17、救援代理模拟的聚类与规划策略解析

救援代理模拟的聚类与规划策略解析

在人工智能和多智能体系统领域，救援规划与优化是一个新兴且极具挑战性的方向。RoboCup救援代理模拟为相关算法和技术提供了一个有趣的测试平台，它结合了优化（路由、规划、调度）和多智能体系统（协调、通信、有噪声或缺失通信）等多方面的难题。本文将详细介绍一种针对救援代理模拟的方法，该方法主要分为聚类和规划两部分。

1. 研究背景与团队表现

德国开罗大学（GUC）的机器人与多智能体系统（RMAS）研究小组于2010年9月成立，旨在研究和开发人工智能算法，以解决机器人和模拟系统中的问题，涵盖计算智能、计算机视觉、多智能体系统和经典人工智能方法等领域。GUC ArtSapience团队在RoboCup救援代理模拟比赛中表现出色，2013年第三次参赛便获得了第一名，2011年首次参赛（当时名为RMAS ArtSapience）在决赛中排名第三，2012年再次参赛。

2. 聚类方法

在救援模拟环境中，存在大量模糊信息，如灾难场景下火灾、被埋受伤平民和路障的初始位置未知，且分配给智能体的任务未明确执行地点。因此，为了提高救援效率，需要将地图划分为更小的分区，采用聚类方法实现这一目标。

2.1 C - 均值聚类

最初尝试使用模糊C - 均值聚类生成重叠聚类。C - 均值聚类允许一个数据点属于一个、两个或多个聚类。为确保每个聚类中有多个智能体，选择了合适的聚类数量。然而，测试表明将聚类数量增加到与智能体数量相等时，效果更好，但这会导致计算时间增加，超过了预处理的时间限制。其优点是能克服地图上路障的影响，增加智能体到达目标的概率，但可能导致多个智能体前往同一目标，浪费时间。

2.