Modification of the hopfield neural network model for solving the task of optimal task allocation in a group of mobile robots

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

In the context of group interaction among mobile robots, there arises the challenge of task distribution within the group, considering the robots' characteristics and the working environment. This study aims to modify the Hopfield neural network and develop methodologies for its application in solving the task allocation problem for an arbitrary number of tasks within a group of mobile robots. To achieve this, the Hopfield neural network is represented as a graph. An algorithm is presented, demonstrating the transition from the initial problem to the Traveling Salesman Problem (TSP). The application of the Hopfield model to the task distribution problem in a group of robots is described, along with the development of an optimization function calculation algorithm. An assessment is conducted to evaluate the impact of neural network parameters on the quality and speed of solving the optimization problem. By comparing it with other heuristic methods (genetic and ant colony algorithms), the domains of application for the modified algorithm are determined.

Full Text

Restricted Access

About the authors

O. V. Darintsev

Mavlyutov Institute of Mechanics of the Ufa Federal Research Centre of the Russian Academy of Sciences; Ufa University of Science and Technology

Author for correspondence.
Email: ovd@uimech.org
Russian Federation, Ufa; Ufa

A. B. Migranov

Mavlyutov Institute of Mechanics of the Ufa Federal Research Centre of the Russian Academy of Sciences

Email: abm.imech.anrb@mail.ru
Russian Federation, Ufa

References

  1. Барсуков Д.А., Волосатова Т.М. Создание робота-ищейки // Мехатроника, автоматика и робототехника. 2019. № 3. C. 6–9.
  2. Батанов А.Ф., Мингалеев С.Г., Очкин И.В. Робототехнические комплексы в аэромобильных группировках МЧС России // Технологии гражданской безопасности. 2019. Т. 16. № 2 (60). C. 60–69.
  3. Иванов Д.Я. Распределение ролей в коалициях роботов при ограниченных коммуникациях на основе роевого взаимодействия // Управление большими системами. 2019. № 78. C. 23–45.
  4. Kalyaev I., Kapustyan S., Ivanov D. et al. A Novel Method for Distribution of Goals Among UAVs for Oil Field Monitoring // IEEE 6th ICIEVISCMHT. Himeji, Japan, 2017. P. 1–4. doi: 10.1109/ICIEV.2017.8338554.
  5. Гречушкин И.В., Савин В.И. Применение наземных робототехнических комплексов для проведения погрузочно-разгрузочных и транспортно-складских работ // Научные проблемы материально-технического обеспечения Вооруженных Сил Российской Федерации. 2019. № 3(13). C. 103–116.
  6. Casbeer D.W., Beard R.W., McLain T.W. et al. Forest Fire Monitoring with Multiple Small UAVs // Proc. American Control Conference. Portland, USA, 2005. P. 3530–3535.
  7. Khamis A., Hussein A., Elmogy A. Multi-robot Task Allocation: A Review of the State-of-the-Art // Cooperative Robots and Sensor Networks. 2015. V. 604. doi: 10.1007/978-3-319-18299-5_2.
  8. Ziemke T. Adaptive Behavior in Autonomous Agents // Presence. 2003. № 7(6). P. 564–587.
  9. Kruglikov S.V., Kruglikov A.S. An A Priori Planning of Joint Motions for USV as a Problem of Guaranteed Control/estimation // Applied Mechanics and Materials. TransTech Publications. Switzerland, 2014. P. 1110–1113.
  10. Ivic S., Crnkovic B., Mezic I. Ergodicity - based Cooperative Multiagent Area Coverage Via a Potential Field // IEEE Transactions on Cybernetics. 2016. P. 1–11.
  11. Renzaglia A., Doitsidis L., Martinelli A. Cognitive-based Adaptive Control for Cooperative Multi-robot Coverage // IEEE Intern. Conf. on Robotics and Intelligent System (IROS). Taipei, Taiwan, 2010. P. 3314-3320. doi: 10.1109/IROS.2010.5649249.
  12. Даринцев О.В., Мигранов А.Б. Аналитический обзор подходов к распределению задач в группах мобильных роботов на основе технологий мягких вычислений // Информатика и автоматизация. 2022. Вып. 21. Т. 4. С. 729–757. doi: 10.15622/ia.21.4.4.
  13. Migranov A.B., Darintsev O.V. Choosing a Swarm Algorithm to Synthesis an Optimal Mobile Robot Team Control Strategy // 2020 Intern. Multi-Conf. on Industrial Engineering and Modern Technologies. Vladivostok, Russia, 2020. P. 1–5. doi: 10.1109/FarEastCon50210.2020.9271639.
  14. Лоскутов А.И., Горбулин В.И., Карпушев С.И., Ряхова Е.А. Решение задачи о ранце на основе динамической нейронной сети Хопфилда // Нелинейный мир. 2019. Т. 17. № 3. C. 25–35.
  15. Хайкин С. Нейронные сети. Полный курс. М.: Вильямс, 2016. 1104 с.
  16. Музычин В.В., Мациевский С.В. Исследование возможности использования рекуррентной нейронной сети Хопфилда для решения задачи коммивояжера // Современная наука: актуальные проблемы теории и практики. Сер.: Естественные и технические науки. 2020. № 5. C. 93–99.
  17. Hopfield J.J., Tank D.W. Neural Computation of Decisions in Optimization Problems // Biological Cybernetics. 1985. V. 52. P. 141–152. doi: 10.1007/BF00339943.
  18. Кононов А.А. Использование метода нейронных сетей Хопфилда для решения задачи маршрутизации в сети // Московский экономический журнал. 2019. № 9. C. 74.
  19. Darintsev O.V., Migranov A.B. Using the Hopfield Neural Network to Select a Behaviour Strategy for the Group of Mobile Robots // IOP Publishing. J. Phys.: Conf. 2021. Ser. 2096 012086. doi: 10.1088/1742-6596/2096/1/012086.
  20. Тархов Д.А. Нейронные сети. Модели и алгоритмы. М.: Радиотехника, 2005. 256 с.
  21. Migranov A.B., Darintsev O.V. The Use of Genetic Algorithms for Distribution of Tasks in Groups of Mobile Robots with Minimization of Energy Consumption // Intern. Multi-Conf. on Industrial Engineering and Modern Technologies. Vladivostok, Russia, 2019. P. 1–6.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Graphical representation of robots and tasks arrangement on the working field

Download (56KB)
Indexing metadata
3. Fig. 2. GVRP graph for the considered example

Download (60KB)
Indexing metadata
4. Fig. 3. Block diagram of the optimisation algorithm

Download (216KB)
Indexing metadata
5. Fig. 4. Result of calculating the behavioural strategy of a group of robots

Download (151KB)
Indexing metadata
6. Fig. 5. Test problem for dimensionality N = 20 (5 robots, 15 tasks) and its solution with initial parameters (u0 = 0.2; A = B = D = 500; C = 200)

Download (182KB)
Indexing metadata
7. Fig. 6. Dependence of the minimum route length on the threshold level of potential (250 runs of the neural network for each point)

Download (121KB)
Indexing metadata
8. Fig. 7. Meta-optimisation of total route length by weight coefficients (250 runs of neural network for each point)

Download (154KB)
Indexing metadata
9. Fig. 8. Test problem and its solution after step 2 of meta-optimisation

Download (174KB)
Indexing metadata
10. Fig. 9. Dependence of the minimum route length on the threshold level of potential at stage 3 of meta-optimisation (250 runs of the neural network for each point)

Download (144KB)
Indexing metadata
11. Fig. 10. Test problem and its solution after meta-optimisation step 3

Download (148KB)
Indexing metadata
12. Fig. 11. Examples of test problems solved by the modified neural network under different initial conditions (N = 20)

Download (366KB)
Indexing metadata
13. Fig. 12. Examples of polygons of types 1, 2, 3, 4, 5

Download (273KB)
Indexing metadata

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».