基于多智能體的車輛運輸船裝卸載作業(yè)系統(tǒng)仿真

顏 瓅劉朕明

（1.中國船舶及海洋工程設(shè)計研究院 上海200011；

2.上海中船船舶設(shè)計技術(shù)國家工程研究中心有限公司 上海200083）

基于多智能體的車輛運輸船裝卸載作業(yè)系統(tǒng)仿真

顏 瓅1,2劉朕明1,2

（1.中國船舶及海洋工程設(shè)計研究院 上海200011；

2.上海中船船舶設(shè)計技術(shù)國家工程研究中心有限公司 上海200083）

車輛裝卸載作業(yè)系統(tǒng)是船舶作業(yè)系統(tǒng)的一種?；谀_本和條件判斷的常規(guī)作業(yè)仿真模型存在可擴展性差、建模成本高等缺點，難以滿足當(dāng)前作業(yè)系統(tǒng)研究的發(fā)展趨勢。文中為車輛運輸船裝卸載系統(tǒng)仿真試驗設(shè)計一個多智能體系統(tǒng)，建立基于BDI模型的智能體控制模塊，針對裝卸載系統(tǒng)特點設(shè)計多智能體協(xié)作機制。仿真試驗顯示牽引車、半掛車和升降機可自行開展作業(yè)，表明智能體仿真可以簡化作業(yè)流程建模工作，該設(shè)計工作擴展后可用于各種具有多實體交互協(xié)作的船舶作業(yè)系統(tǒng)仿真，具有較為廣泛的應(yīng)用前景。

多智能體；車輛運輸船；作業(yè)系統(tǒng)仿真；BDI模型

引 言

車輛裝卸載作業(yè)系統(tǒng)是船舶作業(yè)系統(tǒng)的一種，船舶作業(yè)系統(tǒng)包括作業(yè)環(huán)境、作業(yè)實體和作業(yè)方案三個要素。作業(yè)環(huán)境是指影響作業(yè)但不直接參與作業(yè)的事物，例如船舶周圍的風(fēng)浪環(huán)境、晝夜環(huán)境，以及船舶上的艙室通道。作業(yè)實體是指參與作業(yè)并發(fā)生變化的實物，例如設(shè)備、人員、物資等，也可以是設(shè)備的部件或子系統(tǒng)。作業(yè)方案是指可指導(dǎo)作業(yè)執(zhí)行的預(yù)定方案，例如作業(yè)實體的初始位置、作業(yè)流程等。由于船舶作業(yè)系統(tǒng)的復(fù)雜性，為確保實際系統(tǒng)有效運行，對系統(tǒng)的設(shè)計提出了較高要求。用仿真方法對設(shè)計方案進行研究能夠充分檢驗作業(yè)系統(tǒng)的各種特性在運行過程中出現(xiàn)的動態(tài)變化，從而獲得更加準(zhǔn)確的評估結(jié)果。然而，隨著船舶作業(yè)系統(tǒng)的大型化、環(huán)境復(fù)雜化和工況多樣化，作業(yè)系統(tǒng)中作業(yè)實體數(shù)量和作業(yè)實體間交互協(xié)作事件的類型大幅增加，發(fā)生交互協(xié)作的次數(shù)呈指數(shù)增長。常規(guī)的基于腳本和條件判斷的作業(yè)仿真模型存在可擴展性差、建模成本高等缺點，難以滿足當(dāng)前作業(yè)系統(tǒng)研究的發(fā)展趨勢。

智能體（Agent）又稱“智能Agent”、“代理體”、“主體”，最早的概念由Carl Hewitt于1977年提出，目前在學(xué)術(shù)界還沒有統(tǒng)一的定義，一般認為智能體是一種具有自主性的，能夠接受外界信息并做出響應(yīng)的軟/硬件程序或系統(tǒng)［1-2］。在船舶作業(yè)仿真系統(tǒng)中，每一個智能體可以代表一個作業(yè)實體，像這樣存在多個智能體的系統(tǒng)稱為多智能體系統(tǒng)（Multi-Agent System， MAS）。智能體仿真又稱基于智能體的建模與仿真方法（Agent-based Modeling and Simulation， ABMS），是指通過各個智能體的自主性及交互行為來描述復(fù)雜系統(tǒng)的仿真方法［3-4］。對于船舶作業(yè)系統(tǒng)仿真這樣具有大量交互作用的復(fù)雜系統(tǒng)，智能體仿真在建模方面具有直觀、靈活和易擴展等優(yōu)點，在問題求解方面具有速度快、可靠性高和容錯能力強等優(yōu)點［2］。

目前，智能體仿真在船舶領(lǐng)域已經(jīng)有一定的應(yīng)用：吳向君等人［5］以各類抗沉人員為智能體建立抗沉過程仿真的多智能體模型，通過實例計算分析了抗沉過程中的關(guān)鍵環(huán)節(jié)；胡嘯［6］以艦船推進、電力、損管、艦橋等業(yè)務(wù)系統(tǒng)為智能體，在全船層面探討以任務(wù)為驅(qū)動的系統(tǒng)架構(gòu)方法，為建立基于任務(wù)的艦船平臺體系結(jié)構(gòu)奠定了基礎(chǔ)；秦久峰等人［7］以船舶動力平臺水冷系統(tǒng)、子系統(tǒng)、資源和人員等為智能體，將分布式多智能體控制方法應(yīng)用于動力輔助系統(tǒng)控制系統(tǒng)中，可降低操作人員的工作負荷，增加系統(tǒng)的智能性和魯棒性；江建宇［8］以買家、賣家或貨代、船運公司、海關(guān)等作為智能體，提出以多智能體仿真為核心的ISPHT開放集成平臺/模型框架，針對港口群腹地集運系統(tǒng)中的幾項重要的決策分別構(gòu)建具體算法，并檢驗了模型的有效性。然而，對于將智能體仿真應(yīng)用于具有較多作業(yè)實體在空間中行駛、運輸、調(diào)運的船舶作業(yè)系統(tǒng)，目前尚未見相關(guān)報道。本文提出基于多智能體的車輛運輸船裝卸載作業(yè)系統(tǒng)仿真模型，并提出多智能體之間的協(xié)作機制。

1 裝卸載作業(yè)系統(tǒng)

某船專門用于運輸載有箱貨的半掛車。船上設(shè)有上下兩層車輛艙。上層車輛艙通過一臺升降機與下層車輛艙連接，下層車輛艙可通過尾跳板與碼頭連接，上下兩層車輛艙均可裝載18輛半掛車，如圖1所示。

該船在裝載時，首先將18輛半掛車通過升降機裝載到上層車輛艙，然后將其余18輛裝載到下層車輛艙，卸載時順序相反。

對于裝卸載作業(yè)系統(tǒng)，作業(yè)環(huán)境包括上下層車輛艙、跳板和碼頭，作業(yè)實體包括牽引車、半掛車和升降機，作業(yè)方案包括半掛車的布列方案、半掛車上船/下船的轉(zhuǎn)運流程方案、行駛路線、出動順序等。作業(yè)布列方案含有一個列表描述作業(yè)實體初始狀態(tài)的基本信息，包括每個作業(yè)實體的序號、作業(yè)實體的類型、作業(yè)實體的坐標(biāo)等。作業(yè)流程方案含有一個列表描述作業(yè)流程的信息，包括每項作業(yè)的序號、執(zhí)行該作業(yè)的實體的序號、該作業(yè)的類型，以及開始執(zhí)行該作業(yè)的條件。

由于自然語言描述容易出現(xiàn)二義性、含糊性、不完整性等問題，而采用具有精確數(shù)學(xué)語義的方法，即形式化方法（Formal Method）進行描述，不僅可以避免自然語言描述的各種缺點，還具有簡潔準(zhǔn)確、可用數(shù)學(xué)證明、易于轉(zhuǎn)化為編程語言等優(yōu)點［12-13］。本文以形式化方法描述智能體模型中的各個概念。

假設(shè)作業(yè)案例：有半掛車Semi1和Semi2布列在上層車輛艙G1中（狀態(tài)pOnDeck= G1），需要依次卸載到下層車輛艙G2（pOnDeck= G2）。由于半掛車自身沒有動力，需要由一輛牽引車Trac前來與其掛鉤，牽引進入升降機Elva（狀態(tài)pInElva= True），Trac隨后脫鉤并離開Elva，Elva下降到G2。作業(yè)案例中涉及的各種角色、作業(yè)步驟如表1所示。

表1 作業(yè)步驟和作業(yè)實體

表中可見半掛車可執(zhí)行2種作業(yè)步驟，分別是被牽引（A=Be Drag）和被運輸（A=Be Trans），升降機可執(zhí)行2種，牽引車可執(zhí)行4種。作業(yè)流程方案如表2所示。表中可見半掛車Semi1的作業(yè)步驟是先執(zhí)行被牽引（A1=Be Drag），結(jié)束后（pInelva=True）再執(zhí)行被運輸（A2=Be Trans）；對于半掛車Semi2，需要等待Semi1的被運輸作業(yè)結(jié)束（pOndeck= G2），才開始自己的作業(yè)步驟。

表2 作業(yè)流程方案

2 智能體模型

為分析驗證裝卸載作業(yè)系統(tǒng)的設(shè)計方案，本課題建立了基于多智能體的作業(yè)仿真試驗系統(tǒng)。為該系統(tǒng)建立了包含作業(yè)環(huán)境和作業(yè)實體的模型庫，面向多智能體仿真試驗環(huán)境，并基于Vega Prime軟件建立了圖像渲染和碰撞檢測功能［9］。系統(tǒng)可讀入作業(yè)方案，按方案運行仿真試驗，在仿真循環(huán)中驅(qū)動各個智能體，記錄仿真結(jié)果，最后將仿真結(jié)果用于對作業(yè)系統(tǒng)設(shè)計方案的分析評估。

本文為作業(yè)系統(tǒng)中的每個作業(yè)實體都建立一個智能體，并根據(jù)智能體基本結(jié)構(gòu)，面向作業(yè)仿真試驗系統(tǒng)開發(fā)，將代表作業(yè)實體的智能體模型分為感知模塊、控制模塊和執(zhí)行模塊，各模塊又細分為多個功能子模塊。系統(tǒng)在仿真循環(huán)中依次調(diào)用每個智能體的每個模塊，實現(xiàn)作業(yè)驅(qū)動，如圖2所示。

2.1 感知模塊

感知模塊負責(zé)采集并解析環(huán)境和智能體自身的信息。

2.1.1 作業(yè)生成

本模塊主要用在仿真試驗的初始化階段。首先，仿真系統(tǒng)直接讀取作業(yè)布列方案和作業(yè)流程方案。系統(tǒng)按布列方案創(chuàng)建各個智能體，將其布列到預(yù)定位置上。隨后，各個智能體分別讀取仿真系統(tǒng)的作業(yè)流程方案，提取那些僅僅涉及到自身的作業(yè)信息，創(chuàng)建一個自己專用的作業(yè)流程列表。在作業(yè)案例中，半掛車Semi1和Semi2各自讀取到作業(yè)流程；而牽引車Trac和升降機Elva根據(jù)Semi1和Semi2的需求開展作業(yè)，因此在作業(yè)流程方案中沒有與它們對應(yīng)的作業(yè)流程。

2.1.2 環(huán)境數(shù)據(jù)采集

對某個智能體而言，環(huán)境不僅包括作業(yè)環(huán)境，還包括所有作業(yè)實體的狀態(tài)信息，以及智能體間相互發(fā)送的消息。各智能體在仿真循環(huán)中，執(zhí)行模塊向系統(tǒng)發(fā)送自身當(dāng)前狀態(tài)，系統(tǒng)將這些信息匯總到一個作業(yè)實體狀態(tài)列表中供其他智能體采集。列表涵蓋所有智能體的必要狀態(tài)，包括每個作業(yè)實體的序號、類型、坐標(biāo)，及其正在執(zhí)行的作業(yè)類型等。為減少系統(tǒng)運算負荷，智能體不用采集所有的環(huán)境數(shù)據(jù)。在作業(yè)案例中，當(dāng)Semi2等待Semi1離開時，僅需要采集Semi1的位置狀態(tài)；當(dāng)Semi2被Trac牽引之后，為獲取運動學(xué)仿真結(jié)果，Semi2需要采集Trac的運動狀態(tài)。2.2 控制模塊

控制模塊負責(zé)對感知數(shù)據(jù)進行分析，開展思考過程并控制智能體的行為，此外，為實現(xiàn)多智能體協(xié)作，控制模塊需要解析其他智能體發(fā)來的協(xié)作需求消息，并生成自身協(xié)作需求消息。本系統(tǒng)智能體的思考過程基于BDI模型，該模型的基本概念由Bratman等于1988年提出，是指一種將思考過程描述為信念（Belief）、愿望（Desire）、意圖（Intention）及其相互關(guān)系從而實現(xiàn)智能體思考功能的模型，是近年來計算機學(xué)術(shù)界廣泛研究的一種智能體結(jié)構(gòu)［10-11］。

2.2.1 信念調(diào)整

信念b是指智能體對環(huán)境和自身的認識的集合。在本系統(tǒng)中，智能體的信念b的內(nèi)容包括：來自感知模塊的作業(yè)流程和當(dāng)前時刻環(huán)境數(shù)據(jù)；來自身思考過程的中間信息，例如智能體的愿望集D、意圖集I等。信念調(diào)整模塊首先存儲作業(yè)流程，然后根據(jù)作業(yè)流程確定哪些環(huán)境數(shù)據(jù)需要被采集，以便感知模塊去采集環(huán)境數(shù)據(jù)，隨后，將采集的數(shù)據(jù)存儲到信念b中；另一方面，一旦智能體調(diào)整了愿望d或意圖i，也將更新信念b中的愿望集D或意圖集I。下一輪仿真循環(huán)時，信念調(diào)整模塊將結(jié)合作業(yè)流程、愿望集D和意圖集I共同確定哪些環(huán)境數(shù)據(jù)需要采集。

2.2.2 愿望調(diào)整

愿望d是指可能實現(xiàn)的信念集合，即智能體執(zhí)行作業(yè)的目標(biāo)。本系統(tǒng)中智能體有兩種方法生成愿望，一種是根據(jù)作業(yè)流程方案生成愿望，在作業(yè)案例中，半掛車Semi1和Semi2的愿望集DSemi1= DSemi2={d1， d2}， d1={pInElva=True}， d2={pOnDeck=G2}。另一種是根據(jù)收到的協(xié)作需求消息生成愿望，例如Semi1向Trac發(fā)出協(xié)作需求消息，Trac收到消息后生成愿望集DTrac=j5i0abt0b， d={R=Semi1， pInElva=True }。

2.2.3 意圖調(diào)整

意圖i是基于愿望所生成的行為或作業(yè)步驟的集合，本系統(tǒng)智能體基于規(guī)則庫直接生成意圖，在作業(yè)案例中，Trac生成愿望集DTrac后，根據(jù)規(guī)則庫需要生成5項具有串聯(lián)關(guān)系的意圖，內(nèi)容依次為“空載行駛到半掛車前”、“掛鉤”、“牽引到升降機”、“脫鉤”和“空載行駛離開升降機”。因此有意圖集ITrac={i1， i2， i3， i4， i5}， i1={A=Steer，R=Semi1}， i2={A=HangerOn}， i3={A=Drag， R=Semi1，（pInElva=True）∈R}， i4={A=HangerOff}， i5= {A=Steer，pInElva=False}。

2.2.4 作業(yè)規(guī)劃

智能體形成意圖集I后，根據(jù)規(guī)則庫，規(guī)劃行為的具體執(zhí)行方法和其他必需的輔助行為。從愿望調(diào)整到意圖調(diào)整、再到作業(yè)規(guī)劃的過程可視為“對一個大的目標(biāo)逐步細化執(zhí)行方案”的過程。作業(yè)系統(tǒng)中通常僅有一部分作業(yè)需要規(guī)劃，在作業(yè)案例中，對于牽引車的意圖i2和i4僅需要簡單的計算，而對于i3，則需要為作業(yè)步驟A=Drag規(guī)劃路徑。本文使用改進的RRT法，結(jié)合牽引系統(tǒng)的行駛能力，以及牽引系統(tǒng)的幾何模型與環(huán)境碰撞檢測的結(jié)果，規(guī)劃牽引車的路徑。

2.2.5 作業(yè)執(zhí)行

檢查作業(yè)的執(zhí)行情況，根據(jù)作業(yè)執(zhí)行情況確定當(dāng)前的作業(yè)步驟，并調(diào)用執(zhí)行模塊來實現(xiàn)作業(yè)。以牽引車行駛為例，牽引車智能體輸出轉(zhuǎn)向輪的方向角、轉(zhuǎn)向輪方向、制動度等數(shù)據(jù)變化，發(fā)送到執(zhí)行模塊進行動力學(xué)運動學(xué)仿真。

2.3 執(zhí)行模塊

執(zhí)行模塊負責(zé)根據(jù)控制模塊的輸入執(zhí)行具體的作業(yè)過程運算，算法均采用目前較為成熟的技術(shù)。

（1）甲板約束：模擬車輛因受重力影響被約束在甲板、跳板上，在行駛時產(chǎn)生上下起伏。

（2）簡單響應(yīng)計算：無需仿真計算，僅受簡單規(guī)則控制的計算，例如掛鉤、脫鉤等作業(yè)步驟在建模簡化后僅體現(xiàn)出耗時屬性。

（3）行為動畫：實體有空間狀態(tài)變化，但較簡單，無需仿真計算，例如升降機沿直線上升或下降。

（4）動力學(xué)運動學(xué)仿真：實體狀態(tài)變化明顯且復(fù)雜，需要運行仿真計算，例如牽引車行駛速度受自身與半掛車質(zhì)量、發(fā)動機功率、行駛阻力和甲板約束等動力學(xué)因素影響，半掛車行駛軌跡受牽引車行駛軌跡、牽引車與半掛車輪子位置、半掛車輪子與掛鉤的距離等運動學(xué)因素影響。

（5）碰撞檢測：檢測半掛車和集裝箱在被牽引過程中是否會發(fā)生與艙壁或其他集裝箱的最小距離小于安全距離的情況。

（6）狀態(tài)生成：通過各種計算后生成智能體的當(dāng)前時刻狀態(tài)，用于反饋給系統(tǒng)。

基于多智能體的仿真系統(tǒng)與傳統(tǒng)的面向腳本的仿真系統(tǒng)相比，基本的結(jié)構(gòu)相同，都使用具有時間步長的仿真循環(huán)，在每次仿真迭代中遍歷所有作業(yè)實體并計算其在該時刻的狀態(tài)。不同之處在于，在基于智能體的仿真系統(tǒng)中，所有作業(yè)實體都增加了對環(huán)境感知和對自身控制的功能模塊，不再簡單執(zhí)行來自腳本的指令；此外，作業(yè)執(zhí)行的相關(guān)運算（例如數(shù)學(xué)仿真運算、行為動畫等），都被封裝到對應(yīng)智能體的實例內(nèi)，而其算法仍與傳統(tǒng)的仿真相同。從這兩個不同點出發(fā)，對傳統(tǒng)的面向腳本的仿真系統(tǒng)進行重構(gòu)，可較易實現(xiàn)基于多智能體的仿真。

3 多智能體協(xié)作

多智能體協(xié)作是指系統(tǒng)內(nèi)的智能體之間通過相互配合完成共同承擔(dān)的任務(wù)的方式［1］。本文將協(xié)作視為一種由多個智能體執(zhí)行的、具有交互性和并行性的特殊作業(yè)。交互性是指參與協(xié)作的各智能體之間互相交換自身狀態(tài)信息，即協(xié)作的一方需要感知協(xié)作對象的信息。并行性是指參與協(xié)作的各智能體并行執(zhí)行作業(yè)，即同時開始執(zhí)行作業(yè)。本文從協(xié)作消息和協(xié)作機制兩方面進行論述。

3.1 協(xié)作消息

本系統(tǒng)中智能體之間依靠消息來傳遞協(xié)作的意愿，消息采用知識查詢及操作語言（Knowledge Query and Manipulation Language， KQML）來描述，這是一種使用較廣泛的智能體通訊語言［14-15］。基本語法為：以行為詞（Performative）開頭，以一組具有標(biāo)準(zhǔn)含義的參數(shù)名（Para_name）構(gòu)成消息的框架，將參數(shù)內(nèi)容（Para_content）向用戶開放。在作業(yè)案例中，半掛車Semi1發(fā)消息給牽引車Trac告知自身愿望d1={pInElva=True}，消息代碼如圖3所示。

3.2 協(xié)作機制

協(xié)作在本質(zhì)上仍是一種作業(yè)，其執(zhí)行過程與常規(guī)作業(yè)的執(zhí)行過程一致，而規(guī)劃過程則有所不同。本文基于BDI模型建立協(xié)作規(guī)劃機制，如下頁圖4所示。從圖中可見，規(guī)劃過程仍可歸納為愿望調(diào)整、意圖調(diào)整和作業(yè)規(guī)劃這三大步驟，見三個虛線框；與常規(guī)的愿望-意圖-作業(yè)規(guī)劃的過程相比，智能體還要判斷愿望、意圖對于協(xié)作對象當(dāng)時狀態(tài)來說是否合理，以及作業(yè)規(guī)劃對于協(xié)作對象是否成功（見虛線框內(nèi)）。在作業(yè)案例中，Trac創(chuàng)建了意圖i3={A=Drag， R=Semi1， （pInElva=True）∈R}，當(dāng)i2達成之后，Trac需要感知Semi1的屬性pInElva是否為False，如果為True，則i3不成立，系統(tǒng)將判斷作業(yè)過程出錯。

為確保協(xié)作的并行性，系統(tǒng)建立“被動者先行”的機制。以作業(yè)案例中Trac牽引Semi1前進為例，其各自執(zhí)行的作業(yè)分別是Drag和BeDrag。在作業(yè)開始前，由Trac向Semi1發(fā)送開始執(zhí)行的消息，Semi1收到后發(fā)出回應(yīng)消息并開始執(zhí)行BeDrag作業(yè)，Trac收到回應(yīng)消息后開始執(zhí)行Drag作業(yè)。這種機制使Semi1比Trac開始執(zhí)行作業(yè)的時刻早一輪仿真循環(huán)，但鑒于Semi1是協(xié)作中處于“被動”的一方， 它提前開始執(zhí)行作業(yè)，就可提前開始感知Trac的運動狀態(tài)，從而獲得Trac運動狀態(tài)的完整變化。

4 仿真運行

本系統(tǒng)基于多智能體仿真為第1章所述的卸載作業(yè)進行建模和試驗，僅向半掛車Semi1、Semi2發(fā)送依次前往G2的消息，并在三維場景中觀察系統(tǒng)運行的情況。可見各個智能體自行開始作業(yè)，牽引車Trac1收到半掛車Semi1的消息后前往半掛車，與半掛車掛鉤后執(zhí)行牽引作業(yè)；半掛車到達升降機后，牽引車脫鉤離開升降機，隨后升降機運輸半掛車下降到G1甲板；同時牽引車Trac2也牽引半掛車Semi2來到升降機前，等待升降機返回。在這一系列作業(yè)過程中，牽引車和升降機的所有作業(yè)步驟都由智能體自行規(guī)劃執(zhí)行，無需參試人員額外指定作業(yè)（作業(yè)場景如圖5所示）。

由圖5中可見牽引車Trac1已與半掛車Semi1脫鉤，單獨行駛；半掛車Semi1正在被升降機Elva運輸下降；牽引車Trac2正牽引半掛車Semi2向升降機位置行駛過來。

5 結(jié) 論

通常在作業(yè)方案中會有很多作業(yè)步驟之間存在必然的條件關(guān)系，例如牽引車必須在與半掛車掛鉤之后才能牽引。在傳統(tǒng)的基于腳本和條件判斷的仿真中，這些必然的條件關(guān)系與其他作業(yè)步驟混在一起，都需要方案設(shè)計人員進行規(guī)劃，從而造成作業(yè)方案的復(fù)雜性大幅增加。而在基于多智能體的仿真系統(tǒng)中，各類作業(yè)實體有各自的規(guī)則庫，開發(fā)人員在其中設(shè)置規(guī)則，描述智能體在各種可能的條件下會作出的響應(yīng)。這些規(guī)則分散在愿望、意圖和作業(yè)規(guī)劃這三個層面上，且具有通用性，便于作業(yè)方案設(shè)計人員隱藏，從而使基于多智能體的仿真大幅簡化作業(yè)方案的設(shè)計工作。因此，基于多智能體的仿真技術(shù)更加適合用于作業(yè)方案復(fù)雜且需要作業(yè)實體間密切協(xié)作的作業(yè)仿真，除車輛裝載卸載以外，還有鉆探設(shè)備裝配作業(yè)、物探設(shè)備收放作業(yè)、碼頭集裝箱作業(yè)等，具有廣泛的應(yīng)用前景。

［1］ 賈利民， 劉剛， 秦勇. 基于智能Agent的動態(tài)協(xié)作任務(wù)求解［M］. 北京：科學(xué)出版社， 2007.

［2］ 任海英. 多智能體方法在作業(yè)車間調(diào)度中的應(yīng)用［M］.北京：北京工業(yè)大學(xué)出版社， 2013.

［3］ 廖守億， 王仕成，張金生. 復(fù)雜系統(tǒng)基于Agent的建模與仿真［M］.北京：國防工業(yè)出版社， 2015.

［4］ MACAL C M， North M J. Tutorial on agent-based modelling and simulation［J］. Journal of Simulation， 2010（3）：151-162.

［5］ 吳向君， 侯岳， 浦金云. 艦艇抗沉過程的多智能體仿真模型［J］. 艦船科學(xué)技術(shù)， 2011（5）： 53-58.

［6］ 胡嘯. 多主體建模方法在艦船任務(wù)系統(tǒng)中的應(yīng)用［J］.計算機工程與設(shè)計， 2013（3）： 1137-1140.

［7］ 秦久峰， 曾凡明， 陳于濤， 等. 動力輔助系統(tǒng)分布式多Agent 控制理論與試驗研究［J］. 中國造船， 2013（1）：189-196.

［8］ 江建宇. 共享腹地港口群集疏運系統(tǒng)智能體仿真研究［D］. 華南理工大學(xué)， 2014.

［9］ 王孝平， 董秀成 鄭海春， 等. 實時三維虛擬現(xiàn)實開發(fā)技術(shù)［M］. 成都：西南交通大學(xué)出版社， 2012.

［10］ O’Hare GM P， Jennings N R Eds. Foundations of Distributed Artificial Intelligence［M］ . John Wiley & Sons，Inc. 1996：505-526.

［11］ 姚莉， 龔勇， 王長纓， 等.一種基于BDI Agent的復(fù)雜系統(tǒng)設(shè)計建模方法［J］. 小型微型計算機系統(tǒng)， 2005（4）：693-698.

［12］ 曹軍海， 張和明， 熊光楞.多Agent仿真中Agent行為的形式化描述方法［J］. 系統(tǒng)仿真學(xué)報， 2004（11）：2398-2400.

［13］ 馮松軍. 淺析形式化描述方法的應(yīng)用［J］. 電子技術(shù)與軟件工程， 2014（10）：107-108.

［14］ 孫憲鵬， 張宇， 王成恩， 等. 基于KQML語言的合同網(wǎng)協(xié)議模型及實現(xiàn)［J］. 信息與控制， 2000（5）： 454-460.

［15］ 程紅斌， 張鳳鳴， 鄒強. 基于CORBA的多傳感器管理原型系統(tǒng)研究［J］. 系統(tǒng)仿真學(xué)報， 2006（2）： 456-459.

MARIC設(shè)計的2 000 m3/h自航吸盤挖泥船“吸盤4”順利交付

7月5日，由中國船舶及海洋工程設(shè)計研究院（MARIC）為長江航道局設(shè)計的第三艘2 000 m3/h自航吸盤挖泥船“吸盤4”在江蘇海新船務(wù)重工有限公司舉行了交接儀式，標(biāo)志著該船順利建成交付船東使用。

“吸盤4”主要用于長江中游航道的應(yīng)急維護疏浚任務(wù)，該船作業(yè)區(qū)域可覆蓋長江A、B、C三級航區(qū)（含三峽庫區(qū)）。該船配備了寬度為10 m的吸盤裝置，最大挖深可達16 m；配備了1臺功率為2 800 kW的泥泵以及2臺功率為500 kW的高壓沖水泵。該船可采用拋錨絞進及自航推進兩種疏浚作業(yè)方式，可通過尾排管排泥上岸或通過邊拋管進行邊噴拋泥。吸盤挖泥船具有吃水淺、一次挖寬大、泥泵吸入濃度高、調(diào)遣方便、采用自航推進作業(yè)和邊拋排泥方式時不礙航等特點，特別適用于長江航道突擊搶通和維護疏浚作業(yè)需求。

2 000 m3/h自航吸盤挖泥船采用全電力驅(qū)動型式，能將推進功率和疏浚裝置功率靈活進行分配，在滿足設(shè)計指標(biāo)的基礎(chǔ)上，可在不同環(huán)境條件、不同挖深作業(yè)工況下，通過合理的功率分配調(diào)整，進一步提高挖泥產(chǎn)量或排泥距離，充分發(fā)揮吸盤挖泥船的作業(yè)能力和效率。

“吸盤4”的交付將大大增強長江中游航道的應(yīng)急維護疏浚能力，為長江航道局保障長江航道暢通、實現(xiàn)長江黃金水道向國家戰(zhàn)略重要支點的轉(zhuǎn)型升級提供堅實的保障能力。

Multi-agent simulation of loading and unloading operation system for vehicle carrier

YAN Li1,2LIU Zhen-ming1,2
(1. Marine Design & Research Institute of China, Shanghai 200011, China; 2. Shanghai National Engineering Research Center of the Chinese Ship Design Technology Co., Ltd., Shanghai 200011, China)

As one of the ship operation systems, the traditional vehicle loading and unloading operation system based on the script and condition judgement has the disadvantages of the poor expansibility and the high cost of modeling, which cannot meet the development trend of the current operation system. A multi-agent system is designed for the simulation of the vehicle carrier loading and unloading operating system. The intelligent control module based on the belief-desire-intention (BDI) model is built for the design of the multi-agent cooperative mechanisms according to the characteristics of the loading and unloading operation system. The simulation results show that the tractors, semitrailers and elevators can work on their own, indicating that the agent-based simulation can simplify the modeling of the working fl ow. The design can be extended for the simulation of the various ship operation systems that interact and cooperate with the multiple entities, which has a broad application prospect.

multi-agent; vehicle carrier; operating system simulation; belief-desire-intention(BDI)model

U662.9

A

1001-9855（2017）04-0019-08

10.19423 / j.cnki.31-1561 / u.2017.04.019

2016-12-22；

2017-01-10

顏 瓅（1978-），男，高級工程師，研究方向：船舶作業(yè)系統(tǒng)仿真研究。劉朕明（1988-），男，工程師，研究方向：船舶初步設(shè)計系統(tǒng)開發(fā)。