基于人工物理法的多智能体协同控制

 对多智能体的协同控制和队形重构技术进行研究,采用人工物理法完成多智能体的队形建立与队形保持。人工物理法是一种分布式的控制方法,对传感器信息和通信的依赖程度较低,并可以很好地移植到大规模系统中。人工物理法通过设定虚拟的物理力,完成机器人速度和方向信息的解算,并用这些信息进行实时控制。同时为保证在障碍物区域内的智能体避障,采用沿墙跟踪策略,设计双输入、单输出的模糊控制器实现智能体的避障。为克服多模态运动的转换瞬态,利用四点平滑抑制模态转换瞬态。通过传感器探测外界环境,获得相关环境信息并确定障碍物的位置,由此依据判决条件完成多智能体控制的模态转换,进行队形重构。通过复杂环境中的数学仿真及多智能体协同控制的实验验证,表明该系统具有良好的鲁棒性和适应性。     

基于实用推理的多智能体协作强化学习算法

针对将单AgentQ-学习协作算法直接扩展到多Agent系统会导致状态-动作对集合的急剧膨胀、从而影响多Agent的协作学习速度的问题,提出了基于实用推理的多Agent协作强化学习算法.在实用推理框架下,首先在慎思过程中通过考虑群体意图来确定单个Agent的子意图;然后,在手段-目的推理过程中采用Q-学习算法得出实现子意图的最优策略,从而实现群体意图.在Q-学习算法中,各Agent只需考虑自身的状态-动作的值函数更新,对其他Agent值函数的更新可以不加考虑,从而大大降低了算法的空间复杂度,提高了学习速度.追捕问题的仿真实验结果验证了算法的有效性.     

基于改进熟人模型的多智能体协作

对RoboCup3D智能体仿真系统内的多智能体协作问题进行了研究和分析,并针对RoboCup3D具体的系统特性,提出了改进熟人模型来解决多机器人协作问题,通过对智能体的熟人类型进行分类,对系统目标最关键的信息进行求解,降低通讯和计算开销,给出了熟人评价体系及策略触发方式,使之能够应用在层次化的整体策略框架。在RoboCup3D仿真平台中对改进熟人模型进行了测试。     

基于优先级经验回放的SAC强化学习算法

针对SAC(Soft Actor Critic)算法中所有样本都以等概率随机采样,造成训练速度慢,训练过程不稳定的缺点,提出了PER(Prioritized Experience Replay)-SAC算法.通过将优先级经验采样引入SAC算法,使网络优先训练值估计函数误差较大和策略表现不好的样本,从而提高了Agent训练过程的稳定性与收敛速度.实验结果表明,在多个环境及优化算法下,PER-SAC算法在训练速度及稳定性上相比于SAC算法均有明显提升.     

一个基于角色的动态多智能体协作模型RBDMAS

提出了一个新的多智能体协作模型-基于角色的动态多智能体协作模型(Role Based Dynamic Multi-agent System,RBDMAS).该模型将角色的概念引入到多智能体协作模型中,利用在各智能体中设立角色信息库,动态地实现了多智能体的协作.最后,RoboCup 仿真验证了该模型的有效性.     

基于多智能体协作思想的数据加密传输模式

为了缓解由丁数据集中给数据中心带来的压力，提出了一种基于多智能体协作思想的数据加密传输模式，利用黑板模型结构来解决多全塞全服务器的协调问题，采用循环优先级方法来解决其通讯问题。     

多智能体系统智能体协作层的设计与实现

提出了一种多智能体系统及智能体的框架结构，描述了该多智能体系统智能体协作层的设计与实现，为面向工业应用的多智能体系统开发环境的研制提供了基础。     

动态环境下多智能体协作学习方法的研究

将预测分析技术和强化学习技术有机结合,使多Agent系统中的各Agent,不仅具有了高度反应自适应性,而且拥有了高效而准确的预测分析能力;使Agent的行为更具有针对性,尽可能地减少错误,保证学习的正确方向,提高Agent间进行信息共享,融合单个Agent的Q值表.相当于相同情况下增加了学习次数,不仅尽可能地消除策略中的冗余动作,以高效的方式实现最终目标,而且提高多Agent系统执行效率和收敛速度及性能.本文提出了一种改进的多Agent间协作学习方法,适用于环境不完备的复杂情况.以追捕问题作为仿真实验.结果表明所提方法能够有效地促进多智能体系统中各Agent间协作学习能力.     

双船联合举升多体协同作业系统横摇稳性评估

基于ADAMS平台,构建特定场景双船联合举升多体协同作业系统虚拟样机,对新型一体化拆解作业双船联合举升过程中待拆除组块横摇稳性进行预测与评估。构建了该系统拓扑模型,使用几何参数描述系统中上部组块横摇运动特征;通过虚拟样机仿真探究了双船不同耦合运动情况时上部组块最危险失稳状态,并分析了上部组块重心至连接点连线垂直距离与水平距离比值对横摇角度的影响规律。结果表明:物理模型试验数据驱动的虚拟样机技术可以有效评估该系统运动特征,与几何拓扑模型得到的上部组块横摇失稳角度理论公式计算结果吻合;双船同相位横摇与反相位垂荡耦合运动时对上部组块横摇稳性影响最大;待拆除上部组块横摇失稳时的极限纵横比可以作为复杂多体系统横摇稳性评估参数,为实际工程方案选择提供参考。     

基于多传感器的智能出租车设备和算法

基于多传感器的智能设备对出租车当前的车辆信息和乘客状态进行检测,并利用后端服务器中的智能调度算法分配出租车.该装置通过出租车上的GPS模块、GPRS模块、单片机控制模块等来实现,其中单片机控制模块通过GPRS模块将GPS模块的信息发送到后端服务器,完成对出租车的监控.调度管理系统的调度算法分析用户对出租汽车的请求信息,计算最接近用户的负荷,发送出租汽车调度指令,完成出租汽车调度.试验分析表明,提出的智能出租车调度管理系统具有较高的效率,能够有效提升出租车运营效率.     

基于多Agent系统的智能路由选择算法

路由选择是计算机网络的关键技术之一，其优劣直接影响着网络的服务质量和网络资源的负载平衡程度．中针对多Agent系统的特点和目前路由选择算法的不足，提出了基于多Agent系统的智能路由算法，该算法不仅有智能决策能力，而且有良好的分布特性．     

基于CAFSC算法的航空发动机多管路智能布局

针对航空发动机多管路布局问题,运用协同进化的思想,结合混沌人工鱼群算法,提出了基于混沌人工鱼群协同进化算法的航空发动机多管路智能布局方法.该方法将每个管路对应一个种群,一方面采用混沌人工鱼群算法使各物种在自己的种群中进行独立进化,另一方面采用合作型协同进化方法对由选取的代表构成的系统模型进行进化以使多管路布局达到全局最优.该算法不仅避免了在管路增多情况下的组合爆炸现象,而且不用考虑布局顺序从整体上优化管路布局.     

基于蚁群算法的多智能体模拟城市用地扩张

本文把蚁群算法引入到多智能体（Multi Agents,MAS）模型中来模拟城市演变过程。智能体(Agent)在元胞自动机（Cellular automata ,CA）确定城市发展概率的基础上,通过蚁群算法来寻找最大效用值的元胞地块,建立一个能模拟多个自然因素以及不同决策者共同影响的城市用地扩张模拟系统。实验表明,引入蚁群算法的模型能更好地模拟了城市演变过程。     

基于包围圆的多智能体绕行算法研究

探讨了基于包围圆的多智能体碰撞检测和绕行算法.在绕行中避免智能体重叠方面,依据两圆之间位置关系与接近和远离的检测,提出了改进的前向预防碰撞检测方法,提升了数值健壮性.在智能体间的绕行方面,提出了在总体时间复杂度为O(n2)时,对单个智能体和多个智能体的绕行算法,以及对多智能体的提前绕行算法.实验结果表明,在总体接近目标的效果方面,多智能体绕行算法优于单智能体绕行算法,多智能体提前绕行算法优于其不提前绕行算法.     

基于局部优化的多智能体网络牵制蜂拥算法

针对现有的多智能体网络牵制蜂拥算法中网络在演化过程中可能出现“分裂”的问题,以代数连通度作为衡量网络连通的指标,提出一种基于局部优化的牵制蜂拥控制算法,以保持多智能体网络在演化过程中的全局连通性,从而保证所有智能体跟随虚拟领导者运动.该算法将局部优化策略引入牵制蜂拥控制器中,考虑网络中仅有部分智能体(称为信息智能体)具有虚拟领导者的信息,使信息智能体不断朝着其在当前时刻和下一时刻所有邻居的并集所组成网络的代数连通度最大的方向运动,以通过优化局部连通性达到提高整个网络连通性的目的.通过理论分析和仿真实验并与现有牵制蜂拥控制算法相比,进一步证明了算法可有效保持多智能体网络在演化过程中的全局连通性,且所有智能体均聚集在虚拟领导者周围更小的范围内,更能体现信息智能体在牵制蜂拥控制网络中的相对重要性.     

基于冷轧机的多智能体差分进化算法的研究

基于多智能体与差分进化算法的各自优势,提出了多智能体差分进化算法.实验结果表明,该算法具有很强的全局寻优能力及快速搜索能力.基于冷轧机的控制,采用多智能体差分进化算法优化冷轧机的PID参数,比一般优化算法优化的冷轧机控制系统的响应速度要快很多.     

基于广度优先搜索的扫描线填充算法

基于深度优先搜索的思想从填充时间上提出了扫描线填充算法的改进,进一步从存储空间上改进算法,与传统的扫描线填充算法相比较,改进算法的填充速度得到很大提高.     

基于BP网络的同面多电极技术图像重构算法

为实现同面多电极技术对飞机用复合材料损伤区域和大小的识别,采用BP神经网络算法建立采样电容值与检测区域介电常数分布的非线性映射,利用输出灰度值实现损伤区域的图像重构.利用主元分析法对输入电容值进行降维处理.采用自适应调整学习率与动量因子方法加快了BP网络训练的收敛速度.仿真结果表明,该算法重构的损伤区域图像成像速度较快,准确度满足实现同面多电极技术对复合材料损伤区域大小和位置识别的要求.     

基于广度优先搜索的扫描线填充算法

基于深度优先搜索的思想从填充时间上提出了扫描线填充算法的改进，进一步从存储空间上改进算法，与传统的扫描线填充算法相比较，改进算法的填充速度得到很大提高．     

基于过滤器的K-NN深度优先查询算法

为减少数据查询的能量消耗,有效延长无线传感器网络的生存时间,提出了一种基于过滤器的K-NN深度优先查询(FKDF)算法.通过为每个节点设置过滤器来确定K-NN查询区间;利用查询节点的邻接表信息,在进行深度优先遍历时生成查询消息;基站分发查询消息,并等待查询节点返回查询结果,从而减少查询的平均跳数.仿真结果表明:与FILA设置过滤器方法和GPSR路由算法相比,FKDF算法节约了查询所需的平均跳数,能够适应网络拓扑结构的动态变化,当K值经常变化时不增加查询开销.