基于改进合同网的中央冷却系统多Agent智能控制研究
基于Multi—Agent自适应／协调控制的智能电网
文章 编 号 ：１０ ４ ２ （０ １ ０ ０ ７ — ４ ０ ６－ ７９ ２ １ ） ６— ５ １ ０
基 于 Ｍｕｔ Ａｇｎ ｌ — ｅ ｔ自适 应／ 调 控 制 的智 能 电 网 ｉ 协
唐 忠， 郭 Leabharlann ２０ ９ ） ０ ００
（ 上海电力学 院 计算 机与信 息工程学院 ， 上海 摘
要 ：作为大区域联网安全 、 分布式发 电集成 、 电力市场优化配置和 电能质量等 问题 的解决方案 ， 智能 电网
Ｍ ｕ ｔ－ ｅ ｔＡｄａ ｔｖ ｎｄ Ｃｏ ｒ ｉ ａ ｉｎ Ｃｏ ｔｏ ｐ ｉａｉ ｎ ｌｉＡｇ ｎ ｐ ｉ ｅ ａ ｏ ｄ ｎ ｔｏ ｎ ｒ ｌＳＡｐ ｌｃ ｔ ｏ
ｉ ｍ ａ ｔＧｒｄ ｎＳ ｒ ｉ
ＴＡ ＮＧ ｈ ｎ Ｚ ｏ ｇ，Ｇ ＵＯ Ｗ ｅ ｉ
（ｃｏｌｆＣ ｍ ｕｅ ａ ｄＩ ｏ ａｉ ｎ ｉ ｅ ｎ ， ｈ ｎ ｈ ｉ Ｓｈｏ ｏ ｐ ｔ ｎ ｆｒ ｔ ｎＥ ｇｎ ｒ ｇ Ｓ ａｇ ａ ｏ ｒ ｎ ｍ ｏ ｅｉ
ａ ｈ ｍｅ ａｄ ａ ｒａ ．Ｔ ｅ ｃ ｒ ｎ ｅ ｅｈ ｏ ｇｅ ｎ ｈ ｅｅ ｐ ｅ ｔｏ ｅ ｓ ｒ ｇｉ ｒ ｔ ｏ ｎ ｂｏｄ ｈ ｕｒ ｔｋ ｙ ｔ ｎ ｌ ｉ ａｄ ｔｅ ｄｖｌ ｍ ｎ ｆｔ ｍａｔ ｒ ａｅ ｅ ｃ ｏ ｓ ｏ ｈ ｄ
ｓ ｍｍａ ｉ ｄ，ａ ｄ ａ ａ ｔ ｅ ｃ ｏ ｄ ｎ ｔ ｎ ｃ ｎ ｒ ｌ ａ ｅ ｎ Ｍｕ ｔ Ａｇ ｎ ｒ ｐ ｓ ｄ ｔ ｏ ｌ ｅ ｔ ｈ ｕ ｒｚ ｅ ｎ ｄ ｐ ｉ ／ ｏ ｒ ｉ ａｉ ｏ ｔ ｓ ｄ ｏ ｌ — ｅ ｔｉ ｐ ｏ ｏ ｅ ．Ｉ ｃ ｕ ｄ ｓ ｔ ｅ ｔ ｅ ｖ ｏ ｏ ｂ ｉ ｓ ｌ ｉ ｔｒ ｃ ｉｎ ｐ ｏ ｌｍ ｅｗｅ ｎ ｄ ｓｒ ｕ ｅ ｅ ｅ ａ ｏ ｎ ａ ｇ ｒ ｎ ｌ ｂ ｈ ａ ｉ ｏ ｕ ｕ ｅ ｎ ｅ ａ ｔ ｒ ｂ ｅ ｂ ｔ ｅ ｉｔ ｂ ｔｄ ｇ ｎ ｒ ｔ ｎ ａ ｄ ｌ ｒ ｅ ｇ ｉ ａ ｄ ｗｉ ｅ ｔ ｅ ｂ ｓ ｆ ｆ ｔ ｒ ｏ ｉ ｉ ｄ ｌ ｓ
基于PLC的主变智能冷却控制系统研究尹善耀
基于PLC的主变智能冷却控制系统研究尹善耀发布时间：2021-08-31T06:53:43.780Z 来源：《河南电力》2021年5期作者：尹善耀王文超郑文新黎舟洋孙永斌[导读] 变压器具有电压变换和输送电能的作用，是电力系统中重要的电气设备。
变压器绕组中通过负荷电流和交变磁场，容易产生热量使变压器本体温度升高，因此，散热性能是变压器长期安全、可靠运行的基础。
（广东电网有限责任公司惠州供电局广东惠州 516000）摘要：主变压器作为变电站的核心设备，其对电力系统具有重要作用。
随着电气自动化技术的发展，主变冷控系统越来越多的采用PLC（Programmable Logic Controller，可编程逻辑控制器）为核心以取代传统的继电器控制方式。
这极大地简化了主变冷控系统的控制回路，并可通过编程手段实现冷却风机自检及定期轮换等功能。
然而，主变以PLC作为冷控系统的核心，PLC发生故障后冷控系统将完全停止工作，降低了主变长期运行的可靠性。
本文首先以西门子自然油循环风冷主变为例，介绍了基于PLC的智能冷控系统，再结合某变电站“主变本体冷却器全停故障”频繁误告警实例，分析了该告警产生原理及相关定值设定的要求。
关键词：主变；智能冷控系统；PLC；全停故障1 前言变压器具有电压变换和输送电能的作用，是电力系统中重要的电气设备。
变压器绕组中通过负荷电流和交变磁场，容易产生热量使变压器本体温度升高，因此，散热性能是变压器长期安全、可靠运行的基础。
油浸风冷的方式是在自然冷却的基础上利用风机极大地增强了冷却效果，越来越多的应用于大型新建变电站中。
传统的主变冷控系统采用电磁继电器式控制，其回路接线复杂、维护工作量大，尤其是无法对其冷却系统进行在线升级调整，已无法适应现代电网的自动化发展要求。
以PLC为核心的主变冷控系统具有在线编程功能，可实现风机定期自检、主备风机自动轮换、冷却系统在线监视等功能[3-5]。
PLC智控制系统提升了主变控制的自动化程度，但也增加了PLC元器件故障风险。
Agent的课件09
对承诺的约束
在招标方对任务进行招标的时候，在对各个可能的分担任务 的Agent发送招标信息的时候就对招标的合同附带约束条件，如需 要在何时之前投标，对能力的最低要求，以及最多可使用的资源等。 通过这些约束条件，使得那些不具备这些约束条件的Agent不再投 标。而投标Agent也在给招标Agent发送信息时加上约束条件，这样 就可以减少不必要的通信。招标方在进行合同指派中，也会加上时 间约束等条件，在规定的时间间隔内如果合同承担方不能及时回复 确认信息，招标方就会重新分配任务。
多Agent协商技术
参考以下文献： 参考以下文献： 多Agent多问题协商模型 基于Multi-Agent的会议日程协商系统的研究 一种基于博奕论的多Agent交互模型 一种静态的协商算法 兵力协同计划资源冲突协商方法研究 基于约束的智能主体及其在自动协商中的应用 等等
改进的合同网
传统的合同网模型中在进行交互协同时没有对承诺进行约束， 所以在交互过程中就会存在反复协商的过程，这将会造成信息 的大量冗余和资源浪费。如果对合同网进行改进，在合同协商 过程中加入约束，就会减少一些不必要的信息交互，使协同顺 利完成。 传统的合同网模型并没有对合同的违约进行处理，它认为所有 作出承诺的Agent都能够承担投标的任务，但这在实际应用中会 存在问题，因为任何Agent在任何环境中的变化是动态的，很难 每次都对所作出的承诺做出正面的变化，而一旦承担合同的 Agent不能完成任务，招标方无法知道任务的完成情况，这样会 造成整个系统性能的降低，甚至损坏系统的可靠性。如果在合 同网中加入承诺解除机制、违约代价和信用机制，将会有效解 决这个问题。
一种静态协商模型及算法
双边统筹型谈判问题（DMN: Double-side Multi-issue Negotiation）是一种典型的非协作类问题，它指两个 Agent就多个项目（issue）的各种可能方案进行协商，直 到达到一致合同（方案）或谈判失败。如劳资谈判、建 筑部件设计等，美国卡内基梅隆大学的K.Sycara于80年代 末曾建立PERSUADER模型，采用基于事例推理和多属 性效用理论协商解决一类如劳资谈判的DMN问题，但该 模型通用性较弱，且需要第三方调停者的参与。
《基于Multi-Agent的电力系统暂态稳定分散协调控制》范文
《基于Multi-Agent的电力系统暂态稳定分散协调控制》篇一一、引言电力系统的暂态稳定性对于确保电力供应的连续性和可靠性至关重要。
然而，随着电力系统规模的不断扩大和复杂性的增加，传统的集中式控制策略在应对突发故障时可能显得力不从心。
为此，基于Multi-Agent的电力系统暂态稳定分散协调控制技术应运而生。
该技术利用多个智能Agent的协同作用，实现电力系统的暂态稳定控制，具有响应速度快、灵活性强、可扩展性好等优点。
二、Multi-Agent技术在电力系统中的应用Multi-Agent技术是一种分布式人工智能技术，通过将复杂系统分解为多个相互协作的智能Agent，实现系统的整体优化。
在电力系统中，每个Agent负责监控和管理特定区域的电力设备，通过信息共享和协同决策，实现电力系统的暂态稳定控制。
三、暂态稳定分散协调控制策略基于Multi-Agent的电力系统暂态稳定分散协调控制策略主要包括以下几个方面：1. 故障检测与定位：通过布置在电力系统各处的传感器和智能Agent，实时监测电力设备的运行状态，一旦发现故障，迅速定位故障位置。
2. 信息交互与共享：各智能Agent之间通过通信网络进行信息交互和共享，实现电力设备的状态感知和协同决策。
3. 协调控制策略：根据故障情况和电力设备的运行状态，各智能Agent制定相应的控制策略，通过分散协调的方式，实现对电力系统的暂态稳定控制。
4. 故障恢复与预防：在故障处理过程中，各智能Agent根据系统状态和恢复策略，协调配合，快速恢复电力供应，同时采取预防措施，避免类似故障的再次发生。
四、实施步骤与关键技术基于Multi-Agent的电力系统暂态稳定分散协调控制的实施步骤如下：1. 构建智能Agent：根据电力系统的实际需求，设计并构建具有感知、决策、执行等功能的智能Agent。
2. 信息交互与通信：建立可靠的通信网络，实现各智能Agent之间的信息交互和共享。
《2024年基于Multi-Agent的电力系统暂态稳定分散协调控制》范文
《基于Multi-Agent的电力系统暂态稳定分散协调控制》篇一一、引言随着电力系统的日益复杂化，暂态稳定性的控制问题变得越来越重要。
在电力系统中，暂态稳定性指的是系统在遭受大扰动后，能够保持稳定运行的能力。
传统的集中式控制方法在处理大规模、复杂化的电力网络时，往往面临计算量大、实时性差等问题。
因此，基于Multi-Agent的分散协调控制方法在电力系统的暂态稳定性控制中得到了广泛的应用。
本文旨在探讨基于Multi-Agent的电力系统暂态稳定分散协调控制，以提高电力系统的稳定性和可靠性。
二、Multi-Agent技术在电力系统中的应用Multi-Agent技术是一种分布式人工智能技术，它通过将系统任务分配给多个Agent来协调和完成复杂的系统任务。
在电力系统中，Multi-Agent技术可以通过分布式的方式实现暂态稳定的控制，从而提高电力系统的稳定性和可靠性。
每个Agent负责处理局部信息和控制局部设备，通过与其他Agent的协调和交互，实现整个电力系统的稳定控制。
三、基于Multi-Agent的电力系统暂态稳定分散协调控制（一）系统架构基于Multi-Agent的电力系统暂态稳定分散协调控制系统由多个Agent组成，每个Agent负责处理局部信息和控制局部设备。
系统采用分布式架构，各Agent之间通过通信网络进行信息交互和协调。
（二）控制策略1. 局部控制策略：每个Agent根据其所处位置和所连接设备的状态信息，采用局部控制策略进行控制。
例如，对于发电站或输电线路等设备，可以通过调整其出力或状态来实现局部稳定。
2. 协调控制策略：在各Agent之间，采用分散协调控制策略，以实现整个电力系统的稳定控制。
具体而言，各Agent通过共享信息和协调行动来达到协同控制的目的。
此外，为了更好地处理各种故障情况，需要引入紧急控制策略。
当系统发生故障时，各Agent根据其接收到的故障信息和其他Agent的反馈信息，迅速调整其控制策略，以尽快恢复系统的稳定性。
一个基于自组织多Agent系统的智能控制与决策模型
一个基于自组织多Agent系统的智能控制与决策模型杨斯博;李敏强【摘要】提出了一个基于自组织多 Agent 系统的智能控制与决策模型，它是一种基于行为主义的智能控制与决策模型，由环境和自组织多 Agent 系统两大部件构成，分别通过环境的定义、环境的识别、多 Agent 控制与决策过程以及多 Agent 控制与决策输出4个基本步骤来完成建模工作。
该模型可以灵活地选择多种算法进行具体的实现工作，文中给出的算法是一种基于作用力机制(物理激励)的多Agent 控制与决策算法，该算法是通过模仿经典物理学理论中的万有引力定律，将多 Agent 系统中的自组织交互过程转化为相互的作用力，并通过交互作用力的大小和方向体现多 Agent 之间的交互机制，充分利用了多 Agent 系统的群体决策优势。
测试实验结果表明，该模型具有较好的应用效果并且其系统能量在Agent 数目为300、迭代次数超过80次时具有稳定性。
【期刊名称】《天津大学学报》【年(卷),期】2012(000)010【总页数】9页(P903-911)【关键词】自组织;多Agent系统;智能控制与决策;环境;作用力机制;群体决策【作者】杨斯博;李敏强【作者单位】天津大学管理与经济学部,天津 300072;天津大学管理与经济学部,天津 300072【正文语种】中文【中图分类】TP18智能控制与决策的研究内容比较广泛，涉及机器人、自动化导航车 AGV、智能车辆Ⅳ、智能设备以及生产生活中那些需进行智能控制和决策的系统(如计算机网络，智能交通系统 ITS)等．目前，国际上智能控制与决策模型以Brooks[1]教授提出的包容式结构、Pomerleau[2]提出的 ALVINN 系统和 Barbara Hayes-Roth[3]教授提出的黑板控制结构最为著名．其中，包容式结构是人工智能领域中基于行为主义的智能控制与决策模型，ALVINN系统和黑板控制结构则分别是人工智能领域中基于连接主义(神经网络)和符号主义(逻辑推理)的智能控制与决策模型的代表．包容式结构打破了传统人工智能领域研究者强调的基于符号主义(逻辑推理)的模型构建方法，仅需通过机器人与环境之间的交互行为建模具体完成所需要的智能控制与决策任务，可以说是对传统人工智能的一大挑战．在前述3个经典模型的基础上，近些年来国内外研究者围绕智能控制与决策模型进行了大量的研究工作．国外一些研究者将最新的生物进化理论及协同进化理论引入智能控制与决策模型的构建过程中，为智能控制与决策模型提供了一些新途径，如基于蚁群优化的方法[4]、基于免疫算法的模型[5]等．其他一些研究者对传统人工智能方法进行了改进，采用本体论、机器学习方法来完成智能控制与决策模型的构建工作，包括基于 POMDP的方法[6]、基于人工神经网络的模型[7]、基于本体论及 Web服务的模型[8]．随着近几年智能控制与决策领域对环境适应性和复杂性要求的不断上升，国外学者重新开始重点关注采用基于行为主义的方法来构建智能控制与决策模型，如基于会话的模型[9]和基于交互行为的模型[10]等．与国外相比，我国的研究者近些年来也提出了一些较好的理论模型，如基于模拟退火的多Agent模型[11]、基于混合结构的多 Agent模型[12]、基于 Petri网的方法[13]、基于协同进化的方法[14-15]和基于多智能体协商机制的方法[16]等．但是，目前我国在智能控制与决策领域的研究工作大多是注重理论模型研究，而能够直接具体应用和实现的理论模型相对较少，大多数研究成果主要集中在采用传统的逻辑推理或是生物进化的方法进行分析和建模，而对于基于行为主义的智能控制与决策模型的关注和研究工作较为匮乏，特别需要能够提供适应复杂环境下控制与决策任务的要求，又能简单方便地进行具体应用和实现的理论模型．为此，笔者提出了一种基于行为主义的自组织多Agent系统智能控制与决策模型．该模型由环境和自组织多Agent系统两大部件所构成，可通过环境的定义、环境的识别、多 Agent控制与决策过程以及多Agent控制与决策输出 4个基本步骤来完成具体建模工作．与现存的多 Agent系统控制与决策模型相比，该模型可以灵活选择多种算法进行具体物理实现，并可充分利用自组织多Agent系统的群体决策优势．此外，该自组织多 Agent系统智能控制与决策模型不是针对现有的多机器人或多车辆的整体控制问题(现有大多数多 Agent系统模型属于此类，如机器人足球、道路交通控制等)，而是针对在单独的智能机器(如智能车辆、机器人、无人驾驶飞机、自动化导航车等)上构建智能控制与决策模型，从而满足其在复杂环境下自适应性控制与决策的需要．1 基于自组织多 Agent系统的智能控制与决策模型根据在单独智能机器(如智能车辆、机器人、无人驾驶飞机、自动化导航车等)上构建复杂环境下自适应性控制与决策系统的目标，基于自组织多 Agent系统的智能控制与决策模型见图 1．该模型主要由两大部件构成：一个是环境部分，代表了智能机器在其识别范围内的实际运动空间(如行驶的道路、实验场地等)；另一个是智能机器上的自组织多 Agent系统．该自组织多Agent系统以软件形式运行在智能机器的计算机系统中，可针对需要完成不同的控制与决策任务．在对环境的信息处理中，为方便自组织多Agent系统有效处理环境变化信息，将环境中的各种物理对象(如设施、行人、车辆、障碍物等)定义为各种外部Agent，这些外部 Agent的位置变化(出现/消失/移动)和数目则体现了环境的变化情况．自组织多Agent系统实现其控制与决策任务则主要通过 4个基本步骤完成，即环境的定义、环境的识别、多 Agent控制与决策过程和多Agent控制与决策输出．1.1 环境的定义在基于自组织多 Agent系统的控制与决策模型中，环境指的是智能机器(如智能车辆、机器人、无人驾驶飞机、自动化导航车等)在其可识别范围内的真实运动空间(如行驶道路、所在场地等)．环境反映智能机器在行驶或运行过程中遇到的各种外部环境变化，如遇到车辆、行人、设施或各种障碍物等．智能机器可根据这些外部环境变化进行相应的决策控制．环境按其属性可划分为静态环境和动态环境两种．静态环境指的是环境保持不变的情况，也就是说在某段时间内没有新的物理对象出现、移动或消失的情况．此时，智能机器可保持原先运行状态不变(不改变运动轨迹)；动态环境指的是在环境中出现以下3种情况中的1种或者多种，即环境中出现了新的物理对象、原有物理对象发生了位移、原有物理对象消失在识别范围外．此时，智能机器就需要根据不同情况做出准确判断并进行相应控制决策操作行为．图1 基于自组织多Agent系统的智能控制与决策模型Fig.1 Intelligent control and decision making model based on self-organizing multi-Agent system 1.2 环境的识别在完成对智能机器所处环境的定义之后，需要对环境信息进行有效的识别工作．该识别过程是由装载在智能机器上的各种传感器具体完成的．这些传感器可以是光学传感器、电磁传感器或是声学传感器中的一种或多种．而衡量这几种传感器的识别效果的指标包括：感知范围(即传感器可探测的最长/最大范围)、精确度(传感器可测量的最小距离变化范围)、方向度(传感器可测量感知光束的宽度范围)和响应时间(传感器对距离变化的响应速度)．与此同时，为了弥补传统传感器的不足，也可在传统传感器基础上增加很多成本低廉的新型传感器设备，如摄像机、无线通信设备等．此时，智能机器所做的工作就是将由多个传感器捕获到的环境信息融合后通过传感器接口输入到自组织多Agent系统中，这时需将外部的物理对象转化为软件形式的 Agent并添加到自组织多Agent系统中参与控制与决策过程．这些软件形式的外部 Agent所具有的属性(如大小、形状、静止/移动等)来源于多传感器信息融合后的信息并始终与外部物理环境保持一致．在自组织多Agent系统成功获取外部环境信息并添加了外部 Agent之后就完成了环境识别工作．1.3 多Agent控制与决策过程多 Agent控制与决策过程是整个模型的核心模块，其主要由内/外部 Agent具体功能的划分、内部Agent结构和数量的选择、内/外部Agent交互机制的选择以及多 Agent控制与决策算法的选择 4个子步骤构成．1) 内/外部Agent具体功能的划分在自组织多Agent系统中，存在两类软件形式的Agent：一类是自身具有功能目的性的内部 Agent，另一类则是无功能目的性的外部 Agent．内部Agent的主要功能可根据控制与决策的需要进行定义，又称为决策Agent，它们可完成不同的功能性目标，如避撞、导航、路径规划等．为便于使用，这些决策 Agent可定义为同源 Agent(即各种属性都相同)，它们通过协作交互的方式协同完成某些具体功能目标．外部Agent主要是指那些在环境中的物理对象(如车辆、行人、设施、障碍物等)．这些外部 Agent一般不具有功能性目的，它们是智能机器所处的真实物理环境在自组织多Agent系统(软件环境)中的映射，它们是一类经过形式转换并能实时体现实际物理对象特性的软件 Agent，它们通过传感器接口输入后将参与随后自组织多Agent系统的智能控制与决策过程．2) 内部Agent结构和数量的选择完成内/外部主体功能划分后，需根据不同控制与决策功能需要选择内部Agent的结构和数量(外部Agent也是根据内部 Agent的结构进行选择的，其数量由传感器依实际情况确定)．内部 Agent结构可以有 3种基本形式，即认知型 Agent、反应式 Agent和混合式Agent，使用者可根据功能需要选择以上3种结构形式中的一种或多种，如可选择功能简单且易实现的反应式 Agent(其不具有逻辑推理能力或是逻辑推理能力比较低)作为内部 Agent的结构．内部Agent的数量是根据要完成任务目标的复杂程度、多Agent系统构建的复杂性和智能机器所要求的响应时间等因素综合考虑的：若内部 Agent数量过多，则由于大量的 Agent的交互过程会导致控制与决策过程非常复杂且响应速度慢，甚至会出现死锁情况，这种情况对于可靠性要求高的任务是无法容忍的(如车辆避撞问题)；若内部 Agent的数量过少，每个内部Agent对最终控制与决策效果的贡献度过大，会出现个别内部Agent的死锁或信息输入的错误，从而导致控制与决策目标的背离，使控制与决策过程失效，这种情况对于可靠性要求高的任务也同样是致命性的(如车辆避撞问题)．从另一方面来说，数量过少的Agent难以有效地协同完成特定任务目标，因为每个Agent受其他 Agent的制约过少，可能在极端情况(单独的 Agent实现控制与决策功能)难以进行全局性有效控制．因此，内部 Agent的数量应根据任务要求及经验知识进行适中选择．3) 内/外部Agent交互机制的选择确定内部Agent的结构和数量之后，要根据它们的结构和数量及功能任务需要为其选择与外部Agent交互行为相适应的交互机制，该步骤可根据内部Agent的结构类型、任务复杂性和对功能任务所需响应时间等因素进行综合考虑．比如说，选择基于逻辑推理的交互机制(较适合于认知型Agent结构和混合型 Agent结构且响应时间要求不太高的情况)、基于交互行为的交互机制(较适用于反应式Agent 结构且响应时间要求比较高的情况)或是基于生物进化的交互机制(可适用于所有Agent结构且对响应时间要求较低的情况)等．4) 多Agent控制与决策算法的选择确定内/外部 Agent交互机制之后，为了使自组织多Agent系统对智能机器进行有效控制，需根据不同功能任务选取或者构建不同控制与决策算法，但前提是这些算法必须是适用于多 Agent系统的分析和建模要求的．这些算法大体可被分为3种类型．(1)基于逻辑推理的算法，即通过使用逻辑推理的相关理论和算法构建和实现的多Agent系统计算模型．如机器学习算法等．(2)基于交互行为的算法，即通过模拟人类交互活动或是采用物理学原理构建和实现的多Agent系统计算模型．如基于社会推理的算法和模拟退化算法．(3)基于生物进化的算法，即通过对生物学现象或机理的模仿构建和实现的多Agent系统计算模型．如遗传算法、协同遗传算法、蚁群算法、粒子群算法和群体智能算法等．为此，使用者一般可根据所选择的Agent结构形式来选择不同类型的多Agent系统控制与决策算法：对于认知型或混合型结构的 Agent较适合采用基于逻辑推理的算法来进行建模和计算；对于选取反应式结构的 Agent更适合采用基于生物进化或交互行为的算法来进行建模和计算，因为反应式Agent内部没有或很少具有逻辑推理能力，一般也不需要设有逻辑推理功能，而控制与决策任务的实现则主要是通过Agent之间的交互行为和群体决策来具体实现的．1.4 多Agent控制与决策输出在确定多Agent控制与决策算法之后，最后步骤就是根据多 Agent控制与决策算法的计算结果产生对智能机器的控制与决策行为，并通过智能机器上传动装置的硬件控制接口实现对智能机器的实际控制操作并可通过智能机器的运行轨迹输出来评价其性能．2 模型应用实例简介为了对基于自组织多Agent系统的智能控制与决策模型进行具体的应用实验测试，这里选取了车辆避撞问题作为该模型的一个典型应用实例和实验测试对象．此时，环境的定义是指智能车辆(一种智能机器)在其可识别范围内的行驶道路状况；环境的识别则是由装载在智能车辆上的各种传感器(摄像机、红外传感器、声纳传感器)具体完成的，并通过信息融合输入环境信息；在多 Agent控制与决策过程中，内部 Agent作为决策 Agent，而外部 Agent作为智能车辆在行驶过程中所遇到的各种障碍物 Agent，同时考虑到车辆避撞问题对响应时间要求较高且为了计算方便，这里选取经验数量(300个)的反应式 Agent并基于作用力的交互行为构建基于作用力机制(物理激励)的多Agent控制与决策算法并由其计算结果作为最后多Agent控制与输出的结果来控制智能车辆完成避撞任务．3 基于作用力机制的自组织多 Agent控制与决策算法基于作用力机制(物理激励)的自组织多 Agent控制与决策算法基本思想是通过模仿经典物理学中的万有引力定律，将内部 Agent(决策 Agent)与外部Agent(障碍物 Agent)的自组织交互过程转化为两者之间的相互作用力，并通过交互作用力的大小和方向体现多Agent之间的交互机制，其算法步骤如下：第 1步设定决策主体的数量n，对所有n个决策主体进行初始化(随机放置在n个不同的位置is，并对这些决策主体的属性参数值如质量 im、速度 iv、加速度 ia、识别范围r和R、能量Ei等参数分别设定).第 2步由外部传感器的接口对车辆行驶环境进行探测，将探测到的p个障碍物主体添加到自组织多Agent系统中(由传感器获取的信息自动设置障碍物主体的大小Ik，质量 Mk，位置 S k、速度 V k、加速度Ak、等属性参数值的大小)，并循环执行第 3步～第4步．第 3步对所有n个决策主体循环执行以下操作：(1) 计算第i( i∈ [1 ,… ,n ])个决策主体与第k(k∈[1,…,p])个障碍物主体的排斥力向量；(2) 计算第i( i ∈ [1 ,… ,n ])个决策主体与其他 n－1个决策主体的排斥力向量；(3) 计算由操作(1)和(2)得到的排斥力合力向量 F i，并通过人为设定的外力向量(摩擦力向量对合力向量大小进行调整．(4) 根据操作(3)得到的合力向量 F i由牛顿力学公式( F i =mai)计算出第i( i ∈[1… n])个决策主体的加速度向量 ai，再由加速度向量 ai经离散积分得到其速度向量 v i和位置向量 s i，并计算出其能量的大小．第4步根据第3步结果计算出n个决策主体的平均位置向量和平均能量大小meanE =，并由它们的平均位置向量和前次的平均位置向量的差向量Δ sm ean计算出车辆此时(假定时间为 t)新的位置向量S ( t)(S ( t) = S ( t − 1)+ L Δ smean(t )，L为一个调整参数)，并可通过硬件接口对车辆实施相应的避撞控制.第 5步若满足收敛条件Δ s mean(t) ＜ε(ε →0)或是Δ E m ean(t) ＜δ (δ → 0 )，则转向第 6步；否则，返回第2步继续对车辆行驶环境进行探测．第 6步根据第 4步对于车辆位置向量 S (t)的累计计算结果输出车辆避撞控制轨迹，从而实现最终的车辆控制与决策输出并可在其基础上进行评价．该算法是以自组织多 Agent系统中的多个内部Agent(决策 Agent)与外部Agent(障碍物)的交互作用力向量为基础，通过实时计算所有参与作用力交互的内部 Agent(决策 Agent)的合力向量计算出决策Agent的平均加速度向量，并进而计算出平均速度向量和平均位移向量，最后将决策Agent的平均位移向量作为智能车辆避撞控制与决策的修正向量来实时调整车辆的位置运行轨迹，从而满足车辆避撞问题的任务要求．这里需要说明的是，由第1步～第6步列出的自组织多 Agent智能控制与决策算法是以第 3步和第4步2个循环步骤为其核心计算步骤，其中第3步中操作(1)和(2)对应的2种排斥力计算方法如式(1)和式(2)所示．式中：FA i O k 为决策 Agent与障碍物 Agent之间基于排斥力交互机制的作用力向量；β为常数，β ∈ [ 0,1]；mi 、M k分别为决策主体和障碍物主体的质量大小，mi ＞0，M k＞ 0 ；D为两者之间交互距离向量．因决策 Agent为同源主体，所以它们的参数设置相同，即质量 m i可统一简化为质量m表示；X k和 X i分别代表障碍物主体和决策主体之间的位置向量，它们的位置向量差Xk−Xi代表两者之间的距离向量，而X k −X i 则为它们之间的距离向量范数．式中：F A iA j 为决策 Agent之间基于排斥交互机制的作用力向量；α为常数，α ∈ [ 0,1]；m i和 m j分别为任意 2个相互交互决策 Agent质量大小，m i＞ 0 ，m j＞ 0 ；d为两者之间的交互距离向量．因所有决策Agent都是同源主体，属性参数都相同，所以质量 m i统一简化为质量m表示．X j和 X i分别代表2个任意交互的决策Agent之间的位置向量，它们的位置向量差Xj−Xi代表了两者之间距离向量，而X j −Xi则为它们之间的距离向量范数．第3步中操作(3)中摩擦力Ffi 的计算式为式中：λ为自组织多Agent系统中人为设定的摩擦力系数，λ ∈ [ 0,1]；vi为第i(i ∈ [1 ,… ,n ])个决策Agent的速度向量；F fi为人为设定的摩擦力向量，即人为设定的一个外力向量，目的是避免所有决策Agent不断发生位移导致系统难以控制的情况．第3步中操作(3)中合力向量 F i的计算式为式中：为第i(i ∈ [1 ,… ,n ])个决策Agent与其他n－1个决策 Agent之间排斥力向量和(即累计向量和，见式(2))；∑ k FA iO k 为第i(i ∈ [1 ,… ,n ])个决策Agent与第k (k ∈ [1 ,… , p])个障碍物Agent之间排斥力向量和(即累计向量合，见式(1))；Ffi为第i∈ [ 1,… ,n ]个决策Agent的摩擦力向量，而 F i为决策Agent Ai所受的合力向量．第3步中操作(4)是根据合力向量 F i并根据牛顿力学公式 F i =mai计算第i(i ∈ [1 ,… ,n ])个决策Agent的加速度向量 ai的过程，其计算式为特别是当环境中仅有一个障碍物 Agent与决策Agent交互作用时，式(5)则可简化为通过对式(5)和式(6)两边同时进行离散化积分可得到第i(i ∈ [1 ,… ,n ])个决策Agent的速度向量 vi和位置向量 si．同时，第i(i ∈ [1 ,… ,n ])个决策Agent的自身能量为第3步计算结束后，第4步是根据第3步的计算结果分别计算出所有 n个决策Agent的平均位置向量 means 和平均内部能量 meanE ．平均位置向量 means 的计算式为平均内部能量 meanE 的计算式为第4步最终的智能车辆移动位置的计算式为此时，由式(10)可知，自组织多 Agent系统对智能车辆新的位置向量 ()tS 的计算是根据所有决策Agent随时间不断变化(假定时间为 t)平均位置向量差mean()tΔs(L为一个人为设定的调整参数)与前次车辆位置(1)t−S(时间为t－1)的累加向量．而最终的第 6步所给出的车辆避撞控制轨迹则是由 t时间内车辆位置向量 ()tS 得到的．4 模型参数设定及模拟实验测试为验证基于自组织多 Agent系统的智能控制与决策模型对车辆避撞问题的应用效果，对模型参数进行了设定，为计算方便，将决策 Agent和障碍物Agent的质量m和M均设为1，两者最大交互半径r和 R均为 100，交互距离向量分别为d和D，决策Agent之间排斥力因子α和β分别设为 0.2(根据经验设定)，摩擦力因子λ设为0.07(根据经验设定)，车辆位置调整参数因子L设为2，决策Agent的数量n设为300，障碍物Agent数量p设为1～3个(即分单个障碍物和多个障碍物情况)．由设定的模型参数值和第 1步到第 6步中所给出的基于作用力交互机制的自组织多 Agent控制与决策算法以及计算式(1)～式(10)，对固定和移动障碍物的车辆避撞问题进行了模拟实验测试，最终实验测试结果见图2和图3．图2 车辆避撞轨迹(1～3个固定障碍物)Fig.2 Vehicle collision avoidance trajectories(one to three fixed obstacles)图 2的测试实验结果是在车辆避撞模拟环境的中心位置分别放置 1个(单个固定障碍物，图中方框表示)、2个和 3个固定障碍物(多个固定障碍物，图中方框表示)的模拟测试情况．根据最终分别得到的对单个和多个固定障碍物的车辆避撞轨迹(星号线表示)可知采用基于自组织多Agent系统的智能控制与决策模型和基于交互作用力机制的多 Agent智能控制与决策算法能够使智能车辆有效地避开环境中的固定障碍物．图3的测试实验结果是在车辆避撞模拟环境中不同位置放置一个移动障碍物(移动的方框表示)的情况．该移动障碍物分别被放置在水平方向、垂直方向和对角线(斜线)方向进行测试：在坐标[0，50]沿水平向右方向和坐标[100，50]沿水平向左方向测试；在坐标[50，100]沿垂直向下方向测试(以 2种不同的速度)；在坐标[0，100]沿对角线向右下方向和在坐标[100，100]沿对角线向左下方向测试．通过图2中对上述 3个不同方向移动障碍物的6条车辆避撞轨迹(星号线表示)可知，即使对于移动障碍物的情况，采用上述基于自组织多Agent系统的智能控制与决策模型和基于交互作用力机制的多Agent智能控制与决策算法同样可使智能车辆有效避开环境中的移动障碍物．5 模型的稳定性分析图 2和图 3的测试结果验证了模型的可行性和有效性．图4则对模型的稳定性进行了简单分析．图 4从自组织多 Agent系统的平均内部能量变化角度分析了模型的稳定性．将相应的模型参数值代入式(9)得到由图4的能量变化曲线可以看到，在决策Agent数量为300个时，平均内部能量值随着计算迭代次数的增加而不断降低，并在迭代次数超过 80次后趋于稳定，由此可知该基于自组织多Agent系统的智能控制与决策模型从能量角度上来看是具有稳定性的．图3 车辆避撞轨迹(1个移动障碍物)Fig.3 Vehicle collision avoidance trajectories(one moved obstacle)图4 自组织多Agent系统平均能量变化(Agent数目＝300)Fig.4 Mean energy diagram of self-organizing multi-Agent system(Agent number＝300)6 结语介绍了一种基于自组织多 Agent系统的控制与决策模型，该模型主要分为环境和自组织多Agent系统两大部分，其建模工作以环境的定义和识别为基础，并通过。
基于改进合同网的无人机群协同实时任务分配问题研究
基于改进合同网的无人机群协同实时任务分配问题研究近年来，无人机技术的持续发展使得无人机群在军事、民用等领域得到了广泛的应用。
无人机群的协同控制问题一直是无人机领域中的研究热点之一。
协同控制的一个重要问题就是实时任务分配。
在实际应用中，无人机群往往需要实时地调整任务分配，以适应外界环境的变化以及实现最优资源利用。
因此，研究无人机群的实时任务分配问题具有重要的理论和实践意义。
目前，国内外学者已经提出了很多无人机群实时任务分配算法。
其中较为经典的算法包括贪心算法、遗传算法、粒子群算法、蚁群算法等。
这些算法的优点各不相同，但是都存在着一些问题。
例如，贪心算法容易陷入局部最优解，遗传算法需要较多的计算资源等。
因此，如何解决无人机群实时任务分配问题仍然是一个值得研究的问题。
本文基于改进合同网的无人机群协同实时任务分配问题进行研究。
改进合同网是一种先进的群体智能算法，其基本思想是通过构建一个合同网，将无人机任务分配转化为对合同网中各个节点的调节。
在改进合同网中，每个节点可以分配任务给多个无人机，同时也可以接受来自其他节点的任务分配。
通过对合同网中的节点进行调节，可以实现无人机群的实时任务分配。
在本文中，我们将改进合同网算法应用到无人机群实时任务分配问题中。
首先，我们构建一个合同网，并选择适当的节点作为代表解，即将这些节点的任务分配方案作为优秀解进行保存。
然后，通过遗传算法对合同网中的各个节点进行进化优化，以求得更优的任务分配方案。
此外，我们还引入了惯性因子来保持种群的多样性，避免遗传算法陷入局部最优解。
为了验证本文提出的算法，我们进行了大量的仿真实验。
实验结果表明，本文提出的算法在无人机群的实时任务分配问题中表现出了良好的性能和效果。
与传统的算法相比，本文的算法不仅具有更快的执行速度和更好的稳定性，同时还可以在保证任务完成率的同时，优化资源利用和无人机群的航行轨迹。
基于协商的多Agent供应链智能管理系统
基于协商的多Agent供应链智能管理系统于丽娜【摘要】介绍一个多Agent系统(MAS)在供应链智能管理中的应用.提出框架并描述大量的谈判行为句,用于构建功能代理合作双方和第三方谈判的协议.还提供一个通过解决分布式约束满足问题来建立虚拟链的例子.%This paper describes a multi- agent system (MAS) which applies to the supply chain management. In the framework, functional agents can participate in, stay or leave the system. The function of Supply Chain Management Intelligent System (SCIMS) is implemented through agent -based negotiation. When the order arrives, a virtual supply chain will be established by automatic or semi -automated process of negotiation between different functional agents. This paper presents the framework and describes a lot of negotiation performatives, which can be used into building pair - wise and third - party negotiation protocol for functional agents. This article also provides an example of creating a virtual chain by solving a distributed constraint satisfaction problem.【期刊名称】《科技管理研究》【年(卷),期】2011(031)011【总页数】4页(P97-100)【关键词】谈判;多Agent系统;供应链管理系统【作者】于丽娜【作者单位】江西科技师范学院数学与计算科学学院,江西南昌330038【正文语种】中文【中图分类】F252电脑软件和硬件开发引起了智能软件代理的出现。
基于多Agent的智能质量控制系统建模方法
基于多Agent的智能质量控制系统建模方法
王秋明;刘科成;高慧颖
【期刊名称】《北京理工大学学报》
【年(卷),期】2012(32)5
【摘要】提出一种基于多Agent的智能质量控制系统建模方法.将基于多Agent 的方法应用于质量控制过程中,每个质量控制过程作为一个独立的Agent可以降低问题的复杂度.将神经网络技术及案例推理技术应用于Agent的智能决策中,可以有效地解决系统的智能故障模式识别及诊断问题,进而为工序调整和控制提供决策.计算结果表明,该建模方法是可行的.
【总页数】5页(P535-539)
【关键词】多Agent;神经网络;案例推理;质量控制;智能质量
【作者】王秋明;刘科成;高慧颖
【作者单位】北京理工大学管理与经济学院;中国科学院微电子研究所
【正文语种】中文
【中图分类】F406
【相关文献】
1.基于多agent的智能教学系统建模方法探索 [J], 罗海丽
2.基于多Agent的玻璃堆垛控制系统的建模与仿真 [J], 陈薇;金晶;李鑫
3.基于Agent建模的指挥控制系统建模总体分析 [J], 汪蕾;宋华文
4.基于Agent的智能控制系统的实现方法研究 [J], 王俊普;徐杨;陈逼;李滔
5.基于Agent的复杂系统智能仿真建模方法的研究 [J], 赵怀慈;黄莎白
因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年基于Multi-Agent的电力系统暂态稳定分散协调控制》范文
《基于Multi-Agent的电力系统暂态稳定分散协调控制》篇一一、引言随着电力系统的日益复杂化，暂态稳定性的控制成为了电力系统稳定运行的关键问题。
传统的集中式控制策略在面对大规模、复杂化的电力系统时，往往面临着计算量大、实时性差等问题。
因此，分散协调控制策略逐渐成为了研究的热点。
本文提出了一种基于Multi-Agent的电力系统暂态稳定分散协调控制策略，旨在提高电力系统的暂态稳定性，保障电力系统的安全稳定运行。
二、Multi-Agent技术概述Multi-Agent技术是一种分布式人工智能技术，通过将系统分解为多个独立的Agent来实现对复杂系统的控制。
每个Agent可以根据自身的信息和环境信息进行学习和决策，从而实现系统的整体协调和优化。
在电力系统中，每个Agent可以代表一个子系统或者一个设备，通过分散协调的方式实现对电力系统的暂态稳定控制。
三、基于Multi-Agent的电力系统暂态稳定分散协调控制策略1. 系统建模首先，需要对电力系统进行建模。
建模过程中需要考虑电力系统的拓扑结构、设备参数、负荷情况等因素。
同时，需要建立各Agent之间的通信机制，以便实现信息的传递和共享。
2. Agent设计与分配根据电力系统的特点和需求，设计合适的Agent结构和功能。
每个Agent需要具备对本地信息的感知能力、对其他Agent的通信能力以及对控制策略的决策能力。
根据电力系统的拓扑结构和设备分布情况，将Agent分配到各个子系统或设备上。
3. 协调控制策略基于Multi-Agent的分散协调控制策略需要考虑到各Agent之间的协调和优化。
通过设计合适的协调机制和优化算法，实现各Agent之间的信息共享和协同控制。
在暂态稳定控制中，需要根据电力系统的实时运行情况，对各Agent的控制策略进行动态调整，以实现系统的整体优化和稳定控制。
四、仿真实验与结果分析为了验证基于Multi-Agent的电力系统暂态稳定分散协调控制策略的有效性，我们进行了仿真实验。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
４００
江苏科技大学学报（自然科学版）
２０１８年
板式冷却器、管路及其附件等．淡水回路在前后机 舱各设立一个淡水冷却泵单元，每个单元包括一台 艏部设备兼停泊冷却泵、一台艉部设备冷却泵和一 台备用泵［２－３］．海水回路与淡水回路的布置结构如 图 １．首先，海水冷却泵将舷外海水输送到中冷器，
收稿日期：２０１６－１０－２５ 修回日期：２０１７－０５－１８ 基金项目：国家自然科学基金资助项目（５１１７９１９６） 作者简介：肖剑波（１９８４—），男，讲师，研究方向为机舱自动化与仿真、视景仿真与虚拟现实技术．Ｅｍａｉｌ：ｘｊｂｏ１９８４＠１２６．ｃｏｍ 引文格式：肖剑波，胡大斌，胡锦晖．基于改进合同网的中央冷却系统多 Ａｇｅｎｔ智能控制研究［Ｊ］．江苏科技大学学报（自然科学版），２０１８，３２
第 ３２卷第 ３期 ２０１８年 ６月 ＪｏｒｎａｌｏｆＪｉａｎｇｓｕ
Ｕｎｉ江ｖｅｒ苏ｓｉｔｙ科ｏ技ｆＳ大ｃｉｅ学ｎｃｅ学ａ报ｎｄ（自Ｔｅｃ然ｈｎ科ｏｌｏ学ｇｙ版（Ｎ）ａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） ＶｏＪｌｕｎ３．２２０Ｎ１ｏ８３
ＤＯＩ：１０．１１９１７／ｊ．ｉｓｓｎ．１６７３－４８０７．２０１８．０３．０１６
而后，在中冷器内进行海水与淡水的热交换，使淡 水温度保持在一定的范围．海水经过热交换后再排 出舷外．淡水冷却单元的公共冷却泵将被海水冷却 后的淡水输送到所需冷却设备，再将完成冷却的淡 水输送回海水冷却系统进行循环．
图 １ 中央冷却系统布置原理 Ｆｉｇ．１ Ｓｃｈｅｍａｔｉｃｏｆａｒｒａｎｇｅｍｅｎｔｏｆａｓｈｉｐ′ｓｃｅｎｔｒａｌｃｏｏｌｉｎｇｓｙｓｔｅｍ
该电力推进装置正常工况有 ４种，分别为进出 港工况、航行工况、锚泊救生工况、动力定位救生工 况．冷却系统要按照电力推进装置运行状态选择所 需冷却设备进行冷却，例如航行工况时，前发电机 舱设备、后发电机舱设备和艉部推进设备都处于运 行状态，且大部分为艉部设备，因此选择启动后舱 泵组，并要为上述运行中的电力设备提供冷却水． 前后两个冷却泵组单元原则上按照冷却便捷性进 行选择，但也可以互为备用．
船舶中央冷却系统用以冷却动力装置中的推 进装置、发电机组、各个辅助设备以及其他装置，以 确保整个动力系统得到合理的冷却，并维持正常、 稳定的工作状态，是动力装置安全可靠运行的重要 保障［１－４］．传统的中央冷却系统在正常工况条件下 能实现冷却水的统一调配，但在控制功能上仍存在 不足：全系统控制规划比较粗糙，未具体到单个部 件的精细控制，系统重构能力有限；蝶阀和泵组需 要手动控制，响应能力和实时性依赖于操作者的经 验和熟练程度；故障恢复和战损重构的能力较弱，
Ｒｅｓｅａｒｃｈｏｎｍｕｌｔｉａｇｅｎｔｃｏｎｔｒｏｌｏｆｃｅｎｔｒａｌｃｏｏｌｉｎｇ ｓｙｓｔｅｍ ｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｃｏｎｔｒａｃｔｎｅｔ
ＸＩＡＯＪｉａｎｂｏ，ＨＵＤａｂｉｎ，ＨＵＪｉｎｈｕｉ
（ＣｏｌｌｅｇｅｏｆＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＮａｖａｌＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ４３００３３，Ｃｈｉｎａ）
局部工作能力的损失会导致整个大系统的全部工 作能力损失．文中针对上述不足，对某型电力推进 装置中央冷却系统 进 行 研 究，将 多 Ａｇｅｎｔ控 制 技 术［４－６］应用于中央冷却系统，并验证了控制效果．
１ 中央冷却系统控制对象
某型电力推进装置中央冷却系统由海水回路 和淡水回路组成．海水回路在前后机舱各设一个中 冷分站，主要部件有机舱海底门、通海阀、海水过滤 器、海水冷却泵（前机舱设 ３个，后机舱设 ４个）、
Ａｂｓｔｒａｃｔ：Ｔｈｅｓｔｒｕｃｔｕｒｅ，ｏｐｅｒａｔｉｏｎｍｅｃｈａｎｉｓｍ ａｎｄｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌｒｅｑｕｉｒｅｍｅｎｔｓｏｆａｃｅｒｔａｉｎｃｅｎｔｒａｌｃｏｏｌｉｎｇ ｓｙｓｔｅｍ ｏｆｅｌｅｃｔｒｉｃｐｒｏｐｕｌｓｉｏｎｐｌａｎｔａｒｅａｎａｌｙｚｅｄ．Ｔｈｅｃｅｎｔｒａｌｃｏｏｌｉｎｇｓｙｓｔｅｍ ｏｆｔｈｅｅｌｅｃｔｒｉｃｐｒｏｐｕｌｓｉｏｎｐｌａｎｔｈａｓａ ｃｅｒｔａｉｎｄｅｇｒｅｅｏｆａｕｔｏｍａｔｉｏｎ，ｂｕｔａｌｓｏｈａｓｓｏｍｅｄｅｆｉｃｉｅｎｃｉｅｓ．Ａｉｍｉｎｇａｔｔｈｉｓｐｒｏｂｌｅｍ，ｔｈｅｍｕｌｔｉａｇｅｎｔｃｏｎｔｒｏｌ ｔｅｃｈｎｏｌｏｇｙｉｓｉｎｔｒｏｄｕｃｅｄ，ａｎｄａｎｉｍｐｒｏｖｅｄｃｏｎｔｒａｃｔｎｅｔｍｅｔｈｏｄｂａｓｅｄｏｎａｃｑｕａｉｎｔａｎｃｅｍｅｃｈａｎｉｓｍｉｓｃａｒｒｉｅｄｏｕｔ． Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｕｌｔｉａｇｅｎｔｃｏｎｔｒｏｌｓｔｒｕｃｔｕｒｅｉｓａｂｌｅｔｏｃｏｎｔｒｏｌｔｈｅｃｅｎｔｒａｌｃｏｏｌｉｎｇｓｙｓｔｅｍ ｅｆｆｅｃｔｉｖｅｌｙａｎｄｔｏｉｍｐｒｏｖｅｔｈｅｔａｓｋｅｆｆｉｃｉｅｎｃｙａｎｄｖｉａｂｉｌｉｔｙｏｆｔｈｅｓｙｓｔｅｍ． Ｋｅｙｗｏｒｄｓ：ｃｅｎｔｒａｌｃｏｏｌｉｎｇｓｙｓｔｅｍ，ｉｍｐｒｏｖｅｄｃｏｎｔｒａｃｔｎｅｔ，ｍｕｌｔｉａｇｅｎｔｓｙｓｔｅｍ，ｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌ
基于改进合同网的中央冷却系统 多 Ａｇｅｎｔ智能控制研究
肖剑波，胡大斌，胡锦晖
（海军工程大学 动力工程学院，武汉 ４３００３３）
摘 要：针对电力推进装置中央冷却系统的运行特点、运行工况和智能控制需求，将多 Ａｇｅｎｔ控制技术引入中央冷却系统 控制中．结合控制需求设计了一种合理的多 Ａｇｅｎｔ系统控制结构，采用了 Ａｇｅｎｔ联盟的协作结构，并引入了熟人机制，提出 了一种改进的合同网模型．对多 Ａｇｅｎｔ智能控制系统的性能和效果进行验证分析，结果表明，该多 Ａｇｅｎｔ智能控制系统能够 实现正常工况切换及故障工况下的自动控制，达到了控制要求，提高了任务效率． 关键词：中央冷却系统；改进合同网；多 Ａｇｅｎｔ系统；智能控制 中图分类号：Ｕ６６４１２１ 文献标志码：Ａ 文章编号：１６７３－４８０７（２０１８）０３－０３９９－０８