本發(fā)明涉及多智能體系統(tǒng)一致性領(lǐng)域，具體涉及一種在切換拓撲條件下基于topsis綜合決策的多智能體系統(tǒng)一致性算法。

背景技術(shù)：

0、技術(shù)背景

1、自然界中的許多生物，如螞蟻、鳥類和魚類，通過群體行為和信息交流來完成復(fù)雜的任務(wù)，這種群體協(xié)作的機制啟發(fā)了多智能體系統(tǒng)的設(shè)計。多智能體系統(tǒng)是一種分布式控制系統(tǒng)，系統(tǒng)中的智能體可以通過簡單的局部交互規(guī)則與鄰域智能體進行通信交流，自治地調(diào)整自己的狀態(tài)，使得在整體層面上呈現(xiàn)出一種有序的協(xié)同運動和智能行為。

2、一致性問題是多智能體系統(tǒng)中的關(guān)鍵，它關(guān)注如何通過分布式控制算法使所有智能體的狀態(tài)（如位置、速度等）最終達到一致。一致性問題是通過設(shè)計合理的分布式控制算法（即一致性協(xié)議）解決，良好的算法能夠促進智能體之間的有效通信和合作，即使在環(huán)境變化的情況下，也能使系統(tǒng)狀態(tài)趨于統(tǒng)一。

3、網(wǎng)絡(luò)拓撲結(jié)構(gòu)分為固定拓撲和切換拓撲兩類。固定拓撲結(jié)構(gòu)是指隨著環(huán)境和時間的變化多智能體系統(tǒng)的網(wǎng)絡(luò)拓撲結(jié)構(gòu)固定不變；切換拓撲結(jié)構(gòu)是指多智能體系統(tǒng)的網(wǎng)絡(luò)拓撲結(jié)構(gòu)隨著環(huán)境的變化和時間的推移而變化。通常，智能體依據(jù)一致性協(xié)議與鄰域智能體進行通信交流，智能體位置狀態(tài)發(fā)生變化或者智能體發(fā)生故障時，系統(tǒng)的網(wǎng)絡(luò)拓撲結(jié)構(gòu)也會隨之發(fā)生變化。

4、在現(xiàn)有的分布式系統(tǒng)中，離散時間模型存在智能體初始數(shù)量和拓撲結(jié)構(gòu)的不確定性以及時變性，導(dǎo)致在現(xiàn)有一致性協(xié)議作用下收斂緩慢。因此，關(guān)鍵問題在于如何在離散時間模型下設(shè)計出基于切換拓撲的分布式一致性協(xié)議，使得在保持系統(tǒng)穩(wěn)定的前提下有效提高收斂速度。

5、本發(fā)明提出一種基于topsis綜合決策的切換拓撲下多智能體系統(tǒng)一致性方法。通過提取拓撲網(wǎng)絡(luò)諸多屬性信息，可以得知智能體與智能體之間的內(nèi)在聯(lián)系；通過topsis綜合決策方法，可以全面準確地評價智能體，篩選出利于收斂的重要智能體，并基于此設(shè)計一致性協(xié)議，促進系統(tǒng)收斂。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的是解決現(xiàn)有一致性算法在大規(guī)模密集多智能體系統(tǒng)結(jié)構(gòu)下收斂過慢甚至無法收斂問題，提供了一種基于topsis模型的重要智能體評價策略，篩選出更有價值的鄰居智能體進行通信，降低大量通信代價；同時，設(shè)計一個新的一致性協(xié)議，來提升收斂速度。

2、本發(fā)明中提出的topsis綜合決策多智能體系統(tǒng)一致性方法，通過對離散時間下每一時刻的拓撲進行分析來進行智能體狀態(tài)更新和演化，具體步驟如下：

3、s100：切換拓撲下分布式離散時間模型多智能體系統(tǒng)下，在時刻，所有智能體感知并存儲通信半徑內(nèi)的所有鄰居智能體信息；

4、s200：結(jié)合智能體信息所構(gòu)成的拓撲結(jié)構(gòu)，設(shè)計一個基于topsis模型的重要智能體評價篩選策略，篩選出重要智能體，使智能體只與重要智能體交互，而不是與鄰域內(nèi)所有智能體交互；

5、s300：設(shè)計一致性協(xié)議，并根據(jù)篩選出的重要智能體，計算出下一時刻智能體的候選狀態(tài)；

6、s400：所有智能體根據(jù)一致性協(xié)議計算出自身下一時刻的狀態(tài)進行演化，進而得到下一時刻整個系統(tǒng)智能體的狀態(tài)情況，并進行多智能體系統(tǒng)一致性判定。

7、進一步地，步驟s100中所述的鄰居智能體信息，主要包括兩個方面：

8、（1）鄰居智能體狀態(tài)信息：；

9、（2）拓撲結(jié)構(gòu)屬性信息：鄰居的鄰居數(shù)，記作、與所有鄰居的共同鄰居數(shù)，記作、與所有鄰居的狀態(tài)距離，記作。與所有鄰居的共同鄰居數(shù)定義表達式如下：

10、

11、其中，表示集合的模數(shù)；與所有鄰居的狀態(tài)距離定義表達式如下：

12、

13、其中，表示l2范數(shù)。

14、進一步地，步驟s200中所述設(shè)計一個基于topsis模型的重要智能體評價篩選策略，其步驟包括：

15、s210：決策矩陣構(gòu)建：設(shè)智能體在時刻下有個鄰居智能體，其對應(yīng)集合為，屬性信息集為（分別對應(yīng)權(quán)利要求3所述鄰居的鄰居數(shù)、與所有鄰居的共同鄰居數(shù)、與所有鄰居的狀態(tài)距離三個屬性），對的值為，形成決策矩陣：

16、

17、s220：規(guī)范化處理：由于不同屬性的描述單位不一，數(shù)值上差異巨大，導(dǎo)致量綱效應(yīng)，所以需要進行規(guī)范化處理，將不同單位的屬性值轉(zhuǎn)換到同一尺度上，得到規(guī)范化處理后的矩陣，其中轉(zhuǎn)換規(guī)則如下所示：

18、

19、s230：確定正理想狀態(tài)以及負理想狀態(tài)：正理想狀態(tài)代表的是某一屬性信息下從所有待評價鄰居中選出的最優(yōu)值的集合，用表示；負理想狀態(tài)代表的是某一屬性信息下從所有待評價鄰居中選出的最差值的集合，用表示。其中，集合元素定義如下：

20、

21、

22、所述確定正負理想狀態(tài)中，鄰居的鄰居數(shù)、與所有鄰居的共同鄰居數(shù)為正向指標，與所有鄰居的狀態(tài)距離為負向指標，故正理想狀態(tài)中前兩個屬性取最大值，第三個屬性取最小值；負理想狀態(tài)中前兩個屬性取最小值，第三個屬性取最大值。

23、s240：計算每個鄰居狀態(tài)到正理想狀態(tài)和負理想狀態(tài)的歐氏距離：用表示第個鄰居智能體狀態(tài)到正理想狀態(tài)的距離；用表示第個鄰居智能體狀態(tài)到負理想狀態(tài)的距離；具體定義式如下：

24、

25、

26、s250：計算每個鄰居智能體狀態(tài)的評價參考值：評價參考值記為，其定義式如下：

27、

28、s260：篩選重要鄰居智能體：將評價參考值從大到小進行排序，選取評價參考值前三所對應(yīng)的鄰居智能體，將其加入到重要鄰居集中，完成篩選。

29、進一步地，步驟s300中所述設(shè)計的分布式一致性協(xié)議，其步驟如下：

30、s310：計算候選狀態(tài)值：依據(jù)智能體狀態(tài)信息的維度，分維度進行考慮，新的候選狀態(tài)求解具體可以表示為：

31、

32、其中，表示在第維度上的候選狀態(tài)值，表示在所有篩選出的重要鄰居中的第維度上的狀態(tài)的最大值，表示在所有篩選出的重要鄰居中的第維度上的狀態(tài)的最小值。

33、s320：一致性演化規(guī)則：根據(jù)步驟s310所計算出的候選狀態(tài)值，一致性協(xié)議可以表示為智能體當前時刻的狀態(tài)加上所計算得出的候選狀態(tài)值，其表達式可表示為：

34、

35、其中，表示權(quán)衡系數(shù)，影響著系統(tǒng)的收斂速度。

36、進一步地，步驟s400中，所述的系統(tǒng)一致性判定規(guī)則是，對于任意兩個智能體與，若均滿足條件：

37、

38、其中，表示閾值，一般而言，表示l2范數(shù)。

39、則可以認為系統(tǒng)達成一致性狀態(tài)，收斂完畢；否則重復(fù)步驟s100，進行下一時刻的演化。

40、本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：

41、（1）本發(fā)明能夠綜合拓撲多屬性信息進行決策。相比于其他智能體選擇策略，本發(fā)明通過挖掘和利用智能體所構(gòu)成的拓撲結(jié)構(gòu)，將多種屬性信息列入決策參考，對于重要智能體的判斷更加精準；

42、（2）本發(fā)明能夠準確量化智能體重要性。相比于其他評價策略，基于topsis模型進行綜合計算會更加準確，對于智能體狀態(tài)評價參考值的量化更加合理；

43、（3）本發(fā)明能夠加快多智能體系統(tǒng)的收斂進程。相比于傳統(tǒng)一致性協(xié)議，本發(fā)明不僅減少了交互鄰居智能體數(shù)，而且盡最大程度增加每一時刻的狀態(tài)變化量，可以幫助智能體減少通信代價的同時更快地達成狀態(tài)一致，加快系統(tǒng)整體收斂進度。