Flocking for Multi-Agent Dynamic Systems: Algorithms and Theory的理论简述和python仿真实现（附源码）

爱哭的熊孩子

已于 2024-05-23 18:02:35 修改

阅读量739

点赞数 7

文章标签： python 开发语言

于 2024-05-22 16:43:04 首次发布

本文链接：https://blog.csdn.net/m0_59701926/article/details/138222267

版权

本文简述了Flocking for Multi-Agent Dynamic Systems的理论，并提供了Python代码实现，涵盖自由空间无目标、有目标无障碍及有目标有障碍三种情况的算法，包括2D和3D仿真结果。

摘要由CSDN通过智能技术生成

一、理论简述

算法简介

这学期选修了群体智能这门课，需要对Flocking for Multi-Agent Dynamic Systems:Algorithms and Theory这篇论文进行编程仿真，特此记录一下自己的心得体会和编程过程，以供参考，码字不易，不正之处，还望海涵。

该论文主要解决的场景和对应的算法有三个：

1. 自由空间，无目标，无障碍：即只有 $\alpha$ -agent

2. 自由空间，有目标，无障碍：即增加 $\gamma$ -agent

3. 自由空间，有目标，有障碍：即增加 $\beta$ -agent

三种情形分别对应三种算法， $\alpha$ -agent对应的就是群体， $\beta$ -agent对应障碍物，障碍物可以视为特殊的 $\alpha$ -agent， $\gamma$ -agent则对应目标，可静止，也可运动。三种算法的难度依次递增，在论文中，作者总结出以下结论：

算法1：将会使群体形成多个片段，而不是一个整体（如论文中的figure4所示）

算法2：将会形成一个整体

算法3：在遇到障碍物时可能会被打散，但是通过障碍物后最终状态和算法2一样

运动方程

$\left\{\begin{matrix} \dot{q}=p&\\ \dot{p}=u & \end{matrix}\right.$

q可视为位置，可以是二维的，即(x, y)，也可以是三维的，即(x, y, z)；p可视为速度，维度和q一样，u则视为加速度，维度也与q一样。u是控制量，q和p将通过u进行更新，设采样周期为dt，对于第i个个体，其位置和速度最简单的更新方式为：

$\left\{\begin{matrix} p_{i +1} = p_{i} + u_{i} * dt& \\ q_{i+1} = q_{i} + p_{i+1} * dt & \end{matrix}\right.$

即先通过u更新速度p，再通过速度p更新位置q，这便是状态更新的过程，当然也可以使用其他更新公式。状态的更新并不麻烦，关键在于如何让求解控制量u，让控制量u来保证每个个体的正确运动。

核心公式

公式细节和证明建议阅读论文原文，因为这篇文章主要讲解如何进行仿真，所以这里仅给出三种算法的控制量u的更新方法，而不会过深地讲解理论（主要是更深的我也讲不出来）。三种算法，存在三种形式的控制量，即 $u_{i}^{\alpha}$ ， $u_{i}^{\beta}$ ， $u_{i}^{\gamma}$ ，根据算法的特点，决定最终的 $u_{i}$ 是多少。

算法1：

$u_{i}$ = $u_{i}^{\alpha}$

$u_{i}^{\alpha}$ =

最低0.47元/天解锁文章

爱哭的熊孩子

关注

7
点赞
踩
18

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

Flocking for Multi-Agent Dynamic Systems: Algorithms and Theory的理论简述和python仿真实现（附源码）

一、 理论简述

算法简介

运动方程

核心公式

一、理论简述