基于蚁群Stgmergy的多智能制造主体协同感知机制研究

黄亮 唐礼诚 陈小虎

摘 要： 在对现有典型协同感知机制分析的基础上，深入探讨了多智能体制造系统的协同感知机制。首先，针对集中式和分布式两类系统群体的协商决策、协商感知的机制进行了分析;其次，着重介绍了群体智能及其机理，结合蚁群Stgmergy的作用机理进行了详细说明，并根据蚁群Stgmergy机制进行多智能制造主体的协同感知应用的研究;最后，深入研究蚁群Stgmergy协作机制，并据此建立了多智能制造主体协同感知机制过程模型。

关键词： 蚁群; 多智能制造系统; 协同感知; Stgmergy协作机制

中图分类号： TP311      文献标志码： A

Research on Collaboratve Percepton Mechansm of Mult-Agent

Manufacturng Based on Ant Colony Stgmergy

HUANG Lang， TANG Lcheng， CHEN Xaohu

（Wuhan Asked nformaton Technology Co. Ltd.， Wuhan 43000）

Abstract： Based on the analyss of exstng typcal cooperatve percepton mechansm， ths artcle deeply explores and studes the cooperatve percepton mechansm of mult-agent manufacturng system. Frstly， the mechansm of negotaton decson-makng and negotaton percepton n centralzed and dstrbuted systems s analyzed. Secondly， swarm ntellgence and ts mechansm are ntroduced， and the mechansm of acton of ant colony Stgmergy s explaned n detal， and the cooperatve percepton of mult-agent manufacturng agent s based on ant colony Stgmergy mechansm. Fnally， the ant colony Stgmergy collaboraton mechansm s deeply studed， and the process model of mult-agent collaboraton percepton mechansm s establshed.

Key words： Ant colony; Mult-ntellgent manufacturng system; Collaboratve percepton; Stgmergy collaboratve mechansm

0 引言

在多智能体制造主体系统中，为成功地完成协同任务，系统中的其他协同主体必须及时、准确地感知每个制造智能体的状态、行为、决策及其变化的信息。通常分为两种系统，一种是集中式系统，即系统根据一定的规则和策略分为若干个子系统，各子系统由具有全局知识和协调功能的控制代理进行集中管理，并通过该策略实现解决多智能体分布式问题的局部控制，从而实现对系统中各智能制造主体的管控;另一种是分布式系统，与集中式系统不同的是，该系统中不存在一个协调各成员主体的集中式协调者，各成员主体间属于平等关系，通过网络实现交互，相互协调、相互作用。而协同感知机制就是这两类系统之一，该机制就是通过理解各主体彼此的意图和行为状态，并针对这些信息及其相关变化实现相互间的协调与控制[1-3]。

蚁群协同机制属于一类隐式通信机制，用于实现蚁群行为的协调和控制，应视为一个分布式系统[4-6]。本研究借鉴蚁群中的协同机制，用于解决多智能制造主体间的信息交互、信息协作、任务划分等问题，进一步解决多智能制造主体间协同感知机制问题。

1 蚁群群体智能及其作用机理

生物学家对蚁群行为不断深入地研究后发现，蚁群总能以某种方式实现一致的行为，且具有严格的组织分工，充分发挥蚁群成员的组织能力，并根据外界环境的变化迅速调整，形成自组织性极强的生物系统，使系统成员在行为上呈现高度的一致性。

1993年Mllonas等人提出群体智能（Swarm ntellgence）这一概念[4，7]。在群居特征显著的生命系统中，Mllonas发现个体与群体其他成员间在相互协作和群体组织方面的行为展现出高度的集群一致性，自组织特征和天然分布式是其展示出的两个显著特点。在没有集中控制机制下，简单个体通过一定的方式和简单的行为互动与群体达成一致，从而实现筑巢、通信、搬运等群体协作活动，这就是群体智能，在蚁群、蜂群等群居生活的生物群落中常见，其中蚁群群体智能最具代表性，备受关注，仍在持续研究中。

单个蚂蚁仅能完成简单任务，无法处理复杂问题，但通过外接环境的改变，个体间可进行直接或间接的信息传递实现群体协作，协同解决分布式问题，以达到解决复杂问题的目的。经学者们研究发现，蚂蚁在觅食时会释放一种化学物质，称作信息素。蚂蚁个体间通过这一媒介实现通信，从而引导蚂蚁在蚁穴和食物间的最短路线上聚集，达到群体行为一致的目的。具体过程原理如图1所示。

（a） （b） （c）

经Dorgo M等人[8，9]对自然界蚁群觅食过程的长期观察后，于1991年提出蚁群算法，并在群体优化问题上进行了应用。在前人基础上，Gross等人通过实验给出相应的模型。该模型中假定共有两条觅食路径，在一段时间内，m只蚂蚁会随机选择其中一条进行觅食，两条路径上信息素的残留值分别为C1和C2，那么，之后出現的第m+1只蚂蚁选择路径A的概率为式（1）。pAm=Am+khAm+kh+Bm+kh

（1）  选择路径B的概率为式（2）。pBm=1-pAm=Bm+khAm+kh+Bm+kh

（2）式中：k——路径上无信息素时，蚂蚁受到的吸引程度;

h——蚂蚁觅食时，路径选择发生的非线性程度。

研究得到蚂蚁觅食路径选择的通用模型如式（3）。p=C+kn∑mj+1C+kn

（3）式中：C——路径存在的信息素强度值;.

Cj——路径j存在的信息素强度值;

p——选择路径的概率;

m——路径总数。

通过定义一定数量的人工蚁群模拟真实蚁群的协作机制进行求解最优解，这是一类优化问题，属于蚁群算法的典型应用。这一过程的基本思路就是通过模拟蚂蚁利用信息素作为通信媒介，实现信息交互、群体协作，最终解决复杂问题。本质上，这就是一类智能多主体系统。定义独立的智能个体，将其比作人工蚂蚁，那么这些个体均可完成自身行为信息的建立、问题特征的收集，根据所得到的信息给出相关问题的解决方案。各人工蚂蚁会在解决问题的过程中会采用独立解决或协调完成的方式求解问题，体现出一种智能行为、群体协作行为。而蚁群的这种行为协作正是通过信息素才得以实现的，信息素就是信息交换的媒介。针对某一问题，个体间会通过信息交互建立多种解决方案，经多次迭代，在蚁群的协调交互中找到最优解，从而实现群体协调和成员间协作。

3 蚁群共识主动性及其发生与作用机制研究  “Stgmergy（共识主动性）”[10]一词最早被应用于白蚁筑巢行为中，由Grasse提出，后被广泛用于描述发生在动物个体之间的间接信息交互机制。生物个体进行个体自我调节的信息协调机制被称为共识主动性。在缺乏中心控制、直接接触及沟通交流时，群体可以通过某种方式实现信息交互。当外部环境发生变化时，个体感知这一变化后首先进行自我行为调整，进而相互影响，进一步完善群体系统生态环境。

该机制的基本原理是在环境中，同一个体或不同个体下一动作会受到上一动作留下的印迹所影响，由此产生的行为之间则会建立并增强联系，使系统性活动连贯顺畅。而蚁群共识主动性是通过单个蚂蚁释放信息素对自身行为进行调整，从而协调群体行为的统一性[7]，如图2所示。

Stgmergy 属于自主性活动，是一种隐式通信方式，不需要任何集中规划、集中控制，甚至个体间不需要进行直接通信，群体成员间就可通过相互影响、相互调整、相互协作形成高度智能化的群体结构。所以说，Stgmergy也能够支持那些记忆匮乏、无智能化及认知简单化的个体间实现协作完成复杂任务的求解。这一机制在群居性群体中普遍存在，上文提到的蚁群觅食就是这样实现的。

4 基于蚁群Stgmergy的多智能制造主体协同感知机制  蚁群Stgmergy协作机制是一种协调一致群体中个体行为的机制[11-13]。群体中个体遗留一定的相关信息，其他个体通过这些信息实现间接通信进而进行自我调整，并采取下一步行动。个体间在这期间并未进行直接通信，而是通过对环境中留存的相关信息素进行的彼此联系，并进行行为的调节，从而实现行为的一致性。这样就能够通过个体的行为实现群体协作共同完成同一任务，实现高效的群体协作机制。

多智能体制造主体根据自身的能力和运行条件相互配合完成相关任务，分工协作，这样形成的多智能制造主体生产系统就是一个有机的分布式系统。每个智能制造主体作为系统的构成要素都参与设计、生产、检验和装配等一系列的工作，它们相互配合、协同工作，即在各自能力的基础上相互配合。因此，当某一环节出现问题时，就需要其他智能制造主体的配合，协同感知的问题也由此产生。蚁群作为一个天然形成的多智能系统，属于典型的分布式系统，由众多相对简单的成员组成。所以说，可以考虑采用蚁群Stgmergy协同机制来解决多智能制造主体之间的协同感知问题[7-14]。

智能制造主体拥有较强的自我感知能力和外界环境感知能力，这对多制造主体的协调感知和群体的协同决策极为有利。另外，智能制造系统作为一个复杂的系统，属于典型的分布式系统，由加工机器、运输工具、检测设备等多种智能实体结合而成，这些智能主体均具有自我调节、相互协作的能力。智能制造系统的结构组成与群体生物Stgmergy机制非常相近，系统中各实体或子单元的自主能力均较强，将这一能力应用到多智能主体协同感知问题的解决上，实现系统中各组成主体、各子单元间关联耦合的简化，从而促成一个智能化的分布式整体系统。

针对多智能制造主体的协同感知问题，本研究借鉴群体生物Stgmergy协作机制，将其应用于多智能制造主体系统中。解决这一问题的基本步骤是，在生产环境中，智能制造主体会根据环境变化释放一种具有特殊属性的信息，通过这一信息，其他的智能制造主体会与之建立信息交互，既影响外部环境，又对自身行为进行调节，实现智能制造主体间的交互，从而实现整个系统的协同感知。针对多智能制造主体，以Stgmergy协作机制作为依据，建立相应的协同感知框架及过程如图3所示。

多智能制造主体在智能制造系统中呈现分布式，模拟蚁群Stgmergy以一种隐式协作机制在该系统中应用。以信息素通信交互机制为基础，在制造系统中达到多智能制造主体协同感知的目的，从而成为一种有效的协作机制，能够解决整个系统在产品设计、工艺规划、加工制造以及感知系统状态、诊断系统故障等方面的协作问题。

为实现系统的分布式协调控制，每个智能制造主体不仅要对自身运行状态、加工水平与能力等方面的自身属性完成自我感知，同时，对系统内的其他智能制造主体的实时运行状态等某些特定属性根据Stgmergy机制进行感知。这样就需要对这些进行加工行为的智能制造主体建立相互对应的简单关系，涵盖了各智能制造主体的运行状态、加工水平与能力、相应信息素水平等相关信息。因此，需要把每个智能制造主体建成一个信息节点，每个信息节点都有不同的信息位[15，16]，并存放对应智能制造主体用于与其他智能制造主体进行间接沟通的信息素，每个信息节点所包含的信息素均对应不同属性的强度值。利用Stgmergy机制，在自我感知的同时获取其他智能制造主体的相关数据信息，实现系统内各智能制造主体间的协同设计、加工等，同時在系统运行状态、故障诊断等方面实现协同感知。对上述制造环境中的制造资源的信息素的定义如表1所示。

智能制造主体的环境变化是一个随机过程[17]，包括了任务何时到达、智能制造主体的运行状态如何等等问题都是随机变化的。所以说，各职能制造主体首先要协同感知系统下各智能制造主体的运行状态，再对已到达的任务进行协调分解、分配。这时，参照蚁群Stgmergy协作机制，各智能制

造主体通过释放与其运行状态相关的信息素改变系统信息素环境，以达到系统内部实现协同感知的目的。

蚁群群体作为一个群体生物系统，属于典型的分布式群体，但兼有集中式系统和分布式系统两类系统的优点。借助Stgmergy机制，蚁群个体能够实现与其他个体建立间接通信，进行自我行为调整，达到信息交互和协作的目的[18]，最终实现蚁群群体内的协调。这一协作机制有分布式系统的特点，同时，系统成员间也可遵循这一机制实现间接通信，利用系统环境中的信息素进行信息交互、数据共享，极大地改善了传统分布式系统因直接通信引起的信息阻塞。目前来看，蚁群 Stgmergy协作机制作为昆虫协作机制的典型代表，在多智能制造主体系统中主要用于解决任务分解与分配、主体间相互协作等问题。由于它既具有分布式系统的优点，又具有隐式间接通信的优点，在未来制造业中将被广泛应用 [7-19]。

5 总结

5.1 总结

通过阐述现有的典型协同感知机制，结合集中式和分布式两类系统协同机制的对比分析，对多智能制造主体系统的协同感知机制深入研究。重点探讨和研究关于蚁群Stgmergy中涉及的群体智能、作用机理和Stgmergy的作用机制，并根据蚁群Stgmergy机制，对多智能制造主体的协同感知机制进行了分析和研究;以蚁群Stgmergy为基础，针对多智能制造主体协同感知机制过程建立相应模型，对解决系统任务分解、分配和各智能制造主体协同感知问题提供了有效方法，在未来制造业上具有广泛应用前景。

5.2 展望

本研究以Stgmergy协作机制为基础，在多智能制造主体的协同感知问题上加以应用，分析了该系统的任务协同分解、分配决策等问题，但仍存在研究的不足之处。今后的研究将会充分考虑多智能制造主体之间的协调关系，特别是考虑相互耦合性、动态多变性等因素带来的影响。

参考文献

[1] 从艳， 朱永杰. 群体决策理论研究述评[J]. 经济师， 2007（2）： 37-39.

[2] 李武， 席酉民， 成思危. 群体决策过程组织研究评述[J]. 管理科学学报， 2002， 5（2）： 55-66. [3] 魏存平， 邱菀华. 群体决策基本理论评[J]. 北京航空航天大学学报（社会科学版）， 2000（2）： 24-28.

[4] Baker A D. A Survey of Factory Control Algorthms That Can Be mplemented n a Mult-Agent Heterarchy： Dspatchng， Schedulng and Pull[J]. Journal of Manufacturng Systems， 1998， 17（4）： 297-320.

[5] 覃远年，梁仲华.蚁群算法研究与应用的新进展[J].计算机工程与科学，2019，41（1）：173-184.

[6] 许宫丹. 基于多Agent的多厂协同生产调度方法研究[D].沈阳：沈阳工业大学，2008.

[7] 万锦厂. 基于蚁群Stgmergy协作机制和ANN的多智能制造主体协同方法研究[D].深圳：深圳大学，2017.

[8] Colorn A， Dorgo M， Manezzo V， et al. Dstrbuted optmzaton by ant colones[C]// Proceedngs of the 1st European Conference on Artfcal Lfe， 1991， 134-142.

[9] Dorgo M. Postve Feedback as a Search Strategy[J]. Techncal Report， 1991.

[10] Bonabeau E， Dorgo M， Theraulaz G.Swarm ntellgence： From natural to artfcal systems[M]. New York： Oxford Unversty Press， 1999： 40-58.

[11] 段海滨. 蚁群算法原理及其应用[M]. 北京： 科学出版社， 2005： 10-30.

[12] Lao S H. Expert system methodologes and applcatons - A decade revew from 1995 to 2004[J]. Expert Systems wth Applcatons， 2005， 28（1）： 93-103.

[13] Messaoud S， Messaoud K， Dagtas S. Bayesan data fuson for smart envronments wth heterogenous sensors[J]. Journal of Computng Scences n Colleges， 2010， 25（5）： 140-146.

[14] 葛方振. 基于混沌蚂蚁的群集协同求解算法及应用[D].合肥：合肥工业大学，2012.

[15] 杨剑峰. 蚁群算法及其应用研究[D].杭州：浙江大学，2007.

[16] 胡小兵. 蚁群优化原理、理论及其应用研究[D].重庆：重庆大学，2004.

[17] 李建民， 石纯一. DA中多Agent协调方法及其分类[J]. 计算机科学， 1998， 25（2）： 9-12.

[18] Zhu D， Gu W. Sensor Fuson n ntegrated Crcut Fault Dagnoss Usng a Belef Functon Model[J]. nternatonal Journal of Dstrbuted Sensor Networks， 2008， 4（3）： 247-261.

[19] Pavln G， De Oude P， Mars M， et al. A mult-agent systems approach to dstrbuted Bayesan nformaton fuson[J]. nformaton fuson， 2010， 11（3）： 267-282.

（收稿日期： 2019.06.24）

作者簡介：黄 亮（1983-），男，工程师，本科，研究方向：两化融合，智能制造，企业管理。

唐礼诚（1985-），男，宜昌市人，助理工程师，本科，研究方向：企业网络管理，两化融合。

陈小虎（1988-），男，荆州市人，助理工程师，本科，研究方向：企业数据中心运维和云计算管理，智能制造。文章编号：1007-757X（2020）01-0098-04