Swarm Behaviour Optimisation Methods Based on an Original Algorithm

• Autorzy: Falkowski Krzysztof , Duda Michał

Identyfikatory

DOI

10.5604/01.3001.0015.2428

Warianty tytułu

PL

Metoda optymalizacji zachowania się roju na podstawie autorskiego algorytmu

• Języki publikacji: EN

Abstrakty

EN

This article presents an authorial swarm algorithm that performs coverage tasks using the Sweep Coverage method. The presented solution assumes stochastic movement of the objects in the swarm which allows them to be simple ones. Our goal was to find an optimal number of objects in the swarm. The main evaluated factors are time and energy consumption. Changing input data allowed us to designate different cases and to examine the influence of varying parameters of a single boid on a whole swarm behaviour.

PL

W artykule przedstawiono metody znalezienia optymalnej wielkości roju dla danego zadania. Głównymi ocenianymi czynnikami są czas i zużycie energii. Autorskie rozwiązanie algorytmiczne pozwoliło na wyznaczenie różnych przypadków i zbadanie wpływu różnych parametrów pojedynczego boida na zachowanie całego roju. Obliczenie efektywności energetycznej pozwoliło na wyznaczenie dodatkowych informacji o optymalizacji liczby boidów w roju. Wyniki pokazują, że można ocenić najlepsze rozwiązania dla określonych założeń. Można znaleźć, jaka liczba boidów wykonałaby zadanie w jak najkrótszym czasie przy założonej energooszczędności. Można również znaleźć grupę z najlepszym czasem do uzyskania wskaźnika efektywności energetycznej, która wykonałaby zadanie przy najlepszej kombinacji najkrótszego czasu i zużytej energii. Dodatkowe testy ze zmieniającymi się zmiennymi pozwoliły określić ich wpływ na wynik. Wykazano, że prędkość i bezpieczna odległość są ze sobą połączone, ale zmiana prędkości jest bardziej znacząca dla mniejszych rojów, gdy zmiana bezpiecznej odległości ma większy wpływ na liczniejsze grupy. Wynika z tego, że dla małych grup lepsze są szybsze boidy, a dla liczniejszych rojów bardziej przydatne byłyby boidy, które mogą poruszać się bliżej. Zmienianie promienia obszaru skanowanego na każdym kroku wpływa na ogólną wydajność, ale prawie nie ma wpływu na efektywność energetyczną roju.

Słowa kluczowe

EN

swarms; swarm algorithm; sweep coverage; coverage task; optimisation

PL

optymalizacja; rój; algorytm roju

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Problemy Mechatroniki : uzbrojenie, lotnictwo, inżynieria bezpieczeństwa
• Rocznik: 2021
• Tom: Vol. 12, Nr 3 (45)
• Strony: 53--70
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Falkowski Krzysztof

• Military University of Technology, Faculty of Mechatronics, Armament and Aerospace, 2 Sylwestra Kaliskiego Str., 00-908 Warsaw, Poland

• https://orcid.org/0000-0002-0279-3791

autor

Duda Michał

• Military University of Technology, Faculty of Mechatronics, Armament and Aerospace, 2 Sylwestra Kaliskiego Str., 00-908 Warsaw, Poland

Bibliografia

• [1] Chakraborty Amrita, Arpan Kumar Kar. 2017. „Swarm Intelligence: A Review of Algorithms”. Nature-Inspired Computing and Optimization 10: 475-494. DOI: 10.1007/978-3-319-50920-4_19
• [2] Krause Jonas, Jelson Cordeiro, Rafael Stubs Parpinelli, Heitor Silveiro Lopes. 2013. 7 - A Survey of Swarm Algorithms Applied to Discrete Optimization Problems. In Swarm Intelligence and Bio-Inspired Computation, Theory and Application. Elsevier, ISBN 9780124051638.
• [3] Alaliyat Saleh, Harald Yndestad, Filippo Sanfilippo. 2014. Optimisation of Boids Swarm Model Based on Genetic Algorithm And Particle Swarm Optimisation Algorithm (Comparative Study). In Proceedings of the 28th European Conference on Modelling and Simulation, ECMS 2014. DOI: 10.7148/2014-0643.
• [4] Larsson Max, Sebastian Lundgern. 2017. Perception of Realistic Flocking Behavior in the Boid Algorithm (Bachelor Thesis). Karlskrona, Sweden: Blekinge Institute of Technology.
• [5] Teng Hu, Ishtiaq Ahmad, Alamgir Msm, Kyung Hi Chang. 2020. “3D Optimal Surveillance Trajectory Planning for Multiple UAVs by Using Particle Swarm Optimization with Surveillance Area Priority”. IEEE Access 8: 86316-86327 DOI: 10.1109/ACCESS.2020.2992217.
• [6] Prabakaran Veerajagadheswar, Rajesh Elara Mohan, Vinu Sivanantham, Thejus Pathmakumar, Suganya Sampath Kumar. 2018. “Tackling Area Coverage Problems in a Reconfigurable Floor Cleaning Robot Based on Polyomino Tiling Theory”. Applied Science 8 (3): 342-1-21, DOI:10.3390/app8030342.
• [7] Gage W Douglas. 1992. “Command Control for Many-Robot Systems”. Unmanned Systems 10 (4): 28–34.
• [8] Beal Jacob, Nicolaus Correll, Leonardo Urbina, Jonathan Bachrach. 2009. Behavior Modes for Randomized Robotic Coverage. In Proceedings of the 2nd International ICST Conference on Robot Communication and Coordination. DOI: 10.4108/ICST.ROBOCOMM2009.5863.
• [9] Wang Qiuzhen, Hai Zhang. 2021. “A Self-Organizing Area Coverage Method for Swarm Robots Based on Gradient and Grouping”. Symmetry 13 (4): 680-1-24, DOI:10.3390/sym13040680.
• [10] Miao Kun, Qian Feng, Wei Kuang. 2021. “Particle Swarm Optimization Combined with Inertia-Free Velocity and Direction Search”. Electronics 10 (5): 597-1-26. DOI:10.3390/electronics10050597.
• [11] Singha Arindam, Anjan Kumar Ray, Arun Baran Samaddar. 2021. “Neural dynamics based complete grid coverage by single and multiple mobile robots”. SN Applied Sciences 3: 543, DOI: 10.1007/s42452-021-04508-5.
• [12] Jevtić Aleksandar, Diego Andina. 2007. Swarm intelligence and its applications in swarm robotics. In Proceedings of the 6th WSEAS Int. Conference on Computational Intelligence, Man-Machine Systems and Cybernetics. Tenerife, Spain, December 14-16, 2007.
• [13] Tehrani-Saleh Ali, Christoph Adami, Randal Olson. 2016. Flies as Ship Captains? Digital Evolution Unravels Selective Pressures to Avoid Collision in Drosophila. In Proceedings of the Fifteenth International Conference on the Synthesis and Simulation of Living System, 554-561. DOI: 10.7551/978-0-262-33936-0-ch089.