本發(fā)明屬于建模與仿真領域，具體為一種uuv多層次混雜式免疫智能體結構建模方法。

背景技術：

隨著海洋資源利用和開發(fā)的迅速發(fā)展，水下無人航行器(unmannedunderwatervehicle,簡稱uuv)在海洋科學考察、海底勘測、打撈救生、水下作戰(zhàn)等領域得到了長足的發(fā)展與廣泛的應用。但是uuv在未知的、動態(tài)的、復雜的水下介質(zhì)環(huán)境中作業(yè)，與地面及空間運載工具相比,其自主規(guī)劃和控制系統(tǒng)更為復雜，尤其為了適應編隊協(xié)同作戰(zhàn)，對uuv的智能決策和學習能力提出了更高的要求，特別是在智能性建模方面，這是因為uuv個體智能性的高低對于水下無人協(xié)同作業(yè)系統(tǒng)的協(xié)商通信、任務分配等建模過程起著關鍵性的作用，并且影響對水下作業(yè)任務完成的質(zhì)量和效率。

uuv水下作業(yè)系統(tǒng)具有如下特點：(1)uuv個體結構復雜，uuv由多個結構和邏輯復雜的子系統(tǒng)組成，而且各個組成系統(tǒng)相互之間具有很強的依賴性和協(xié)調(diào)性；(2)水下作業(yè)環(huán)境復雜，海風、浪、流、涌、水深、溫度、鹽度等水聲環(huán)境和水下復雜地形以及海洋生物組成的復雜水下環(huán)境對uuv影響非常之大；(3)水下作業(yè)任務復雜，uuv作為運載、通訊或者導航節(jié)點在海底勘測、協(xié)同搜索、水下作戰(zhàn)等任務方面具有無可替代的作用。因此，uuv水下作業(yè)系統(tǒng)是一個uuv無人系統(tǒng)、環(huán)境和任務相互耦合的復雜系統(tǒng)。

智能體(agent)建模理論作為一種新型的分布式人工智能研究方法，主要實現(xiàn)微觀行為和宏觀現(xiàn)象的有機結合，具有較強的分布性、魯棒性和協(xié)調(diào)性，為解決含有智能行為的系統(tǒng)建模與仿真問題提供靈活、高效的手段。國內(nèi)外學者將agent建模技術引入到uuv領域，例如，在信念-愿望-意圖(belief-desire-intention,bdi)邏輯的基礎上拓展出自治水下機器人心智邏輯,表示和處理uuv的心智狀態(tài)及心智活動；設計了基于智能體的分布式結構用于uuv自主控制系統(tǒng)，完成由許多離散和隨機事件的海洋勘測任務；將機器人系統(tǒng)內(nèi)部各部件如探測、推理、動力等分別抽象為agent，然后以多智能體(multi-agents,mas)模型構建機器人個體，實現(xiàn)各個控制部件間的協(xié)調(diào)控制問題。

然而，目前的研究工作大多強調(diào)運用agent社會性來表現(xiàn)uuv外特性層或利用mas實現(xiàn)簡單的內(nèi)部控制邏輯，卻無從真正體現(xiàn)出agent的智能特性,也沒有探討與實現(xiàn)外部特性相對應的內(nèi)部表示和處理機制問題。為此，希望設計一種能夠顯著提高uuv智能性建模方法，用于實現(xiàn)uuv智能性仿真與分析。

技術實現(xiàn)要素：

本發(fā)明針對以往agent技術進行uuv智能性建模的不足進行了研究：首先，在識別、學習、記憶等9個特點分析出發(fā)對從生物免疫響應機制和agent理論進行對比，提出免疫智能體(immune-agent,ia)模型，并設計了ia結構化模型，ia模型能夠有效結合生物免疫響應機制和agent在實踐和理論上的優(yōu)點；其次，利用積木式模塊化抽象方法將uuv模型抽象劃分為感知模塊、動力推進模塊、通信模塊、控制決策模塊和知識庫模塊等五個模塊；再次，設計設計包括感知執(zhí)行層、行為規(guī)劃層和學習記憶層的多層次混雜式結構uia(uuv-immune-agent)，并分析了各層功能；最后，設計了面向?qū)ο蟮男问交枋?，并詳細設計了uia行為規(guī)則庫與狀態(tài)庫，以及對uia模型特點進行了全面的闡述。依據(jù)上述研究，提出了一種uuv多層次混雜式免疫智能體結構建模方法。

所述一種uuv多層次混雜式免疫智能體結構建模方法，其特征在于：包括以下步驟：

步驟1：通過對生物免疫響應機制和智能體理論進行對比，建立免疫智能體ia結構化模型；所述ia結構化模型采用10元組表示：

ia＝<antigen,antigenbase,antibody,antibodybase,antigenpresentingunits,memoryunits,immunesystemknowledgebase，reasoningunits,antibodyknowledgebase,action>

其中：antigen表示抗原；antigenbase表示抗原數(shù)據(jù)庫；antibody表示抗體；antibodybase表示抗體數(shù)據(jù)庫；antigenpresentingunits表示抗原提呈單元；memoryunits表示ia的記憶單元；immunesystemknowledgebase表示ia的知識庫；reasoningunits表示對抗原的識別和推理；antibodyknowledgebase表示獲得性免疫過程應答知識庫；action表示ia內(nèi)部邏輯動作,通過一個四元數(shù)組表示：action＝<elimination,recognition,learning,memory>，recognition表示識別動作元，learning表示學習動作元，memory表示記憶動作元，elimination表示消滅抗原動作元；

步驟2：將uuv分為五個模塊：感知模塊、動力推進模塊、通信模塊、控制決策模塊和知識庫模塊；其中感知模塊獲取uuv自身傳感器的信息并進行實時提取和處理；動力推進模塊為uuv水下運動提供能源和推力；通信模塊負責uuv內(nèi)部通訊節(jié)點的信息通訊和共享，以及與其他uia進行信息交互與通信；控制決策模塊實現(xiàn)使命控制和運動控制；知識庫模塊包括專家知識和具體應用算法集合；

步驟3：基于步驟1建立的ia結構化模型以及步驟2中對uuv的模塊化結構劃分，建立uuv多層次混合式免疫智能體結構模型；所述uuv多層次混合式免疫智能體結構為由感知執(zhí)行層、行為規(guī)劃層和學習記憶層三層組成的混合控制系統(tǒng)；其中

所述感知執(zhí)行層包括傳感器、通信器和執(zhí)行器；傳感器抽象來源于uuv感知模塊，用于感知水下復雜環(huán)境；通信器抽象來源于uuv通信模塊，表示uia個體內(nèi)部的邏輯通信，以及與其他uia進行信息交互與通信；執(zhí)行器抽象來源于uuv動力推進模塊，用于執(zhí)行uia運動特征的行為規(guī)則；

所述行為規(guī)劃層由協(xié)調(diào)控制中心、行為庫、反應器、規(guī)劃器、知識庫和決策庫組成；協(xié)調(diào)控制中心根據(jù)從感知執(zhí)行層接收的外界環(huán)境狀態(tài)或者任務進行解釋分類：如果感知的是簡單或者緊急的情況，則根據(jù)信息在行為庫中進行信息匹配后將行為規(guī)則直接送達反應器，由反應器發(fā)給感知執(zhí)行層；如果感知的是復雜或者時間裕度充分的情況，則通過慎思過程將信息送達規(guī)劃器，進行推理、規(guī)劃與決策；送入規(guī)劃器的信息進行兩類處理：如果復雜情況能夠通過知識庫推理和規(guī)劃得到求解，則從知識庫得出行為規(guī)劃方案，并通過決策器分析送達反應器進行行為反應；如果復雜情況不能通過知識庫推理和規(guī)劃得到求解，則將信息送達學習記憶層進行行為學習；

所述學習記憶層由學習中心、狀態(tài)庫和記憶規(guī)則庫組成；學習中心根據(jù)復雜情況的狀態(tài)和知識進行學習，做出全局規(guī)劃和決策；復雜情況的狀態(tài)包括任務使命、載荷、能源、健康狀況；

步驟4：采用形式化描述方法量化步驟3建立的uuv多層次混合式免疫智能體結構模型：

采用7元組表示uuv多層次混合式免疫智能體結構模型：

task＝<id,type,goalset,knowledgebase,rulebase,stateset,planset>

其中：id為uia的唯一標號，每一個uia對應唯一的標識；type描述uia的功能類型，所述功能類型包括供給型、探測型、遠程型、防御型；gs表示uia目標集，所述uia目標集指uia自身所要達到的目標，以及為了整體的利益所要達到的共同目標；kb表示uia知識庫，所述uia知識庫包括uuv感知模塊、動力推進模塊、控制決策模塊和通信模塊的知識；rb表示uia行為規(guī)則庫；ss表示uia狀態(tài)集；ps表示uia規(guī)劃集。

有益效果

通過本發(fā)明提出的uuv多層次混雜式免疫智能體結構建模方法所構建的uia結構模型，不僅封裝了多種功能和屬性，包括狀態(tài)屬性、規(guī)劃能力、決策能力、反應能力和學習能力，而且結構層次分明，邏輯清晰，模塊劃分至關明確，更加貼近uuv實際系統(tǒng)，能夠?qū)崿F(xiàn)水下無人作戰(zhàn)對uuv自治程度和智能水平的建模要求。

本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點從結合下面附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1：ia模型模塊化結構示意圖；

圖2：uuv模塊化結構示意圖；

圖3：uuv多層次混合式免疫智能體結構(uia)；

圖4：uia規(guī)避障礙初次應答模擬過程；

圖5：uia規(guī)避障礙再次應答模擬過程；

圖6：定量統(tǒng)計分析結果。

具體實施方式

下面詳細描述本發(fā)明的實施例，所述實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

本實施例中，依據(jù)研究的思路，詳細說明各部分的技術細節(jié)：

1.免疫智能體

agent理論和生物免疫響應系統(tǒng)從結構和功能上呈現(xiàn)出高度的相似性，都是由許多單元組成，通過各單元相互耦合，保持自身結構穩(wěn)定。但是，兩者在建模理論和實踐方面具有不同優(yōu)勢，其性能對比分析如表1所示。

表1agent與生物免疫響應系統(tǒng)在理論與實踐方面的對比分析

根據(jù)表1可知，生物免疫響應系統(tǒng)抽出免疫系統(tǒng)的隱喻機制，如免疫識別、學習、記憶、記憶、協(xié)調(diào)、通信、自組織、分布式、自忍耐等特性，其中識別、學習、記憶和選擇等機制已經(jīng)在實踐中得到不斷應用，而協(xié)調(diào)、通信、自組織、分布式、自忍耐等特性雖然在理論方面取得了重大理論成果，但是缺乏實踐應用。另一方面，mas建模理論與方法能夠在協(xié)調(diào)、通信、分布式等等方面具備強大的能力?？梢姡瑑煞N理論可以相互變異、相輔相成，形成優(yōu)勢互補，設計具有免疫功能機制的agent模型即immune-agent(ia)。

ia作為一種融合生物免疫響應機制和agent建模優(yōu)勢的新穎智能體人工計算模型，既能克服agent建模在識別、學習、記憶和選擇等劣勢，又能為實現(xiàn)agent內(nèi)部結構交互的靈活。其可以表示為10元組：immune-agent(ia)＝<antigen,antigenbase,antibody,antibodybase,antigenpresentingunits,memoryunits,immunesystemknowledgebase，reasoningunits,antibodyknowledgebase,action>,其中：

(1)antigen表示抗原；

(2)antigenbase＝<antigen1,antigen2…,antigenn>表示抗原數(shù)據(jù)庫；

(3)antibody表示抗體；

(4)antibodybase＝<antibody1,antibody2…,antibodym>表示抗體數(shù)據(jù)庫；

(5)antigenpresentingunits表示抗原提呈單元，主要抗原特征進行提取；

(6)memoryunits表示ia的記憶單元；

(7)immunesystemknowledgebase表示ia的知識庫；

(8)reasoningunits表示對抗原的識別和推理；

(10)action表示ia內(nèi)部邏輯動作,可以表示成一個四元數(shù)組：action＝<elimination,recognition,learning,memory>，表示識別、學習、記憶和消滅抗原的動作元。

具體的ia結構與邏輯關系如圖1所示，ia的抗原提呈單元對抗原進行特征匹配和行為提取，如果抗原結構簡單則通過固有免疫直接產(chǎn)生抗體對抗原進行消滅，如果抗原結構復雜進入免疫系統(tǒng)知識庫進行分析和識別并通過推理單元推理進行獲得性免疫。如果識別和推理抗原為新的抗原特征，對抗原特征進行抗原數(shù)據(jù)庫保存，并模擬初次應答免疫，形成抗體消滅抗原，同時將性能和結構最優(yōu)的抗體保存在記憶單元；如果為結構和行為特征復雜的相同或者相似抗原，則直接模擬再次應答免疫，通過記憶單元直接產(chǎn)生抗體。同時，在ai免疫智能體邏輯結構運行過程中。在ia結構和邏輯概念圖中，通過識別、學習、記憶和消滅等行為和各種單元與數(shù)據(jù)庫，體現(xiàn)了免疫系統(tǒng)的識別、學習、記憶、層次性等特點，并且能夠與agent模塊化建模適應結合。

可見，ia模型具有agent所要求的自治，反應，推理，規(guī)劃，學習，協(xié)作，適應等特性，而且由于生物免疫響應機制的加入使agent模型特點更加豐富，而且能夠在理論與實踐上形成優(yōu)勢互補，達到提高agent智能性的要求，同時增加agent學習性、記憶性等功能。另外，從agent模型結構角度來看，ia模型是一個混合結構的agent，利用固有免疫體現(xiàn)agent的反應結構，利用獲得性免疫體現(xiàn)agent的慎思結構，總體結構體現(xiàn)了反應與慎思兩種結構的優(yōu)點。

2.積木式模塊化uuv模型抽象與劃分

uuv作為水下運載工具和平臺已成為一種水下無人系統(tǒng)，其集成人工智能、探測識別、信息融合、智能控制、系統(tǒng)集成等多項技術，自主控制、決策、規(guī)劃和完成復雜海洋環(huán)境中的預定任務使命。從模塊化結構劃分和抽象的角度各出發(fā)，主要分為五個模塊：傳感器模塊、動力推進模塊、通信模塊、控制決策模塊和知識庫模塊，其結構劃分與抽象示意圖如圖2所示。

(1)感知模塊：主要功能是獲取自身傳感器的信息并進行實時提取和處理。

(2)動力推進模塊：主要功能是為uuv水下運動提供能源和推力。

(3)通信模塊：主要功能是負責uuv內(nèi)部通訊節(jié)點的信息通訊和共享，以及與其他uia進行信息交互與通信。

(4)控制決策模塊：主要包括使命控制和運動控制。

(5)知識庫模塊：主要包括專家知識和一些具體應用算法集合。

通過以上5個模塊的積木式模塊化設計，uuv可實現(xiàn)水下環(huán)境的無人操控、自主管理和獨立執(zhí)行任務。同時，可以提高uuv模型的重用性，提高各個模塊的利用效率。

3.多層次混雜式結構uia的設計

根據(jù)uuv系統(tǒng)的抽象模型，多層次混雜式結構uia(uuvimmune-agent)首次被提出，其是建立在immune-agent(ia)基礎上采用分層式混合agent體系結構，其邏輯結構圖如圖3所示。

從圖3可以看出，uia是一個由感知執(zhí)行層、行為規(guī)劃層和學習記憶層構成三層混合控制系統(tǒng)，下面對各層功能和特點進行詳細分析。

3.1感知執(zhí)行層

感知執(zhí)行層代表uia與外界環(huán)境和其他uia交互的唯一接口，主要包括傳感器、通信器和執(zhí)行器。其中，傳感器主要抽象來源于uuv感知模塊，用于感知水下復雜環(huán)境；通信器主要抽象來源于uuv通信模塊，不僅表示uia個體內(nèi)部的邏輯通信，還用于與其他uia進行信息交互與通信；執(zhí)行器抽象來源于uuv動力推進模塊,用于執(zhí)行uia運動特征的行為規(guī)則。

3.2行為規(guī)劃層

行為規(guī)劃層代表了uia混雜控制系統(tǒng)機構的核心，負責感知行為層的信息控制。當傳感器或者通信器感知外界環(huán)境狀態(tài)和其他uia任務需求，行為規(guī)劃層則被激活。協(xié)調(diào)控制中心根據(jù)接收的外界環(huán)境狀態(tài)或者任務進行解釋分類，如果感知到的是簡單或者緊急的情況，則根據(jù)信息在行為庫中進行信息匹配后將行為規(guī)則直接送達反應器；如果感知到的是復雜的或者時間裕度充分的情況，則通過慎思過程將信息被送達規(guī)劃器，進行推理、規(guī)劃與決策。在規(guī)劃器，根據(jù)信息同樣進行兩類處理，其一，如果復雜情況能夠通過知識庫推理和規(guī)劃得到求解，則行為規(guī)劃方案通過決策器分析送達反應器進行行為反應；其二，如果復雜情況不能通過知識庫推理和規(guī)劃得到求解，則將信息送達學習記憶層進行行為學習。

3.3學習記憶層

學習記憶層代表了uia自治程度和智能水平的突出表現(xiàn)，充分利用ia的學習記憶特點。學習中心根據(jù)復雜情況(任務使命、載荷、能源、健康狀況)的狀態(tài)和相關知識進行學習，并做出全局規(guī)劃和決策。

需要指出的是，在uia整個感知執(zhí)行層、行為規(guī)劃層和學習記憶層相互配合的過程中行為庫、知識庫和記憶規(guī)則庫在不斷相互更新和優(yōu)化。

4面向?qū)ο蟮膗ia形式化描述

基于面向?qū)ο蠓治龇椒?，結合uia模型以及特點，提出一種uia形式化描述方法用以量化多層次模塊化uia模型。

uia是指兼有生物免疫機制和智能體建模優(yōu)勢的人工uuv計算模型，其顯著特點是具有高自治性和智能性,封裝了自身狀體特性、學習能力、決策能力、反應能力、規(guī)劃協(xié)調(diào)能力等能力屬性。其可以表示為7元組：task＝<id,type,goalset,knowledgebase,rulebase,stateset,planset>,其中：

(1)id::<uia標識>：作為uia的唯一標號，每一個uia對應唯一的標識；

(2)type::<uia類型>：描述uia的功能類型,例如，供給型、探測型、遠程型、防御型等各種類型的uuv；

(3)gs::<goalset>：uia目標集指uia自身所要達到的目標和為了整體的利益所要達到的共同目標，兩種目標可以相同或者不同，但個體利益與集體利益發(fā)生沖突時，設定個體利益至上。例如在多uuv協(xié)同搜索的任務中，uuv和協(xié)同系統(tǒng)的目標一致，但是在協(xié)同搜索的過程中遇到水下障礙，則uuv的首要目標是規(guī)避掉障礙，而協(xié)同系統(tǒng)的目標依然是搜索。

(4)kb::<knowledgebase>：uia知識庫，主要包括uuv自身傳感、動力推進、控制決策和通信模塊的知識，涵蓋探測識別、信息融合、智能控制、系統(tǒng)集成等各種模型、算法和參數(shù)要素，而且存儲各類專家經(jīng)驗與專家知識；

(5)rb::<rulebase>：uia行為規(guī)則庫，當uia在面臨簡單或者緊急作戰(zhàn)任務時，直接通過行為規(guī)則庫激活，根據(jù)任務特性將其當作條件輸入，與行為規(guī)則庫的條件部分進行對比匹配，如果匹配成功則立刻執(zhí)行相對應的動作。如果沒有匹配成功，或者面臨復雜或者時間冗余的作戰(zhàn)任務時，則通過學習中心進行規(guī)則演化學習，將最新產(chǎn)生的行為規(guī)則進行規(guī)則記憶經(jīng)行記憶，同時更新行為規(guī)則庫，在下次遇到相同或者相似的情況，能夠快熟響應。行為規(guī)則庫rb的形式如下：

if環(huán)境任務目標自身狀態(tài)，then行為(1)

根據(jù)產(chǎn)生式規(guī)則if-then公式可知，if部分主要由作業(yè)環(huán)境、作業(yè)任務、目標信息和自身狀態(tài)構成，而then部分則主要由運動控制和火力控制的行為組成，則形成的行為規(guī)則庫如表2所示。

表2uia行為規(guī)則庫rb(抗體庫)

(6)ss::<stateset>：stateset表示uia狀態(tài)集，其主要包括使命、健康、能源和載荷狀態(tài)。其中，使命狀態(tài)主要指uia所要完成的任務使命狀態(tài)，主要包括協(xié)同搜索、規(guī)避障礙、協(xié)同攻擊等水下作戰(zhàn)樣式；健康狀態(tài)包括uuv個體的機械故障、電子元件故障，機體損傷等狀態(tài)信息；能源狀態(tài)用于刻畫uuv動力能源特性，確保電池不被過度使用或者毀壞；載荷狀態(tài)主要針對使命任務、故障狀態(tài)和能源狀態(tài)等約束條件所對應的開關控制策略。具體的狀態(tài)庫設計如表3所示。

表3uia狀態(tài)庫ss設計

(7)ps::<planset>：planset表示uia規(guī)劃集，是指uuv遇到復雜作戰(zhàn)環(huán)境或者作戰(zhàn)任務時，為了實現(xiàn)自身狀態(tài)穩(wěn)定并完成作戰(zhàn)任務，進行的局部規(guī)劃和全局規(guī)劃以利于行為決策序列的產(chǎn)生。

5.uia模型特點分析

根據(jù)對感知執(zhí)行層、行為規(guī)劃層和學習記憶層等模型的介紹和描述，可以看出uia結構模型具有如下特點：

(1)uia本質(zhì)上是一個包含ia邏輯的結構模型。在行為規(guī)劃層，如果感知到的是簡單或者緊急的情況，則根據(jù)信息在行為庫中進行信息匹配后經(jīng)行為規(guī)則直接送達反應器，其可以對應對ia的固有免疫過程，快速直接消滅抗原；如果感知到的是復雜的或者時間裕度充分的情況，則通過慎思過程將信息被送達規(guī)劃器，進行推理、規(guī)劃與決策，其可以對應于獲得性免疫過程，通過對抗原特征的提呈、抽象和識別，往往需要花費較長時間。在學習記憶層，則全面模擬了ia的獲得性免疫過程中的初次應當和再次應答過程，并通過記憶單元保存和更新抗體庫，以使下次遇到相同或者相似結構的狀況，可以直接快速響應。可以清晰地看出，在uia行為規(guī)劃層和學習記憶層的邏輯過程全面詳細的模擬ia機理。

(2)uia采用分層混合式ia的模型結構。在行為規(guī)劃層，如果感知到的是簡單或者緊急的情況，則根據(jù)信息在行為庫中進行信息匹配后經(jīng)行為規(guī)則直接送達反應器，其可以反映了反應agent結構模型，突出的是快速性；如果感知到的是復雜的或者時間裕度充分的情況，則通過慎思過程將信息被送達規(guī)劃器，進行推理、規(guī)劃與決策，其反映了慎思agent結構模型,突出了agent對信念、期望和意圖和規(guī)劃等屬性的決策與規(guī)劃。

(3)uia采用模塊化邏輯單元設計。在感知執(zhí)行層、行為規(guī)劃層和學習記憶層進行模塊化設計，通過各個邏輯單元之間的信息互聯(lián)實現(xiàn)反應過程、慎思過程和學習記憶過程，有利于各條邏輯控制信息流向的梳理，同時明確知識庫、規(guī)則庫和記憶規(guī)則庫的維護和更新的過程。另外，模塊化設計可以便于軟件實現(xiàn)和系統(tǒng)集成，提高系統(tǒng)的通用性和重用性。

(4)uia采用一種協(xié)調(diào)控制器中心結構來實現(xiàn)協(xié)調(diào)各種不同的情況，從而使該結構模型具有較強的適應性和通用性，不僅能夠適應各種復雜情況，而且應對簡單任務情況是處理速度和能力也較強，滿足多uuv協(xié)同作戰(zhàn)系統(tǒng)基于mas建模與仿真對智能性和適應性的要求。

(5)uia的設計重點圍繞提高uuv學習能力和智能性。在整個uia模型框架中，通過協(xié)同控制中心對任務和狀態(tài)的復雜性進行判斷，在復雜的或者時間裕度充分進行推理，并在學習記憶層的學習記憶中心根據(jù)狀態(tài)庫進行學習和記憶分析，負責對行為策略的知識庫和規(guī)則庫進行維護和更新，從而使uia具有很強的智能性。可見，uia模型能夠根據(jù)任務或環(huán)境的緊急、復雜等情況，采用簡單情況至反應器、一般情況至規(guī)劃器、復雜情況至學習中心的遞階層次智能信息處理結構，能夠滿足對uuv水下作戰(zhàn)對智能性建模的要求。

總的來說，這種設計不僅封裝了多種功能和屬性，包括狀態(tài)屬性、規(guī)劃能力、決策能力、反應能力和學習能力，而且結構層次分明，邏輯清晰，模塊劃分至關明確，更加貼近uuv實際系統(tǒng)，能夠?qū)崿F(xiàn)水下無人作戰(zhàn)對uuv自治程度和智能水平的建模要求。

為了驗證uia模型的正確性和有效性，本實施例設計uia規(guī)避水下靜態(tài)障礙目標實驗進行驗證。作戰(zhàn)想定：在目標海域10000*10000范圍內(nèi)的水下空間，隨機設置7個靜態(tài)結構的水下障礙(1#,2#,3#,4#,5#,6#,7#),考慮uia水下運動深度h不變，則uia運動起始位置tstart＝(0.0),終點位置tend＝(10000,10000),uia運動速度v＝vm/s，感知范圍為圓形區(qū)域r＝rkm，攜帶動力能源p＝1.2×10⁵w。

假設在相同的實驗條件，從uia設計的初次免疫應答和再次免疫應答兩個過程對模型進行正確性和有效性的驗證，因為初次免疫(primaryimmune)和再次免疫(secondimmune)過程涵蓋了ia模型的識別、學習、記憶和進化等特點，同時體現(xiàn)了uia在面臨復雜任務時多層次遞階處理模式，具體包括uuv狀態(tài)屬性、規(guī)劃能力、決策能力、反應能力和學習能力。初次免疫應答和再次免疫應答對應的uia規(guī)避障礙如圖4和圖5所示。為了定量分析兩者之間的區(qū)別，選取能源消耗(energyconsumption)、運動時間(runtime)和運動距離(rundistance)三個指標進行統(tǒng)計分析如圖6所示。

從圖6不難看出，uia初次應答過程中能源消(47080w)、運動時間(3411s)和運動距離(17055m)要大于再次應答過程，該統(tǒng)計分析結果與圖4和圖5中uia規(guī)避障礙過程相吻合。該結果主要因為uia在規(guī)避障礙初次應答過程中，uia首次面對新水下環(huán)境需要通過協(xié)調(diào)控制中心、知識庫、推理庫、學習中心等過個模塊的推理、規(guī)劃、學習產(chǎn)生行為規(guī)則序列，需要花費較大的運行時間、產(chǎn)生較大的運行距離和能源消耗。而當uia再次面對相同的水下作戰(zhàn)環(huán)境是，通過記憶規(guī)則庫庫、知識庫和推理庫的推理和規(guī)劃，產(chǎn)生行為規(guī)則序列更加優(yōu)化、路徑更為便捷，從而將節(jié)省能源消耗和運動時間?？梢?，本發(fā)明提出的uia多層次混雜式免疫智能體模型完全符合設計目標,為uuv的智能性建模與仿真提供了新的視角。

盡管上面已經(jīng)示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領域的普通技術人員在不脫離本發(fā)明的原理和宗旨的情況下在本發(fā)明的范圍內(nèi)可以對上述實施例進行變化、修改、替換和變型。