基于免疫机理的足球机器人协作控制研究

针对Robocup中型组全自主足球机器人自主协作任务,基于人工免疫机理对机器人个体及群体体系结构进行优化,采用个体混合式体系结构与群体分布式体系提高系统性能。构建适用于比赛环境的足球机器人免疫系统模型,充分考虑模型中抗体与抗原及其他抗体间的激励和抑制作用,给出在动态环境下面临复杂协作任务时的足球机器人协调控制算法及流程,改善多足球机器人冲突的混乱局面,增强足球机器人策略行为的有效性,提高足球机器人系统的智能协作性。实验结果验证:该算法可以有效的增强足球机器人的协作能力,提高规定时间内的平均成功进功率与平均成功进球率。     

人工免疫算法在足球机器人路径规划中的应用

提出了一种人工免疫算法———基于思维进化的人工免疫算法,此算法在人工免疫的基础上吸取了思维进化算法中的优点,提出了趋同半径和异化半径的概念,能够实现算法中抗体的局部和全局求解,使得人工免疫系统和思维进化算法有机地结合起来。同时将算法应用到足球机器人的路径规划中,构建了机器人的数学模型和亲和力函数,并且给出了具体的实现步骤,取得了合理的实验结果,对算法中的一些关键操作也进行了简要的说明。     

基于敌我信息的机器人足球策略设计

机器人足球是一个多智能体系统,决策子系统是机器人足球系统的核心部分.在分析机器人足球决策子系统及角色分配策略的基础上,建立了足球机器人控球能力的表达式,设置了突破敌方防守成功率的评估函数,并设计开发了一种基于敌我信息的机器人足球多智能体协作策略,以更好地掩护我方射手,避障,破坏敌方攻势,增加多智能体的灵活机动性,提高比赛的攻守效率.最后通过仿真比赛证明了该策略的有效性.     

基于双层决策模型的足球机器人决策系统

设计并实现了基于行为的足球机器人系统：主要包括基本行为器和进攻、防守模块的设计与实现。采用双层的决策系统,主动完成知识提取并确定机器人协同任务的特性,使整个系统具有智能体的特征。计算机仿真技术给机器人球队提供“学习”能力,在计算机上建立模型、开发比赛策略,反复试验后可将成功的策略移植到实际的机器人球队上进行比赛。     

粒子群优化克隆算法在交流调速系统中的应用

提出了粒子群优化克隆算法(PSOCA),算法融合了免疫系统的克隆选择机制和粒子群优化算法的进化方程,具有全局寻优的能力.PSOCA改善了抗体种群的多样性,通过有效利用抗体的历史信息以及它们的合作提高了克隆选择算法的收敛速度.在PSOCA算法的基础上,设计了PID控制器(PCA-PID),可动态调整参数以适应时变对象.运用PCA-PID控制器进行交流调速,相对于采用粒子群优化算法和克隆选择算法设计的控制器,前者有更好的控制性能.     

基于新规则足球机器人的研究

针对2008年中型组自主足球机器人比赛规则的变化,研究改进符合新规则且更加先进的足球机器人,主要在机器人的底盘转向、踢球机构、运动控制、视觉系统进行优化,特别是用先进的白点定位、卡尔曼滤波算法提高了定位精度,经过多次试验、比赛能够达到预期效果.     

足球机器人决策子系统设计

机器人足球是一个极富挑战性的高技术密集型项目,其研究内容包括智能感知、智能思维、智能学习和智能行为等方面,同时也是机器人足球比赛的竞争焦点。要在比赛中取得好成绩,不仅要有好的运动性能,还要有好的策略,这就涉及到决策对策、多机器人配合以及运动轨迹规划等问题。本文就以全自主足球机器人为例,阐述足球机器人决策子系统设计步骤。     

机器人足球决策软件系统研究与实现

在机器人足球比赛中,决策系统根据视觉系统提供的机器人位姿和足球位置信息,进行快速准确的决策,是取得胜利的关键.介绍了一套机器人足球决策软件系统的设计实现方案,采用六步推理模型,基于教组对称和按需首次计算的视觉信息预处理方法;提出基于角色的改进多参考点运动轨迹规划方法.通过实际比赛验证,达到了机器人足球比赛要求,比赛效果较好.     

基于人工免疫机理的赛场态势评估模型

伴随着足球机器人比赛水平的不断提高,对足球机器人赛场的态势做出实时、客观、准确的评估已经成为足球机器人态势评估系统亟待解决的重要问题。在已有相关的研究基础上,运用人工免疫机理对足球机器人赛场态势进行评估建模和研究,提出算法。仿真实验表明,基于人工免疫机理所建立的赛场态势评估模型与传统的态势评估模型相比较,具有实时、定量、自适应等特点;模型能够实时,量化评估赛场上的态势变化,从而为及时地提出对应的策略提供了准确而强有力的依据。     

机器人足球决策软件系统研究与实现

在机器人足球比赛中，决策系统根据视觉系统提供的机器人位姿和足球位置信息，进行快速准确的决策，是取得胜利的关键。介绍了一套机器人足球决幕软件系统的设计实现方案，采用六步推理模型，基于敷组对称和按需首次计算的视觉信息预处理方法；提出基于角色的改进多参考点运动轨迹规划方法。通过实际比赛验证，达到了机器人足球比赛要求，比赛效果较好。     

重用抗体优良片断的免疫进化算法

基于克隆选择原理与算法,通过分析具体现象阐述了改进克隆选择算法的思想来源,设计了挖掘抗体中优秀决定基因并生成记忆集、封装优秀决定基片段、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体的方法,获得了重用抗体优良片断的克隆选择算法.借鉴强度Pareto进化算法的进化框架,提出了重用抗体优良片断的免疫进化算法.该算法通过克隆选择替代选择、交叉、重组等遗传操作.在一组0/1背包问题上的测试结果表明,所提出的算法可以有效保持种群多样性,获得较高质量的Pareto非劣解集.
     

基于反思的思维进化算法

针对思维进化算法(MEA)群体多样性少,易陷入局部极值的问题,提出了能够学习并进行反思的思维进化算法,同时分析了该算法的机制。设计利用子群体的线性组合实现信息共享,通过适应度值的比较进行反思,运用进化历史最优值控制异化策略,提高了搜索速度,保证了种群的多样性,使得收敛速度和全局收敛性均达到较好平衡。测试函数寻优验证了算法的可行性和高效性。     

Adaptive Immune Evolutionary Algorithms Based on Immune Network Regulatory Mechanism

Based on immune network regulatory mechanism, a new adaptive immune evolutionary algorithm （AIEA） is proposed to improve the performance of genetic algorithms （GA） in this paper. AIEA adopts novel selection operation according to the stimulation level of each antibody. A memory base for good antibodies is devised simultaneously to raise the convergent rapidity of the algorithm and adaptive adjusting strategy of antibody population is used for preventing the loss of the population adversity. The experiments show AIEA has better convergence performance than standard genetic algorithm and is capable of maintaining the adversity of the population and solving function optimization problems in an efficient and reliable way.     

A novel quantum-inspired immune clonal algorithm with the evolutionary game approach

The quantum-inspired immune clonal algorithm (QICA) is a rising intelligence algorithm. Based on evolutionary game theory and QICA, a quantum-inspired immune algorithm embedded with evolutionary game (EGQICA) is proposed to solve combination optimization problems. In this paper, we map the quantum antibody’s finding the optimal solution to player’s pursuing maximum utility by choosing strategies in evolutionary games. Replicator dynamics is used to model the behavior of the quantum antibody and the memory mechanism is also introduced in this work. Experimental results indicate that the proposed approach maintains a good diversity and achieves superior performance.     

基于量子的免疫进化算法及收敛性

分析和探讨了量子计算的特点及免疫进化机制,并结合免疫系统的动力学模型和免疫细胞在自我进化中的亲和度成熟机理,提出了一种基于量子计算的免疫进化算法。该算法使用量子比特表达染色体,通过免疫克隆、记忆细胞产生和抗体相似性抑制等进化机制可最终找出最优解,它比传统的量子进化算法具有更好的种群多样性、更快的收敛速度和全局寻优能力。在此不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

思维进化算法的收敛性研究

依据自然遗传机制的本质,从分形的角度出发,通过引入自相似度量因子对思维进化算法作了改进。利用分形数学理论证明了思维进化算法在最优解搜寻过程中存在自相似性。利用压缩映射原理进一步研究了算法在自相似下的收敛性,指出在满足收敛性的同时,可通过引进自相似度量因子来离线估计收敛的快速性,并可利用自相似度量因子和离线收敛速度的关系来改进算法,以避免陷入局部极小解。     

基于人工免疫的N最短路径检索算法

求解N最短路径检索问题的传统算法通常比较复杂,计算量较大,针对这个问题提出了一种基于人工免疫的求解算法。借鉴免疫系统的抗体多样性机制、克隆选择、高频变异、免疫记忆以及蚁群算法的信息反馈等原理,通过抗体种群的免疫进化实现对N最短路径检索问题的求解。在多个测试图上与传统Yen方法和基于Dijkstra的方法进行了对比实验,结果表明该算法能以较高的成功率正确地求得全局最优路径集,对图的尺寸和结构以及待求路径数量较不敏感,而且具有很好的时间性能。