊断定位,并向管理Agent提供诊断结果。如果状态信息不完整或无法完成诊断任务时,向其它Agent发出协作请求,以及响应其它Agent发出的诊断请求。

4)处理Agent。

发布事故信息,根据处理方案,进行行车调度,引导车辆、控制信号对受灾车辆进行运营管理。

5)管理Agent。

在整个模块中处于主导地位,主要负责综合诊断Agent的诊断结果,并形成最终的结论以及实现诊断Agent间的协调及协作;实现与其他系统的信息交互协作;适当的时间与用户交互,作出决策。

6)评价Agent。

在事故发生时进行同步的反应行动及时评价,进行灾害危险性分析,对数据进行加工、处理,并保存到数据库中。

7)人机接口界面。

主要服务于调度员、系统管理员和领域专家。调度员使用诊断界面,直接进行诊断工作;系统管理员使用管理界面,完成诊断Agent的创建、注册、修改、删除、协调策略的管理等工作;而专家则在知识库管理界面上工作,完成对各诊断Agent知识库的维护。

2 基于多Agent的信号设备的智能故障诊断系统及工作原理

根据铁路6502电气集中3大设备的室外沿线分布的特殊特征和确保铁路行车安全的要求,常常需要设计成多个Agent相互协作完成故障的准确判断,即设置成多Agent系统,系统结构模型如图2所示。

系统工作原理是:系统启动后,各个诊断Agent子系统中的管理Agent根据监测诊断需要,查看各诊断Agent信息,将实际运行的状态数据存放于数据库中。当某诊断子系统监测到信号设备状态数据异常时,向诊断Agent发出诊断请求,诊断Agent进行诊断,并把监测数据和诊断结果送管理Agent的数据库。若诊断Agent不能完成故障诊断与定位,则需要向管理Agent发出诊断请求,那么管理Agent利用协调策略规则进行任务分配,使多个Agent进行协作诊断,当多个Agent协作诊断结束后,把所有监测数据与诊断结果送管理Agent的数据库,同时管理A-gent调用数据挖掘进程从数据仓库中提取有用的诊断知识,加入数据库,以增强管理Agent的诊断能力,随着知识库的不断丰富,管理Agent的诊断能力日益强大,也就减少了向其它Agent提出诊断协作的次数,从而加速了诊断的速度,这也是该系统的自学习功能。调度员可以根据总诊断Agent提供的信息查看现场设备运行状态,及时发现故障,排除故障。

3 故障诊断实例分析与研究

下面以终端继电器ZJ励磁电路故障为例,探讨一下怎样通过Agent技术和FCPN知识模型获取励磁电路故障知识,进而进行故障的诊断。

终端继电器励磁电路如图3所示,可能发生的故障以如下3种为例:(1)不能励磁;(2)第1条自闭电路不通;(3)第2条自闭电路不通。

用ZDL、ZDM分别为终端按钮表示灯常亮和终端按钮表示灯灭灯模糊命题;BDL、BDM分别为进路表示光带点亮和进路表示光带灭灯模糊命题;ZJL、ZJB分别为终端继电器励磁和终端继电器不能励磁模糊命题;XHK、XHB、XHZ分别为进路信号开放、进路信号不能开放和进路信号自动关闭模糊命题;JLS、JLB、JLX分别为进路锁闭、进路不能锁闭和进路不能取消锁闭模糊命题;ZBZ、ZBG分别为自闭电路正常和自闭电路故障模糊命题。

命题种类的模糊集合如下:

在上述模糊集合中,aij是模糊命题的隶属函数值。在规则中,表示它们的模糊变量时用“设备”+“·”+“模糊变量”来区分。

根据终端继电器的相关信息,维修人员对ZJ不能励磁进行判断,有如下规则:

若用户给出命题ZDM的可信度a12=0.95,阈值λ=0.4,求取命题ZJB的可信度如下:根据规则可得其对应的FCPN模型,如图4所示。

在图4中,位置S1代表终端按钮表示灯,位置S2代表进路表示光带,位置S3代表终端继电器,位置S4代表进路信号,位置S5代表进路,位置S6代表第1条自闭电路,位置S7代表第2条自闭电路。

1)位置颜色函数。

2)变迁颜色函数。

式中:μr1=0.95,μr2=0.90,μr3=0.85,μr4=0.8,μr5=0.9,μr6=0.8。

3)变迁激活色彩。

因初始位置色彩是Cf(S1)=ZDM,目标位置色彩是Cf(S3)=ZJB、Cf(S6)=1.ZBG和Cf(S7)=2.ZBG,由推理树可知,目标位置搜索成功节点有两个,即:(S3,ZJB,0.90,{S6,S7})和(S3,ZJB,0.86,{S6,S7}),则ZJB的可信度为0.90。

现假设设备出现故障,现象是进路信号不能开放且进路不能取消,可以假设此诊断系统用到两个智能诊断Agent:Agent1和Agent2。可以将上述利用FCPN知识模型对ZJ故障进行知识表示和获取得到的知识通过面向对象的知识表示方法,以一定的形式表示出来,即将励磁电路故障诊断知识实例规则存入两Agent的知识库中。

首先智能诊断Agent1中由监控Agent测得异常数据送入了评价Agent判断出系统出现故障并把故障数据提供给诊断Agent,诊断Agent由数据判断出终端继电器可以励磁,且第1条自闭电路正常,而若该诊断Agent知识库中没有与之对应的故障知识规则,所以由管理Agent通过CAN总线与智能诊断Agent2通信,从智能诊断Agent2中诊断Agent的知识库中查找到该规则,并判断出电路故障是第2条自闭电路故障,至此该系统已成功地完成故障定位与诊断。

4 结束语

利用人工智能领域的多Agent技术是面向6502电气集中联锁的故障监测与诊断的新技术利用这种新技术构造的信号设备故障诊断系统具有以下优点:

1)实现了故障诊断的智能化。诊断Agent能够自主或协同的完成诊断任务,系统将故障诊断任务分解成若干个子任务,分布到各个子诊断系统中,每个子系统利用各自的知识和问题求解方法,分别或共同协作求解故障诊断问题。

2)系统采用基于多Agent的结构,具有可靠性高、灵活性强和实时性好的特点,同时对环境具有较强的适应性。

3)对6502电气集中设备的运行状态做到了实时监测,减少了故障的发生,防患于未然,为铁路的安全运输提供了保障。

多Agent系统的研究 篇2

近年来,随着计算机技术和信息科学技术的快速发展,对Agent及多Agent系统的研究成为分布式人工智能(DAI)研究的一个热点,并且被赋予高于早期的分布式问题求解型的人工智能的一些特点。多Agent系统(Multi-Agent System)是一个高度交叉的研究领域。它吸取了不同领域的内容,如经济学、逻辑学、生态学、社会科学和哲学。由于它更能体现人类的社会智能,更加适合开放的、动态的社会环境,因而引起了各领域研究人员的浓厚的兴趣,并广泛应用于科学计算、计算机网络、电子商务、企业管理和交通控制等领域。

2 多Agent系统的概念

多Agent系统可以被定义为:由多个问题解决者(Ageni)组成的松散的网络,其中的Agent相互作用从而解决单个Agent由于能力或知识上的不足而无法解决的问题。MAS的主要特点在于,其中的每个Ageni都不具备解决问题的足够的能力或知识,这些A-gent同时运行,不但所需的数据是分散的,而且没有全局控制系统。

3 MAS的关键问题

在一个MAS中的多个Agent需要相互通信、相互协调、相互协商与相互协作,所以这些也就成为MAS研究中的关键问题。

3.1 通信

在多Agent系统中,一个Agent需要和其他Agent或环境进行通信和交互,单个Agent所处的环境需要能够为Agent的通信和交互提供个一个基本的结构,Agent的这种能力来源于Agent的感知能力和动作能力。

Agent间通信的基本作用是提供信息交换的方法,这些信息包括规划、部分结果和同步信息。在分布式人工智能中,Agent的通信主要是通过对话完成的,其中Agent的角色可以是主动的、被动的或二者兼有。Agent通信中有2种基本的消息类型:声明(Assertions)和查询(Queries)。每个Agent,无论是主动还是被动,必须要有接收消息的能力。

3.2 协调

协调是指具有不同活动目标的多个Agent对其目标、资源等进行合理安排,以协调各自行为,最大限度地实现各自目标。协调包括定时地为其他Agent提供必要的信息、保证主体之间活动的同步、避免冗余的问题求解等。

3.3 协商

协商是指多个Agent通过通信,交换各自目标,直到多Agent的目标达成一致或不能达成协议。它是实现协同、协作、冲突消解和矛盾处理的关键环节,其关键技术有协商协议、协商策略、协商处理三种。

3.4 协作

很多协作所采用的基本策略就是分任务,然后把任务分配或分布到不同的Agent上,这种方法可以降低任务的复杂度。然而,系统必须要决定如何分解,分解过程必须要考虑Agent的资源和能力,并且还必须考虑在子任务之间可能存在有交互,在Agent之间还存在有冲突的问题。这就要求Agent之间必须能够合作求解问题、完成任务。但是系统的任务分解要考虑子问题的交互性、协调性、数据相关性等,而任务分配时通常是采用基于合同网机制来分配任务。最终各个Agent对子问题进行求解并综合单个子问题的解。

总之,通信是MAS中进行协调、协商和协作等活动的基础。多个Agent之间通过通信完成自己或整体的任务。

4 构造MAS的组织模型

4.1 MAS组织的概念和基本特性

多Agent系统由一组分离的智能主体构成,为了它们能协作完成各种任务,需建立组织,以进行管理和协调,使多个Agent之间协作完成目标。多Agent系统组织的设计除具有一般组织的基本特性外,还必须使所建立的组织在计算机上易于实现,组织的工作方式适合于计算实体之间的互操作。

多Agent组织定义为由多个智能Agent组成的相对大的系统,是为了实现一定目标而进行合理的管理和协调,并具有一定边界的计算实体的集合。

多Agent组织的基本特性是:具有社会性的计算实体的集合和特定的目标;是承诺、制度的集合体;是一个开放的信息处理系统也是一个松散耦合的分布系统。

4.2 MAS组织建模的设计原则

MAS组织的建造一般要遵循以下设计原则:(1)目标要统一,目的是有利于实现组织目标;(2)要合理地进行分工协作。(3)统一指挥原则,有利于提高管理的效率;(4)控制宽度原则;(5)职权和职责必须协调一致;(6)稳定性与适应性相结合。

4.3 MAS组织建模的过程

通过下面步骤建造一个MAS组织的模型。

(1)确定层次组织中各级机构的目标;(2)为了保证业务活动的分类更科学更合理,要实现目标中需要的各项业务活动或任务,细致地分析实现各级目标所需的所有业务活动,同时还要分析与业务活动相关的可用资源、设施以及利用它们的最佳途径;(3)确定问题求解管理流程的总体设计;(4)设计职能,职能是问题求解管理流程的具体环节,也是组织结构的基本单位。由各类职能形成基层组织,再由基层组织形成上一层管理子系统,直至构成系统的总体结构;(5)定义管理职能和问题求解职能;(6)建立协同工作过程模型和控制模型,它详细说明协同工作模式、职能之间的协作关系、交互控制协议和控制机制等内容;(7)建立完整的组织结构,通过职权关系和信息联系,把各层次、各部门联结成为一个有机整体,形成最终的组织系统图;(8)确定Agent承担的职能;(9)定义Agent实现策略;(10)建立组织管理策略。

5 多Agent技术的应用

5.1 多机器人系统

自主式多机器人系统,尢其是移动机器人系统,其协调十分重要。基于决策论的MAS策略适于多移动机器人的行为协调。多Agent技术可提高多机器人系统的鲁棒性、柔性及容错能力,增加系统的自治性。

5.2 计算机网络

多Agent技术以其独特的自主移动、异步和智能化特性,能较好地适应互联网的高度分布、异构和动态特性,可以弥补传统信息服务模式在复杂的互联网环境下的诸多缺陷。因此,MAS技术已成为替代传统C/S提高网络信息服务质量的首选工具。

5.3 软件工程领域

面向Agent的软件开发方法的优势是数据、控制、资源的分布性、自然的表述方式且便于现有软件系统的集成。它可以描述一些复杂的、有生命的、有行为的组件,并且使它们能与其它一些独立开发的类似组件灵活交互。

5.4 其他应用

多Agent技术还用于过程智能控制、远程医疗、网上数据挖掘、交通控制、信息过滤、评估和集成以及数据管理等。

6 结束语

多Agent技术是当前分布式人工智能及计算机科学领域的研究热点。作为一个新的学术热点,关于多Agent系统技术的研究多数尚处于初级阶段。随着INTERNET和多媒体等信息技术的飞速发展,对MAS研究的需求更加现实地体现出来,这将进一步推动多Agent理论研究的应用技术的快速发展。我们相信随着多Agent理性模型、行为模型的不断完善,面向Agent的实用技术的研究将会成为人工智能的一个重要方向。

摘要：多Agent系统(MAS)是当前分布式人工智能(DAI)的主要研究方向之一。介绍了多Agent系统的背景和概念,着重分析了MAS的关键问题和构造MAS的组织模型,最后给出了多Agent系统的应用。

关键词：Agent,多Agent系统,组织模型

参考文献

[1]蔡自兴,徐光祐.人工智能及其应用[M].北京:清华大学出版社,2004.

[2]朱福喜,杜友福,夏定纯,等.人工智能引论[M].武汉:武汉大学出版社,2006.

[3]王学通,王伟.多Agent系统研究概述[J].现代电子技术,2006,10[225]:65-67.

[4]李海刚,吴启迪.多Agent系统研究综述[J].同济大学学报,2003,31[6]:728-732.

[5]郭海霞,吴捷.多Agent技术的研究进展[J].河南科学,2004,22[2]:242-246.

[6]李薇,张凤鸣.多Agent技术研究与应用[J].软件时空,2006,22[8-3]:293-295.

多Agent技术与部队作战仿真 篇3

多Agent系统是分布式人工智能的一个重要研究领域,其中的每个Agent都具有自治性,可以控制自己的内部意识态度,也可控制行动并作用于周围环境,达到自己的目标。多Agent技术主要研究一组自治的Agent在分布式开放动态的环境下,通过交互、合作、竞争、协商等行为完成复杂的控制或任务求解。基于多Agent技术有着广泛的应用,而本文着重介绍了其在部队作战仿真方面的应用,而多Agent技术在此方面有着巨大的优势。

2. 多Agent技术概述

2.1 多Agent概念

多Agent系统(MAS)产生的最直接的原因是:MAS的协作求解问题的能力超过单个Agent,并且MAS与已有系统或软件的互操作,求解数据和控制具有分布性以及提高系统的效率和鲁棒性等也是它产生的原因。MAS是由多个Agent组成的Agent社会,是一种分布式自主系统。它一般具有个体行为独立自制、个体信息不完全、能力有限、无全局控制、数据分散化和计算异步等特点。多Agent技术的研究涉及理论和应用两个方面。理论上主要研究多Agent系统的体系结构,协调及学习机制。应用上主要研究多Agent技术在科学计算、计算机网络、机器人、交通控制等中的应用。

2.2 基本结构

(1)集中式结构

由一个中心主体负责系统的控制和协调工作。该结构能保持系统内部信息的一致性,实现系统的管理、控制和调度较为容易。此方式的缺点是:随着各Agent复杂性和动态性的增加,控制的瓶颈问题也愈加突出,其致命的缺点还在于,一旦控制局部或全局区域的管理Agent崩溃,将导致整个区域或系统崩溃。

(2)分布式结构

此结构中可以存在多个中介服务机构,为Agent成员寻求协作伙伴时提供服务,各Agent无主次之分,处于平等地位。这种结构的优点是:增加了灵活性、稳定性,控制的瓶颈问题也能得到缓解,但仍有不足之处,因每个Agent的运作受限于局部和不完整的信息(如局部目标、局部规划),很难实现全局一致的行为。

(3)混合式结构

混合式结构是由集中式Agent组成的分布式结构,它包含一个或多个管理服务机构,此机构为集中式Agent组间的协同提供服务,并参与解决Agent之间的任务划分和分配、共享资源的分配和管理、冲突的协调等。此种结构平衡了集中式和分布式两种结构的优点和不足,适应分布式M A S复杂、开放的特性,因此是目前MAS普遍采用的系统结构。

3. 多Agent间的通信

通信是多Agent系统中各个Agent间有效交互的重要环节。Agent间通过通信相互影响,共享信息去执行任务以达到各自的目标。目前最通用的两种通信语言就是KQML(Knowledge Query and Manipulation Language)和FIPA(Foundation for Intelligent Physical Agents)ACL。虽然那些对KQML的支持没有延续到FIPA ACL,不过出于完整性,在这里我们两种都进行介绍。

3.1 KQML语言

KQML既是一种消息格式又是一种支持Agent之间运行时知识共享的消息处理协议。该语言可以认为由三个层组成:通信层、消息层、内容层。“a s k-o n e”标识通信的行为,定义了消息的主要含义。随后是一系列的消息参数,由一个以冒号开头的参数关键字引入,其中的一个参数包含消息内容,以某种格式生成了一条表达式。其他的参数辅助实现消息传递,或辅助接受者理解消息的含义,或辅助接收者响应协作。

KQML的消息格式如下所示:

(ask-one

:sender Agent-A发送消息的Agent;

:receiver stock-server接收消息的Agent;

:reply-with ibm-stock响应当前消息的期望标识符;

:content(PRICE IBM?price)通信原语所表达的消息具体内容;

:language LPROLOG内容参数域使用的表达语言的名称;

:ontology NYSE)内容参数域使用的术语定义集的名字.

3.2 FIPA ACL

FIPA ACL和KQML一样是基于言语行为理论的,它包括一系列的消息类型和它们的使用描述。

FIPA ACL的消息格式如下所示:

“i n f o r m”,用来标识要通信的动作,定义了消息的主要含义。接着是一系列的消息参数,和KQML一样,是用一些以冒号开头的消息关键字引入的。FIPA ACL和KQML十分相似,除了一些保留的原语在语法上它们是一样的。

4. 多Agent技术的应用

作战仿真是计算机仿真的一个重要应用领域。利用计算机进行作战仿真,可以模拟实际战斗过程和战斗过程中出现的各种现象,增加人们对作战规律的认识和理解,为有关决策部门提供定性和定量的信息。利用计算机进行作战仿真的一般过程是:根据作战想定建立作战数学模型,在计算机上模拟各种作战方案和对抗过程,研究对比不同的攻击顺序、红蓝双方兵力编成和数量,根据计算结果可以得到双方损失情况、武器作战效果和弹药消耗等一系列有用的数据,从而达到认识、理解作战过程,进而控制作战过程向有利的方向发展的目的。

多Agent系统可根据外界的条件调整自己的状态及反应的能力,大大扩展了客观对象的空间,为模拟有生命的对象以及具有一定内在变化规律的对象实体的模拟提供了有效的工具。因此基于多Agent的仿真技术能够非常直接直观的对战斗过程中的各种现象和个体进行模拟。

描述智能体的内部结构组成,在实现方式上可以用一个Agent来表示,也可由Agent群表示。指挥机构的灵活编组以及作战力量任务动态匹配,需要确定指挥所的内部指挥关系,即智能体组成结构。例如,联合指挥机构可按情报处理中心、指挥决策中心和执行协调中心构成的三中心结构编组,如果把下属的各中心部门都作为单独的智能体,那么该指挥Agent就由情报处理Agent、指挥决策Agent和执行协调Agent共三个子智能体构成。这里,该指挥Agent就可认为是个简单的智能体群。当然也可用三个成员代替三个中心的功能,指挥Agent是唯一的代表。

智能体属性描述智能体对外表现出的各种作战能力和性能,是智能体内部状态的表述和定义。可分为军事属性和仿真属性。军事属性指在军事环境中表现的性能,分为空间属性、物理属性和能力属性。空间属性包括智能体所处的空间位置、机动速度等。物理属性包括智能体的级别(高级、中级和低级)、指挥的目的、指挥员情况、兵力数量、武器单元的完好情况及弹药储备等。能力属性包括信息获取能力、机动能力、通讯能力、生存能力、保障能力、决策能力、进攻能力、防护能力等。软件属性是仿真环境中表现的性能,包括AgentID、名称、进程、消息和时钟等因素。

智能体的行为指挥控制功能的实现是在完成使命任务中,行使合适地赋予指挥官指派兵力的权威,通过指挥员在计划、协调和兵力控制中对人员、设备、通信、资源和过程进行配置。指挥过程中的作战信息在物理域、信息域、认知域和社会域中进行传输和转换。较成功的指挥控制环是观测—评估—决策—行动。

指挥控制系统的仿真结构,是由多个Agent组成的智能体群,即指挥控制智能体群。该智能体群的行为模式可由各单个Agent的行为组合来分析。通过共享的作战信息网络,多个指挥员的决策是分布式的拟制方案,异地同时讨论,集体做出决策,因此提出智能体的行为模式为:情报获取—态势评估—群体决策—联合行动,智能体的行为通过相关的模型来处理。

5. 结束语

本文介绍了多Agent技术的背景、概念及体系结构,着重分析了Agent的结构,说明了多Agent系统中的各Agent之间用来进行知识交互的通信语言。尤其对基于多Agent的指挥控制系统的仿真结构体系和运行体系进行了研究。由于基于多Agent系统的作战仿真方法出现的时间并不长,所以尚未形成成熟的建模理论与方法,还存在着许多不足,如难以提供准确的、现实的作战模型,难以准确预测作战结果,仿真结果的可信度与可靠性有待实践的检验等等。尽管如此,基于多Agent系统的作战仿真无疑是对传统作战仿真方法有益的补充,它为全面理解战争这一复杂系统提供了一个全新的方法,具有重要的理论探索和实用价值。

参考文献

[1]张俊学,陈永科.一体化联合作战体系中指挥控制系统研究[J].炮兵学院学报.2005,(4).

[2]李春立,陈贻来.一体化联合作战指挥[M].北京:军事科学出版社.2004.

[3]贺建民,王元元,闵锐.作战智能体模型研究[J].系统仿真学报.2004,(16).

[4]贺建民,刘晓明.多Agent系统在作战仿真中的应用.解放军理工大学学报.2006,(6).

多Agent铁路 篇4

配电网日趋庞大和复杂是现代社会电气化发展的要求,也是电网发展的必然结果。配电网故障恢复作为配电自动化的一个主要方面,一直引领国内外的研究热潮。随着智能电网的提出,配电网故障恢复又面临着新的机遇和挑战。

目前,国内外学者已经将多种优化算法引入到配电网故障恢复课题当中,文献[1]提出一种基于树型结构的配电网故障恢复算法,该算法用树型结构表示配电网,并对其分层,降低了求解的复杂度。文献[2]提出一种简单实用的配电网故障恢复算法,该算法采用有功负荷作为制定初始恢复方案的依据,简化了分析过程,降低了问题复杂度。文献[3]对配电网拓扑结构模型进行简化,利用改进的二进制粒子群优化算法有效地解决了负荷均衡化的问题,但计算速度有待提高。文献[4]提出一种模糊遗传算法,对交叉率和变异率进行模糊控制,有效地提高了收敛速度,避免了不成熟收敛。文献[5]在确定目标函数时引入了层次分析法求解各指标的权重值,并采用改进的二进制粒子群算法求解故障恢复问题。文献[6]把包括全系统控制协调代理(CAG)、微网控制代理(MGAG)、分布式电源代理(DGAG)以及母线代理(BAG),组成了多代理系统,对配网故障后快速恢复供电,该方法通过对分布式电源的集中控制较大改善了供电的可靠性。文献[7]分析了负荷与配电网网损的关系,基于此给出了一种配电网重构的算法。文献[8]提出基于人工免疫思想的蚁群算法求解配电网重构问题等。

近年来,多代理以其强大的自主性、社会性和协作性在智能优化问题上发挥了巨大的优势,涉及的领域包括规划、控制、网络重构和故障恢复等方面[9,10,11]。

本质上说,配电网故障恢复问题是一个多目标、非线性、多约束的组合优化问题,配电网日趋庞大,在优化过程中必然要遇到“维数灾”的问题,使得优化过程缓慢、效率低下;同时,在处理各个目标函数关系时,研究人员往往采用加权的形式将多目标优化转化成单目标优化问题,造成目标函数权重人为经验化,优化结果单一。

针对上述两个问题,本文在分布估计算法的基础上,结合多代理理论,提出一种多Agent演化算法,解决配电网故障后网络恢复问题,从本质上实现多目标配电网故障恢复,提高恢复速度,综合考虑配电网经济性和安全性两方面指标,为调度人员提供合理的恢复策略。

1 配电网故障恢复模型的建立

1.1 目标函数

1)重要负荷优先恢复f1

式中:C为重要负荷节点集合;Li为节点i的负荷;ki为节点i的状态,1为带电,0为失电。

2)尽可能多的恢复失电负荷f2

式中:M为非故障失电区域节点集合;λi为节点状态,1为带电,0为失电。

3)配电网运行均衡度尽可能高f3

式中:Hi、Hk为线路负载率;E为配电网运行均衡度。

4)网络损耗尽可能低f4

式中:N为网络支路集合;Ii、Ri分别为支路i的电流和电阻。

1.2 相关指标定义

配网故障恢复后,网络运行是否安全是一个值得研究的问题。为此,本文结合负载率,提出配电网运行均衡度这一配电网安全运行指标。

线路负载率函数表达为

式中:Hi为线路负载率;SLi和SLN,i分别为支路i的实际功率和容量。

定义配电网运行均衡度E为

配电网运行均衡度E反映了电网运行的线路潮流是否均衡。在同一负荷水平下,E的数值越小,电网的各线路潮流越平均,电网的运行安全性越高。相对于线路负载率等常见的系统安全运行指标,配电网运行均衡度反映的是电网潮流运行的综合水平,具有全局性的特点。

1.3 约束条件

以上目标函数必须在满足下列约束条件下才能实现。

1)辐射状运行的网络约束(不含分布式电源)

式中:gk为当前网络结构;Gk为所有允许的辐射状网络集合。

2)线路容量约束

式中,Si和Si,max分别为支路j的视在功率和容量。

3)节点电压约束

式中,Uimin、Uimax分别代表节点电压上下限。

2 多Agent演化算法的原理

2.1 代理的设置与协调机制设计

代理自身具有高度的自主性、交互性和可通信性,代理在感受外界环境变化,适应环境并完成自身任务的同时,彼此间还可以实时通信。

(1)选取每一个目标函数作为一个代理,代理的个数按照目标函数个数来确定,目标函数f1(x),f2(x),,fn(x)分别各自对应代理A1,A2,,nA,每一个代理iA拥有各自的进化群体,各个代理(AG)自身进化采用分布估计算法(EDAs)[12,13],解群体按照自己的评价函数朝着最优方向演化,并在一定周期内,把各自最优解的概率分布发送给协调代理(CAG)。

(2)设置一个协调代理(CAG),在演化过程中起到控制和协调的作用。协调代理作为中间代理,对演化方向起到控制作用。协调代理收集到代理iA发送过来的最优解概率分布,进行概率合成后再把合成概率分布发送给各个代理iA,作为代理iA产生下一代的依据,部分或全部代替父代解群体,迭代演化。

(3)协调机制设计:代理AG1~AG4分别计算得到优良解概率分布P1~P4后,将信息发送给协调代理(CAG),通过CAG将P1~P4整合计算得到P,而后再将平均概率分布P发回各代理AG1~AG4,作为各代理产生下一代解种群的依据,如此循环往复协调,直至满足收敛条件。代理间协调过程如图1所示,图中P1~P4为各目标函数代理优良解的概率分布,P为合成概率分布。

在求解多目标优化问题时,多代理演化算法具有收敛迅速,效率高等特点。将目标分派给多个Agent执行,实现了求解过程的分布化;运用Agent之间的通信,保证了演化目标的一致性;同时用优良解的概率分布估算替代传统的遗传算法的生成子代的方法,强化了演化算法的方向性。

2.2 优化步骤和流程图

1)初始化解种群,G=(X1,X2,X3,,Xi),Xi=(x1,x2,x3,,xn),n代表开关数,n=37,代表种群大小,i=30,每个代理人按照文献[12]中的避圈法生成初始解,提高可行解的概率,置t=0,k=0。

2)各代理采用广度优先搜索法进行拓扑分析,进行潮流计算,潮流计算方法选取前推回代法。

3)计算各解的适应值并按从低到高的顺序排序。

4)排序完成后,按比例s=40%,各个代理取出优良解,并计算得出概率分布,t=t+1,k=k+1。

5)判断k是否达到通信条件,如果k=K,执行步骤6),否则执行步骤7)。

6)代理把各自优良解的概率分布发送给协调代理(CAG),CAG根据自身准则合成新的概率分布P,然后再发送给各个代理。

7)各个代理自身进化,判断是否达到传输条件。

8)判断是否跳出循环,是则转入步骤9),否则回到步骤1)。

9)运行结束,输出结果。

3 基于多Agent演化算法的多目标配电网故障恢复

以某地区实际配电系统对该算法仿真,如图3所示,其中,节点36、23、22、7、41为电源点,负荷点110、111、121、122、135、144、127为重要负荷,其他负荷点为普通负荷。正常运行时,0、4、12、15、24开关断开,其他开关闭合。严格的网络参数参见文献[13]。假设支路26-44某处发生故障,立即断开26、44隔离故障区域,则负荷109、110、111、112失去电力供应。

3.1 设置基本参数

种群规模取30,优良解的选择概率取40%,各代理自身迭代K(K取3)次向协调代理发送优良解概率分布P1=(p1,p2,…,pn),P2=(p1,p2,…,pn),P3=(p1,p2,…,pn),P4=(p1,p2,…,pn),(n=1,2,…37),协调代理将接收到的信息整合(这里对各代理的最优解的概率分布取平均),随后将新的优良解的概率分布P=(p1,p2,…,pn)发送给各个代理,作为产生下一代的依据。

3.2 仿真结果分析

算法程序运行30次,在40代左右收敛到Pareto前沿,最优解如表1。

从表1中可以看出,26-44支路发生故障后,对非故障停电区域恢复供电,解集当中的三个方案均能满足重要负荷的优先恢复,并且能恢复所有失电负荷。

从图4、图5中我们可以看出,根据开关状态的不同网损值减小,配电网运行均衡度E值也呈下降趋势。综合分析电网运行均衡度和网损的内在联系,从Pareto前沿选取7组非劣解分析,对E值取倒数作为横坐标,网损值作为纵坐标,如图6所示。

从图6中可以看出,配电网运行均衡度不同,网损值有所不同。网络运行越均衡安全性就越高,网损也越小,由此可知,配电网运行均衡化可以均衡电网潮流、提高供电安全性、降低网络损耗。

分析图6中两适应值对应关系,不难发现,调度员在选取恢复策略上更加灵活,假设某一策略由于特殊原因未能成功恢复供电,立刻可以提取后备恢复方案应急。此种方法不仅为调度员提供了更加贴近实际的多种恢复策略,同时在选取恢复策略上,考虑的比较全面,直观。

4 结论

多Agent铁路 篇5

现代网络智能模型系统中的人工智能或者说智能水平主要以个性化服务为主, 而要达到这种“因人而异”的目标, 针对不同的行为者找到最恰当的策略并且能够根据实际情况动态调整策略是一个亟待解决的实际问题。

1 选题策略

在行为者完成对某一单元的训练后, 必须进入测试阶段。多Agent抽取与该单元相对应的试题供训练者练习使用, 训练者完成测试后, 多Agent会自动保存答案, 同时根据答案进行评分, 最后保存测试结果。试题的针对性能够反映智能化水平, 所选题目应能包含所学内容。系统采用选题算法进行选题。试题难度分为初等、中等和高等三种难度。一般情况下, 用难度系数数组M={mi, i=1, 2, 3}表示试题难度。难度系数数组M主要取决于训练者上一单元的测试结果。如果训练者上一单元的答题正确率高, 则加大难题所占比例, 否则适当降低。如果训练者是首次训练该门课程, 则采取将各级别的题目平均分配到各章的策略。使用试题向量Vector来保存抽取试题。设本单元章数为n, 算法的具体步骤如下:

(2) 如果N>n, 则退出;

(4) 如果i>3, 则退出;

(6) 如果mi>0, 从本单元第N章中抽取难度为i的题目保存到试题向量Vector中, j=j+l;

(7) 如果j>mi/n且i<3, 则i=i+l, 转至 (6) , 否则如果i<3则i=i+1, 转至 (5) ;

(8) 如果i>5且N<n, 则N=N+l并转至 (2) , 否则如果N>=n, 则退出。

将抽取试题保存在向量Vector中, 组成一份涵盖训练者所学单元所有章节的试题, 由训练者A-gent以界面形式呈现给训练者。

2 方法调整规则

训练者完成测试以后, 由多Agent负责批改试题, 同时对训练者在各章节的测试得分及总分进行计算分析, 最终反馈给训练者Agent。训练者Agent选择适当的时间应用测试分析法, 分析计算出识记能力、理解能力、实践操作能力以及拓展能力的分值。针对不同的课程, 训练者的认知水平是不同的。因此, 网络训练系统应该允许同一训练者对待不同课程的认知水平存在差异。

训练方法调整规则是网络训练系统将训练者各章节的训练成绩作为划分条件, 从而分析鉴别训练者训练行为特征的规则。它的形式主要包括条件和结论两部分。

在训练策略的知识表示部分, 讲述了基于知识点的难度不同, 确定不同的训练策略。除此之外, 训练Agent还根据训练者的识记能力、理解能力和动手操作能力, 修订训练策略, 调整训练进度。如果训练者测试效果较好, 则提升难度;反之, 降低难度。采取的规则如下:

设训练者Si对某章的得分为Scorei, 令表示所有训练者对这章的得分均值;K表示常数因子, 建议取0.1~0.2) 。如果则建议再训练;如果则提示再复习一遍, 也可以训练新章节。如果Scorei≥+△S-core则提示表扬信息, 建议训练新内容。

通过运用课程一单元一章节的知识体系结构, 便于追溯训练者知识体系中存在的不足, 以便查漏补缺, 进行针对性地强化训练, 提高训练效果。

3 基于错误诊断的强化训练

网络训练系统有一个非常重要的功能就是对训练者的错误进行诊断。如果系统不能够对训练者进行正确的评价和适时的训练调整那就不具备错误诊断功能。系统必须对训练者每次的训练进行解析和评价, 通过对错误的检查、诊断, 找到训练者知识的薄弱环节, 给出合理建议, 以此提高训练者的训练效率。具体的实施策略如下:

3.1 分析过程和制定强化训练途径

当训练者完成测试后, 系统会根据试题找到相关知识点, 并建立关系, 如表一所示。

表格中包含了所有试题对应的知识点。

T1~T10:表示10个测试题目;

Kl~K8:表示该单元中所有的原子知识点;

S (Kj) :表示测试结果中元知识点Kj所占的比重;

E (Kj) :表示测试结果中错误答案与知识点Kj所占的比重;

ER (Kj) :表示测试结果中错误答案与中权重的比例关系。

题目测试结果假定为T3, T6, T9, ER (K4) =1/10=0.1, ER (K5) =5/9=0.56, ER (K6) =1/5=0.2。

知识点间的相互依赖关系如图一所示。图一中, 下层知识点的前驱知识点是上层知识点, 假设K8的前驱知识点是K6, 那么必须先训练K6再训练K8。

阈值L代表训练者掌握特定知识点的指标。当ER (Kj) <L, 说明训练者己经掌握Kj, 在训练者知识树中将Kj的master属性改为1, 表示已掌握, 否则仍需要加强该原子知识点的训练, 在训练者知识树中将Kj的master属性改为0.5, 表示未掌握。

假定阈值L降低到0.5, 则需要重点训练的知识点将包括K7, K3, K5, K1。对照图一, 训练的顺序应该为:K1→K3→K5→K7。在这条路径中, K1和K3是训练的重点, 系统将建议训练者更深入训练K1和K3。

3.2 错误诊断算法

为了判断训练者没有掌握的知识引入了诊断错误算法, 根据训练者的测试情况, 通过逻辑推理得出训练者知识点的薄弱环节, 制定强化训练方案。诊断错误算法是在训练者测试后, 整理出所有错误的内容, 得出需要加强的训练范围。诊断错误算法的代码如下:

首先, 分析Agent接收训练者输入的测试答案;通过对训练者测试答案的分析批改, 计算出测试题目的S, E, ER值, 然后在错误知识集中增加ER值超过阈值L的概念, 同时在训练者Agent中修改这些知识点的属性。最后, 基于错误知识集自动生成加强训练的路径, 发生信息使训练者Agent把路径中的知识点加入强化训练的知识点集strengthen List中。

测试结束后, 训练者如何进行下一步训练主要取决于诊断结果。基于测试结果, 网络训练系统将会为训练者推荐合适的练习题目。

4 结束语

为了使网络训练系统平台具有个性化、智能化、自适应性、实用性的特点, 需要长时间的研究繁杂的设计过程, 通过不懈的努力才能得到提高。本文所探讨的网络训练策略还只是初步的研究, 在以后的工作中, 将通过实践, 努力完善网络训练策略其他方面的研究。

摘要：基于多Agent技术的网络训练系统有助于激发受训者的训练兴趣, 提高受训者的学习效率, 实现网络训练系统的个性化、智能化、自适应性和实用性。本文从基于多Agent的智能模型的选题策略、方法调整规则、基于错误诊断的强化训练三方面进行了初步研究。

关键词：选题,调整,强化,Agent

参考文献

[1]张婧.基于多Agent的智能网络训练系统模型研究[D].南昌:华东交通大学, 2009.

[2]刘洁.多媒体远程教育技术的发展现状及问题初探[J].电化教育研究, 2000, (08) :17-19.

多Agent铁路 篇6

关键词：物流调度,多Agent,调度策略,C-W算法,启发式算法

伴随物流行业的发展Agent技术[1]也在不断发展, 在许多领域取得非常多的应用成果。在现代物流集约化和一体化的发展趋势中, 车辆优化调度的效率已经影响到消费者, 优化货运车辆的调度, 科学管理货运组织对货运车辆调度理论与方法进行系统研究有着极为重要的意义, 是建立智能交通运输系统, 现代物流调度系统的基础。车辆优化调度的核心在于优化车辆线路, 因此目前国内外大部分的研究在于优化车辆配送线路。Dantzig和Ramser于1959年首次提出车辆优化调度问题, 许多学科专家运用不同的算法, 运用不同的技术开始研究这个领域, 比如运用人工智能, 神经网络等技术对车辆优化调度问题开展了大量的实验模拟和理论研究, 取得了大量的研究成果。该文运用现代物流理论以及信息技术等方面的研究成果, 设计了物流车辆调度策略及优化算法, 构建了基于多Agent的物流车辆调度系统, 并以此为基础设计并实现了该物流车辆调度系统, 结合C-W算法和启发式调度算法以以及及他他们们在在物物流流调调度度策策略略的的作作用用, , 提提出出了了物物流流调调度度策策略略。。

1 多Agent技术与物流车辆调度理论

1.1 多Agent技术简介

Agent的概念起源于20世纪70年代的分布式人工智能, 在计算机领域, Agent又称为软件智能体[2]。它一般具有自主性、交互性、反应性和主动性的特征。实际上, Agent的概念在分布式系统自身的管理应用已经非常广泛了。例如, 在80年代Agent技术就开始应用于基于TCP/IP的互联网络管理技术的SNMP模型中。在该模型中, Agent是运行在被管理单元上的具有自我意识的程序段, 它能够响应管理单元发来的管理命令, 对被管理单元上的相关事件做出反应等。然而直到今天, 人们才开始重视Agent技术在分布计算领域的应用, 因为它对解决当今分布式应用的一些问题具有很好的效果[3,4,5]。

1.2 物流车辆调度理论方法简介

国外车辆优化调度研究已广泛用于生产、生活的各个方面, 如快递邮件投递、物流配送、车辆载货等等。在过去的几年里车辆优化调度取得不少成果, 除在物流行业应用外, 在工业管理、计算机应用等领域也广泛的应用, 还用于各种行业计划安排、发货单的计划与控制等各个领域[6]。

1) 启发式算法

启发式算法是计算机算法分析与设计中一种常用算法, 主要用来计算最优值或者寻找出最佳方案, 我们将这种算法运用于物流调度的多Agent系统中, 主要是用来寻找出在车辆调度中的最佳运输路线方案。

2) C-W算法

C-W算法是一种非常常见的启发式算法, 利用前人的经验来提升模型的精确度, 通过跟踪校正过程逐步找出满意解[7]。

算法开始先设计由一个配送中心和N个零售商组成数学模型中, 配送车辆的路线安排变得非常困难, 这个数学模型适合采用启发式算法。节约量公式描述为:首先将配送中心用数学模型表示为P0, N个零售商用数学模型表示为P1, P2, ...., PN, , 已知任意节点PI和Pi的距离我们表示为公式Pij (i, j=1, 2, ..., N) , 我们假设外对任意零售商Pi和Pj的分别取合并送货和分离送货两种方式, 前者比后者节约的运输距离为:Sij=d0i+d0j-dij j。根据三点的位置关系可以计算出节约量Sij≥0。

1.3 一般运输调度问题的数学模型

车辆优化调度问题的数学模型我们将做以下定义为:在物流调度模型中, 我们随即设计一连串装货点和卸货点, 然后在满足货物需求量、货物的发送量、客户要求交发货时间、车辆载重、车辆行驶里程限制、送货时间等约束条件, 对各点之间构建行车线路, 使车辆根据调度策略通过这些装卸点, 完成既定目标 (如降低费用等) [8]。

物流调度的核心问题就是车辆与运输调度问题, 运输调度问题描述为是, 假设某种货物有m个产地A1, A2, ......., Am。其中各个产地的货物产量值分别是a1, a2, ......, am, 再假设货物有n个销地E1, E2, ....., En, 销地的销量分别是b1, b2, ...., bn。假定从产地Ai (i=1, 2, ..., m) 向销地Ej (j=1, 2, ..., n) 运输货物单位物品的运价是F, 那么我们建模的目的就是考虑在达到运输的要求的同时使得整个系统的总运费最少。

2 物流车辆调度策略与优化算法设计

2.1 物流车辆调度策略设计

物流调度策略的设计主要是在限定一些条件下开始系统建模, 然后利用一些较好的算法来实施物流车辆调度设计, 因为建模方式和选定的限定条件不同, 会得到完全不同的调度效果, 同时会付出完全不同的调度代价[9]。

本文算法建立了一种基于多Agent技术的车辆竞标和合作协同完成任务的调度优化算法。整个系统由多Agent来构建, 利用车辆调度的已有的算法研究成果, 以及Agent在其他领域的应用成果, 在兼顾平衡系统调度代价和目标优化等多种因素后提出一种混合调度策略。其核心思想在于, 调度控制Agent统一安排大批量任务, 车辆Agent自主决定执行小批量任务, , 从而进一步提高调度系统效能[10]。构建的物流车辆调度算法主要分为三个步骤:如下图。

2.2 物流车辆调度优化算法设计

2.2.1 规划型的任务优化算法

对于规划型任务, 我们首先在建模的时候限定在特定车场, 车辆采用的是特定车型, 在这样的限定条件下进行发货单的分配。本算法利用启发式算法的基本规律, 利用已有的成果对物流车辆的调度系统设计了一个行车路线优化的算法, 通过分配、组合方式、反复的递归求解, 对所有的任务进行分配联合, 最终形成最优的行车路线, 然后根据最优解来进行车辆的调度。具体算法说明如图2。

2.2.2 Agent竞标合作算法

Agent的竞标合作算法中车辆可以根据任务进行自主性调整, Agent能够在运输过程中对新任务进行动态安排, 这种情况适合解决任务量少, 车辆比较多的情况, 也比较符合真实情况。此算法比较适合于已经进行初始安排的车辆动态调配新的发货单情况, 是对前面一种情况的有利补充。若采用前面一章介绍的算法, 这样新添加的发货单任务必须等待, 等到一次新的初始化才能有效地插入到车辆的任务队列。针对这种经常发生的情况, 提出了利用车辆Agent, 车辆进行自主调整任务的调度算法, 这种算法中车辆Agent根据调度Agent发送的任务清单, 利用自身的状态参数来进行自主化的判断。算法具体实现见下图。

具体算法思想:系统出现新的货单任务时, 系统首先发布到调度控制Agent上, 再由调度控制Agent下发任务, 来告知所有车辆Agent。我们这样的优化策略不再是静态的任务分配, 算法将根据各种不同的现实环境, 来进行系统的自主调整, 这样的调整能够提高算法的自适应能力。系统将对不仅仅是进行初始化的任务分配, 而且需要开始考虑未来的新增任务的情况, 系统的动态考虑参数会很多, 整个系统会根据各种状态的变化, 自主的寻找动态的最优解, 这样最优解不是针对整个系统, 最优解可能是在一定时间, 或者系统的某一个阶段的最优结果, 在获取动态订单我们会将计算结果反馈给调度控制Agent, 如果任务能够一次性完成, 就由调度控制Agent告知对应车辆。如果发货单无法在任意一个车辆Agent完成, 控制Agent将对发货单任务进行拆分, 先将任务分解成能够由代价最小的车辆能够单独完成的量, 然后将剩下任务发布给再由其他车辆Agent竞标, 然后反复迭代, 知道任务分配完毕。

3 基于多Agent的物流车辆调度系统设计

3.1 系统体系结构

利用现有调度系统的模型, 结合目前Agent技术取得的研究成果, 提出了一种基于多Agent的物流车辆调度系统架构。将系统主要分为应用层、业务逻辑层、Agent层、物流实体层四层, 系统通过接口来与仓库管理系统、GPS系统等外部系统实现信息的对接, 具体的构架见下图。

3.2 物理实体层

物理层的物理外部系统和设备可以看作一个实体, 甚至可以将地图都作为一个实体, 这些实体可以为代理层服务, 它能够和外部系统通过接口连接起来, 甚至将外部的系统信息转换为系统的内部信息, 通过物理层的代理系统对外部系统的控制, 物理物理层实体详情如下:

1) 全球定位实体。主要用于获取车辆的地理信息, 经度和纬度坐标, 它主要是用来存储当前车辆地理信息, 为上层提供实时的路线优化信息。

2) 短信通信实体。SMS通信系统主要是用于与实体的车辆的信息通信, 车辆可实时返回的信息中心, 同时要求也可以解码短信, SMS可以处理不同类型的服务, 以满足各种车辆需求。

3) 车辆终端。该终端主要实现两个类型的功能, 一个是可以实时查询车辆状态, 包含车辆的位置, 速度等车辆营运车辆状态参数和地理信息, 另外一个是对车辆进行控制, 如断油、速度设定、部署设置。它还有一个车辆调度信息系统, 使驾驶员可以按照系统安排工作的操作。

4) 地理信息实体。与地理信息系统进行交互, 提供必要的数据, 为优化实体提供基本的地理信息, 一些性能良好的地理信息实体要能够做到实时发布交通信。

5) 仓库管理的实体。对应仓库系统, 主要指仓库的货物数量以及货物存储信息, 企业的货物存放信息, 以及该实体能够获取的货物情况, 将能够完成货物的运输路线、地理信息的商品、货物的数量、货物的重量和其他安排的关键数据, 并且可以动态更新的仓储信息。

3.3 Agent层

根据底层业务逻辑的分析, 为上层Agent服务, Agent将根据实施相应的逻辑层的业务需求。在代理层中, 调度和控制Agent是所有Agent的核心, 它负责协调各种Agent之间的决策关系。详细组织关系的设计如下图所示:

对本层中各种Agent的功能进行简单的描述如下:

1) 发货单Agent功能描述

发货单Agent主要是在接收客户发货单以后进行简单处理, 然后将简单处理结果反馈给调度Agent。本Agent的核心功能包括:发货单输入、发货单分解、发货单合并、任务分配这几个模块。发货单输入模块主要是接受各类输入的发货单任务, 并将其存入数据库, 并记录发货单执行情况;发货单分解模块主要确定发货单中各类商品的地点, 将发货单转化为有明确起终点、明确任务量的任务单;发货单合并模块主要功能是拆分任务单, 然后在满足车辆容量和仓库商品数量限制条件下将起点和终点相同的任务尽量合并起来。任务分配模块主要功能是将任务下发到执行Agent并将任务的执行记录和执行情况记录进数据库。

2) 车辆Agent

其实每一个车辆Agent都代表现实的一台车, 他具有车辆的行为状态, 能够通过他查看车辆目前的信息, 同时他还能够在调度系统起到参与竞争、协作。一个车辆调度系统中有一个到多个车辆Agent, 车辆Agent由调度控制Agent进行调度和任务的分配, 同时本Agent能够根据系统调度Agent分布的任务信息, 来进行计算考虑是否参与任务的竞标;同时能够评估任务能否胜任工作并在获得竞标成功的消息后将任务放入执行队列, 在接收任务以后负责执行完, 并能够将车辆状况信息及时通报给调度控制Agent, 便于调度控制Agent的调度。

3) 调度控制Agent

Agent系统的核心功能就是能够信息交换, 其包含仓库管理系统、发货单任务的详细信息、地理信息系统的信息中新等多个模块的信息交互。同时, 它将复杂任务下发给车辆Agent。其具体职能如下:将任务数和系统的车辆数来确定系统属于什么类型, 任何根据类型来决定是否采取招标方式还是任务直接分配方式;在确定任务的优化调度类型的情况下, 系统将采取前文所介绍的算法来进行任务的分配, 通过递归迭代计算, 找出分配的最优方案, 任何将任务分配给不同的车辆, 完成调度结果。如果使用招标, 将公布的汽车代理, 通过竞争性招标, 以提供车辆任务代理完成任务确定车辆的成本信息的任务。代理信息交与车辆, 车辆由代理完成最后的任务。接受有关车辆的当前状态以及地理信息, 如车辆容量测试、车辆状态信息监控。在执行任务的仓库管理信息进行更新, 以保持一致性情况下的资源更新。

4) 仓储管理Agent

主要用于对应仓库管理系统这个外部系统的接口, 它能够和调度Agent进行信息交换, 根据调度Agent指派的任务将仓库的货物信息及时反馈给调度系统, 并且根据车辆Agent的运行情况及时更新库存。

5) 地理信息Agent

主要是和地理信息系统打交道, 向调度控制Agent提供车辆Agent以及一些仓库地图地点的经纬度坐标信息, 能够通过地理信息系统获取目前的线路的路考, 为调度系统提供调度决策的基础信息。

3.4 业务逻辑层

业务逻辑层主要是系统的一些基本的业务单位, 许多业务单位组织成一些宏观业务逻辑。这些业务逻辑是一种上层应用的接口, 为应用层提供技术的封装。其主要有以下一些业务需求:子发货单业务逻辑负责发出发货单任务分配调度控制单元, 并反馈执行的任务;发货单分解业务逻辑负责对任务按照顺序进行分解, 但同时参考交货时间, 车辆的能力;库存信息查询业务逻辑负责查询当前库存的商品。车辆信息查询业务逻辑负责车辆能力状态的查询分析和决策的能力。发货单合并业务逻辑就是能够把将打破后的项目再次组合成一个可执行车辆的发货单执行的任务;库存信息更改业务逻辑负责库存的商品库存的变化信息在更改信息或其他情况下, 实时改变库存信息。

3.5 应用层

应用层主要包括物流计划、发货单处理和调度系统资源管理三大模块, 三大模块详细描述如下:物流计划就是根据发货单等信息, 确定系统的总的物流调度计划, 这个是为调度系统提供安排的基础数据, 他能够集中初始化任务和车辆数量, 是系统的基础。发货单处理系统能够外接外部的发货单信息的录入, 并且能够将发货单进行合并, 归类处理, 为后期的调度系统的顺利调度提供数据基础。调度系统资源管理主要是负责对数据进行处理, 能够将发货单按照计划, 开始动用系统初始化的车辆和仓库, 能够很好的调度车辆, 完成物流运输任务, 同时保证消耗的资源最少, 他能够管理各种资源的使用 (库存、交通等) 的信息, 并且能够向调度Agent提供信息检索, 动态刷新的基本功能。

4 结论

本文利用现有调度系统的模型, 结合目前Agent技术取得的研究成果, 提出了一种基于多Agent的物流车辆调度系统架构。利用多Agent技术的成果, 设计出基于多Agent的物流调度系统的业务逻辑、应用逻辑、基础接口和智能代理四大部分, 完成多Agent的物流调度系统的体系结构。根据物流调度的现状, 完成了物流系统额原型化, 并且给出系统的中结构架图, 并且分别给出算法的具体实现。

展望未来, 我们在设计基于多Agent技术的物流调度系统中, 还有以下几个方面值得深入研究:物流调度领域的其它辅助Agent的详细结构, 研究多车场多车型的运输问题。研究基于Agent的调度算法的动态集成方法, 发货单的评估技术的方法。

参考文献

[1]鲍晓鸣.基于Agent的分布式GIS在物流配送系统中的应用[J].宁波职业技术学院学报, 2011 (5) :24-27.

[2]孙学琴.基于GPS的第三方综合物流管理信息系统分许与规划[D].青岛:山东科技大学, 2004.

[3]Kroeger R.Performance and scalability measurement of COTS EJB technology[J].Computer Architecture and High Performance Com puting, 2002 (10) :212-219.

[4]Qing Caoa, Marc J.Schniederjans.Agent-mediated architecture for reputation-based electronic tourism systems:A neural network ap proach[J].IEEE TRANSACTIONS ON INFORMATION THEORY, 2008, 54 (6) :2818-2826.

[5]Hyun G M.An Effective Method to Design CBD Components in Enterprise JavaBeans[J].Software Engineering Research, 2006, 9:49-56.

[6]邵建利.物流管理信息系统[M].上海:上海财经大学出版社, 2005.

[7]兰宜生.电子商务物流管理[M].北京:中国财政经济出版社, 2001 (8) :35-37.

[8]王红卫.基于WEB的物流信息管理系统的分析与研究[D].西安:西安理工大学, 2004.

[9]Zeadally S, Lu J, Nanduri S.Design and implementation of a Jini-J2EE bridge to enable access to enterprise services[J].Consumer Communications and Networking Conference, 2004 (1) :370-375.

多Agent铁路 篇7

制造业是国民经济的支柱产业,它直接体现了一个国家的生产力水平,世界上各个国家经济的竞争,主要是制造技术的竞争。随着顾客需求和市场环境的不断变化,竞争日趋激烈,为实现快速重构以响应市场竞争,以及提高生产系统规划设计的速度、柔性,减少投资风险,必须使企业的生产系统能够高度可靠地、优质地进行生产和运行。但是,目前在生产系统计划调度方面存在着许多问题,例如:基于线性规划LP的生产计划调度算法,在实际生产中,线性规划目标函数和约束条件完全确定是不可能的,要进行线性规划建模,必须要对模型的目标和约束条件进行抽象化,提炼出理论支持的目标和参数,再对模型进行修正,而实际中很多问题很难以简单的线性关系精确表达,且涉及的变量多为整数,因此限制了LP的使用[1]。而启发式算法是一个基于直观或经验构造的算法[2],它也有观显不足之处,一方面,有可能出现所产生的解比全局最优解差很多的情况,而且差的程度总是不够明确,在这种情况下,经过作业排序后,可能造成设备利用率低,从而导致影响整个生产线的生产效率[1];另一方面,在生产中如果累积负荷超过设备的实际负荷能力,则必须重新调整算法,通过调整工序的加工优先级,进行重新排产[3]。

因此,仿真技术在生产系统生产调度中得到广泛应用,它是对生产系统进行分析实验和评价的最简单、最经济、最有效的方法。它可以把所有的资源、产品生产研制周期、库存、在制品数等动态地结合起来,被认为是解决现代制造过程中复杂问题的理想方法。

随着仿真技术的发展,仿真应用的规模越来越大,仿真系统的复杂程度不断提高。在传统的仿真中,应用运筹学方法虽然能够获得最优的调度结果,但需要大量的计算时间,而且无法描述系统的随机性和不确定性,在进行一些动态性、随机性很强的系统仿真时,效果较差[4]。因此,近几年,学界着重了智能优化算法在仿真系统中的运用研究,应用最多的是遗传算法,但也存在不足,主要表现在2个方面:首先,传统GP算法主要是针对树结构的操作,对资源的消耗比较严重;另外,将传统GP算法的交叉直接应用于作业车间调度问题时会产生非法解,必须经过交叉改进,才可能避免非法解的产生[5];此外,虽然面向对象技术成为软件开发的主要手段,为推进仿真技术的发展起到了重要的推动作用,然而,面向对象技术在描述具有能动性、智能性的实体时,却也显现出其固有的不足[6]。Agent技术的出现,为解决这些问题提供了理想的方法,Agent可以看作面向对象技术的发展和提高,是面向对象技术的更高层次,它为描述智能性的实体,提供了最佳的模式。基于Agent仿真相对于一般的系统仿真而言,在解决离散、非线性系统模拟方面有显著的优势,是研究此类复杂系统产生的全局、自适应行为的一个基本方法。

因此,本论文提出了面向多agent的系统仿真方法,并以烟草行业制丝生产线的仿真系统为例探讨了Agent技术在生产线仿真中的具体应用。

1 Agent技术特点

Agent技术是软件工程及人工智能领域的研究热点[7~8],是分布式人工智能的一个分支,也是专家系统在单元智能化方面的发展。尽管Agent这一术语已经被广泛使用,但对Agent科学界并没有一种统一的定义,不过从各种定义中我们已可归纳出Agent有以下特点:

1)自治性

Agent能根据外界环境的变化,而自动地对自己的行为和状态进行调整,具有自我管理自我调节的能力。

2)主动性

对于外界环境条件的改变,Agent能根据自己的内部状态主动地进行反应。

3)通信能力

Agent能用某种通信语言与其他实体交换信息和相互作用。

4)反应性

Agent能及时地感知和响应其所处外界环境的变化。

5)推理和规划能力

Agent具有基于当前知识和经验,以一种理性方式进行推理和预测的能力。

6)适应性或进化性

Agent应能积累或学习经验和知识,并修改自己的行为以适应新形势。

7)协作、合作、协同及协商能力

亦称Agent的社会性,Agent应能在多Agent环境中协同工作和消解冲突,以执行和完成一些互相受益且自身无法独立求解的复杂任务。

考虑到单个Agent能力的有限性,在实际应用中常用的是multi-agent系统,将各种具有不同能力的Agent结合起来,通过它们之间的相互作用,共同完成问题的解决。

2 基于Agent的烟草制丝生产线仿真模型框架

本文将卷烟制丝生产线仿真系统Agent分为3类,如图1所示,一类是设备实体,主要包括:真空回潮机、切丝机及烘丝机,这些设备是卷烟制丝线的必备及关键设备,加工过程各具特点,工艺过程复杂。因此,必须针对这些设备实体建立Agent模型。一类是过程实体抽象成Agent模型,制丝生产线有真空回潮、储叶、切丝、烘丝、搀兑、储丝等工序组成,各工序间的生产节奏均匀,各工序上的物料流动连续、单向且无循环环节,所以,卷烟制丝生产线实质上又是一个典型的生产流程连续的流程型工业系统。从这些过程实体中可以提取的Agent有:梗丝工艺段、叶丝工艺段、模块制丝计划、搀兑配比计划、制丝计划、卷接计划。除了这些过程实体型A g e n t外,系统还需设置一些功能型Agent,如控制策略Agent、仿真数据搜集处理Agent等。作为一个计算机应用系统,在仿真系统中还需要设置交互Agent,以便与用户进行沟通与交流,获得仿真任务,并显示仿真结果。

仿真用户根据自己具体的仿真需求,通过交互Agent建立仿真生产线,设定仿真条件和需要搜集的仿真数据,并启动仿真系统,系统自动产生并运行其它需要的Agent,在规定的仿真时间到达时,由数据搜集处理Agent按照用户的仿真要求对仿真数据进行统计分析,并以合适的方式提供给用户。

3 卷烟制丝生产线各Agent模型描述

3.1 设备实体Agent

首先,对设备实体Agent建立模型总体结构框架,如图2所示,对设备Agent进行属性及行为描述。

该Agent模型的描述如下:

设备Agent模型实质上是由设备、工序、加工等工艺对象类及其属性相互关联而成,本文根据卷烟制丝的生产及设备工艺,针对其制丝生产线的设备模型进行设计,其流程如图3所示。

得到描述设备实体Agent模型时要调用以下规则函数:

1)判断是否能够输入物料;

bool Is Can Get Material(int PUId,out Array List Global Memory Object List)

2)消耗物料输入规则(扣减输入物料),返回物料消耗(进料)的时间;

int Consum Material(int PUId,out Array List Global Memory Object List)

3)加工时间计算规则;

int Cal Production Time(int PUId,out Array List Global Memory Object List)

4)判断是否能够输出物料;

bool Is Can Set Material(int PUId,out Array List Global Memory Object List)

5)产出物料输出规则(增加输出物料),返回物料输出时间;

int Output Material(int PUId,out Array List Global Memory Object List)

6)判断是否报警;

bool Is Alarm(out int Alarm Level,int PUId,outArray List Global Memory Object List)

7)判断任务是否完成,返回完成量,否则0;

int Is Task Finished(int PUId,out Array List Global Memory Object List)

3.2 过程实体Agent

1)梗丝工艺段

梗丝工艺段是将烟梗处理成为梗丝的一种工艺,细分为2个工艺段:梗处理和梗丝处理段主要实现烟梗回潮、洗梗增湿、润梗、贮梗、切梗丝、加料等功能;梗丝膨胀段主要实现膨胀、干燥、冷却定型、贮丝等功能。

2)叶丝工艺段

叶丝工艺段是将烟叶处理成为梗丝的一种工艺,主要实现配叶储叶、缓冲喂料、烟片筛分、金属探测、切叶丝、缓储喂料、流量控制、烟丝加温加湿(或HT回潮)、烟丝气流干燥(筒式烘丝)、储存等功能。

3)模块制丝计划

模块制丝计划包括储梗模块和储叶模块,是对制丝生产线实体梗丝柜和叶丝柜的映射,按照控制策略Agent一定的规则和约束条件产生不同模块制丝计划。

4)搀兑配比计划

搀兑配比计划主要实现烟丝掺配、加香、混合烟丝等功能。在搀兑中根据不同品种烟丝的要求,搀兑比例不同,加香配料也不一样,搀兑具有各品种配方规则,可以根据用户需求生成搀兑计划。

5)制丝计划

制丝计划是产生成品丝的最终阶段,它和模块制丝计划的功能类同,但存储的是最终的成品丝,直接输出给卷接计划。

6)卷接计划

卷接计划是将合格的烟丝和符合标准的辅助材料,制成规格与质量均符合产品标准的无嘴卷烟或滤嘴卷烟。其工艺过程是将制丝计划产生的成品丝送入卷烟机,经松散、定量、成条后,用卷烟纸包裹、粘合、烫干、切割,成为烟支。

3.3 功能型Agent

1)控制策略Agent

控制策略Agent是整个生产线仿真系统最基本的元素,由它产生的策略算法来控制其它实体Agent之间的通信。

2)仿真数据采集分析处理Agent

进行仿真的目的通常是得到不同条件下的一些仿真数据,以便进行对比分析[9]。系统中设置的仿真数据采集分析处理Agent,可以根据用户的仿真目标对生产线仿真系统中的相关数据进行采集,以便对设备及工序的初始状态进行设定,并对每次的仿真结果处理,并以图表等形式提供给用户。本文的仿真系统中设置了对生产状态时间比例、设备利用率、KPI等数据的搜集处理。

3)交互Agent

从功能上说,交互Agent是一种增强用户与应用系统之间交互的计算机程序,一方面它可以根据用户的利益为其提供帮助;另一方面,交互Agent还可以将用户的定性输入解释为应用系统内部的精确指令,以便驱动系统的运行[10]。

4 基于Agent仿真生产线的实现

4.1 控制策略Agent约束集

由于工艺流程及设备的要求,在实际生产中一定存在一些约束条件,因此,在仿真系统中必须反映出来,在控制策略Agent中产生约束集,对各Agent如下约束:

1)模块制丝计划

梗丝柜和叶丝柜出料时批次号必须同贮柜存料的批次号相同;在选择出料贮柜时,必须满足存储时间需要,存储时间按预计开始计划时间推测;进料时贮柜状态必须为空;模块制丝的批次计划的出料批次顺序应同对应搀兑计划的批次计划顺序一致。

2)配比搀兑计划

在加香搀兑时,出梗柜选择后,出料路径也确定了,根据出料路径对梗柜分组,同时由于特定路径只能出特定梗柜的料,若两条路径同时过料,则应判断两路径的批次计划出料梗柜应不在同一梗柜组中;搀兑时,每一批次只能选择一种残烟丝,不允许两种同时选择,并且每一加料路径,只能同时向一个路径加料;若两条加香路径同时过料时,不允许选择同一加香机。

3)制丝计划

成品丝柜分成若干个组,每组柜同时只能生产同一个牌号,在调度时必须验证;由于加香机出口路径对应特定的贮柜组,因此各加香机在同时出料时不能同时选择同一组的贮柜。

控制策略Agent根据上述约束集信息编制一些仿真规则存储在规则集中,并且具有关于制丝生成规则和方法方面的知识,可以生成生产调度计划,也可以由调度员设定生产调度的生成规则和方法。

4.2 控制策略Agent模型

控制策略Agent模型如图4所示:

Agent实现控制过程为:由计划与调度、仿真参数设置、初始状态设置、约束规则集、仿真规则集组成。约束集为仿真过程中的资源约束,包括制丝线上关键设备(例如:烘丝机、贮丝柜)的能力信息及生产状态信息,控制策略Agent根据上述约束信息编制一些仿真规则存储在规则集中,仿真规则用于控制计划仿真执行时的仿真流程及计划的执行时间。其中仿真规则集可以根据实际应用情况动态添加,相应的规则,在实现中采用.Net的反射技术来实现脚本的动态执行。初始状态设置模块用于输入仿真计划执行时的生产线的初始状态信息,在制丝线中主要是设置各贮丝柜的余量、品牌及批次信息,主要考虑如下因素:

1.各贮柜的余量及牌号;

2.关键设备的状态(保养、故障等);

3.卷包机组同丝柜的配置对应关系;

4.卷包计划执行情况(由此判断耗丝速度);

5.当前计划执行的情况。

5 仿真案例及效果分析

为了验证系统的仿真优化排产的能力及正确性,本文对实际的卷烟制丝线进行抽象,去掉对计划仿真执行过程中的次要因素,保留对仿真影响较大的因素,对制丝线抽象为如下仿真模型.

在仿真过程中涉及的计划分类如下:

1)工艺段1模块制丝计划;

2)工艺段2模块制丝计划;

3)模块制丝计划(到模块丝柜,是1,2的父计划);

4)搀兑段计划;

5)制丝计划(到成品丝柜,是4的父计划);

6)卷接计划(每一台为一卷接段)。

在运行实例中,根据上级生产管理下达的计划,现场情况共给出3组备选的计划方案,其计划总量是完全相同的,不同之处在于批次计划的执行顺序及路径选择,在以其为仿真背景的情况下得出的仿真结果如下所示:

由上图可以看出,第一组排产方案执行时间为12min,第二组排产方案执行时间为9min,第三组排产时间为17min,通过仿真执行结果来看,第二组排产方案优于其它两组方案,并且根据图中仿真执行过程时间比例,加工时间占总时间的97%,效率也是较优状态,因此,可作为制丝线的实际排产方案。

6 结论

多Agent技术在制造企业生产线优化排产系统中的应用研究已成为当前研究热点之一。本文所研究的基于多Agent仿真的优化排产系统指导计划地制定,已在延吉烟厂制丝线中作为排产模块成功的应用于制丝线MES系统,经实践证明,该系统能够有效地辅助计调人员提高排产的水平,每天能够较原排产方法多增加一个批次的生产,进而提高生产线的生产效率。然而现阶段本算法仍有不足,现有算法无法详细分析出某一组排产方案的瓶颈,只能给出执行该组方案时的执行时间的分布,尚不能提供改进该排产方案的依据,在下一步的研究工作中,应进一步深入研究仿真数据的深度分析工具,通过数据挖掘方法对仿真的运行数据进行多维分析,进而找到每一计划组的执行瓶颈及对该计划组的调优建议,使系统更完善。

摘要：从人工智能领域中发展起来的Agent技术,为仿真系统的建模提供了新的方法和思路,文章提出了基于多Agent的仿真系统研究方法,并以烟草行业制丝生产线的实际排产为应用背景,对系统进行了验证。

关键词：多Agent,仿真模型,排产,XML描述

参考文献

[1]郑睿.制造业的车问调度问题优化算法比较研究[J].物流科技.2008,(6).

[2]邢文训,谢金星.现代优化计算方法[M].北京:清华大学出版社.1999.

[3]刘艳丽,刘希玉.启发式算法在计划排产中的应用[J].计算机技术与发展.

[4]王国新,宁汝新,王爱民.基于仿真的生产调度优化技术研究[J].计算机集成制造系统.2007,13(7).

[5]张国辉,高亮,李培根.基于遗传规划的作业车间调度算法研究[J].控制与决策.2008,23(8).

[6]孙晋文,李明树,鄂卓茂.基于Agent的智能交通体系及仿真[J].计算机仿真.2002,17(3).

[7]Nicholas R.Jennings,Michael J.Wooldinge,Agent Technol-ogy-Foundation[J].Applica-tion and Markets,Springer,1997.

[8]Adelinde M.Uhrmacher,Concepts of Object-and Agent-Ori-ented Simulation,TRASA-CTIONS,1997(2):59-67.

[9]李英,马寿峰.基于agent的仿真系统建模[J].系统工程学报.2006,21(3).