基于智能体的多移动机器人群集编队控制系统

群是一种普遍存在的自然现象,群集编队控制是模拟自然界中生物聚合运动的新型分散式控制方法。提出了一种基于智能体的有leader的群集控制算法。在此基础上,引入“虚拟力”的概念,运用动力学原理设计了由智能体到移动机器人的控制转化方法,并实现了一个实用化的多移动机器人群集控制系统。移动机器人群编队实验验证了该方法的有效性。     

基于群集动力学和演化博弈论的网络舆情疏导模型

互联网已经成为公共舆情传播的主要平台,网络舆情的危机疏导问题直接关系到整个社会的安全和稳定,而对网络舆情的活动进行分析是网络舆情疏导的重要前提,基于网络舆情在产生和发展过程中所呈现的群体性,本文应用群集动力学和演化博弈论的,在研究网络舆情群体流动过程和个体流动过程的基础上,构建了网络舆情疏导模型.通过使用多Agent仿真,应用所提出型,寻求在相关约束下的最佳疏导策略,证明了网络舆情疏导模型的有效性.本文的研究成果为有效解决群体危机环境网络舆情疏导问题提供理论依据.     

基于动态拓扑有领航者的智能群体群集运动控制

对具有二次积分动态的智能群体跟随领航者实现群集运动编队,提出了一个分散控制方法对智能群体进行分散控制。基于动态时变有领航者的网络拓扑,用图论模型表示智能体之间的相互作用及通信关系,运用推广的Lyapunov理论、微分包含及非平滑分析进行了稳定性分析,并得到所有智能体速度方向收敛到同一方向并与领航者保持一致;所有智能体速度大小收敛并与领航者相同;互连的智能体之间没有碰撞发生;所有智能体的人工势场函数被最小化等重要结论。给出了一个仿真实例,验证了该方法的有效性。     

基于有限记忆的智能群体的群集运动与避障控制

在全局环境未知且存在静态障碍物的情况下,将群体扩展为具有有限记忆能力的智能群体,研究了该群体的群集运动及其避障行为.模型利用智能个体记忆单元的信息实时产生动态切换的拓扑网络结构;在人工势能结合速度一致策略的基础上,采用滚动窗口方法引入虚拟领航者,利用极限环方法解决群体避障问题,实现了快速且安全的群集运动控制.仿真结果验证了该模型的有效性.     

一种新的群集智能优化及其改进研究

研究一种新的群集智能优化算法—自由搜索(FS)算法。提出了该算法的改进策略,实时调整个体的邻域搜索半径和精英保留。用典型测试函数对FS的改进算法和微粒群算法(PSO)进行对比实验,实验结果验证了算法的正确性和高效性。该算法不仅在收敛精度、收敛速度方面较PSO算法有明显的提高,而且全局搜索能力更强。     

群集性随机图中的波及效应

随机图是社会网络分析的重要工具,在Newman等对传统随机图模型的研究基础上,研究了具有群集性的随机图这一与现实社会网络更为接近的随机图模型中的波及效应。利用概率论的方法计算出群集性随机图中距离波动中心任意远的被波及对象的期望数量,利用推导出的一般公式分析了该类随机图中波及效应的特点,并考察了群集性对波及效应的影响。由分析知,每个点的平均阶是影响波及效应的最具决定性的因素。从总体上说,群集性降低了波及效应。     

群集智能特性分析及其对复杂系统研究的意义

鉴于直接以一般复杂系统为研究对象探讨其运行机制，难度太大，本文提出借助一类具体的复杂系统——具有群集智能涌现特性的生物蚁群和鸟群系统的行为规律研究，作为认识一般复杂系统运行机制的桥梁和过渡。在论述蚁群觅食、蚁群墓地构造、蚁群劳动分工和鸟群觅食这几类典型的群集智能行为的生物学原型的基础上，深入分析了群集智能的系统特征和所蕴涵的分布式、自组织和正反馈等重要特性，并给出了翔实的论述说明。进而根据文中阐述的群集智能特性，从多个方面概括总结了其对复杂系统研究的意义，包括揭示复杂系统的运行机制、促进人脑复杂性的研究、推进组织管理模式的创新和提升智能科学的发展水平。最后对群集智能目前存在的问题和今后有待研究的课题进行了总结和展望。     

基于信息素反应的群体觅食行为研究

群集智能在没有集中控制、不提供全局模型的前提下,为寻找复杂问题的解决方法提供了新的思路.基于群集智能的思想,针对群体系统的协作觅食任务,引入多种可以反应的信息素,提出了一种信息素反应的群体觅食方法.以计算机仿真实验为手段,在给出了个体有限状态机的控制结构下,并以任务完成时间为性能指标进行了单食物源和双食物源下的觅食实验.结果表明该方法可以减少个体之间的冲突,有效的提高系统性能.     

具有干扰的多自主体系统的群集运动与速度同步

针对具有干扰的二阶多自主体系统,提出了一种应用个体局部信息的分布式控制协议,给出了具有领航者的自主群体在受到外界干扰时取得群集运动与速度同步的充分条件。首先,对自主体设计一个干扰观测器。然后,基于观测器设计分布式控制协议,保证了具有领航者的自主群体能够取得群集运动与速度同步。最后通过例子进行仿真,结果表明结论的有效性。     

受拟态物理学启发的全局优化算法

受拟态物理学方法的启发,就物理个体与理想粒子的特征异同,建立了拟态物理学方法与基于种群的优化算法的映射关系;通过设计个体质量为用户定义的其适应值函数、制定个体之间的引/斥力规则,利用牛顿万有引力定律定义个体之间的虚拟作用力,设计出一种求解全局优化问题的拟态物理学优化算法框架;构造和测试凸曲线、直线和凹曲线这三种曲线质量函数对算法性能的影响,结果表明了具有凹曲线质量函数的算法性能较好;同时,通过与四种典型优化算法的性能比较,说明该算法是有效的.     

基于蚁群算法的群机器人自组织聚集行为建模

针对群机器人聚集行为模式的形成,建立了基于质点系力学系统、以及感知状态加权的自组织运动模型,实现了机器人运动状态的自主转移。建立了关于聚集行为的聚集度、均匀度等评价指标,通过实验分析比较不同模型的聚集性能,为群机器人自组织聚集行为模式的形成奠定了基础。使用分析选定的模型,对有边界约束和无边界约束2种情况进行了自组织聚集行为仿真试验,实现了不同群体规模的最大范围的有效覆盖感知,验证了模型的正确性。     

粒子群算法稳定性的参数选择策略分析

在对标准粒子群算法位置期望及位置方差进行稳定性分析的基础上,研究加速因子的取值对位置期望及位置方差的影响.从提高系统稳定性的角度考虑,建议个体认知加速因子为1.85,社会认知加速因子为2,通过五个经典测试函数与Kennedy提出的设定两个加速因子均为2的建议做比较.大量实验统计结果表明对于同一种算法本文建议的参数设置在寻优速度和方差上均优于Kennedy提出的参数设置,更有利于工程应用.     

基于粒子群的状态反馈控制特征向量的配置

状态反馈控制特征结构的配置分为特征值的配置和特征向量的配置,在特征值已经确定的情况下,特征向量矩阵的条件数对于系统鲁棒稳定性有着直接的影响.因此以减小特征向量矩阵的条件数为直接目的对特征向量进行配置,是提高系统鲁棒稳定性的最直接的办法.由于在状态反馈控制中特征向量的配置存在自由度,因此以特征向量矩阵的条件数为适应度函数,采用粒子群算法进行优化.同时针对粒子群算法中存在的后期收敛速度慢,搜索精度不高,并可能陷入局部极值的缺陷,对粒子浓度进行调节以保持粒子的多样性,防止算法陷入局部极值.同时建立优秀粒子记忆库,克服粒子群算法后期收敛速度慢的缺点.最后通过实例将改进后的粒子群算法与其它算法进行了比较,验证了本算法对于减小特征向量矩阵的条件数和提高系统鲁棒稳定性的优越性.     

一种基于专家模糊偏好集结的群决策方法

本文分析了群决策的特性,提出一个以决策群体的模糊偏好集结为基础的求解群决策问题的方法,建立了方法的数学模型,并通过例子对方法的使用做了说明。     

一种基于分子动理论的改进粒子群优化算法

提出了一种新颖的基于分子动理论的粒子群优化算法(MMY-PSO).类比于物理学中质心的概念本文定义了群质心,MMT-PSO把种群中的每个粒子类比成分子,根据粒子与种群目前的质心之间的距离远近,粒子与质心间的分子作用力控制粒子的飞行方向以决定其是朝着群质心的方向飞行还是远离它,从而有效地协调了种群的多样性,使算法能够有效地平衡全局和局部搜索.通过解决典型的多峰、高维函数优化问题来证实算法的有效性,实验结果表明MMT-PSO比标准PSO具有更高的性能.     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

基于群体智能的基础矩阵估计算法

为了降低噪声和误匹配点对基础矩阵估计算法的影响,提出了一种基于群体智能的基础矩阵估计算法。该算法首先采用归一化8点法估计出基础矩阵的初值,再利用该基础矩阵计算每个匹配点的估计余差,对匹配点的估计余差进行基于群体智能的聚类,并剔除错误匹配点,最后,使用正确的匹配点重新计算基础矩阵。实验结果表明,该算法能有效的检测和删除误匹配点,提高基础矩阵估计的鲁棒性和精度。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

基于Metropolis准则的微粒群算法

通过对微粒群算法的分析,指出其早熟收敛的原因,并提出利用Metropolis准则更新微粒的个体经验位置,从而增强了算法的全局探索能力。该算法也可以认为是模拟退火算法中利用微粒群算法的进化公式作为一种新的状态产生函数。通过理论分析阐明了该算法以概率1收敛于全局最优解。实例仿真验证了其有效性。     

基于信息扩散机制的双子群粒子群优化算法

针对粒子群算法在多峰、高维函数的全局优化中易陷入局部极值的问题,在分析算法早熟收敛原因的基础上,提出一种基于信息扩散和多样性反馈机制的双子群粒子群优化算法。算法将粒子群划分力两纽搜紊方向相反的主、辅子群协同进化,通过引入信总扩散函数,根据不同粒子的位置及相应适应值与当前群体最佳位置和最佳适应值的关系,控制粒子变尺度向群体当万矿最佳位置移动,岁倦于多样性反馈机制动态调节惯性权重和分配主、辅子群的粒子数量。对基准函数的仿真优化结果表明,改进算法与其他PSO改进算法相比,具有抑制早熟、收敛速度快、求解精度高的特点。