Nghiên cứu phát triển thuật toán tìm kiếm bầy đàn cho hệ thống mạng cảm biến không dây di động trong giám sát thảm họa công nghiệp

PHÀN I. THÔNG TIN CIIƯNG
1.1. Tên đề tài: Nghiên cứu, phát triển thuật tốn tìm kiếm bầy đàn cho hệ thong m ạng cảm biến
không dây di động trong giám sát thảm họa công nghiệp
1.2. Mã số: ỌG. 15.25
1.3. Danh sách chủ trì, thành viên tham gia thực hiện đề tài
TT

Chức danh, học vị, họ và ten

Đơn vị công tác

Vai trò thực hiện
ớề tài

1

TS. Phạm M inh Triển

Trư ờ n g Đ H C N , Đ H Q G H N

C hủ nhiệm

2

NCS. Phạm Duy Hưng

Trư ờ n g Đ H C N , Đ H Q G H N

Thành viên

3

NCS. Nguyễn Thị Thanh Vân

Trư ờ n g ĐI1CN, Đ H Q G H N

Thành viên

4

ThS. Quách C ô ng Hoàng

T rường Đ H C N , Đ H Q G H N

Thành viên

5

CN. Hoàng Anh Quý

T rườ ng Đ H C N , Đ H Q G H N

Thàn h viên

1.4. Đ ơn vị chủ trì: T rườ ng Đại học C ông nghệ

1.5. Thời gian thực hiện:
1.5.1. Theo họp đồng:

từ tháng 1 năm 2015 đến tháng I năm 2017

1.5.2. Gia hạn (nếu có):

đến t h á n g ......n ă m ........

1.5.3. Thực hiện thực tế:

từ tháng I năm 2015 đến tháng 2 năm 2017

1.6. Những thay đối so vói thuyết minh ban đầu (nếu có):
(Vê m ục tiêu, nội dung, p h ư ơ n g pháp, kết qua nghiên cứu và tô chứ c thực hiện; N g uyên nhản; Ỷ kiến
cù a C ơ quan quan lý)
1.7. T ơ n g kinh p hí đ ư ợ c phê d u y ệ t c ủ a dề tài: 200 triệu đồng.
PHÀN II. T Ó N G Q U A N K É T Q U Ả N G H IÊ N c ứ u
Viẻt theo cấu trúc một bài báo khoa học tông quan từ 6-15 trang (báo cáo này sẽ được đăng trên
tạp chí khoa học Đ H Q G H N sau khi đề tài được nghiệm thu), nội dung gồm các phần:

1.

Đặt vấn đề

Một hệ thống đa robot gồm các robot di động tự trị có khả năng cảm nhận, tính tốn và trao đổi
thơng tin vói nhau [ 1, 2], qua đó họp tác thực hiện hiệu quả nhiều nhiệm vụ: tìm kiếm và cứu hộ,
giám sát và trinh sát, khám phá môi trường nguy hiểm, tuần tra và theo, thu thập dữ liệu, v.v. Các vấn
đê chính đưọc quan tâm trong nghiên cứu về hệ thống đa robot bao gồm: m ơ hình hệ thống dựa trên
hành vi, về kiến trúc điều khiển và hệ thống, họp tác trong thực thi nhiệm vụ, truyền thơng, bài tốn
phân nhiệm, bài toán định vị, lập bản đồ và khám phá mơi trường I 1-6 ].
Trong đó, bài tốn khám phá môi trường nguy hiểm đang rất được quan tâm với nhiều hướng tiếp
cận: (1) m ở rộng vùng bao phủ của hệ thống đa đa robot [7-9], (2) tìm kiếm đa mục tiêu sử dụng thuật
toán điêu khiến theo hành vi [10-12], (3) sử dụng các thuật tốn tìm kiêm [13, 14]. Vói cách tiếp cận

(1) và (2), việc tìm kiếm nhiều mục tiêu ỏ' xa nhau sẽ bị ảnh hường mạnh bỏ'i số lưọng robot. Đa số
các cách tiếp cận này đều già sử số lượng robot là không giới hạn. Vói cách tiếp cận (3), với một số
lượng hữu hạn robot cùng vói khả năng thích nghi của thuật tốn tìm kiếm, việc tìm kiếm trỏ' nên có
định hướng hon. Tuy vậy, các công bố theo hướng này chỉ hưóng đến tỉm kiếm m ục tiêu là “điếm/
đa điêm” . Trong thực tế, mục tiêu tìm kiếm là các tham số môi trường như nhiệt độ, độ ầm, nồng độ
hóa chất, v.v. có phân bố liên tục theo vùng.


Do đó, trong đề tài này mục tiêu tìm kiếm sẽ được mơ hình hóa thành các hàm có những phân bố
khác nhau; thuật tốn tìm kiếm cũng sẽ phải cải tiến nhằm tăng hiệu quả tìm kiếm đối với các hàm
mục tiêu mới này. Cụ thể hơn, thuật toán tìm kiếm được sử dụng là thuật tốn bầy đàn [15, 16], là
thuật toán đã đưọc minh chứng là phù họp để kết họp với hệ thống đa robot vì tính chất tương đồng
giữa việc tìm kiếm của hệ đa robot và việc kiếm mồi của bầy đàn tự nhiên, ớ đây mỗi robot được
trang bị các cảm biến và đóng vai trị như một node trong mạng cảm biến di động.
Một số đon vị nghiên cứu như Học viện Kỹ thuật Quân sự, Đại học Bách khoa Hà nội, Đại học
Bách Khoa H C M đã bưóc đầu tiếp cận nghiên cứu về lĩnh vực này, tuy nhiên, các nhóm mới dừng ở
mức mơ hình hóa và mơ phỏng các bài toán riêng lẻ và cũng chưa thể hiện đầy đủ các đặc tính của
hệ thống. Và do đó, cần thiết phải có một mơ hình mơ phỏng có tính thống nhất và có các đặc tính CO'
bản của hệ thơng đa robót.
Sau khi các cơng bố trước đây của chúng tôi đã giải quyết vấn đề CO' bản của m ột hệ đa robot hay
mạng cảm biến không dây di động như di chuyển an toàn, đi theo chỉ huy, phân tán/tập họp đàn...
Trong đề tài này, chúng tơi tập trung vào phát triển khả năng tìm kiếm của hệ cảm biến bằng cách
tích hợp thuật tốn bầy đàn vào hệ thống này. Hướng tới việc ứng dụng hệ thống cảm biến di động
trong tìm kiếm, hỗ trợ cứu nạn khi có sự cố xảy ra m à con người không thể tiếp cận đến được như
cháy, no tại các khu cơng nghiệp hóa ch ất... Với cách tiếp cận hiện tại, việc đưa số lượng hữu hạn
robot triến khai hỗ trợ tìm kiếm nguồn rị rỉ hay con người cịn bị kẹt lại trong đó sẽ gặp một số hạn
chế nhất định như thời gian tìm kiếm và định vị lâu, số lượng đối tượng có thể xác định đồng thời là
ít... Vói các tiếp cận mới, những nhược điểm đó cỏ thể được khắc phục tốt. Tuy nhiên, hệ thống đa
robot cần giải quyết những vấn đề như chiến lược di chuyển tối ưu hay lựa chọn các tham số tối ưu
dê di chuyển và tìm kiếm mục tiêu như đề tài này chúng tôi đề cập đến.

T à i liệu th a m k h ả o

[ 1 ] Lynne E. Parker, “Current research in multi-robot systems”, Artificial Life Robotics (2003).
[21 Luc Steels, “ When are robots intelligent autonomous agents” , Robotics and Autonomous Systems
(1995), Volume: 15, Issue: 1-2, Publisher: the MIT press, pages: 3-9.
[3] Mataric, M. (1992) Behavior-Based Control: Main Properties and Implications. In: IEEE
International Conference on Robotics and Automation, Workshop on Architectures for Intelligent
Control Systems, Nice, France, pp. 46-54.
[4] Lynne E. Parker, “ Distributed Intelligence: Overview o f the Field and its Application in MultiRobot System s”, Journal o f Physical Agents, Vol.2, N o .l, March 2008.
[5] Y. Uny Cao, Alex s. Fukunaga, Andrew B. Kahng, “ Cooperative Mobile Robotics: Antecedents
and Directions”, Autonom ous Robots, Kluwer Academic Publishers, Boston, 2007.
[6 | Y. Uny Cao, Alex s. Fukunaga, Andrew B. Kahng, “Cooperative Mobile Robotics: Antecedents
and Directions”, A utonom ous Robots, Kluwer Academic Publishers, Boston, 2007.
[7| J. Cortes, S. Martinez, T. Karatas, and F. Bullo, “ Coverage control for mobile sensing networks,”
IEEE Transactions on Robotics and Automation, vol. 20, no. 2, pp. 2 43-255, 2004
[8 1 w . Li and c . G. Cassandras, “ Distributed cooperative coverage control o f sensor networks,” in
Decision and Control, 2005 and 2005 European Control Conference. C D C -E C C ’05. 44th IEEE
Conference on. IEEE, 2005, pp. 2 542-2547
[9 1 M. J. M. Andrew Howard and G. s. Sukhatme, “ Mobile sensor network deployment using
potential fields: A distributed, scalable solution to the area coverage problem,” in Proceedings o f the
International Symposium on Distributed Autonomous Robotic Systems, 2002, pp. 299-308
2


[10] H. D. Pham, M. T. Pham, Q. V. Tran, and T. D. Ngo, “ Accelerating multi-target tracking by a
swarm o f mobile robots with network preservation,” in proceedings o f the 4th International
C onference o f Soft Computing and Pattern Recognition, Hanoi, Vietnam. IEEE, 2013
[ 1 1] L. Blazovics, K. Crorba, B. Forstner, and c. Hassan, Target tracking and surrounding with swarm
robots, Conference and Workshops on Engineering o f Computer-Based Systems, p p .135-141, 2012.

[12] B. Shucker, and J. K. Bennett, Target Tracking with Distributed Robotic Macrosensors, Military
C om m unications Conference (MILCOM ), Vol. 4, pp.2 6 17-2623, 2005.
113] Kurt Derr, Milos Manic, ‘"Multi-Robot, Multi-Target Particle Swarm Optimization Search in
Noisy Wireless Environments”, Catania, Italy, May 21-23, 2009
[14] T. Hsiang, E. Arkin, M. Bender, s. Fekete, J. Mitchell, “ Algorithms for Rapidly Dispersing
Robot Swarms in Unknown Environments” , 19th Annual A C M Symposium on Computational
Geometry (SoCG), June 8-10, 2003, San Diego, USA.
[15] J. Kennedy,R. Eberhard, “ Particle Swarm Optimization,” Proc. o f IEEE Int’l Conf. on Neural
Networks, Piscataway, NJ, USA, pp. 1942-1948, 1995.
[16] Pugh, J. and Martinoli, A.,” Inspiring and Modeling Multi-Robot Search with Particle Swarm
Optim ization”, Swarm Intelligence Symposium, 2007. SIS 2007. IEEE.

2. M ụ c tiêu

Phát triển thuật tốn tìm kiếm bầy đàn trong hệ thống m ạng cảm biến không dây di động trong
định vị và giám sát các nguồn hóa chất, phóng xạ rị rỉ khi xảy ra thảm họa công nghiệp. Cách thức
đánh giá mục tiêu này thơng qua các tiêu chí:
+ Khả năng vượt qua các điểm tối ưu cục bộ để tìm ra khu vực có nồng độ/nhiệt độ cao nhất trong
khu vực tìm kiếm với xác suất thành cơng lớn hơn 90%.
+ Khả năng tìm kiêm đồng thịi nhiều tham số. Trong giói hạn đề tàinày, hai tham sốnhiệt độ và
nồng độ khí ga được cân nhắc Iiliư hàm mục tiêu cần tim kiếm.

3. Phương pháp nghiên cứu
- Trước tiên, việc tìm hiểu và đánh giá phân bố các tham số môi trường cần phải thực hiện nhằm sử
dụng đê xây dựng mơ hình về mơi trường thảm họa. Sau đó, các dữ liệu này sẽ được mơ hình hóa
dưới dạng cách hàm phân bổ có biểu diễn giải tích.
- Thuật tốn tìm kiêm cũng sẽ được nghiên cứu và cải tiến nhằm tăng hiệu năng tìm kiếm trong mơ
hình đề xuất cũng như thực hiện việc tìm kiếm đa mục tiêu một cách đồng thời.
- Sau khi tích hợp giải thuật tìm kiếm vào hệ thống đa robot, việc thực thi đánh giá hệ thống s ẽ được
kiểm chứng trên các hàm benchmark. Sau đó, hệ thống tìm kiếm này sẽ được thục thi trên mơ hình

chúng tơi xây dựng.

4. Tống kết kết quả nghiên cứu
4.1. Phát triến các thuật toán bầy đàn dựa trên thuật toán PSO và áp dụng trong tìm kiếm ở mơi
trường kh ơ n ạ biết trước
a) Thuật toán HBPSO

3


Thuật toán PSO rất hiệu quả và dễ thực hiện trên hệ thống đa robot trong hoạt động tìm kiếm,
khám phá mơi trưịng khơng biết trước. Tuy nhiên, trong q trình áp dụng, thuật tốn này bộc lộ một
số nhưọc điểm. T hứ nhất, va chạm trong qúa trình chuyển động là không thể tránh khỏi, đặc biệt là
tại các bước cuối của quá trình tìm kiếm. Thứ hai, kết nối trong hệ thống robot không được đảm bảo
trong quá trình di chuyển. Chúng tơi đề xuất một thuật tốn lai (HBPSO) có các ưu điểm của PSO
nhưng lại tránh được các hạn chế trên, bằng cách kết hợp PSO với giải thuật BOIDS.
Y tưởng của giải thuật BOIDS là bắt chước chuyển động của các bầy đàn trong tự nhiên trong
quá trình cả bầy đàn di chuyển. Chuyển động đó có các tính chất sau: trong khi di chuyển khơng có
va chạm giữa các cá thê, chun động có định hướng, khoảng cách tương đối giữa các cá thể và hình
dạng của bầy đàn trong quá trình di chuyển là ổn định. Giải thuật BOIDS được sử dụng nhiều trong
đồ họa máy tính và hoạt hình.
ơ đây, khi kết họp giải thuật này vào bầy đàn robot, trong quá trình tìm kiểm, chuyển động sẽ có
các tính chất giống như chuyển động của bầy đàn tự nhiên nêu trên. Thứ nhất, va chạm được giảm
thiểu trong quá trình di chuyển. Thứ hai, do khoảng cách giữa các robot bị hạn chế (không vưọt quá)
ỏ' một giới hạn, vấn đề truyền thông được giải quyết. Neu mỗi cá thể trong bầy đàn chỉ có thể truyền
thơng trong một phạm vi hẹp thì kết nối trong tồn đàn vẫn có thể được duy trì. N hư vậy, thuật tốn
lai HBPSO tận dụng được những ưu điểm cùa PSO trong tìm kiếm (hội tụ nhanh, kết quả có độ tin
cậy đủ tốt) và khắc phục được những nhược điểm của thuật toán PSO truyền thống khi áp dụng cho
hộ da robot.
11BPSO được thực hiện qua 4 bước dưới đây.

1. Khỏi tạo: Khỏi tạo vị trí của của các robot. Vị trí ban đầu này cần đảm bảo toàn hệ thống được
kêt nối với nhau.
2. Cập nhật vị trí tốt nhất: Các vị trí tốt nhất của mỗi cá thể và cả đàn được cập nhật.
3. C ập nhật vận tốc và vị trí: Trong HBPSO có sáu thành phần vận tốc. Thành phần thứ nhất đảm
bảo khơng có va chạm, thành phần thứ hai giúp duy trì hình dạng của đàn, thành phần thứ ba điều
chỉnh vận tốc toàn đàn. Thành phần thứ tư hướng mỗi cá thể đến vị trí tốt nhất đã được ghi nhận của
chính nó, thành phần thứ năm hướng cá thể đến vị trí tốt nhất của toàn đàn. Thành phần cuối cùng là
thành phân vận tốc quán tính, hướng mỗi cá thể theo hướng cũ đế chuyển dộng không bị đổi hướng
bất ngờ và tăng khả năng khám phá. Tất cà các thành phần này đều liên tục được diều chỉnh bởi các
tham số tương ứng. Sau khi vị trí tốt nhất được cập nhật, các thành phần vận tốc này cũng được cập
nhật theo. T ừ vị trí hiện tại và vận tốc, vị trí tiếp theo của mỗi cá thể được cập nhật.
4. Ket thúc: Các điều kiện kết thúc quá trình tìm kiếm được kiểm tra. Quá trình tìm kiếm sẽ diễn
ra cho đến khi một trong số các điều kiện này được thỏa mãn: i) s ố bước tìm kiếm đạt tối đa, ii) Bầy
đàn đã hội tụ.
Thuật tốn này được mơ phỏng trên các hàm mục tiêu là Three-hum p Camel, Sphere,
Bohachevsky và Rosenbrock. Bầy đàn gồm các robot giống nhau có có khả năng liên lạc trực tiếp,
với phạm vi có thể giao tiếp là 10m. Phạm vi tìm kiếm là một hình chữ nhật 100* 100m.
Trong tất cả các kịch bản, giá trị tối ưu toàn cục đều là 0. Ớ mỗi kịch bản, mô phỏng được chạy
100 lần. Efficiency rate được tính bởi xác suất vị trí tốt nhất tìm thấy gần vị trí tốt nhất thật sự hơn
Im. Ket quả mơ phỏng chính đưọc cho trong bảng sau:

Three Hump
Camel Function
Best o f best fitnesses

0.0001

Bohachevsky
Function

Rosenbrock
Function

0.0006

0.0023

4


Mean o f best fitnesses

0.0387

0.1468

0.1932

Standard deviation o f
best fitnesses

0.0571

0.1963

0.2179

Efficiency rate

100%

100%

99%

0.8933

1.1425

0.8997

0.1608

0.0855

0.1376

Mean o f mean
algebraic connectivity
Standard deviation o f
mean algebraic
connectivity
Bảng 1: Ket quả mơ phỏng HBPSO

Kết quả này cho thấy thuật tốn lai này hiệu quả trong việc duv trì kết nối (giá trị kết nổi đại số
cao và có độ lệch chuẩn nhỏ) và tìm kiếm (efficiency rate cao).

b) Thuật tốn A P F -PS O
G iống như 11BPSO, thuật toán APF-PSO đưọc xây dụng để giải quyết các vấn đề khi PSO đưọc
áp dụng cho hệ đa robot, bao gồm vấn đề va chạm và mất kết nối.

APF được đề xuất bỏi Khatib (ĐH Stanford) để giải quyết bài toán dẫn đường cho robot dơn,
nhưng ngày nay nó đư ợc ứng dụng rộng rãi trong các nghiên cứu về hệ đa robot. Ý tường cơ bàn cùa
APF là sử dụng m ột trường lực thế để dẫn đường cho robot. Noi robot cần tới (dích đến) sẽ có thế
năng thấp, và nơi robot cần tránh (vật cản và các robot khác) có thế năng cao.
APF được áp dụng để cải tiến thuật toán PSO. ở đây mỗi robot được coi như một particle. Các
robot này ngoài việc chuyển động theo các luật điều khiển của PSO còn chịu ảnh hưởng cùa một
trường thế nhân tạo. Trường thế này tạo ra xung quanh mỗi robot ba vùng khác nhau, bao gồm một
vùng tự do, một trường hút và một trường đẩy. Trường hút hướng các robot lại gần nhau khi khoảng
cách giữa chúng vưọt qua một giói hạn xác định, qua đó duy trì khoảng cách và kết nối giữa các
robot. T rường đẩy ngăn k h ô n g cho các robot va chạm với nhau và với vật cản (nếu có) trong khơng
gian tìm kiêm. Robot khơng chịu ảnh hưởng cùa lực thế khi khơng có robot khác nằm trong trường
hút của chúng và khơng có robot cũng như vật cản nằm trong trường đẩy.
Mơ hình mà chú ng tôi xây dựng sử dụng các lực thụ động. Các lực này được sinh ra khi robot
phát tín hiệu và nhận được tín hiệu phản xạ cho biết có vật càn hoặc robot khác trong trường lực thế
nhân tạo. Các lực tác động lên robot phụ thuộc vào khoảng cách giữa các robot và giữa robot với vật
cản, chúng được cập nhật liên tục sau mỗi bước chuyển động của robot. Bằng cách này, các robot
tránh dược va chạm, đồng thời duy trì được kết nối.
Độ lớn cùa lực thế tác dụng lên robot j bởi trường lực thế bao quanh robot i:
G m lm r u
F ịj=

-------------------------------------- L-

j L i L [ u ị ^ ) - u ( r IJ - r ị ) - k u ( r ơ - r 2) + k u ( r u

- r3)]( 1 )

ij

N

^ APFj =

^

^ A P F ij

/=l

5


Vói G và k là các tham số điều chỉnh, ry là vector khoảng cách từ robot i đến robot j, r,j là độ lớn
của vector này. Các giá trị r i j 2, và r3 được giải thích ở hình 1. Mỗi robot chịu lực thế bàng tổng các
lực thế gây ra bởi các robot và vật cản xung quanh (công thức (2)), với N là so robot hoặc vật cản
trong vùng đẩy.

Hình 1. Trường lực thế bao quanh mỗi robot.
Trong hình 1, n là bán kính đẩy, n là bán kính tự do, Ĩ3 là bán kính hấp dẫn. Tính từ vị trí của một
robot bất kỳ, nếu một robot hoặc vật cản nằm trong bán kính n , robot sẽ chịu lực đẩy; nếu một robot
nằm trong khoảng từ n đến Ĩ3 cả hai robot sẽ chịu lực hút. Độ lớn và hưóng của các lực này được cho
bời cơng thức 1.
Như vậy, thuật tốn này cũng gồm bốn bước: Khởi tạo, cập nhật vị trí tốt nhất, cập nhật vị trí và
vận tốc, và kiếm tra các điều kiện kết thúc. Trong dó, cơng thức cập nhật vận tốc đưọ'c cho như sau:

v , =

(3)

V PSO i + V A P F i

Trong đó V A P F i tí lệ với Fapfì. Thuật tốn này kết họp được các ưu điểm của thuật toán PSO và
phương pháp trường thế nhân tạo. Bầy đàn robot chuyển động mượt mà, có khả năng tìm kiếm mục
tiêu, đồng thời tránh được vật càn và duy trì được kết nối. s ố lượng tính tốn khơng lớn, thuật tốn
có thế được thực thi vói phần cứng có năng lực tính tốn kliơng q cao.
step: 200 Best Value- 3.4416e-05

Hình 2. Phân bố cuối cùng của bầy đàn robot

Mean of íitnẽSồ vs Best fitness

Hình 3. Kết quả tìm kiếm

Hình 2 và hình 3 thể hiện phân bố cuối cùng và kết quá tìm kiếm của bầy đàn robot trong một tìm
kiếm điển hình. Hình 4 so sánh kết nối đại số của bầy đàn robot khi APF-PSO và PSO nguyên thủy
đirợc áp dụng. Trong một lần chạy điển hình, khi áp dụng APF-PSO, kết nối trong bầy đàn robot đưọc

6


du y trì và ổn định. Khi áp dụng PSO cố điển, kết nối có thể bị mất. Báng 1 cho số liệu thống kê sau
100 lần chạy.
A l g e b r a i c C o n n e c t i v it y

A l g e b r a i c C o n n e c t i v it y

s te p

s te p

a)

b)

Hình 4. Ket nối đại sổ cùa bầy đàn với a) APF-PSO và b) Conventional PSO

Three Hump
Camel Function

Bohachevsky
Function

Rosenbrock
Function

Giá trị trung bình của kết nối đại số

6.0456

6.7154

8.2091

Độ lệch chuẩn của giá trị trung bình của
kết nối đại số

0.5092

0.6087

0.4610

Bảng 1. Phân tích kết nối dại số
Ket quả từ bảng 1 cho thấy thuật tốn đề xuất APF-PSO hiệu quả trong việc duy trì kết nối trong
bây đàn robot, vói kết nối đại số cao, độ lệch chuẩn nhỏ. Thuật tốn này có thể được áp dụng trong
thực té.
c) So sánh hai thuật toán HBPSO và APF-PSO đối vói hoạt động tìm kiếm cùa bầy đàn robot
HBPSO và A P F -PS O đã được mô phỏng để so sánh hiệu quả trong việc g iả m thiểu va chạm và
duy trì kết nối trong bầy đàn robot. Các thuật toán này được áp dụng trong hai kịch bản.
Kịch bản I : So sánh khả năng tránh vật cản. Các robot và vật cản có phân bố ngẫu nhiên trong phạm
vi tìm kiếm. Các robot ln có khả năng liên lạc với nhau.
Kịch bản 2: So sánh khả năng duy trì kết nối. Các robot có giới hạn truyền thơng nhỏ và có phân
bố ban đầu đảm bảo kết nối đại số dưong.
Trong các kịch bản, các kết quả sau được so sánh: xác suất va chạm, khả năng duy trì kết nối, và
độ hiệu quả trong tìm kiếm.
Các robot trong bầy đàn là hồn tồn giống nhau. Bán kính của mỗi robot (r) được coi là đơn vị độ
dài. Hệ thống có kết nối trực tiếp và kích thước bầy đàn thay đổi từ 5 đến 10, 15. Vận tốc tối đa của
mỗi robot là 0.5r/bưó'c. Đối vói thuật tốn APF-PSO, n là 5r, Ĩ2 là 8r và T3 là 12r. Đối với BOIDSPSO, giói hạn truyền thơng là lOr (kịch bản 2), khoảng cách bắt đầu phát sinh lực đẩy là 8r.
Phân bố của các robot trong khơng gian tìm kiếm có thể là ngẫu nhiên (kịch bàn 1) hoặc xác định
(kịch bản 2). Hai vật cản tĩnh được đặt tại (-35,35) và (-21, -31). Trong hệ tọa độ Cartesian, không
gian t ìm kiếm b ị g i ó i h ạ n b ỏ i 4 đường: X = 50, X = -50, y = 50, y = -50. Các h à m m ụ c tiê u được sử
dụng là fi: Three-H um p Camel Function, Ĩ2 - Bohachevsky Function và f3i Rosenbrock Function.
Ket quả so sánh sau 100 lần chạy mơ phỏng được tóm tắt trong bảng 2, bảng 3 và bảng 4.

7


B OIDS-PSO

5 robots

10 ro b o ts

15 robots

fl

1.14E-05

3.24E-05

1.04E-04

f2

1.10E-05
6.19E-06

3.38E-05

9.86E-05

4.43E-05

9.81E-05
9.09E-06

3.17E-05

2.71 E-05
3.47E-05

1.00E-05

7.65E-06

f3
fl
APF-PSO

f2
o

1.17E-05

1.79E-05
1.82E-05

Bảng 2: Khả năng tránh va chạm

B OIDS-PSO

APF-PSO

fl

Giá trị trung bình
của X2
1.1425

Độ lệch chuân của

12
0.0855

f2

0.8933

0.1608

f3
fl

0.8997

0.1376

6.7154

0.6087

f2

6.0456

0.5092

0

8.2091

0.461

Bảng 3: Khả năng duy trì kết nối

BOIDS-PSO

APF-PSO

Sai số tối thiểu

Sai số trung bình

fl

0.0006

0.1468

Í2

0.0001

0.0387

f3
fl

0.0023
1.99E-04

0.1932

Ỹ2

I.88E-05
1.47E-04

0.2789

D

1.14
0.0567

Bảng 4: Hiệu quả tìm kiếm
Khả năng tránh va chạm của bầy đàn robot khi áp dụng hai thuật toán là tương đương, với các xác
suất va chạm tương tự nhau. Xác suất va chạm khi áp dụng B OIDS-PSO tăng lên đáng kể khi số
lượng robot tăng. Xác suất này không thay đổi nhiều đối với APF-PSO. Từ bảng 3, có thể thấy kết
nơi khi áp dụng B OIDS-PSO là chặt chẽ hơn, với giá trị trung bình của kết nối đại số cao hơn vói
mọi hàm mục tiêu. Giá trị tối ưu thực tế với mọi hàm mục tiêu là 0, vì thế bàng 4 cũng cho thông tin
về giá trị tốt nhất tìm được. Đối với các hàm mục tiêu đưọc sử dụng, APF-PSO tị ra hiệu quả hơn
BOIDS-PSO.

4.2. M ơ p h ị n g hoạt động tìm kiêm nguồn ánh sáng và nguổn rỏ ri hóa chất trong m ơi trường
khơng biết trước sau thảm họa
a) Thuật tốn APSO
Mặc dù APF-PSO và BOIDS-PSO có khả năng giảm thiểu va chạm và duy trì kết nối trong hệ
thống đa robot trong quá trình tìm kiếm, chúng vẫn cần được cải thiện. Xác suất va chạm vẫn có thế
được giảm xuống thấp hon. Hệ thống robot cũng cần có khả năng hoạt động trong mơi trường tìm
kiếm có hàm mục tiêu động (biến đổi theo thịi gian), chứ khơng chỉ là các hàm mục tiêu cố định như

8


trong các mô phỏng trước đây. Trong thực tế, các hàm mục tiêu thường phụ thuộc vào nhiều yếu tố
và khơng cơ định trong tồn bộ q trình tìm kiếm.
Thuật toán APSO đã được đề xuất đế giải quyết vấn đề này. A PSO là một bước phát triển cao
hon của APF-PSO. Trong thuật toán APSO, các trường thế nhân tạo cũng dưọc sử dụng. Tuy nhiên
thay vì chỉ đóng góp thêm một thành phần vận tốc nhằm tránh va chạm và duy trì kết nối, các lực thế
nhân tạo được sử dụng để điều chỉnh mọi thành phần vận tốc, bao gồm vận tốc tự nhận thức (cognitive
velocity), vận tốc bầy đàn (social velocity) và vận tốc quán tính (inertial velocity). Trong APSO, hàm
sigmoid được sử dụng rộng rãi do một tính chất đặc biệt có thể khai thác của nó. Khi giá trị của đối
số tăng dần thì giá trị của hàm sigmoid thay đối qua ba giai đoạn: tăng chậm, tăng gần tuyến tính và
bão hịa (tăng chậm). Tính chất này được sử dụng để điều chỉnh các vận tốc kế thừa từ PSO sao cho
khi mỗi robot cách xa vị trí tốt nhất (cá nhân hoặc bầy đàn) thì vận tốc hướng tới các vị trí này lớn,
ngược lại, khi các robot ỏ' gần vị trí tốt nhất, các vận tốc này đủ nhỏ. Điều này loại bỏ khả năng robot
vượt qua mục tiêu và khả năng va chạm ngay cả ỏ' những bước cuối cùng khi tất cả các robot đều gần
với vị trí tơt nhât tồn cục. Vận tơc qn tính bị ảnh hưởng gián tiếp bởi hàm sigmoid thơng qua tham
số qn tính.
Thuật tốn A PSO gồm các 4 bưóc giống như PSO và có các cơng thức điều khiển sau:

w = .v/g-(d ’ k+ /)

(4)

( 5)

= w -' v ,.,
^cognitive = C ’ s ig ii ( p „ , - X,.,)' 11+v)
=

S ’sigỤ ( g „ , - X,.,)' u + v)

V I = inert
V ta! , , + cognitive
v

X, =

+ vsocial

+ V
separation

X , . , + V,

(6)
(7)
(8 )

(9)

Trong đó:
ịv: vị trí tốt nhất cù a cá c robot tại thời đ iểm t

gt\

v ị t r í t ố t n h ấ t c ủ a to à n đ à n tạ i th ờ i đ iể m t

X/: vị trí của các các robot tại thịi điổm t

cp(x): một hàm ma trận trả về một vector hàng với mỗi phần tử tương ứng với Euclidean norm
cùa cột tương ứng trong m a trận đối số
d: mật độ bầy đàn robot nhìn từ vị trí mỗi robot
. X; phép nhân phần tử - phần tử (element-wise) trên ma trận
sig(x): hàm sigmoid eleinent-Yvise trên ma trận:
sig(x)(i, j ) -■
k, l, u, v: các tham số điều chỉnh
C: giá trị cực đại của \cognitive
S: giá trị cực đại của \sociai

(15)
1+ è ,{ÍJ)


Các điều kiện hội tụ (điều kiện dừng của thuật tốn):
- Giá trị tối ưu tồn cục tìm được khơng được cải thiện ít nhất 0.1% sau 10 bưóc lặp liên tiếp.
- Trọng tâm của bầy đàn robot khơng có độ dịch chuyển đủ lớn (bằng bán kính một robot) sau
10 bước lặp liên tiếp.
b) Ket quả mơ phỏng tìm kiếm nguồn sáng sử dụng APSO
Thuật toán APSO đã được mơ phỏng vói Matlab để tìm kiếm nguồn sáng trong ba kịch bản, vói
dữ liệu thuộc về nguồn sáng điếm lý tưởng hoặc nguồn sáng thực, s ố bước lặp tối đa là 200. Trong
các kịch bản, khơng gian tìm kiếm đều được giới hạn bởi các đường X = 50, X = -50, y = 50, y = -50
trong hệ tọa độ Cartesian (đon vị dài: m). Bốn vật cản tĩnh hình trụ đứng với bán kính r = 4 được đặt
tại các vị trí (30, -30), (-20, 30), (0, 0) và (30, 20). Nguồn sáng trong ba kịch bản lần lưọt là nguồn
sáng điểm lý tưởng (kịch bản 1), thiết bị A V L1X M A M D G (kịch bản 2) và 87517M 56FG (kịch bản
3) của Am erican Electric Lighting.
Step: 100 Best Vaiue = 12945 3969

0
X coordinator

Hình 5. Phân bố của bầy đàn robot sau khi nguồn sáng được phát hiện - A V L IX M A M D G
Ket quả mô phỏng được cho trong Hỉnh 6 và Hình 7.

IESS
u

EBP 15 robots
1 110 robots
H I 5 robots

s

ệ
j

f

H

II

APS0

b) Kịch bản 2

I•
I'

Í

9

□
? ẹ 3

i ệQ

a) Kịch bản l

15 robots
110 robots
5 robots

A.
..
Algorithm

i
g

MPSO

c) Kịch bản 3

Hình 6 . Phân bố của bước hội tụ sau 1000 lần chạy mô phỏng, so sánh APSO và MPSO

10


; Ịí

I ----- 5 robots

://

15 robots
Maximun slep allowed • APSO

50

100
150
Maximum step allowed - APSO

60
80
100
120
Maximưn step allowed - MPSO

Maximum step allowed - MPSO

a) Kịch bản I

200

250

b) Kịch bản 2

c) Kịch bàn 3

Hình 7. Hàm CDF của bước hội tụ sau 1000 lần chạy mô phỏng, so sánh APSO và MPSO
Bảng 5 cho xác xuất thành công trước bước lặp thứ 100 của APSO (có so sánh với MPSO, một
thuật tốn khác cải tiến từ PSO).

Scenario ]

Scenario 2

Scenario 3

A

M

A

M

A

M

5

87

77

70

6

84

58

10

98

96

97

32

100

99

15

100

98

100

95

100

100

N

Bảng 5. Xác suất thành công trước bước lặp thứ 100
Trong so sánh với MPSO, APSO luôn thể hiện ưu thế. Từ Bảng 5, có thể thấy tỉ lệ thành cơng từ
các bước lặp thấp cũng rất lớn khi áp dụng APSO. APSO không chỉ có khả năng tránh va chạm tốt
mà cịn có tốc độ hội tụ cao. APSO thể hiện tính hiệu quả cao trong các mơ phỏng tìm kiếm nguồn
sáng.

b) Ket quả tìm kiếm nguồn rị rỉ hóa chất/mùi
Một đơi tượng tìm kiêm nhận được nhiều sự quan tâm là nguồn rị rỉ hóa chất, hay các nguồn mùi
nói chung. Các phương pháp tìm kiếm có thể đưọc áp dụng cho việc tìm kiếm ma túy, chất cháy nổ,
rị rỉ hóa chất sau sự cố công nghiệp, v.v. Việc sử dụng các hệ thống robot để tìm kiếm nguồn rị rỉ
hóa chất/mùi thường khó khăn do một số tính chất nội tại của dái mùi: i) dải mùi trong khơng khí dễ
bị ảnh hưởng bởi các nhiễu động, trỏ' nên quanh co và đút đoạn, ii) trong khơng gian lón, có thể tồn
tại nhiều vị trí có nồng độ mùi cao và thấp xen kẽ, iii) trong một số điều kiện nhất định, một số cực
trị địa phương có thế tồn tại lâu dài.
Một bước cải tiến nữa đưọc thực hiện trên APSO để khắc phục những vấn đề trên. Ba thành phần
vận tốc mới được đưa vào thuật toán cải tiến đề xuất: vận tốc ngược gió, vận tốc gradient và vận tốc
ngẫu nhiên. Thơng tin về hưóng gió và tốc độ gió được sử dụng trong việc tạo ra thành phần vận tốc
ngược gió. Nồng độ mùi tại tất cả các vị trí của robot được sử dụng để tạo ra một bản đồ nồng độ
bằng phép nội suy, sau đó gradient tại vị trí của mỗi robot được tính tốn bằng phương pháp sai phân
trung tâm (central difference method). Vận tốc gradient được tính tốn dựa trên giá trị gradient này.
1I

Thành phẩn vận tốc ngẫu nhiên được đưa vào nhằm tăng khả năng tìm kiếm cho bầy đàn robot trong
điều kiện mơi trường biến đổi.
Thuật tốn cải tiến gồm các bước giống như APSO, tuy nhiên, công thức tại bước cập nhật vận
tốc được thay đổi:
V I — V in e rtiu l, + V cogn itiv e + v

, + Vsepa ratio n + V g .ra d+

s o c ia l

V uw+

V ranu
.

( ’°)

Hình 8. Bản đồ nồng độ và vận tốc gió trong kịch bản 2
S u c c e s s rate vs T im e c o n s u m p tio n in sc e n a rio 2

Hình 9. Tương quan giữa tỷ lệ thành công và số bước lặp tối đa cho phép ỏ' kịch bản 2
T huật toán cải tiến đưọc kiểm tra độ hiệu quả bằng mô phỏng với ba kịch bản. Trong các kịch
bản, bầy đàn robot đều là đồng nhất. Kích thước của mỗi robot là khơng đáng kể so với khơng gian
tìm kiếm. Các robot trong hệ thống có kết nối trực tiếp và giới hạn truyền thơng ló'n hơn kích thước
khơng gian tìm kiếm. Robot có khả năng xác định vật cản trong phạm vi 5m. Vận tốc tối đa là
1.5m/bưó'c. Các robot được trang bị cảm biến để xác định nồng độ mùi và thông tin về hướng và


cường độ gió tại vị trí của chủng, s ố lưọng robot trong bầy đàn là 5, 8, 11, 14, 17 hoặc 20. s ố bước
lặp tối đa là 200. Kích thước khơng gian tìm kiếm là lOOmxlOOm. Trong hệ tọa độ Cartesian, phạm

vi cùa X và y đều là [-50m, 50m]. Các vật cản (nếu có) đều !à các hình trụ đứng vói bán kính 4m.
Chất hóa học rị rỉ là propan. Dữ liệu được tạo sử dụng phần mem Fluent.
Trong kịch bản thứ nhất, nguồn mùi ỏ' vị trí (40m,-25m) và khơng có vật cản. Gió thổi từ phía
nam lên phía bắc, vng góc vói biên, hai phía còn lại là tường. Tốc độ rò rỉ và tốc độ gió khơng đối.
Kịch bản này được sử dụng để kiểm tra khả năng tìm các nguồn gần tường.
Trong kịch bản thứ hai, nguồn ở vị trí (-25m,0m) và có bốn vật cản tĩnh tại (-30m, -30m), (-20m,
30m), (Om, Om) và (30m, 20m ) (Hình 8). Gió thổi từ tây sáng đông với tốc độ và hướng biến thiên.
Tốc độ rị rỉ hóa chất thay đổi theo thời gian. Kịch bản này được sử dụng để xác nhận độ hiệu quả
của thuật toán khi các robot phải tránh vật cản trong lúc tìm kiếm nguồn rị rỉ.
Trong kịch bản cuối cùng, nguồn mùi ỏ' vị trí (0m,-50m) và khơng có vật cản. Gió thổi từ trái sang
phái. Vận tốc gió và tốc độ rò rỉ được thiết kế đế dải mùi biến đổi phức tạp theo thòi gian. Kịch bản
này được sử dụng để kiểm tra khả năng định vị nguồn mùi khi dải mùi rất không ổn định.
Ket quả m ơ phỏng được tóm tắt trong Bảng 6 và Bảng 7.
Scenario
1
2
3

5 robots
33
93
84

8 robots
56
100
100

11 robots
89

100
100

14 robots
90
100
100

17 robots
93
100
100

20 robots
97
100
100

Bảng 6 . Tỉ lệ thành công trong các kịch bản

Scenario
1
2
3

5 robots
1 16.67
89.74
115.82

8 robots
102.36
50.06
64.68

11 robots
84.72
40.04
50.17

14 robots
68.39
35.23
41.66

17 robots
62.46
28.47
35.29

20 robots
61.45
27.1 1
32.79

Bảng 7. Thời gian tìm kiếm trung bình của các tìm kiếm thành cơng (bước lặp)
Với thuật toán cải tiến đề xuất, số lượng robot lớn hơn sẽ cho kết quả nội suy chính xác hơn và
giá trị gradient chính xác hơn. Trong kịch bản 2 và 3, khi số lượng robot lớn hơn 8, tất cả các lần tìm
kiếm đều thành cơng. Thời gian tìm kiếm trung bình nhị. Điều này thể hiện sự hiệu quả cùa thuật

5. Đ á n h giá về các kết q u ả đ ã đ ạ t đ ư ợ c và kết luận
Đe tài đã thực hiện các nội dung nghiên cứu và đàm bảo các sản phẩm theo đăng ký.

6 . Tóm

tắt kết

quả (tiếng Việt và tiếng Anh)

Các kết quả chính của đề tài gồm có:
- Nghiên cứu và phát triển các thuật tốn bầy đàn. Thuật toán PSO và các thuật toán đưọc phát
triển trên cơ sỏ' thuật toán này được đánh giá và so sánh trên nhiều hàm mục tiêu.
- Áp dụng các thuật toán bầy đàn vào hệ thống đa robot trong hoạt động tìm kiếm ỏ' mơi trường
khơng biết trước, với mục tiêu tìm kiếm là nguồn ánh sáng hoặc nguồn rị rỉ hóa chất. Hoạt động
tìm kiếm này được mơ phỏng trong các điều kiện gần thực tế bằng chương trình viết trên Matlab.

13


- Các thuật toán cải tiến được đánh giá là có hiệu quả và có thể áp dụng trong thực tế. Một hệ
thông gồm 3 robot đã được chế tạo đế bước đầu áp dụng các thuật toán này.
- Bài báo cơng bố: 1 tạp chí khoa học trong nước, 2 kỷ yếu hội nghị quốc tế, 2 kỷ yểu hội nghị
quốc gia.
- Hỗ trợ đào tạo: 1 NCS, 1 C ử nhân.

Main results achieved in this project are:
- Developing swarm intelligence-based algorithms. PSO and several algorithms based on it have
been implemented and evaluated with various objective functions.
- Applying swarm intelligence-based algorithms in the task o f unknown space exploration using
MRS, with the targets being sources o f light or chemical leakage. The exploration and searching

processes are simulated on Matlab with conditions from real world.
- The modified algorithms are considered effective and applicable for real MRSs. A prototype
system consists o f three robots has been manufactured for application o f these algorithms.
- Publications: I scientific paper in national journal, 2 scientific papers in international
conferences, 2 scientific papers in national conferences.
-

Contribution to training: 1 PhD student, I

u n d e rg ra d u a te

student.

PHẦN III. SẢN PHẨM, CƠNG BĨ VÀ KÉT QUẢ ĐÀO TẠO CỦA ĐÈ TÀÍ
3.1. Ket quả nghiên cứu
Yêu cầu khoa học hoặc/và chỉ tiêu kinh tế - kỹ thuật
TT

Tên sản phâm
Đăng ký
Phàn mẻm mỏ phong đánh
giá tìm kiếm nguồn rị rỉ
trong thảm họa cơng nghiệp
sử dụng Matlab, C/C++

Đạt được

+ (Jiao diện trực quan mô
phỏng hoạt động tìm kiếm
của hệ thống

+ Giao diện trực quan mơ
phỏng hoạt động tìm kiếm
của hệ thống

+ Xác suất tìm kiếm thành
cơng nơi có nồng độ khí ga
/nhiệt độ cao nhất lớn hơn
90%.

+ Xác suất tìm kiếm thành
cơng nơi có nồng độ khí ga
/nhiệt độ cao nhất lón hon
90%.

+ Tìm kiếm đồng thời hai
tham số là nhiệt độ và nồng
độ khí ga.

+ Tìm kiếm hai tham số là
cường độ ánh sáng và nồng
độ khí ga.

3.2. Hình thức, cấp độ cơng bố kết quả
Tình trạng
TT

Sản phẩm

(Đã in / chấp nhận in / đã nộp

đ ơ n / đã được chấp nhận đơn
hợp lệ / đã được cấp giấy xác
nhận S H T T / xác nhận sử
dụng sàn phẩm )

Ghi địa chỉ
và cảm ơn
sự tài trợ
của
ĐHQGHN
đúng quy
định

Đánh giá
chung
(Đạt,
không
đạt)

14


1
1.1
1.2
2
2.1
2.2
3
3.1

3.1
4
4.1
4.2
5
5.1

5.2

5.3

5.4

Cơng trình cơng bơ trên tạp chí khoa học quốc tê theo hệ thông ISI/Scopus

Sách chuyên khảo được xuât bàn hoặc ký hợp đơng xt bản

Đăng ký sở hữu trí tuệ

Bài báo quôc tê không thuộc hệ thông ISI/Scopus

Bài báo trên các tạp chí khoa học của ĐHỌGHN, tạp chí khoa học chuyên
ngành quốc gia hoặc báo cáo khoa học đăng trong kỷ yếu hội nghị quốc tế
Anh-Q uy Hoang and Minh-Trien
Advances in Information
CÓ
Pham, Swarm intelligence-based
and Communication
approach for macroscopic scale
Technology. AISC, vol.

odor source localization using
538, pp. 593-602. Springer,
multi-robot system
Switzerland (2016).
A nh-Q uy Hoang and Minh-Trien
Advances in Information
CÓ
Pham, Comparing Modified PSO and Communication
Algorithms for M RS in Unknown Technology. A1SC, vol.
Environment Exploration
538, pp. 207-216. Springer,
Switzerland (2016).
V an-N am Tran, Anh-Quy Hoang, Proceedings o f The 2016
CÓ
and Minh-Trien Pham, Design
National Conference on
and Implementation o f a M ulti­
Electronics,
robot System Based on Zigbee
Communications, and
Network
Information Technology,
pp. 1.25-1.29. Hanoi,
2016.
A nh-Q uy Hoang, and Minh-Trien VNU Journal o f Science:
CÓ
Pham, Swarm Optimization
Com puter Science and
Approach for Light Source
Communication

Detection by Multi-robot System
Engineering 32, no 3
(2016): 1- 10.
Báo cáo khoa học kiên nghị, tư vân chính sách theo đặt hàng của đơn vị sử dụng

6
6.1
6.2
7
Kêt quá dụ' kiên được ứng dụng tại các
sở ứng dụng KI l&CN
7.1
7.2

CO'

quan hoạch định chính sách hoặc

CO'

Ghi chú:
C ột sản ph à m khoa học cơng nghệ: Liệt kê các thịng tin các sàn p h a m K H C N theo th ứ tự

hành,

năm p h ú t hành, trang đăng cơng

trình, m ã cơng trình đăng lạp chí/sách chuyên kháo (DOI), loại tạp ch í ISI/Scopus>
15

C ác cm phâm khoa học (bài báo, báo cáo KH, sách chuyên kh ả o ...) chi đươc chấp nhân nếu
có g h i nhận địa chí và cảm ơn tài trợ của Đ H Q G H N theo đúng quy định.
Bản p h ơ lơ tồn văn các ân phàm này p h ả i đưa vào phụ lục cúc m inh chứng của báo cáo.
R iêng sách chun khảo cân có bản phơ lơ bìa, trang đâu và trang cuối có ghi thơng tin m ã so xuất

3 .3 . K ct q u ả đ à o tạo

TT

H ọ v à tên

T h ờ i g ia n v à k in h phí

C ơ n g tr ìn h c ơ n g b ô liê n q u a n

t h a m g i a đ ề tài

(Sàn p hàm KHCN, luận án, luận
vein)

(số thủng/số tiền)

Đ ã bảo vệ

Nghicn cứu sinh
1 N guyên Thị
Thanh Vân

3 tháng/ 10 triệu

Chuyên đê: Nghiên cửu tông quan
về thuật tốn bầy đàn và mạng
cảm biến khơng dây

Chưa

Hoc viên cao hoc
1 H oàng Anh
Quý

24 tháng/ 60 triệu

1. Anh-Quy Hoang and MinhTrien Pham. "Swarm intelligencebased approach for macroscopic
scale odor source localization
using multi-robot system." In:
Akagi, M., et al. (eds.) Advances
in Information and
Communication Technology.
AISC, vol. 538, pp. 593-602.
Springer, Switzerland (2016).

Chưa

2. Anh-Quy Hoang, and MinhTrien Pham. "Comparing
Modified PSO Algorithms for
MRS in Unknown Environment
Exploration." In: Akagi, M., et al.
(eds.) Advances in Information

and Communication Technology.
AISC, vol. 538, pp. 207-216.
Springer, Switzerland (2016).
3. Van-Nam Tran, Anh-Ọuy
Hoang, and Minh-Trien Pham.
"Design and Implementation o f a
Multi-robot System Based on
Zigbee Network." In Proceedings
o f The 2016 National Conference
on Electronics, Communications,
and Information Technology, pp.
1.25-1.29. Hanoi, 2016.

16


4. Anh-Quy Hoang, and M inhTrien Pham. "Swarm Optimization
Approach for Light Source
Detection by Multi-robot System."
V N U Journal o f Science:
Computer Science and
Communication Engineering 32,
no 3 (2016): 1-10.
Cử nhân
1
Trân Văn
Nam

6 tháng/ 1 0 triệu

Đã bảo vệ

Khóa luận tơt nghiệp: Design and
implement o f multirobot system
based on Zigbee Network

Ghi chú:
G ửi kèm b ả n p h o to tra n g b ìa luận á n / luận v ă n / kh ỏ a lu ậ n và b ằ n g h o ặ c g iấ y ch ứ n g n h ậ n
n g h iê n cứu s in h /th ạ c s ỹ n ếu h ọ c viên đ ã bảo vệ th à n h c ô n g lu ậ n á n / lu ậ n văn;
C ột c ơ n g trìn h c ơ n g bố g h i n h ư m ụ c III. 1.

PH Ầ N IV. T Ó N G H Ợ P K É T Q U Ả CÁ C SẢN PH Ẩ M K H & C N VÀ Đ À O T Ạ O CỦ A ĐÈ TÀI
Sản phẩm

TT

3

Bài báo cơng bơ trên tạp chí khoa học qc tê theo hệ thông
ISI/Scopus
Sách chuyên khảo được xuât bản hoặc ký hợp đơng xt
bản
Đăng ký sờ hữu trí tuệ

4

Bài báo quôc tê không thuộc hệ thông ISI/Scopus

5

Sô lượng bài táo trên các tạp chí khoa học của Đ H Q G H N ,
tạp chí khoa học chuyên ngành quốc gia hoặc báo cáo khoa
học đăng trong kỷ yếu hội nghị quốc tế
Báo cáo khoa học kiên nghị, tư vân chính sách theo đặt hàng
của đơn vị sử dụng
Ket quả dự kiến được ứng dụng tại các cơ quan hoạch định
chính sách hoặc cơ sở ứng dụng K H & C N

1
2

6

7

Sơ lượng

Sơ lượng đã

đăng ký

hồn thành

-

-

-

-

-

-

-

-

3

3

-

-

-

-

8

Đào tạo/hỗ trợ đào tạo NCS

1

1

9

Đào tạo thạc sĩ

-

-

10

Đào tạo cử nhân

1

1

P H Ầ N V. TÌN H H ÌN H s ử D Ụ N G K IN H PHÍ

TT
A
1
2
3
4
5

6

Nội dung chi
C hi p h í tr ự c tiẽp
T h u ê k h o á n ch u y ê n m ô n

N guyên, n h iê n v ật liệu, câ y con..
Thiêt bị, d ụ n g cụ
C ơ n g tác phí
Dịch vụ th u ê ngồi
Hội nghị, Hội thảo, k iế m tra tiến độ, n gh iệm
thu

Kinh phí
đu ọc duyệt

Kinh phí
thực hiện

(triệu đ ồ n g )

(triệu đồng)

-

-

166
-

166
-

-

-

15

15

Ghi chú

ĐAI H Ọ C Q U Ố C GIA HÀ NỘI
TRUNG TAM THƠNG TIN THƯ VIỀN
M ìC ìL n m n

ồ O h

17


7
8
B
1
2

In ân, Văn phịng phâm
Chi phí khác
C hi p h í gián tiêp
Ọuán lý phí
Chi phí điện, nước
Tông sô

7

7

-

-

-

8
4
200

8
4
200

Kinh phí đã tạm ứng: 100 triệu đồng.
Còn lại: 100 triệu đồng.
PHẢN V. K IÊ N N G H Ị (về p h á t trìến các kết quả nghiên cứu của đề tài; vé quản lý, tố chức thực
hiện ở các cáp)
Thơng qua kết quả đạt được của đề tài, nhóm nghiên cứu thấy rằng đây là vấn đề cần được quan
tâm đầu tư phát triển thành hệ thống. Do đó, nhóm nghiên cửu kiến nghị tiếp tục dưọc đầu tư dế
phát trien thành hệ thống thật nhằm đánh giá giải thuật trên môi trường thực tế.

PHAN V I. P H Ụ L Ụ C (minh chứng các sản phẩm nêu ở Phan III)
1. Các sản phẩm nghiên cứu
2. Sản phẩm đào tạo

H à N ội, n g à y

Đơn vị chù trì đề tài
(Thù trư ở ng đon vị kỷ tên, đóng dấu)
T / L H l ệ ỉ j TRƯƠNG

ĨPƯỎNG PHÒNG KHOA HỌC CỒNG NGHỆ
VÀ H Ợ PTÁ C PH Á ĨĨR IẼi

th á n g ...'JL. nam

Chủ nhiệm đề tài
(Họ tên, chữ kỷ)

y
A ix ix i'j R i v t Ì T Á ^ v

Trân Xuân Tú

18


PHỤ LỤC

- Sản phấm khoa học và đào tạo
- Hợp đồng và thuyết minh đề cương


Sw arm Intelligence-Based A p p ro ac h
for M acroscopic Scale O do r Source
Localization Using M u lti-ro b o t S ystem
A n h - Q u y H o a n g ^ ) a n d M in h -T rie n P h a m ^ )

VNU University of Engineering and Technology,
144 X u a n Tliuy, Cau Giay, Hanoi, V ietnam
{quyha,trienpm }@ vnu. e d u . vn

A b s t r a c t . Odor source localization is a problem of great im portance.

Two m ainstream m ethods among numerous proposed ones are proba­
bilistic algorithms and bio-inspired algorithms. C om pared to probabilis­
tic algorithms, biomimetic approaches are much less intensive in term of
co m putational cost. Thus, despite their slightly worse performance, biom imetic approaches have received much more attention. In this paper, a
novel m eth o d based on a bio-inspired algorithm - Particle Swarm O pti­
mization (PSO) - is proposed for a multi-robot system (MRS). T h e pro­
posed algorithm makes use of wind information and im m ediate odor
gradient to enhance the performance of the MRS. A mechanism based
on Artificial Potential Field (A P F ) is utilized to ensure non-collision
movement of the robots. This m ethod is tested by simulation on M atlab.
D a ta for th e test scenarios, all in large scales, are generated using Fluent.
Nearly 2000 runs are carried out and th e simulation results confirm the
proposed algorithm ’s effectiveness.

K e y w o r d s : P SO • Odor source localization • M RS • A P F

1

In tro d u c tio n

O d o r s o u rc e lo c a liz a tio n is in d is p e n s a b le in vario u s e s se n tial ta sk s . A m o n g th o se
t a s k s are tr a c k i n g d o w n d ru g s , se a rc h in g for b o m b s o r explosives, m i tig a tin g
i n d u s t r i a l d is a s te rs by fin d in g leakages of d a n g e ro u s s u b s ta n c e s , lo c a tin g v ictim s
u n d e r d eb ris, etc. S o m e of t h e t a s k s co u ld n o t, o r s h o u ld n o t, b e p e r fo rm e d

by t r a i n e d a n im a l b e c a u s e t h e y co uld n o t surv iv e t h e p ossib le d a n g e r, or t h e
t a s k s a r e t o o p h y s ic a lly d e m a n d i n g for a n a n im a l. T h u s , wc s h o u ld develop
artificial s y ste m s , specifically ro b o tic s y s te m s , to re p la c e a n im a ls in s u ch task s. In
c o m p a r is o n w i t h t r a i n e d a n im a ls , r o b o t s e q u i p p e d w i t h o lfa c to ry sen sin g s y s te m s
have a n u m b e r of a d v a n ta g e s . T h e y co u ld be u sed in la rg e n u m b e r s a n d w o rk in
e x t r e m e c o n d itio n s , w i t h n o t r a i n i n g o r care. F u r t h e r m o r e , if a r o b o t is d e s tro y e d
in a m issio n (e.g. lo calizin g m in es), t h e p r o b le m is n o t as big as in t h e case of a
t r a i n e d dog.
© Springer In ternational P u b lish in g AG 2017
M. Akagi et al. (eds.), Advances in Information and Com m unication Technology ,
Advances in Intelligent S y s t e m s and C o m p u tin g 538, DOI 1 0 . 1 0 0 7 /9 7 8 -3 -3 1 9 -4 9 0 7 3 -l_ 6 3


594

A.-Q. Hoang and M.-T. Pham

1.1

R o b o tic O d o r L o c a liz a tio n

T h e p r o b l e m of o d o r so u rc e lo c a liz a tio n is, in essence, a n o p t i m i z a t io n p ro b le m .
A s t h e s o u rc e releases o d o r, t h e r e is a c e r ta in d i s t r i b u t i o n of o d o r c o n c e n t r a ­
t i o n in t h e s e a rc h spacc. T h e goal t h e n b e c o m e s lo c a tin g t h e a r e a of h ig h e s t
o d o r c o n c e n t r a t i o n . N e v erth eless, efforts to a p p ly classical sc a rc h o r o p t i m i z a ­
t i o n m e t h o d s have b e e n h i n d e r e d by t h e special c h a r a c te r is tic s of o d o r p lu m es.
T h e o d o r p lu m e s a re easily in fluenced by tu r b u le n c e , so t h e y c o u ld b e m e a n ­
d e r in g a n d i n t e r m i t t e n t , i.e. t h e c o n c e n t r a t i o n m a p d o es n o t r e m a i n t h e sa m e
d u r i n g t h e sea rc h . T h e t u r b u l e n t s t r u c t u r e of air flow over a larg e s p a c e m a y
also c a u s e ir r e g u la r s t r u c t u r e w i t h c o n te r m in o u s hig h a n d low c o n c e n tra tio n s .

F u r t h e r m o r e , p ro lo n g e d local m a x i m a c o u ld p o s sib ly exist u n d e r c e r t a i n c o n d i­
tio n s . A s classic m e t h o d s do n o t w ork, t h e r e is a n e e d for m o d ify in g t h e m or
d e v is in g n e w m e t h o d s to tack le t h e ta s k of o d o r so u rc e lo c aliza tio n .
T h e o d o r so u rc e lo c a liz a tio n ta s k co n sists of t h r e e stag es. T h e first s ta g e is
p l u m e d e te c tio n . In th is sta g e , t h e r o b o t s look for t h e p re sen ce o f a chem ical
( u s u a lly in t h e form of a p lu m e ) w ith no in f o r m a tio n re g a r d in g t h e p o s itio n of
t h e s o u rc e o r an y o t h e r h in ts . T h e p r i m a r y m e t h o d u s e d is r a n d o m w alk, in w h ic h
t h e r o b o t s m ove r a n d o m l y to d c t c c t clucs of t h e p lu m es. B esides, s o m e a u t h o r s
also d e p lo y diffe ren t s tr a te g ie s to e n h a n c c t h e g lob al s e a rc h in g p e r f o r m a n c e in
th e first s ta g e . F o r in sta n c e , M a r q u e s e t al. [1] u s e d a r o b o t s y s t e m w h e re r o b o t s
t e n d to avo id e a c h o t h e r by d e f a u lt. T h i s b e h a v io r in creases t h e p r o b a b il i t y of
d e t e c t i n g a p l u m e w h e n t h e r e a re no che m ic al cues in t h e n e ig h b o rh o o d . In [2],
•Jatm iko et al. d ep lo y e d an a l g o r i t h m n a m e d C h a r g e d P S O . R o b o t s o p e r a t i n g
u n d e r th is a l g o r i t h m e x e r t re p u lsiv e forces to o t h e r in o rd e r to av oid collisions
a n d in t h e m e a n t i m e im p ro v e t h e s y s t e m ’s ab ility to ex p lo re t h e e n v iro n m e n t.
W h e n a p lu m e is d e te c te d , t h e s y s te m t u r n s t o t h e s c c o n d s ta g e . T h e seco nd
s ta g e is p lu m e tra c k in g , also k n o w n as p lu m e tra v e rs a l, in w h ich t h e r o b o t s have
a l r e a d y b e e n in a p lu m e a n d t h e y t r y to tra v e rs e t h e p lu m e to a p p r o a c h its
s o u rc e . A s ig n ifican t b o d y of re s e a rc h h a s focu sed on t h e s e c o n d s ta g e , th is is
to b e d is c u ss e d f u r t h e r in t h e n e x t s u b se c tio n . T h e final s ta g e is so u rc e d ec­
l a r a t io n (or so u rc e id e n tific a tio n ), w h e n t h e sou rce is d e c la re d to be fo u n d in
t h e i m m e d i a t e v ic in ity of t h e s e a rc h in g a g e n ts (r o b o ts ) [3], In th is s ta g e , m o s t
a u t h o r s d c c la re s o u rc e s w h e n t h e sign al r e t u r n e d b y t h e o lfa c to ry s e n s in g s y s te m
e x c eed s a th r e s h o l d . I t is n o t e w o r th y t h a t t h e t h r e e s ta g e s arc n o t im p le m e n te d
successiv ely b e c a u s e t h e r o b o t s m a y b e o u t of t h e p lu m e a t an y t i m e d u e to th e
d y n a m i c n a t u r e of o d o r p lu m es. In a re alistic process, r o b o t s c o n tin u a lly sw itch
b e tw e e n p lu m e fin d in g a n d p lu m e tra v e rs a l.

1 .2

R e la te d S tu d ie s

T h e n e e d for re s e a rc h on r o b o tic o d o r lo caliza tio n is s tro n g , a n d it is e m p h a ­
sized b y t h e fa ct t h a t c u r r e n t tec h n o lo g y is still b e h i n d t h e c a p a b ilitie s of th e
a n i m a l a l t h o u g h first s tu d ie s are d a t e d b a c k t o as ea rly as t h e 1990s. O n e of t h e
first s t u d i e s in th is field is [4], w h e re t h e use of che m ic ally se n s itiv e r o b o t s are
d isc u s s e d . S ince t h e n , v ario u s a s p e c ts of t h e p ro b le m s have b ee n d is c u s s e d a n d


Swarm Intelligence-Based Approach

595

n o w a d a y s , t h i s is a m a t u r e a n d p o p u l a r rc s c a rc h a rea. R cfc rcn c c [5] p ro v id es a
c o m p re h e n s iv e t a x o n o m y a n d su rv e y in th is area.
A n u m b e r of a lg o r ith m s for a single r o b o t to tra v e rs e a p lu m e to its sources
h av e b e e n p r o p o s e d w i t h som e n oble ones: c a s tin g a l g o rith m , s u rg e -s p ira l algo­
r i t h m a n d s u rg e -c a s t a l g o r i t h m [6], A lth o u g h t h e a p p r o a c h e s a r e effective a n d
a p p lic a b le to so m e d egree, single r o b o t s are n o t u s u a lly u s e d b e c a u s e t h e y are n o t
tim e-efficient. I n s t e a d , m u l ti - r o b o t s y s te m s (M R S ) arc u s u a lly t h e choicc in p r a c ­
tic a l a p p lic a tio n s . T h e a d v a n ta g e s of m u l ti - r o b o t s y s te m s over single r o b o t s are
n o t li m i t e d to t im e efficiency. D u e to th e ir abilities to s h a r e i n fo rm a tio n , c o o p e r­
a te a n d c o o r d in a t e , m u l ti - r o b o t s y s te m s have a h ig h e r ro b u s t n e s s to local o p tim a ,
w id e r co v erag e a n d h ig h e r d egree of accuracy, c o m p a r e d to single ro b o ts . It is th e
re a s o n w h y re c e n t s tu d ie s on ro b o tic o d o r lo c a liz a tio n are d e v o te d to im p ro v ­
ing t h e p e r f o r m a n c e o f m u l ti - r o b o t sy s te m s . T h e m o s t w idely u s e d m e t h o d s for
m u l t i - r o b o t s y s te m s in clu d c b io m im c tic a lg o rith m s a n d p ro b a b ilis tic inference
a p p r o a c h e s . In [1.7-9], t h e a u t h o r s p re s e n te d novel a lg o r ith m s b a s e d on P S O
to t r a c k o d o r p lu m es. P S O is very effective in s t a t i c e n v ir o n m e n ts , how ever, in
m o s t p r o b le m s of o d o r s o u rc e lo caliza tio n , t h e e n v i r o n m e n t is d y n a m ic . T h e r e ­

fore, m o d ific a tio n s m u s t be m a d e to P S O . In [10-12], o d o r s a m p le s are o b t a i n e d
a n d u s e d to g e n e r a te a p ro b a b ility d i s t r i b u ti o n of t h e sou rc e lo catio n . T h e n e x t
m o v e m e n t is d e t e r m in e d b a s e d on th is g e n e r a te d p ro b a b ility .

1 .3

M a in C o n trib u tio n s

In s p ite of t h e larg e b o d y of re searc h , t h e r e is still m u c h t o b e d o n e. T h e r e is a
v a r ie ty of e n v i r o n m e n ta l c o n d itio n s , b u t each s t u d y is n o rm a lly o n ly fo cu sed on
one of t h e m . N orm ally, g r a d ie n t- b a s e d a lg o rith m s are n o t u sed in m acro sco p ic
scales. In a larg e se a rc h space, th e r e are a re a s w i t h o u t a n y cue of t h e p lu m e , a n d
th e r o b o t s w ith in s u c h a r e a s w o u ld be u n a b le to be g u id e d by t h e g ra d ie n t.
T h i s p a p e r focuses on t h e t a s k of localizing a single o d o r s o u rc e in a larg e a r e a
w i t h l o w -tu rb u lc n c c u s in g a m u l ti - r o b o t sy s te m . M a in c o n t r i b u t i o n s of th is s t u d y
arc: (1) P r o p o s i n g a m o d ifie d a lg o r ith m b a s e d o n P S O , w h ich is spec ia liz ed for
t h e t a s k o f o d o r lo caliza tio n . In t h e a lg o rith m , A P F a n d g r a d ie n t - b a s e d sea rch
are i n t e g r a t e d in to t h e co n v e n tio n a l P S O , w in d in fo rm a tio n is also utilize d to
e n h a n c e t h e se a rc h p e r fo rm a n c e . (2) E v a lu a tin g t h e effectiveness of th e p ro p o s e d
a l g o r i t h m t h r o u g h n u m e r o u s s im u la tio n s in d y n a m i c e n v iro n m e n ts .

2

T h e o re tica l B ackground an d M ethodology

2 .1

A rtific ia l P o te n tia l F ie ld

P r o p o s e d by K h a t i b in 1986 [13] for single ro b o ts , n o w a d a y s A rtificial P o te n tia l

F ie ld ( A P F ) is w id ely u sed in w orks r e la te d to p a t h p l a n n i n g of b o t h single
r o b o t s a n d M R S . W h e n A P F is ap p lied, e a ch r o b o t will b e in a p o t e n t i a l field
t h a t e x e rts forces on t h e m to p re v e n t collisions a n d d riv e t h e y t o w a r d th e ir
d e s t i n a t i o n s . M a g n i t u d e s of th e p o t e n t i a l forces are c o n tin u o u s ly u p d a t e d , b a s e d


596

A.-Q. Hoang and M.-T. Pham

on in f o r m a tio n o n t h e re la tiv e p o s itio n of cach r o b o t w i t h o t h e r r o b o t s a n d
ob stacle s. A P F forces co u ld b e a t t r a c t i v e or re p ulsiv e forces. In th is research,
A P F is u s e d to keep t h e r o b o ts from collisions, so on ly rep u lsiv e forces are
g e n e r a t e d a n d t h e y e x e r t o n p a r tic le s w i t h i n t h e re pulsive re g io n of o th e rs . T h e
re p u lsiv e force b e tw e e n a p a r tic le a n d a n o t h e r p a r tic le o r a n o b s ta c le is given
by:
F APFi j = ( f m a x - k X r ị ) X ^

X ( f / ( 0) -

H{n))

(1)

r ij

W h e r e r ij is t h e d is ta n c e v e c to r fro m o b j e c t j to o b j e c t i ( r o b o t - r o b o t or ro b o to b s ta c le ), Ti j is t h e m o d u le of I'ij. Fmax is t h e m a x i m u m v alue of t h e repulsive
force. H ( x ) is H eav isid e s t e p fu n c tio n . r \ is callcd s e p a r a t i o n ra d iu s , it is th e
ra d iu s o f re p u lsiv e regio n s u r r o u n d i n g cach ro b o t. T h e s e p a r a t i o n ra d iu s m u s t
be s m a lle r t h a n se n s in g ra n g e of a r o b o t, k is n o t a c o n s t a n t , it is c a lc u la te d in

such a w a y t h a t F A P F i j is zero w h e n i = j or r = r \ . T h e t o t a l re p u lsiv e force
e x e r t e d o n I th r o b o t of t h e s y s t e m is:
N

F A P F i= y , FAPFij

(2)

3= 1

W h e r e N is t h e n u m b e r of ro b o ts . T h e i m p a c t of F / \ p p i on overall velocity
is c o n tro lle d by F max a n d k. A s F max increases, t h e p a r tic le is less likely to
a p p r o a c h o b s ta c le s. V se p a r a tio n is t h e c o m p o n e n t velocity t h a t h elp s t h e ro b o ts
to avoid m u t u a l collisions a n d collisions w ith ob stacle s. T h i s c o m p o n e n t velocity
is d e t e r m i n e d by t o t a l repu lsiv e forces on t h e s w a r m r o b o ts .

2.2

G radient-B ased Search

G r a d i e n t - b a s e d se a rc h is a n efficient m e t h o d , w h ic h is m o s t s u i t a b l e for differ­
e n tia b le , u n i - m o d a l fu n c tio n s. B o t h co n d itio n s are n o t satisfied in t h e case of
o d o r s o u rc e lo c a tio n . However, if we d ivid e t h e sea rch sp a c e in to m a n y sm all
regions, in e a ch re g io n t h e fitness fu n c tio n (o d o r c o n c e n t r a t i o n ) m a y b e u nim o d a l a n d h a v e a s m o o t h g ra d ie n t, t h e n a g r a d ie n t se a rc h is a p p lic a b le locally.
In reg io n s w h e re t h e o d o r c o n c e n t r a t i o n is t o o low a n d u n d e t e c t a b l e , t h e velocity
c o m p o n e n t r e s u lte d fro m g r a d ie n t- b a s e d se a rc h is s e t to zero.
G e n erally , t h e g r a d ie n t se a rc h is im p le m e n te d as d e s c rib e d in t h e following
formula:
P t +1 = P i +

a.v/(pt)

(3)

W h e re Pf re p r e s e n ts t h e sp a c e c o o r d in a te s a t t im e t, a is a p o s itiv e c o n s t a n t . In
th e ca s e s w h e re t h e fu n c tio n f is n o t a n a ly tic a lly k n o w n (as in th is a p p lic a tio n ,
w here t h e sc a rc h s p a c c is u n k n o w n ), t h e g r a d ie n t c a n be e m p iric a lly e s tim a te d .
Vffrad is d efin e d as t h e c o m p o n e n t v elo city t h a t g u id es e a ch r o b o t to w a r d s
th e d i r e c t io n of g r a d ie n t v e c to r a t its p o sitio n . In t h e p r o p o s e d a lg o rith m , to
o b ta in t h e i m m e d ia t e g r a d ie n t v e c to r for a r o b o t, first, t h e o d o r c o n c e n t r a t i o n
a t p o s i t io n s of all r o b o t s are g a th e r e d . T h a t d a t a are t h e n u s e d to g e n e r a te d


Swarm Intelligence-Based Approach

597

an i n t e r p o l a t e d fu n c tio n . T h e i m m e d ia t e g r a d ie n t v c c to r a t t h e p o s itio n of cach
r o b o t is o b t a i n e d u sin g c e n tr a l difference m e t h o d .
2 .3

U tiliz in g W in d In fo rm a tio n

A l t h o u g h t h e o d o r p lu m e s m a y be i n t e r m i t t e n t a n d m e a n d e rin g , a t a n y given
t i m e a r o b o t w i t h i n t h e p lu m e co u ld get closer to t h e sou rc e by m o v in g u pw in d.
T h i s d o e s n o t h o ld t r u e for all r o b o ts b ec a u se o u ts id e of t h e p lu m e s t h e r e m ay
be c i r c u l a t io n s of air, w h ic h le a d t o now here; besides, a r o b o t m a y also h a p p e n
t o s t a y u p w i n d of t h e source. W e m a k e use of th is p r o p e r t y a n d a d d a n u p w in d
velocity, n a m e l y v uw , to t h e t o t a l velocity of a r o b o t. If a r o b o t is in t h e p lu m e
t r a v e r s a l p h a s e , th is c o m p o n e n t velocity is d ire c tly o p p o s ite to t h e w in d a t its

p o s itio n , w i t h t h e m a g n i t u d e b e in g p ro p o r ti o n a l to w i n d velocity; o th erw ise , th is
v e lo c ity is zero.

F ig . 1 . Scenario 1 with odor concentration m ap and wind velocity

2.4

T h e P ro p o s e d A lg o rith m

T h i s s u b s e c tio n c o n ta in s a b rie f i n t r o d u c t i o n to P S O a n d a d e ta ile d e x p l a n a t io n
of t h e p r o p o s e d a lg o rith m .
P S O is a s t o c h a s t i c h c u ris tic a n d o p t i m i z a t io n a l g o r i t h m t h a t en a b le s a
s w a r m o f h o m o g e n e o u s p a r tic le s to collectively e x p lo re a sp a c e for t h e b e s t solu­
tio n . E a c h s o lu tio n is re p re s e n te d by a p o i n t (p o s itio n ) in a m u lti-d im e n s io n a l
s o lu tio n space. P a r tic le s c o n tin u o u s ly m ove t o w a r d b e t t e r s o lu tio n s by a n in tel­
lig e n t m e c h a n is m in s p ire d by n a t u r a l s w a rm b e h a v io r, in w h ich t h e i r velocity is