共同进化的不对称形态和简单的捕食者代理捕食的行为追求的问题

文摘

人类一直努力创建微观机用于各种目的。其中最突出的使用纳米机器人用于医学目的和程序,否则视为很难或不可能执行。然而,这种机器的主要优势也是他们的主要drawback-their体积小。小型规模,他们的工作,带来很多问题,比如这里没有足够的空间所需的计算能力的操作或具体的物理定律支配自己的行为。在我们的研究中,我们关注的是前者的挑战,通过引入一个新的角度研究使用的实现非常简单的捕食者捕食追求问题代理。旨在模拟小规模(微观和纳米)机器人,这些代理形态简单功能单一的视线传感器。捕食者的行为代理也很简单——(几)感知环境变量直接映射到相应的旋转速度对轮子的汽车。我们实现了遗传算法进化这种映射的结果在一个团队成功捕获猎物的捕食者。然而,初步结果表明,捕食者,使用一个简单的传感器不能解决的不仅仅是一些最初的情况下进行测试。因此,提高通用性的进化行为,我们提出了一个不对称的感官形态predators-an角抵消传感器相对于纵轴和协同进化的一个偏移量一起捕食者的行为。 The behaviours, coevolved with a sensor offset between 12° and 38°, resulted in both an efficient and consistent capture of the prey in all tested initial situations. Moreover, some of the behaviours, coevolved with sensor offset between 18° and 24°, demonstrated a good generality to the increased speed of the prey and a good robustness to perception noise. The obtained results could be seen as a step towards the engineering of asymmetric small-scale for delivery of medicine, locating and destroying cancer cells, microscopic imaging, etc.

1。介绍

随着技术的进步,光学和电子显微镜的发明,人类开始探索微型世界。这些新发现;然而,新的问题开始出现。人类发现的解决方案对他们来说,转向自己创建微型和纳米(1]。作为一个物种,努力生存的各种致命的条件下,我们面临最突出的领域使用这些新的纳米药物。有许多程序很难执行的人类医学博士和新创建的微型机器人非常适合[2]。这样的过程,传统方法可能损害周围的(健康的)身体组织,包括脑部手术,视频诊断在难以达及的地方,确定给药化疗(急需)。纳米技术的一些优点,提供持续的监控,快速反应条件的突然改变,最小的创伤组织,相对较短的恢复时间,和最小的治疗后的护理3]。

在我们的研究中,我们使用一个多重代理系统(MAS)作为一个团队的模型的简单的小型机器人。马斯发达的优势,相对于集中式系统相似的功能,在于它提供了一个模块化的增加,降低复杂性的“分而治之”的方法(提供一个直观的解决方案开发和部署复杂的软件系统),和灵活多样的软件和硬件平台。从用户的角度,使用MAS的好处是优越的鲁棒性,提高容错性、可伸缩性和性能。后者尤其如此,因为MAS可以更快地解决问题(固有的并行或分布式)比集中式(或单药)系统。此外,由于其复杂的非线性性质,MAS经常会解决一个代理无法解决的问题。整个团队的多个代理预计展览行为可以被视为一个简单得多的紧急(高层)属性(低级)代理的属性,或作为一个整体“实体”的总和(384年亚里士多德的交流。-322交流),因此,不可能设计运用传统的自上而下的软件工程方法。

目前,有各种挑战的进展放缓的现实适用性MAS建模小型机器人的社会。这些挑战之一源于这些机器人体积小的优势。物理约束意味着这些机器人不可能功能复杂morphology-both传感器和移动机制需要非常简单的能够适合在有限的空间机器人的身体。机器人将行为简单,因为他们的决策不会涉及到计算,而是直接的映射(几)感知环境状态到相应命令执行器。最有可能的是,个人代理之间的通信(如果有的话)是不可能直接的方式来实现,实现了隐式,通过相应的环境的变化。这种机器人可以被视为一种终极的奥卡姆剃刀原则,应用其形态学和决策。这样简单的可用的属性差距进一步扩大个人机器人和所需的复杂团队的整体行为的机器人作为一个整体。在我们的例子中我们尤其如此专注于开发人体自主机器人能够遍历,而不是由外部力量,不断引导监控(4,5]。

可能的因素有利于小规模的实现机器人考虑我们的工作包括(i)简约的实现(2)兼容流体动力学以非常低的雷诺数和(iii)健壮性行为的机器人布朗的碰撞(扩散),如下阐述。

的简约的实现意味着非常简单的传感器、控制和效应器的机器人。事实上,单一的视线传感器采用我们的工作被视为一个“极端简单”的例子在机器人(代理)认知领域的多重代理系统和群机器人(6- - - - - -11]。它可以实现由一个(或几个)受体(s)像素(摄像机),纳米颗粒,等。控制也非常简单纯粹的反应,(几)感知环境状态的直接映射到相应效应器的命令。轮子的效应器是模仿我们的机器人,安排在差动驱动配置中,这被视为最小配置机器人二维环境中允许两个线性运动和旋转(转向)运动的机器人6- - - - - -11]。

两个轮子的机器人的特性被认为是在我们的工作与他们的兼容流体动力学的在低雷诺数,相关的小型机器人的真实世界:(i)车轮控制机器人的运动产生的向量的线性速度(而不是力量,需要考虑电机的转矩,质量和转动动能的机器人,产生的加速度,等等)应用于每个机器人的双方,(2)这些速度发生变化的瞬间(没有滑行)。我们介绍了这些features-controlling机器人车轮线速度的变化迅速的桥梁之间的现实差距模型的机器人和非常低雷诺数小型机器人的动力学。事实上,以非常低的雷诺数,机器人的运动特点是粘性力的优势超过惯性的(12]。因此,质量(惯性)不是一个相关因素在这种运动,和速度的变化几乎立刻会发生小规模的机器人。在最终的3 d实现中,车轮可以取代更一般的“推进器”,模型实际推进小规模robots-e.g来源。,bioinspired旋转螺旋鞭毛和扶轮人工分子机器11,12]。

的鲁棒性布朗的碰撞可以通过仅仅拥有一个足够大的尺寸的机器人12]。从另一个角度看,稍后我们将精心制作的,我们测试了MAS提出感知噪声的鲁棒性。与粒子碰撞的影响受到布朗运动在某种程度上不同于只是感知噪声;然而,我们的实验可以看作是第一步的验证系统在高度动态、不确定的环境。

Gauci et al。6)以前模仿类似的简单机器人代理。代理能够自组织为了解决简单的机器人聚集问题。相同的框架也成功申请object-clustering越复杂问题7)的代理需要与另外介绍了固定对象交互。的可能性的一组这样的代理进行精细的社会(周围)行为为特征的环境中动态对象最近被奥兹德米尔演示等。8在解决引导问题),一组简单的代理(牧羊人)需要指导多个动态代理(羊)向一个首要的确定目标。

在我们的研究中,我们提出了利用一个类似的简单代理解决方案的不同任务的研究,然而,很难解决捕食追求问题_pppp (log) [13- - - - - -17]。_pppp在这个log,八相同,简单的代理(食肉动物)是用来捕获单一动态代理(猎物)。

我们的目标是调查的可行性应用遗传算法(GA)发展等四个感知环境状态的直接映射到各自的速度的捕食者的代理导致的车轮团队成功捕获猎物的捕食者。此外,我们共同进化是否感兴趣(我)不对称感官morphology-an角偏移的感应器的捕食者代理和(2)他们的行为会导致更有效的和一般捕获。

_pppp我们动机使用该实例的log是基于问题的复杂性增加,相对于以前研究任务(6- - - - - -9]。_pppp相比以前调查的领域,log要求代理展示一组更多样化的行为,包括探索周围的环境,和捕捉猎物。与[8),在我们的实现中_pppp的log框架,这种行为的出现是由另外复杂,通过引入约束的感觉和运动能力捕食者。相对于无限的范围,认为在其他作品,我们近视的食肉动物特性,有限传感器,和他们的移动速度等于的猎物,而不是快(6,8]。此外,初始位置猎物的捕食者是没有被包围,这可能会缓解捕捉它的任务。这可以被视为注入小型机器人的集群团队在某种程度上进入人体。

额外的动机的研究是认识到许多真实世界的场景,的确,减少到以前研究沿墙走,分散9),聚类(6],和引导问题[8),会有一些需要与一个活跃的直接身体接触的猎物可以模仿_pppp提出实例的log (18- - - - - -20.]。这些场景可能包括确定药物输送,并摧毁周围(癌症)细胞或细菌,收集细胞促进其修复或成像,等等。

本文的其余部分组织如下。第二部分描述了_pppp中的实体log。在第三部分中,我们精心设计的遗传算法,采用捕食者行为的进化。在第四节中,我们给出了该系统的实验结果并介绍该不对称感官形态的捕食者。在同一节中,我们显示结果的鲁棒性和普遍性进化捕食者代理。第五节讨论的优点不对称形态和捕食者的紧急行为策略代理。我们在第六节得出结论。

2。实体

2.1。捕食者代理

每个八(相同的)捕食者代理模型用一个简单的圆柱形机器人视线传感器范围有限的能见度和两个轮子(由两个电机控制)差动驱动配置。

单一视距(梁)传感器提供了两个信息,其中每个比特编码是否entity-either(最近的)捕食者代理或猎物,分别是检测(如果有的话)的视线在有限范围内的知名度。这种传感器的实现将包括两个光电探测器,对两种不同的敏感,不重叠的波长的光(紫外线、可见光或红外线)反映(或释放),捕食者和猎物,分别。每一个两个光电探测器提供了一个比特的信息。配备这样的传感器,捕食者可能认为只有四个离散状态——< 00 >,< 1 >、< 10 >,和< 11 >,如图1——环境。国家< 11 >是最具挑战性的一个感知。可能是感觉到了,然而,在以下假设:(i)比捕食者和猎物较高(2)不掩盖了更短的天敌,猎物的横截面是窄多食肉动物或(至少部分)透明的光被掠食者。注意,感知环境状态不为捕食者提供任何了解的距离感知的实体,也不是他们的总数。

在我们以前的工作(21),我们注意到药物的古典形态的传感器与经度轴agents-results不少成功的解决方案的初始情况。因此,而不是通常认为的简单定位传感器的捕食者,我们提出了一个角(例如,逆时针)抵消相对于纵轴。我们推测,这种不对称的感官形态将让掠食者进化更有效捕捉行为通过实现一个等角的(比例)追求的猎物,针对(估计)接触移动的猎物,而不是目前认为后者的位置。拟议中的不对称形态不妥协的目的简单代理。代理的主要特点,期间使用的进化猎物代理人的行为,总结在表1。

捕食者代理的完全被动的行为可以被描述为每个感知环境状态的直接映射到一个相应的旋转轮马达的速度。为简单起见,而不是映射成旋转速度(例如,RPM)的汽车,我们将假设一个映射到车轮的线速度,表示为percentage-within范围(−100%,…,+ 100%)-各自最大线速度(10单位/ s,如表所示1)。例如,−20%的速度意味着车轮旋转的电动机最大线速度的20%,和车轮推动相应的机器人在一个落后的(消极的)方向的线性速度2单位/ s(即。,20%的最大轮的线速度)。捕食者的纯粹被动的决策代理人可以通过以下八隅体:正式定义 在哪里V_{00 l}和V_{00 r}线速度(作为一个百分比,设置范围内(−100%,……,+100%), of the maximum linear velocity) of the left and right wheels of the agents for the perceived environmental state <00>, whileV_{01 l},V_{01 r},V_{10 l},V_{10 r},V_{11 l},V_{11 r}类比的速度被认为环境< 1 >,< 10 >,和< 11 >。

我们的目标的共同进化(通过GA)代理人的行为和不对称的感官形态可以描述为共同进化(i)这样的速度值,所示的八隅体方程(1一起),(2)传感器的角度偏移,导致一个有效捕获的食肉动物的行为代理。我们将在下一节详细说明这样一个共同进化。

2.2。猎物

猎物还装备了一个全向传感器,有限的能见度范围。平衡的优势全向传感器给猎物,相比单一传感器的视线捕食者,猎物的观看距离只有50台,相比200单位的捕食者。然而,猎物的最大速度是相同的捕食者。这些条件将鼓励捕食者代理发展合作行为,因为他们将无法捕捉的猎物。另一个角度表明_pppp成功解决log,以这样一种方式定义,可以证明MAS的美德,因为它可以解决一个问题,一个代理不能(捕食者)。

捕食者的行为相比,我们实现了一个手工制作的行为的猎物。猎物企图摆脱最近的捕食者(如果有的话)通过运行在其最大速度的方向完全相反的轴承捕食者。猎物仍然还不发现任何食肉动物。表1显示了猎物代理的主要特色。

2.3。世界

我们模仿世界作为一个二维无限平面可视化部分1600×1600辆。我们更新观念、决策以及由此产生的新的状态(如位置、方向和速度)的代理采样间隔为0.1 s。试验的持续时间是120年代,1200年模拟时间步。我们近似食肉动物的新国家在以下两个步骤,如图2。首先,从目前的定位、偏航率,采样间隔的持续时间,我们计算新偏航角(方向)(作为一个方位t北)的代理。偏航率是获得的区别左右轮的线速度和车轮之间的轴的长度。然后,我们计算新职位(即。,the two-dimensional Cartesian coordinates) as a projection (in time, equal to the duration of the sampling interval) of the vector of the linear velocity of predators. The vector is aligned with the newly calculated orientation, and its magnitude is equal to the mean of the linear velocities of the two wheels.

3所示。进化的设置

我们决定应用启发式,进化方法的“优化”两个轮子的转动速度为每一个感知到的四个环境情况,因为我们是一个先天不知道这些速度的值,将产生一个成功的团队的食肉动物的行为代理。我们简要提到的部分1、MAS作为一个复杂的系统,功能相当简单之间的语义鸿沟,分层次的低级属性代理和更精细,更高级的整个系统的行为。因此,我们将无法正式推断八隅体速度的值所需的行为的代理人的车轮的团队代理。同样的,我们不知道价值的角传感器的补偿,导致一个有效捕获代理的行为。此外,两个轮子的转动速度的值和角偏移量的值的传感器,最有可能的是,互相依赖。

另外,原则上,我们可以采用另一个确定性、方法,例如,例如,一个完整的枚举可能的组合的八个车轮速度和传感器偏移量。如果这些8速度离散成,说,40可能整数值从−100% + 100%和传感器偏移到20个值,然后生成的搜索空间的大小等于40⁸约1.3×10¹⁴。这将使最终的“蛮力”的方法,基于完整的枚举值的可能的组合速度计算棘手。

作为另一种蛮力搜索,我们可以应用强化学习(RL)以定义好的四个感知环境状态映射到四对车轮的速度。然而,MAS是复杂的、非线性系统,是一个重要的实体的属性和差距(紧急)系统的属性。RL将获得从系统(即“奖励”。,the efficiency of the team of predators) and will try to modify the properties (the four pairs of velocities of wheels) of the entities. Due to the complexity and nonlinearity of MAS, this is not a straightforward task. This is also related to the intra-agent credit-(or blame-) assignment problem, as we could not tell which part of the agents is responsible (and therefore–should be modified) for the bad overall behaviour of the system.

进化计算在一种优雅的方式解决这些挑战,通过从系统中获取的健身价值,作为一个整体(即。,the efficiency of predators in capturing the prey) and then modifying the properties of entities (pairs of velocities of wheels of predators) via genetic operations, crossover and mutations.

RL的另一个挑战是成功延迟奖励问题(如果有的话)的系统(捕食者的团队)会发生几百个时间步进试验,但可能与早期行为阶段团队的食肉动物——比如分散(环境)的探索在最开始的审判。对于延迟奖励的问题,进化,作为一个整体的方法,不关心如何实现成功,而是整个(最终)的试验结果。

在我们的工作中,我们应用GA,自然启发式方法,逐渐发展的一组参数的值在某种程度上类似于自然界中物种的进化。遗传算法已被证明是有效的找到最优解组合优化问题的(s)具有大型搜索空间(22- - - - - -24]。因此,符合进化机器人的概念(25),我们采用遗传算法进化的值八轮的速度和偏移量的传感器,导致一个有效的行为,可能涉及探索周围的环境,和捕捉猎物,团队的捕食者。主要采用了遗传算法的算法步骤如图所示3和它的主要属性、基因表达、基因操作,和适应度函数,阐述了如下。

3.1。基因表示

我们基因代表(我)捕食者的决策(行为)代理和(2)他们的感官形态在一个单一的“染色体”。后者由八个整数值数组的进化速度的轮子代理和一个额外的等位基因编码的角度偏移量传感器。的值范围内的速度限制(−100%…+ 100%),分为40可能离散值,5%的区间。角偏移量定义在2°和40°之间,逆时针方向,分为20个可能的值,它们之间的间隔2°。决定数量的离散值(分别为这些值之间的间隔)之间提供了一个良好的平衡的精度(即“优化”。表达的基因表示)和遗传算法的搜索空间的大小。人口规模是400条染色体。育种策略是齐次的单个染色体的性能,评估所有食肉动物克隆。

3.2。遗传操作

二进制锦标赛作为选择策略的进化框架。计算效率和已被证明是提供一个良好的平衡人口的多样性和收敛速度之间的健康。除了比赛的选择,我们还采用了精英主义,四个表现最好的染色体无条件地生存和被插入到交配池的下一代。此外,我们实现了等概率,一个和两点交叉。两点交叉导致交换速度的值(分别为左、右车轮)与一个给定的环境状态。这反映了我们的假设,即两个轮子的转动速度确定的移动行为代理(对于一个给定的环境状态),因此,他们应该被视为整个进化的构建块。两点跨界车就没有破坏性的影响这样的构建块。一点交叉应用于开发这样的构建块(勘探的搜索空间)、两点交叉时为了保全他们的(开发)。

3.3。健康评估

我们的目标是共同进化团队的行为和感觉形态一般多个初始情况下的捕食者,而不是一种行为,是专门的一个特定的情况。促进这样的进化,我们评估每个染色体进化的10个不同的初始情况。在这些情况下,猎物位于世界的中心。捕食者是分散在一个小云位于南部的猎物。一个示例的快照初始情况如图4。代理集群的距离,猎物计算如下:ID的现状×2 + 50单位(随机)。这有助于减少最初的几个进化的影响,当捕食者学习如何移动环境寻找猎物。

整体健身健身价值的总和,在最初的10的情况。对于一个成功的情况(即。,the predators manage to capture the prey during the 120 s trial), the fitness is equal to the time needed to capture the prey. If the initial situation is unsuccessful, the fitness is calculated as a sum of (i) the closest distance, registered during the entire trial, between the prey and any predator and (ii) a penalty of 10,000. The former component is intended to provide the evolution with a cue about the comparative quality of the different unsuccessful behaviours. We verified empirically that this heuristic quantifies the “near-misses” well and correlates with the chances of the predators—pending small evolutionary tweaks in their genome—to successfully capture the prey in the future. The second component is introduced with the intension to heavily penalize the lack of success of predators in any given initial situation.

_pppp我们log是一个最小化问题的一个实例,作为降低健身值对应于更好的执行团队的捕食者。因为我们的目标是发现最好的解决问题的办法,没有目标的健身价值融入进化的终止准则。相反,这一标准包括以下两个条件:进化一代又一代的数目等于200或最好的健身保持不变(停滞)连续32代。表2显示了采用遗传算法的主要参数。

4所示。实验结果

4.1。简单的食肉动物的进化团队代理

32个独立运行的实验结果GA进化只捕食者的行为代理是如图5。在这些运行的GA,食肉动物的感官形态固定,传感器抵消被设置为0。如图5(一个)所示,健身的平均值慢慢地收敛于大约60000,表明,平均而言,只有4(10)最初的情况下可以成功解决(图5 (b))。最好的结果,通过进化的捕食者,团队只有6成功的情况。_pppp这些实例的结果表明,log捕食者与简单的传感器,一般来说,棘手。

4.2。共同进化的不对称形态和捕食者代理的行为

作为数据6- - - - - -8说明,只是通过增加抵消,结果在许多成功的初始情况和整体素质显著提高团队的发展相比,简单的捕食者代理没有角偏移量的传感器。平均而言,食肉动物也能够解决所有10个初始情况下的第十代GA。从所有32个独立的,有一个杰出的解决方案(从现在开始,我们将把它作为发展最快的解决方案技术成功地解决了第一代8 (10)。这种解决方案的染色体编码传感器的补偿20°。这证实了这些发现在我们先前的研究[21,26],一个团队的捕食者与20°传感器抵消在进化产生有利的结果。稍后我们将讨论,这也是真正的另外,不可预见的情况下,感知噪声的存在。从所有32个解决方案,然而,这并不是一个整体取得了最好的健身价值。最好的代理行为(体现达到最低的健身价值)解决方案获得的SBF先是感觉抵消16°。作为发展最快的解决方案相比,解SBF发展有点慢,解决所有10个情况由第六代,实现369年的终端健身(比417年的技术解决方案。

图9说明了最好的解决方案的角度偏移量从每个获得32 GA的独立运行。见图9(即80%的健身。,26of 32) of solutions is in the range between 369 and 448, i.e., the team of agents could capture the prey (on average over all 10 situations) between 36.9 s and 44.8 s into the allocated 120 s of the trial. The fitness of the worst solution is 622, meaning that the team of predator agents captures the prey, on average, at 62.2 s, i.e., around the middle of the 120 s trial. Moreover, as Figure9所示,为一个特定的值传感器偏置,有多个解决方案不同的健身价值,也就是说,有变化的行为形态相同的捕食者和感官不对称是只有一个有效捕获行为的先决条件的捕食者。类比推理,非常相似的健身价值可以通过捕食者具有不同的传感器所抵消,这表明两者的结合(i)形态学和(2)的行为,而不是每个人的一个特定的实例,是重要的捕食者的行为成功的代理。

的成功的情况下,传感器的数量抵消所有32的解决方案见图10。如图10 ()(即,传感器抵消90%。,29日of 32) of solutions is within the range (15°,…, 35°). There is no evolved solution that features a sensor offset lower than 10°, which confirms experimentally our initial hypothesis about the beneficial effect of the asymmetric morphology of predators on the efficiency of their behaviour. The statistical characteristics of all 32 solutions are shown in Table3。

4.3。普遍性的发展解决方案

评估的通用性食肉动物的进化行为代理,我们将检查他们的表现如何(即。,the number of successfully resolved initial situations) degrades with the increase of the speed of the escaping prey. We tested all 32 solutions, obtained via the GA (for the speed of the prey equal to 10 units/s), for speeds of the prey, unforeseen during the evolution, of 12, 14, 16, 18, and 20 units/s, respectively. The number of initial situations successfully solved by each of the 32 solutions for each of the considered speed of the prey is shown in Figure11。均值(在整个范围的猎物的速度)的成功解决的情况下每一个解决方案,及其分解图中描述12。这些数字说明,这些解决方案之一,表示年代_毫克,是最一般,它的特性没有退化的成功的情况下增加猎物的速度。此外,它的健身价值仍低于500(即。,the agents capture the prey earlier than 50 s into the 120 s trial) for all considered speeds of the prey. As shown in Table4的传感器抵消年代_毫克24°。

4.4。鲁棒性知觉噪音

我们评估32进化的解决方案的健壮性,进化在噪声环境中,感知一个随机噪音。我们介绍了两种类型的噪声假阳性(FP)和假阴性,分别。前结果的感知信息的两位偶尔(与给定概率)解读为“1”无论检测到一个实体在捕食者的视线。假阴性噪声(FN)导致的“0”,即使一个实体。我们专注于这些类型的噪声假设捕食者的感知子系统,但相当简单,需要一个适当的感官信号的阈值。不利的因素,如不正确建立阈值和变量噪音环境中或在传感器,将导致考虑两种类型的感知噪声。数据13和14显示成功解决的数量的退化情况下所有32个解决方案不同数量的FP和FN感知噪声,分别。

作为数据13和14说明,无论是进化最快的解决方案年代_菲最好的健身和解决方案年代_男朋友我们之前讨论过,好鲁棒性的感知噪声特性。平均每个解决6.25初始情况下,通过引入FP或FN噪音。这两个解决方案收益率与它们之间的区别是,类似的结果年代_男朋友更健壮的FP噪音年代_菲更好的FN噪音。相反,解决方案年代_MRFP和年代_MRFN(包括基因型如表所示4)成为最强劲的FP噪音和FN噪声,分别。解决方案年代_MRFP设法解决与FP噪声测试完美,同时保持令人满意的性能与FN噪声测试,能够解决平均8.25初始情况下,根据FN水平的噪音。相反,代理所控制年代_MRFN与FP噪声完全解决的情况下,同时能够解决平均9.5初始情况下FN噪声的情况下,导致最佳的总体性能。传感器的抵消年代_MRFP和年代_MRFN分别是18°和20°(表吗4)。

5。讨论

5.1。利用不对称的形态

我们已经表明,引入一个角抵消查看传感器促进一个更有效的团队的行为代理和增加这种行为的进化的效率。实验结果表明,该行为,进化的传感器抵消20°(在解决方案年代_MRFN),最强大的噪音和足够近的健身在噪声环境中表现最好的球队的代理。的健身年代_MRFN421比369年的吗年代_男朋友。而年代_毫克在一般性测试显示最佳效果,完美的分数在所有最初的情况下,它低于噪声鲁棒性测试。这让我们相信年代_MRFN是一个很好的结合的协同进化行为和不对称形态的捕食者。平均而言,年代_MRFN设法解决9.57和9.65普遍性和健壮性测试用例。20°的角度偏移年代_MRFN提供了一个良好的切向和径向(即之间的权衡。,towards the prey) components of the speed vector of the chasing predators.

传感器偏移的有益效果是,它帮助追逐捕食者隐式确定猎物的位置如果后者消失了。拥有一个逆时针方向位移意味着大多数时候猎物消失,由于视差引起捕食者的运动,是左边,因此,略微向左转将允许搬迁一遍。因此,传感器的优点之一是抵消更确定的方向失踪的猎物,几乎可以肯定左边,进而促进更快的重新发现,因此,一个更可靠的跟踪后者的捕食者。此外,如图15,追逐捕食者具有非对称形态会导致特征圆形轨迹捕食者和猎物。而具有挑战性但现实的假设最初并不被食肉动物(如图4),等圆形轨迹将有利于周围猎物会护送(驱动)由一个捕食者的包剩下的捕食者。

5.2。紧急行为策略

按照我们以前的工作对共同进化行为和形态27),在本节中,我们审查的行为策略,从代理由进化控制解决方案的团队最健壮的噪音,解决方案最大的成功率,解决方案年代_MRFN。进化速度的值的马达和传感器偏移量如表所示4。捕食者的团队代理体现以下三种类型的行为,执行审判的三个连续的阶段:(i) e伊克斯托环境相互疏远(由速度控制V₁₀)或周围盘旋,直到他们找到一个同伴或猎物(V₀₀),(2)牧羊(开车)猎物(通过一些食肉动物)在一个圆形轨迹(V₀₁),(3)捕捉猎物(V₁₁)。图16说明了代理经历不同阶段的过程中捕捉到的猎物。视频的捕食者的团队如何处理可以找到所有10个情况http://isd-si.doshisha.ac.jp/m.georgiev/2018-12-08-SA20deg.mp4。

如图(16日),一开始,所有代理没有视觉的猎物或任何同行。下面的映射V_{00 l}= 30%,V_{00 r}= 100%,他们开始在一个圆形motion-scanning环境,试图找到另一个实体。检测一组对等激活的速度V_{10 l}=−75%和V_{10 r}=−70%,捕食者的力量迅速远离认为代理,促进更好的分散和覆盖面更广泛的区域。这增强了捕食者的能力探索环境和发现猎物。第二阶段开始时的任何食肉动物发现猎物。映射V_{01 l}= 100%,V_{01 r}= 95%的结果以最高的速度前进,略转向右边,这有助于保持猎物代理总是在相同的相对位置,左侧,如图15和16 (b)- - - - - -16 (d)。一旦猎物变得无形,如图16 (b),“捕食者”展览体现了认知消失的结果,在某种程度上,自己的前进运动;因此,新猎物的位置,由于传感器的逆时针方向偏移,最有可能在左边的方向。的进化V_{00 l}= 30%,V_{00 r}= 100%(图所激活15 (c))导致左侧的圆周运动,直到代理笼罩消失的猎物。此外,正如数据16 (b)- - - - - -16 (d)显示,一个掠夺者,由于传感器偏移,牧羊人(驱动器)在一个圆形的猎物,逆时针轨迹(已经分散)其他食肉动物。的最终行为阶段始于周围猎物来自世界各方的到目前为止和新遇到的追逐捕食者,如图16 (e)。从两端接近时,捕食者都能看到猎物和同行,这激活了映射V_{11 l}= 100%,V_{11 r}= 100%。因为他们有一个轻微的角度偏移,可能只有两个捕食者捕获猎物,如图16 (e)。从后面的捕食者追逐猎物,指导其复叶左侧,而其他拦截从完全相反的方向。

与此同时,我们可以看到数据16 (d)和16 (e)的两个代理保持疏远。代理似乎表现出紧急知识(28),并非所有的八个代理需要捕获的猎物。集团的代理要想成功,最重要的任务就是捕获的猎物,而不是哪个特定的代理。作为捕食者的性能计算基于集团的成功,而不是特定的个人代理,这样的行为可以帮助团队(作为一个整体)通过扩大搜索字段和寻找猎物的速度,尤其是当它远离捕食者。相反,如果代理正试图找到猎物并捕捉它本身通过“贪婪的追逐”,他们将不可避免地失败,因为(我)猎物是足够快逃离一个捕食者和(2)捕食者将无法参与任何允许周围的组织行为,最终,捕捉猎物。

最重要的区别简单的进化行为捕食者的代理和代理与非对称形态,第二行为阶段,牧羊。这个阶段不能被观察到的行为直接代理。同时,正如我们上面阐述的,它扮演着一个重要的角色在成功捕获的猎物。

5.3。异构与齐次系统

在我们的研究中,我们认为是一个不同的配置为可替换主体系统中几种类型的捕食者代理,他们每个人都有一个特定的角色在捕捉猎物。我们的工作之间的性能比较异类和同类MAS (29日深入到异质性带来的问题:我们主要担心的是,进化的异构系统将遭受低效率由于膨胀的搜索空间。此外,鲁棒性的进化行为专门捕食者的团队代理也会有问题。这样做的原因是,如果,例如,团队拥有一个专门的“司机”,在现实的情况下,它可能是具有挑战性的,以确保代理将附近的猎物(即部署。癌细胞)这样的“司机”是最有利的位置相对于和其他食肉动物的猎物。相反,我们选择了一个隐式行为的异质性(基因型同质性)——代理最接近猎物的假设“司机”的角色,和任何的八个捕食者代理可能会变成这个角色,如果必要的。异质性是隐式的,因为它来自同质基因型之间的交互(所有代理有相同的四对车轮的速度)和环境。面临的动态环境是“专门”不同的捕食者代理团队。

6。结论

纳米机器人是新兴技术,通过快速技术进步在过去的世纪。创造合成机器在一个微型的层面上,然而,表明有重大问题克服,由于物理定律和有限的可用资源的差异由于体积小的机器人。此外,随着医学是最突出的领域,为这些新机器使用,他们需要可靠的和精确的工作,它要求作任何妥协的质量操作。在试图解决这些限制,我们雇了一个变异的捕食者-猎物_pppp (log)追求问题,实现非常简单的捕食者代理,配备一个视线传感器,和一个简单的控制速度的两个轮子。捕食者代理利用为数不多的感知环境状态直接映射到相应速度的两个轮子。我们应用遗传算法进化这种映射的结果在一个团队成功捕获猎物的捕食者。然而,初步结果表明,捕食者以一个简单的传感器不仅不能解决的一些测试初始情况。改善发展的普遍性的行为,我们提出了一个不对称的感官形态的捕食者,一个角传感器相对于纵轴偏移,并协同进化(我)的偏移量和(2)捕食者的行为。根据实验结果,行为与传感器偏移12°之间协同进化和38°导致一个有效和一致的捕获猎物的初始情况下进行测试。此外,一些传感器的进化行为抵消在18°∼24°的变化表现出良好的通用性猎物的速度和良好的鲁棒性知觉噪音。

我们相信,结果可能被视为一个一步纳米机器人的工程不对称形态对各种医学医疗应用程序包括确定交付、定位和摧毁癌细胞,显微成像,等等。在我们未来的工作中,我们计划开发一个三维模型,将类似于一个更现实的环境,如人体。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究扩展了以前的工作在“共同进化行为和形态简单的代理模型的小型机器人”(27]。作者有更详细的讨论和证据,对非对称形态的好处在简单的多重代理系统和改进带来的普遍性,健壮性和演化行为。这项工作是在同志社大学的帮助下,提供所需的设施和设备进行测试和分析。相应的作者Milen吉奥吉夫部分支持的日本教育部,文化,体育,科学和技术(下边了)。

引用

1. s·m·马特尔·g·马登l . Sosnowski i w·亨特和s .拉方丹则“Nanowalker:全自动纳米测量高度集成的微型机器人,”微系统计量和检验,卷3825,不。1,第122 - 111页,1999。视图:出版商的网站|谷歌学术搜索
2. l·默茨,”小运输:微观和纳米机器人准备推进医学”IEEE脉冲,9卷,不。1,19号,2018页。视图:出版商的网站|谷歌学术搜索
3. a . s . Bhat“纳米机器人:医学的未来,”国际管理和工程科学杂志》上,5卷,不。1,44-49,2014页。视图:谷歌学术搜索
4. d·h·金,英国Cheang l . Kőhidai d . Byun和m . j . Kim“人工magnotactic运动控制的四膜虫pyriformis使用铁磁纳米粒子工具制造新的microbiorobots类,“IEEE应用物理快报,卷97,不。17日,第702 - 173页,2010年。视图:出版商的网站|谷歌学术搜索
5. p . s . s . Kim a·贝克尔y Ou, a . a .朱利叶斯和m . j . Kim”传授磁偶极子异质性为微生物群控制内化氧化铁纳米颗粒,”纳米颗粒研究期刊》的研究,17卷,不。3,p。144年,2015年。视图:出版商的网站|谷歌学术搜索
6. w·m·Gauci j . Chen Li t·j·多德和r . Groß“自组织聚合没有计算,”国际机器人研究杂志》上,33卷,不。8,1145 - 1161年,2014页。视图:出版商的网站|谷歌学术搜索
7. w·m·Gauci j . Chen Li t·j·多德和r . Groß”与机器人不计算聚类对象,”国际会议自治代理诉讼和多重代理系统,页421 - 428年,巴黎,法国,2014年5月。视图:谷歌学术搜索
8. a·奥兹德米尔m . Gauci, r . Groß“牧羊的机器人不计算,”学报》14日欧洲会议上人工生命,页332 - 339,法国里昂,2017年9月。视图:谷歌学术搜索
9. d·s·布朗,r·特纳o . Hennigh和s . Loscalzo”发现和探索小说群行为给机器人能力有限,”13日学报》国际研讨会分布式自主机器人系统,页447 - 460,伦敦,英国,2016年1月。视图:谷歌学术搜索
10. m . Gauci“群机器人系统以最小的信息处理,”谢菲尔德大学,谢菲尔德,英国,2014年,博士论文。视图:谷歌学术搜索
11. 答:a . g . Requicha“纳米机器人,NEMS Nanoassembly,”IEEE学报》,9卷,不。11日,第1933 - 1922页,2003年。视图:出版商的网站|谷歌学术搜索
12. e·m·珀塞尔”生活在低雷诺数。”美国物理学杂志》,45卷,不。1,3-11,1977页。视图:出版商的网站|谷歌学术搜索
13. m . Benda诉Jagannathan, r . Dodhiawalla“最佳合作的知识来源,”波音AI中心,波音公司计算机服务,贝尔维尤,BCS-G2010-28佤邦,美国,1986年,技术报告。视图:谷歌学术搜索
14. t·海恩斯和美国森”,捕食者和猎物,进化行为策略”在多代理系统中适应和学习。IJCAI 1995年展出,Eds Weiß和s . Sen。,pp. 113–126, Springer, Berlin, Heidelberg, Germany, 1995, vol. 1042 of Lecture Notes in Computer Science (Lecture Notes in Artificial Intelligence).视图:谷歌学术搜索
15. t·海恩斯r·温赖特森,森,和d . Schoenefeld“强类型的遗传规划发展的合作策略,”学报第六国际会议上遗传算法,页271 - 278年,旧金山,美国1995年1月,https://dl.acm.org/citation.cfm?id=657915。视图:谷歌学术搜索
16. 卢克和l·斯佩克特,“进化与遗传编程,团队合作与协调”遗传编程。第一届年会论文集斯坦福大学,页150 - 156年,CA,美国,1996年。视图:谷歌学术搜索
17. 即Tanev、m . Brzozowski和k . Shimohara”进化,周围出现了行为的普遍性和鲁棒性在连续predators-prey追求问题,“遗传编程和可发展的机器》第六卷,没有。3、301 - 318年,2005页。视图:出版商的网站|谷歌学术搜索
18. 为止,j . r .妞妞d·韦伯,a . Reinmuller和t . Palberg”组装和速度ion-exchange-based模块化phoretic microswimmers,”朗缪尔,33卷,不。14日,第3457 - 3450页,2017年。视图:出版商的网站|谷歌学术搜索
19. m . Ibele t . e . Mallouk, a .森”教育行为的光量驱动自主纳米马达在水里,”《应用化学国际版,48卷,不。18日,第3312 - 3308页,2009年。视图:出版商的网站|谷歌学术搜索
20. f . Martinez-Pedrero h . Massana-Cid, p . Tierno”通过可重构装配和微观货物运输使光敏化磁microdockers”小,13卷,不。18日,ID 1603449条,2017年。视图:出版商的网站|谷歌学术搜索
21. Tanev, m·吉奥吉夫k . Shimohara t射线,进化的一组不对称捕食者的代理不计算在捕食追求问题,2018年AIMSA。
22. j .荷兰,适应在自然和人工系统、密歇根大学安阿伯市,美国,1975年。
23. e·戈德堡遗传算法在搜索、优化和机器学习美国,addison - wesley,波士顿,MA, 1989。
24. m·米切尔介绍了遗传算法美国马剑桥,麻省理工学院出版社,1998年。
25. Nolfi和d . Floreano进化机器人:生物学、情报和技术自组织机器美国马剑桥,麻省理工学院出版社,2000年。
26. m·吉奥吉夫Tanev, k . Shimohara t射线,“进化,健壮性和普遍性的团队与不对称的形态在捕食追求简单的代理问题,“信息,10卷,不。2,p。72年,2019年。视图:出版商的网站|谷歌学术搜索
27. m·吉奥吉夫。Tanev, k . Shimohara“共同进化行为和形态简单的代理模型的小型机器人,”《遗传与进化计算会议同伴(GECCO)日本京都,页1576 - 1583年,2018年7月。视图:谷歌学术搜索
28. m·吉奥吉夫。Tanev, k . Shimohara”探索不确定性在同构和异构多智能社会的影响对他们的平均特性,”《遗传与进化计算会议同伴(GECCO)日本京都,页1797 - 1804年,2018年7月。视图:谷歌学术搜索
29. p . j .安吉莉和k·e·金尼尔Jr .)“遗传编程和紧急情报,”遗传程序的发展麻省理工学院出版社,页75 - 98年,剑桥,妈,美国,1994年。视图:谷歌学术搜索

版权

版权©2019 Milen吉奥吉夫et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。