董如梦

摘要：我国关于环境噪声监测的工作距今已开展多年，但收效不佳，因目前该项工作的主要内容依旧是以人工监测为主，科技技术为辅的形式展开。缺乏创新，用来监测的技术更新速度也相对缓慢。在此趋势下，想到将分布式人工智能技术结合到环境噪声监测系统中来。利用MAS对复杂系统问题强大的求解能力，建立出基于MAS的环境噪声监测系统，构造BDI模型，拓展混合的Agent结构，将传统的不具备自治能力的噪声监测系统转变为低耦合高内聚同时拥有具有自我管制学习能力的MAS监测系统，使监测系统具备良好的可靠性、可扩展性和稳定性，完善了噪声监测决策库，提高了监测管理水平。

关键词：MAS；噪声检测；BDI模型；Agent

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）12-0232-03

Abstract：Work on environmental noise monitoring in our country have carried out many years ago， but the result is not good， because at present the main content of the work is still given priority to manual monitoring ， science and technology is complementary form. Lack of innovation， which is used to monitor technology update speed is relatively slow. Under this trend， the thought of combination of distributed artificial intelligence technology to the environmental noise monitoring system. For complex system based on MAS strong problem solving ability， establish the environmental noise monitoring system based on MAS， BDI model structure， expanding Agent structure of hybrid， the traditional noise monitoring system does not have autonomy ability into low coupling and high cohesion with MAS monitoring system with self regulation of learning ability， make the monitoring system has good reliability， expansibility and stability， improve the noise monitoring decision library， improve the level of the monitoring and control.

Key words：MAS；noise monitoring；BDI model；Agent

在人们的生活中噪声污染作为一种无形污染，无处不在且影响愈加恶劣【1】。导致这种现象的原因主要体现在：缺乏专业的监测技术人员、公众对噪声工作不够注重、监测方面的专业技术体系也不健全等方面。环保监测人员须向群众公布噪声污染的分析数据，并提出相应的解决措施【2】。因此，本文将结合实际，提出基于MAS（Multi Agent System）的理念，来设计噪声监测系统。MAS系统中的各Agent相互协同、互相服务从而共同完成一个任务【2】，其解决复杂问题的能力远超于单个Agent。MAS是动态的系统组织，每个Agent可以根据实际需求随时加入或退出系统，系统中各Agent是相互平等且都拥有不完全的信息和问题求解能力，无全局控制，分布式处理数据，计算行为可是异步或并行的【3】。在MAS中Agent不但可以对外界施加动作。而且，还可通过外界的反馈重新评估自己【4】。

1 系统模型设计原则

MAS目标就是把一个较复杂的系统根据功能分解成若干个便于管理的子系统，这些子系统之间彼此通信、相互协作，通过交互实现信息、知识和功能等共享【5】，由此降低复杂系统成分组织的难度，使其实现起来方便易懂。

系统设计原则：

1）因传感器获取的信息种类具有多样性，故系统需具备较高的可靠性、容错性。

2）为实现系统的通用性、便易性，要求数据接口都标准化。

3）为了方便人员使用和维护，要求系统具有友好简洁便于操作的人机交互界面。

4）充分考虑用户以后的潜在需求，系统模块需具备可扩展性，方便用户进一步添加功能模块。

2 系统模型建立及说明

在充分考虑系统构建原则的基础上，基于MAS的环境噪声监测系统建模可以分为两个阶段：一，明确划分各Agent角色。设计出系统基于Agent的结构模型。在创建模型过程中，体现出各类Agent通信和交互的过程，同时也明确各Agent的任务、功能及其之间相互合作关系。二，明确该系统的需求分析，确定系统要实现的功能，从而构建出系统结构模型并达到系统需实现的总目标。

2.1系统模型建立

建立系统模型时采用的是Agent分层体系架构。位于不同层面上的Agent它们角色各不相同，需要面对的问题特征也不同，展现的功能和完成的任务也不尽相同。彼此之间通过管控Agent和通信Agent进行通信和协调，实现信息融合和友好交互，使得整个系统有条不紊的运行起来。通过人机交互，提供给用户准确有效的决策结果。按功能主要划分为以下四种Agent：通信Agent、数据采集Agent、判断Agent及管控Agent。噪声监测系统结构模型如图1所示。

2.2 系统模型说明

数据采集Agent负责收集事先布置在环境中的传感器采集到的信息并对信息进行融合预处理，同时以无线的方式传送到具有数据融合能力的路由节点。路由节点根据多种数据融合算法对获取的多元信息进行融合，后将这些数据传送到判断Agent，同时路由节点也接受来自判断Agent发出的控制命令并将其转发到数据采集Agent。

判断Agent负责将采集到的数据进行分析，判断属于何种类型的噪声污染，并将信息传送到管控Agent，同时数据采集Agent的加入，并与加入网络的设备进行通信，判断是否收到数据，同时检查接收到的数据格式是否符合系统标准，查看后满足条件的就予以接收。监测串行端口是否接收到数据，如果有，就进行数据采集，并传送到服务器； 没有就执行别的任务，直到有数据需要采集再执行采集信息任务。判断Agent还担任向数据采集Agent发送控制信号，控制其行为。

通信Agent用于协调不同层次Agent之间行为的交互，共享各自目的任务，知道实现同一目标或得到完成任务所需要的援助。

管控Agent是对判断Agent传来的数据分析后得出结果，与知识库里已存在的知识进行比对，绘制噪声地图分析出最佳决策，供用户使用。分析后的结果作为一个事例，增加到知识库里，为以后分析比对工作提供数据支持。

3 噪声监测系统BDI模型设计

一个或一组Agent在结构上可被理解成具有信念、期望和意图（Beliefs Desires And Intentions简称BDI）的具有类生命的意识系统【6】。噪声监测系统BDI模型的图形说明及依赖关系如图2所示。

3.1判断Agent模型设计

环境中噪声的数字信号信息来源于环境噪声测量仪和传感器通过多种程序处理所得。在分析判断噪声过程中，判断Agent将按照噪声来源类型设置多种类型判断子Agent，比如：交通噪声判断Agent、工业噪声判断Agent、建筑施工噪声判断Agent以及社会生活噪声判断Agent。判断Agent的硬件构造是大同小异的，只是会根据不同的区域特征所使用的推理原则和决策知识库有些微不同。

以交通噪声判断Agent为例来阐释判断Agent的BDI模型，交通噪声判断Agent的BDI模型如图3所示。

交通噪声判断Agent的硬性目标是判断数据中来源于交通的噪声，该判断Agent的数据资源具备本地噪声数据库、噪声模型。通过本地噪声数据处理、数据分析、协作来明确交通噪声目标来源。

1）噪声分析

参考噪声信号、匹配噪声模型，与其他Agent交互通信反馈，得出结果，提供给噪声分析。

2）本地噪声数据处理

每当出现一次噪声判断任务失败时，就把本次判断的处理结果录入本地噪声数据库中。新的判断来临时，需要事先匹配本地噪声数据库，如果尚未匹配成功就对噪声进行判断。同时也更新本地噪声数据库为日后本地噪声处理提供支持依据。

3）协作

当交通噪声判断Agent需要向其他Agent协作时，先发出协作请求寻找能够给自己提供帮助的Agent，然后向管控Agent提出申请，请求目标Agent的功能和地址，通过通信端口与目的Agent建立起连接。协作完成后，将本次通信记录录入到本地通讯录，使得互相帮助过的Agent在今后再需协作时可以不向管控Agent提出申请而直接进行，更加方便快捷。

3.2数据采集Agent

了解不同设备的数据来源，数据采集Agent的BDI 模型设计如图4所示。

数据采集Agent的硬性目标就是对采集到的数据分发到需要的Agent处，比如将噪声数据传送至判断Agent等。通过从传感器接收数据、数据准备以及分发数据等帮助达到硬性目标。数据采集Agent搜索数据信息后，读取实时数据文件来获取数据信息。

数据准备就是对接收到的数据进行加工，包括数据格式的整理和数据分类：数据格式整理里含有更正错误数据与确定缺省数据；数据分类则由拓扑数据、保护数据来完成。数据经过这两阶段处理后筛选出可读性相对高的优质数据。

数据采集Agent需要协助时，会向管控Agent发送请求，觅得相关接收数据的Agent列表，这是个反馈过程，寻找的同时Agent会不断增加来往者信息。当需要发送数据时，必须找到接收数据的Agent地址和相应的Agent端口，后与其建立连接桥梁，递交数据。

正因为数据采集Agent是保障判断行为正常执行的关键，所以它很可能成为整个系统的瓶颈所在。一旦数据采集Agent未响应或意外退出，系统就不能获取实时数据，进而整个系统瘫痪。因此，在设计系统的过程中，一般考虑采用备用Agent，在数据采集Agent出现意外时，备用的Agent就会继续接手执行实时任务。备用Agent有着和数据采集Agent相似的结构类型，因为所需完成的目标任务相同，它不定时的向管控Agent查询数据采集Agent是否在很好运行。一旦反馈的是数据采集Agent未正常工作信号时，备用Agent就立刻向管控Agent提出申请，请求能接管数据采集Agent后续工作，请求同意后，就正式接管任务。

3.3管控Agent模块设计

管控Agent是整个系统能正常运行的关键，主要担任MAS系统里各子Agent的功能管理、任务调配以及协调判断。管控Agent的BDI模型设计如图5所示。

管控Agent的硬性目标是实现各Agent任务功能之间的交互，通过检测通信Agent提交的信号信息、提供判断Agent的分配列表、给通信Agent下达启动判断Agent的命令来实现交互。管控Agent同时还和通信Agent及判断Agent交互沟通。

1）检测通信Agent传来的信息

管控Agent能够监测通信端口，通过查询发来的消息队列中有无噪声数据消息来判定是否需要启动端口发送触发信号。比如收到数据采集Agent的噪声数据，则命令数据采集Agent执行数据分发任务，否则返回不执行判断的结果，同时将反馈结果转发给管控Agent。

2）列出判断Agent分配列表

根据噪声分类来查询对应噪声类型、匹配相应的噪声模型，通过利用判断子Agent的列表来锁定目标Agent列表。

3）向通信Agent发送启动判断Agent消息

通过通信Agent来启动判断Agent执行任务，并发送数据采集Agent获取到的噪声数据类型以及噪声特征给判断Agent，让其分析处理，同时提供目标判断子Agent列表和对应Agent的端口和地址。

4 结束语

本文设计了一种基于MAS的噪声监测系统，实现了对噪声的实时监控，即使工作人员不在，也了解监测点周围环境的噪声情况，对遇到的噪声超标情况，提供合理决策，为监测噪声污染提供了一个便捷的手段。使用该系统可以实时地采集环境中噪声数据同时锁定噪声来源，且系统操作简单，准确精细，可移动性强，是以往的噪声监测系统巨大的飞跃。以后，伴随着无线技术和人工智能技术的发展，智能传感器也将向多自主体传感器网络迈进。

参考文献：

[1]韩坤.基于物联网的城市环境噪声监控系统的设计与应用[M].商业现代化，2011（1）.

[2]Cao Hai-qing，Wang Yu.The Design of Violation Vehicle Management System Based on MAS Cooperation，Computer Science and Automation Engineering（CSAE），2011 IEEE International Conference on，2011，457-462

[3]Nardini E，Omicini A，Viroli M.General-Purpose Coordination Abstractions for Managing Interaction in MAS，Web Intelligence and Intelligent Agent Technologies， 2009. IEEE/WIC/ACM International Joint Conferences on，2009： 50-506.

[4]Yongjing He， Wei Wang，X. Wu， et al.An overview of applications of MAS in smart distribution network with DG，Future Energy Electronics Conference （IFEEC）， 2015 IEEE 2nd International，2015， 1 – 5.

[5]宋阳.基于MAS声发射信号评价技术研究[D].大庆：东北石油大学，2014.

[6]李佳奇，党建武.基于MAS电务故障诊断模型的研究[J].铁道学报， 2O13，35（2）.