MULTI-CRITERIA SEARCH FOR THE BEST UAV CONFIGURATIONS FOR SMALL CATTLE TREATMENT IN AGRICULTURE
MULTI-CRITERIA SEARCH FOR THE BEST UAV CONFIGURATIONS FOR SMALL CATTLE TREATMENT IN AGRICULTURE
Abstract
The article proposes a method of searching for the best robot configurations in unknown in advance functioning conditions, which allows finding solutions close to the optimal ones by means of a limited number of full-scale tests. The problem of disinfectant solution treatment of small cattle, first of all sheep, using UAVs equipped with a liquid spraying mechanism is studied. The treatment consists in wetting the entire surface of the wool cover. The time required by the UAV to treat a given number of heads under arbitrarily given external conditions is chosen as an indicator of the efficiency of different UAV configurations. The search algorithm is based on multi-criteria analysis of the vector characteristics of the robots using criterion importance theory methods. By finding out information about the relative importance of criteria and the growth of preferences along the criteria scale, a value function of UAV configurations is constructed. Using a simple simulation model, a numerical experiment has been conducted for 1000 different operating conditions. The effectiveness of the suggested method is confirmed by the small size of deviations of the found solutions from the optimal ones.
1. Введение
В настоящее время большое применение в народном хозяйстве, в частности в сельском хозяйстве, находят мобильные роботы. Мобильные роботы используются для выполнения самых различных задач, как под управлением оператора, так и самостоятельно управляемые искусственным интеллектом с использованием систем машинного обучения. В животноводстве беспилотная техника используются для оценки продуктивности и травостоя близлежащих пастбищ для перегона скота, контроля точного местонахождения группы животных, управления передвижением группы животных, определения местоположения отбившихся животных, подгон их к основной группе и месту ночевки . При эксплуатации сельскохозяйственной техники БПЛА могут использоваться для своевременной доставки материалов и запасных частей .
Преимущества и недостатки применение БПЛА в сельском хозяйстве и оценка их важности для отрасли рассмотрены в работах
, . В обобщены исследования беспилотных летательных аппаратов в сельском хозяйстве и предложены направления будущих исследований.Одной из актуальных проблем в сельском хозяйстве является ветеринарно-санитарная обработка животных — мелкого рогатого скота, прежде всего овец. Обработка заключается в промачивании дезинфицирующим раствором всей поверхности шерстного покрова. Проводится, как правило, после стрижки овец в специальных загонах. Традиционно обработка проводится с помощью купочных и душевых установок и сопряжена с очень большими затратами времени и средств. В данной работе рассматривается применение БПЛА для обработки дезинфицирующим раствором мелкого рогатого скота путем облета животного (рис. 1). За счет точности обработки шерстяного покрова такой способ позволяет сократить расход дезинфицирующего раствора и тем самым удовлетворить экологическим требованиям.
Рисунок 1 - Ветеринарно-санитарная обработка овец после стрижки в специальных загонах с помощью БПЛА
Учеными во всем мире ведутся работы по исследованию БПЛА, повышению их мобильности, производительности и получению новых возможностей за счет лётных характеристик и применения искусственного интеллекта. Одной из основных проблем проектирования адаптируемых систем является разработка методов и алгоритмов автоматического определения оптимальных или наиболее целесообразных решений в процессе функционирования системы при изменении внешних условий, целей и других факторов. Поскольку это происходит в режиме реального времени, количество необходимых испытаний должно быть сведено к минимуму. Эта особенность задачи не позволяет использовать большинство классических методов оптимизации, а также современные популяционные подходы , предполагающие перебор довольно большого числа вариантов решений. В этом смысле эффективны методы многокритериального анализа принятия решений
, , основанные на теории важности критериев , , . Авторами предложен многокритериальный подход к проектированию групп роботов, который позволяет за счет оценки производительности сравнительно небольшого числа эталонных роботов существенно сократить область поиска лучших решений и предложить оптимальные или близкие к оптимальным решения , , . Данная работа является продолжением этих исследований. Помимо информации об относительной важности критериев, в данной работе оцениваются значения градаций шкалы критериев и строится функция ценности конфигураций БПЛА.2. Имитационная модель и постановка задачи оптимизации
Варьируемые параметры
q — максимальная скорость опрыскивания, от 2 до 4 л/мин;
c — оценка управляемости при полете, от 0 до 9;
s — оценка способности удерживаться над животным, от 0 до 9;
m — полезная нагрузка, от 7 до 25 л.
В силу имеющихся ограничений, у отдельного БПЛА не могут быть достигнуты наилучшие значения сразу по всем характеристикам. Но мы можем подбирать БПЛА, у которых лучше будут те характеристики, которые важнее для нас, которые позволят более эффективно выполнять задачу в имеющихся условиях функционирования.
Условия функционирования
Основным показателем эффективности БПЛА считаем время, за которое будет обработано определенное количество голов N = 100. Траекторию полета БПЛА можно условно поделить на 2 части. На одной части БПЛА выполняет полезную работу, т.е. распыляет дезинфицирующего раствора над скотом. На второй части траектории БПЛА летит в холостую, перелетая между скотом или возвращаясь на дозаправку раствором. При уменьшении объема загружаемого дезинфицирующего раствора m повышаются оценки полетных характеристик БПЛА, но увеличиваются затраты времени на дозаправки. Общее время выполнения задачи складывается из расхода времени на каждом участке траектории:
Затрачиваемое время БПЛА на рабочем участке пропорционально суммарной потребности в дезинфицирующем растворе, обратно пропорционально скорости опрыскивания, а также зависит от прочих условий и способности БПЛА удерживаться над животным и при этом сохранять устойчивость в этих условиях. Для оценки этого времени будем использовать упрощенную модель:
Время перелетов БПЛА на холостых участках траектории пропорционально общей их дистанции, обратно пропорционален скорости полета, а также зависит от прочих условий и способности БПЛА сохранять управляемость в этих условиях. Дистанция перелетов складывается из фиксированной части
Модель (1)–(3) описывает целевую функцию задачи оптимизации. При заданных параметрах
3. Многокритериальный анализ решений методами теории важности критериев
Для решения поставленной задачи оптимизации предлагается использовать методы многокритериального анализа задач принятия решений , и теории важности критериев , , , в которой формально определены понятия о важности критериев.
Рассмотрим многокритериальную задачу выбора лучшей векторной оценки
Известно, что лучшее решение следует выбирать среди Парето-оптимальных векторных оценок
Качественная информация
где векторная оценка
Количественная информация о важности критериев состоит из сообщений «критерий с номером
Помимо информации о важности критериев в теории используется дополнительная информация о скорости роста предпочтений вдоль шкалы критериев
Если количественно оценить значения коэффициентов важности
Тогда выбор наилучшей векторной оценки
4. Описание метода многокритериального поиска предпочтительных решений
Перечисленные пять характеристик БПЛА будем использовать в качестве критериев многокритериальной задачи выбора лучшей конфигурации робота. Для этого приведем их к общей 10-балльной шкале {1, …, 10}, используя следующие соотношения:
Далее будем решать задачу оптимизации функции
Для оценки информации об относительной важности критериев используем ранее предложенный в работе метод. Для этого производятся вычисления показателей эффективности у
Информация об упорядочении критериев по важности получается путем попарного сравнения показателей эффективности БПЛА с эталонными оценками
Количественная информация о важности критериев получается путем сравнения показателя эффективности робота с эталонной векторной оценкой
Степень превосходства в важности критерия с номером
В дополнение к информации о важности критериев в данной работе предлагается определять информацию о росте предпочтений вдоль шкалы критериев, а именно как соотносятся между собой приращения ценности
Для формирования новых эталонных векторных оценок, будем варьировать значения оценок по первым двум критериям, а остальные оценки положим одинаковыми и равными
Сравнивая функции ценности эталонных векторных оценок
Если показатели эффективности
Пусть
Приравнивая также функцию ценности векторной оценки
Для случая
Получив оценки величин
Предложенный метод количественного оценивания величин
5. Результаты численного эксперимента
Было произведено 1000 численных испытаний, в которых значения компонент вектора
Результаты первых 10 испытаний при (a, b, d) = (6, 9, 3)
λ | y* | T(y*, λ) | ΔTø | Ω | |YΩ| | ΔTΩ | yV | V(yV) | T(yV, λ)-T(y*, λ) | V(yV)-V(y*) | |||
n | % | n | % | n | % | ||||||||
(0.735, 4412, 941, 6, 5) | (6, 7, 7, 8, 7) | 77,8917 | 84,1 | 108 | 2>4>1>3>5 | 182 | 52,6 | 68 | (6, 7, 7, 8, 7) | 0,9541 | 0 | 0 | 0 |
(0.695, 1521, 2507, 9, 6) | (6, 7, 7, 7, 8) | 93,4746 | 131,2 | 140 | 2>5>4>1>3 | 151 | 53,6 | 57 | (6, 7, 7, 7, 8) | 0,9328 | 0 | 0 | 0 |
(0.445, 5000, 2362, 5, 5) | (7, 6, 7, 7, 8) | 64,6648 | 86,1 | 133 | 1>2>3>5>4 | 203 | 40,1 | 62 | (7, 6, 8, 7, 7) | 0,8051 | 0,0187 | 0,03 | 0 |
(0.315, 1570, 1492, 1, 4) | (6, 7, 7, 7, 8) | 29,8323 | 32,4 | 108 | 2>1>5>4>3 | 203 | 17,9 | 60 | (6, 7, 7, 7, 8) | 0,9138 | 0 | 0 | 0 |
(0.56, 1717, 187, 7, 9) | (5, 8, 6, 10, 4) | 51,6359 | 89,2 | 173 | 2>4>3>1>5 | 151 | 24,7 | 48 | (6, 8, 7, 8, 5) | 0,9983 | 1,2169 | 2,3 | 0,0019 |
(0.73, 5000, 1724, 4, 7) | (7, 6, 7, 8, 7) | 95,6214 | 114,6 | 120 | 1>2>4>3>5 | 203 | 56,9 | 59 | (7, 6, 7, 8, 7) | 0,6305 | 0 | 0 | 0 |
(0.325, 1913, 1637, 8, 5) | (6, 7, 7, 8, 7) | 39,9749 | 39,9 | 100 | 2>4>1>5>3 | 182 | 30,3 | 76 | (6, 7, 7, 8, 7) | 0,9278 | 0 | 0 | 0 |
(0.455, 2011, 100, 2, 2) | (6, 9, 6, 8, 3) | 27,4796 | 36,6 | 133 | 2>4,1>3>5 | 182 | 15,3 | 56 | (6, 8, 7, 8, 5) | 0,9971 | 0,6618 | 2,35 | 0,0024 |
(0.73, 2354, 2391, 4, 1) | (6, 8, 5, 7, 8) | 66,4844 | 86,5 | 130 | 2>1>5>4>3 | 203 | 28,8 | 43 | (6, 7, 7, 7, 8) | 0,9288 | 0,2066 | 0,31 | 0,0036 |
(0.49, 4020, 999, 0, 1) | (8, 8, 5, 6, 6) | 37,0952 | 29,8 | 80 | 2>1>4>5>3 | 203 | 21,5 | 58 | (7, 7, 6, 7, 7) | 0,8967 | 0,4862 | 1,29 | 0,0012 |
В среднем из 1000 испытаний | - | - | - | 129 | - | 180 | - | 59 | - | - | 0,4305 | 0,83 | 0,0016 |
6. Заключение
В результате проведения численного эксперименты была установлена эффективность предложенного метода. Он позволил на простой имитационной модели сократить область поиска лучших решений и найти близкие к оптимальным решения путем вычисления целевой функции всего для 23 специально подобранных вариантов. Отклонение от оптимального решения было зафиксировано в 55% случаев и в среднем составило 0.83% от оптимального значения целевой функции.
Описанную процедуру поиска лучшей конфигурации робота через тестирование эталонных роботов можно провести один раз в самом начале, перед выполнением основных работ, выполняемых группой роботов. Кроме того, можно проводить онлайн адаптацию роботов к меняющимся условиям и предпочтениям. Для этого параллельно с группой роботов с «рабочей» конфигурацией можно запустить 23 эталонных роботов и отслеживать изменения показателей их эффективности в режиме реального времени. При существенном изменении условий и предпочтений, можно рассмотреть целесообразность изменения «рабочей» конфигурации на новую, более приспособленную к сменившимся условиям.