考虑能耗的混流装配线物料配送多目标调度方法

为了提高混流装配线物料配送的能源利用效率,考虑采用“转运”概念的送料机器人和线边集成超市配送模式,构建了存在换电情形的物料供应模型.结合送料机器人的能耗特点,以最小化送料机器人的使用数量和配送能耗为优化目标,建立了数学模型.在此基础上提出了变邻域搜索策略的改进型离散差分进化算法(VNS-MDDE),用以解决多目标优化问题;该算法以最近邻启发式方法构建初始解,并引入变邻域策略进行局部搜索以提高解的质量.最后通过仿真实验验证了算法的可行性和有效性.     

基于离散事件系统的多机器人协调搜索控制研究

基于单机器人的局限性,提出了一种基于离散事件系统的多机器人协调搜索控制方法,并将此方法应用于多机器人在多房问的扫雷过程。通过理论分析,验证了基于自动机的离散事件系统这一理论应用于多机器人系统的防调搜索过程的可行性和正确性。     

基于市场机制的多机器人救火任务分配策略

为解决多机器人系统领域中动态分布式任务分配的问题,对多机器人合作救火任务进行研究。建立了多机器人动态环境下合作救火任务的模型,并针对任务特点提出了一种基于市场机制的任务分配策略。在出价公式的构造上同时考虑了距离、火势、时间等因素,符合救火任务动态任务分配的要求。并在自主开发的仿真试验平台上进行了仿真验证,对试验结果进行了分析。实验结果表明,该分配策略在不同工况下均能高效地实现多机器人救火任务中的动态分布式任务分配问题。     

聚焦爬虫爬行性能研究

爬虫作为网页搜索下载程序,其网络爬行性能决定了搜索引擎的性能和数据质量。本文通过分析聚焦爬虫的特点和网络环境,总结出三类制约爬行性能的主要问题,分别是DNS查询及缓存设置、内外部分布式爬行特点和网页URL静态与动态分配策略。结论为聚焦爬虫使用URL静态分配策略结合异步DNS查询及缓存设置,在内部分布式爬行时可有效提高网络爬行性能。     

“多机器人系统分布式协同控制”专栏征稿

<正>机器人在民用及工业生产中得到广泛的应用,是一类典型的非线性系统。过去20年,单个机器人控制及应用取得了极大成功。随着应用领域的拓展,医疗服务、军事和制造业等领域中多个机器人协同情况逐渐增多。多机器人协同不仅能够增强机器人系统的灵活性,而且能够完成单个机器人无法完成的任务。分布式协同控制能够通过网络,充分利用子系统信息,是解决多机器人系统协同的有效方法。近年来,复杂网络和多智能体的研究成为控制界的热点问题,取得了丰硕的研究成果,给多机器人系统分布式协同控制带来很     

动态障碍物环境下移动机器人路径规划

以机器人基本避障碍策略与启发式动态规划法相结合的方法，研究了在障碍物轨迹已知的动态环境中机器人的路径规划问题，根据机器人与单个障碍物可能的碰撞情况，分别提出了几种避障碍,伙子目标和相应的速度。根据这些策略，在机器人当前视窗内，将形成一个策略树，采用启发式动态规划算法，依据时间和路径费用最小原则，找出一个最优策略集，即最优子目标集，这种规划方法大大缩小于机器人子目标搜索空间。     

群机器人目标搜索中的通信模式研究

针对目标搜索过程中的群机器人协作问题,以扩展微粒群算法为建模工具和协调控制工具,比较研究同步和异步通信模式对搜索效率和系统能耗的影响。仿真结果表明,对于同等规模的群机器人系统,异步通信模式下的搜索效率比同步通信模式下高,能耗却比同步通信模式下低。因此,对于分布式协同的群机器人施加并发控制时,异步通信模式更为适合。     

自重构机器人空间重构规划策略研究

本文基于链式自重构机器人提出了一种无标号、分布式的空间重构规划策略,研究自重构机器人的构型表达和空间重构运动.首先对自重构机器人进行了拓扑的描述,然后建立坐标系,描述整个机器人的空间状态,将重构理论从构型重构拓展到空间运动规划,来处理未知非结构环境下全局检测、控制与定位问题.最后介绍了重构规划的方法,并通过Webots对五个模块的自重构机器人系统变形进行仿真,证明了上述方法的有效性和可行性.     

一种多帆器人协作围捕策略的研究

在二维受限环境中,研究多机器人对移动目标的协作围捕问题,结合追捕者与逃逸者的相对位姿,对多机器人围捕的初始状态条件进行划分,针对多机器人群体规模、速度、成功围捕条件进行讨论,并对目标机器人的逃逸策略和围捕机器人的围捕策略进行协调性动态调整,提出了采用夹角最大原则的逃逸策略,确定了迎面对角阻截与虚拟势点相结合的围捕策略。课题对分别将新提出的逃逸策略和围捕策略与原有逃逸策略和围捕策略相比较进行仿真实验,结果表明所提出的动态调整策略的有效性。     

基于改进哈里斯鹰算法的分布式电源优化配置

为解决分布式电源接入配电网进行合理规划配置的问题,在建立以网络损耗、节点电压偏差、投资综合费用为多目标函数的基础上,采用层次分析法将考虑经济性与稳定性的多目标函数转换成单目标函数,并用改进哈里斯鹰算法寻找最优的配置方案。为进一步改善哈里斯鹰算法的寻优精度与收敛速度,引入Tent混沌提高初始化种群的均匀性;将鲸鱼算法的搜索围捕方式与哈里斯鹰算法结合,增加了算法的多样性并提高了寻优精度;引入t分布策略增强全局寻优能力和求解速度。通过算例验证了采用改进哈里斯鹰算法在求解分布式电源优化配置问题中的高效性和稳定性。     

基于精英重组的混合多目标进化算法

针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性.     

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means, IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization, IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization, HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。     

一种基于改进动态联盟算法的多机器人协作捕猎方法

多机器人协作捕猎,不仅需要解决目标搜索、追赶和避障等基本问题,还需要设计最优任务分配机制,构建高效追捕联盟,以便快速地捕获猎物。综合考虑机器人和目标之间的各种相关属性,定义量化标准,构造辅助决策矩阵,建立动态联盟。然后将基于生物刺激神经网络的追赶策略用于联盟形成后的追捕过程中。仿真实验表明该算法具有较高的围捕效率。     

面向多目标搜索的群机器人任务分配研究

针对群机器人在多目标搜索过程中的协作分工问题,受黄蜂群劳动分工的启发,在黄蜂群的响应阈值模型中引入距离变量来解决群机器人多目标搜索中的任务分配问题。当机器人感知到目标信号时,机器人根据当前搜索该目标的机器人数量以及自身距群体最优位置之间的距离决定是否参与搜索该目标信号,从而实现了机器人之间针对搜索不同目标的任务分配。仿真结果表明,该方法有效可行。     

基于ProMPs和PI~2的机器人学习方法

基于传统运动基元模型的机器人学习方法存在学习速度慢、学习结果精度低等问题,为此本文提出一种融合贝叶斯估计算法的概率运动基元(ProMPs)表达和模仿学习框架,同时还利用了基于核典型相关分析(KCCA)的改进型路径积分PI~2策略进行轨迹优化。ProMPs结合贝叶斯推断,为机器人实现有别于示范任务的新任务提供了一个可行解搜索起点,而利用附加泛函指标约束的PI~2算法能让机器人获得平滑的过点轨迹。通过UR5机器人实验平台和V-REP仿真软件对本文方法进行过点试验验证,结果表明,所提出的贝叶斯ProMPs-PI~2学习方法能快速而精准地完成机器人从示范任务到陌生任务的泛化学习,实现机器人新技能的获取。     

基于混合微粒群算法的智能水下机器人模糊神经网络控制

为减少因水下机器人模糊神经网络控制器参数较多、手工调整困难及主观不确定性因素的影响,提出一种基于免疫理论和惯性权值非线性递减策略的混合微粒群算法.该算法在保持基本微粒群算法处理多峰和多维问题能力的基础上,根据粒子浓度和适应度来动态调整约束因子,同时结合惯性权值非线性递减策略来抑制算法早熟收敛,平衡全局和局部搜索能力.在与GAI、GA及基本微粒群算法的仿真比较试验中,该算法搜索到最佳近优解,且其收敛速度最快.在水下机器人仿真平台上的控制试验表明,基于混合微粒群算法的控制器性能良好,具有较强的抗海流干扰能力.仿真结果证明了该算法的可行性.     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于机器人路径规划存在的全局搜索能力差、初始化信息素少、收敛性差、寻优能力弱等问题,提出了一种多因素改进的蚁群算法。通过改变初始化信息素浓度分配、改变启发式函数、采取蚂蚁回退策略、引入蚂蚁优化排序等方法对蚁群算法进行优化。利用MATLAB软件对改进蚁群算法进行仿真和六足机器人实验。结果表明：改进后的算法在路径更优,迭代次数更少,提高了算法的鲁棒性和寻优能力。     

一种改进的基于博弈树模型的五子棋系统

通过对五子棋算法的研究,本文探讨了知识抽象、知识表示、估价函数、博弈树及搜索策略等人工智能领域的问题,并基于博弈树模型设计了一个智能五子棋系统。该系统采用多链表结构的知识表示方法记录棋局信息,可以全面地描述和分析棋局形势。最后,结合局部性原理,采取增量分析法、α-β剪枝及低层剪枝等手段加速分析和搜索效率,提高了该系统的反应速度和智能化程度。     

基于改进灰狼优化算法的区域监测机器人路径规划

为了解决大任务量作业监测中机器人路径规划问题,提出了一种区域监测的机器人路径规划算法。模拟大任务量监测真实环境进行问题建模。针对传统灰狼优化算法求解模型时全局搜索能力差且易陷入局部最优解的问题,提出了一种改进的灰狼优化算法。引入Logistic混沌映射,以加强初始化种群的多样性;引入一种控制参数的自适应调整策略,以平衡灰狼优化算法的搜索能力和开发能力;引入静态加权平均权重策略,更新种群位置,加快收敛速度。将机器人载电量与路径长度短作为约束,引入K-means算法进行任务聚类,通过改进灰狼优化算法对模型进行离线求解以规划出路径,将大任务量监测作业自动转换成分时分步作业。实验结果表明:通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高。通过50任务点与100任务点作业场景对机器人路径规划模型进行算法仿真,验证了算法的真实有效性,且任务量越大模型优越性越好,路径缩短比例越高。     

基于改进捆绑拍卖多机器人任务分配研究

为了解决多机器人在搜索过程中多任务分配和多机器人利用率问题,提出了一种带有即时拍卖的K-means聚类捆绑式拍卖算法。首先通过K-means聚类算法解决多机器人系统中的多任务捆绑问题,再运用捆绑式拍卖机制把聚类分配给相应的机器人。考虑各聚类内的任务完成情况和各机器人利用情况,相应机器人判断是否产生即时拍卖。仿真证明,该方法在多机器人搜索过程中节省资源且各机器人利用均衡。