分层法求最小权值强规划解

在不确定规划领域中,以往对强规划解的研究侧重于解本身,很少考虑不确定转移系统执行动作所需的代价;而已有的研究最小权值强规划解的算法效率不高。针对这一问题,引入模型检测的强规划分层方法,设计了一种快速求解最小权值强规划解的算法。该算法首先将不确定规划问题中的状态进行强规划分层,然后利用分层信息反向搜索最小权值强规划解;且在搜索的过程中,根据算法策略,实时更新所需搜索层数的上界和下界,从而避免了大量的无用搜索,提高了搜索效率。实验表明:所设计的算法能快速求解出最小权值强规划解,求解效率比已有的直接求解最小权值强规划解的算法高;且分层数和动作数越大,优势越明显。     

蚁群算法在机器人路径规划中的应用研究

针对传统机器人路径规划方法无法保证寻找全局最优路径的问题,本文提出了一种基于蚁群算法求解机器人路径规划的方法.在此基础上构建了移动机器人路径规划模型,并通过Visual C 6.0进行仿真.结果表明该算法能够在动态和静态环境中迅速找到机器人的最优路径,与基于遗传算法的路径规划方法相比具有较大的优势.     

利用蚁群算法求解机器人路径规划问题

本文利用蚁群算法的求解思想,对机器人路径规划问题进行了详细的分析,设计了一种用于求解机器人路径规划问题的蚁群算法。通过仿真实验与文献中的算法进行了比较,结果表明该算法得到的最优解要优于文献中的算法,进而证明了该算法在求解机器人路径规划问题的可行性。     

一种求解最小权值强规划的方法

以规划领域中的不确定状态转移系统作为研究对象,给出最小权值强规划解的概念,提出一种求最小权值强规划解的方法.该方法可以求解与动作代价相关的数值规划问题,在不确定状态转移系统的执行动作上增加权值来表示动作的代价,在此基础上设计求解最小权值强规划解的算法.实验结果表明,该算法能有效求解最小权值强规划解,且比用反向搜索方法求...     

全方位六足步行机器人运动规划的相对运动算法

本文提出了步行机器人运动控制算法。该方法以相对运动学原理为基础,把机体的运动规划问题转化为腿的足端轨迹规划问题,从而使步行机器人运动控制问题得到大大简化.并应用该方法对全方位三角步态算法及稳定性进行分析求解.     

不确定规划中的多Agent带权值强规化算法

在智能规划领域中,以往对不确定规划问题的研究主要集中于单个Agent,而对多Agent规划的研究则侧重于确定规划。针对该问题,提出基于多Agent的带权值不确定规划问题,对所求解的强规划解,设计使其所需动作权值总和近似最小的算法。根据基于模型检测的强规划分层方法,对每个Agent进行强规划分层,合并所有Agent的分层信息,并在合并的过程中得到同层状态之间的冲突表。在保证冲突最小的情况下,以最小动作权值优先的贪心方法,求出强规划解。实验结果表明,该算法能较快地求解出使所选择的动作权值总和近似最小的强规划解。     

分层法求强循环规划解

设计了一种求解强循环规划问题的状态分层算法。从目标状态开始,首先进行强规划分层,然后对剩余状态进行弱规划分层,并记录相应信息,最后用该信息作启发因子,在弱规划分层结果中搜索强循环规划分层。分层结束后利用分层时记录的信息可以直接得到强循环规划解。所设计的算法在求解状态动作较多的强循环规划问题时有较高的效率;且当强规划解存在时,求解效率更高,并能保证得到质量更优的强循环规划解——强规划解。实验表明,所设计的算法能够以较少的重复搜索得到强循环规划解,求解效率比反向搜索高。     

不确定规划中可达关系的快速求解算法

在不确定规划领域中,通常需要在同一个不确定状态转移系统中解决多个规划问题,如果能得到不确定规划中状态之间的可达关系即可方便求解该规划问题,然而现有矩阵乘法求解可达关系时存在算法复杂度高的问题。为此,设计一种快速求解不确定规划中状态之间可达关系的算法,将确定动作和不确定动作区分处理,先求解所有确定动作的可达关系,再采用链表和队列求解不确定动作的可达关系。实验结果表明,与矩阵乘法相比,该算法能得到更全面的可达关系,且求解效率更高。     

基于预测的足球机器人截球动作的研究

本文提出了一种改进的足球机器人截球动作的算法,该算法给出了球在摩擦力作用下的运动模型并基于线性回归预测模型对其在场地上的运动作了分析,结合足球机器人的到定点的运动模型进而使用二分法求解拦截,实现了截球动作.实验表明该算法具有良好的拦截效果.     

基于动力学约束的机器人无碰运动规划

本文旨在通过分析机器人系统的动力学特性来研究机器人在其工作环境中如何避开障碍物且按照预定路径运动的轨迹规划问题.文中提出了一种综合考虑多种约束条件的线性规划算法,该算法能够连续地调整系统的内能,且给出预期的运动轨迹.该算法已在IBM-PC2/80机上实现,成功地应用于我国某核电站的一反应蒸发器中检测机器人的无碰三维运动规划.文中给出了这一规划的结果及其图形仿真.     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题，提出一种用于求解多层决策问题的离散灰狼算法，并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法，采用矩阵编码方法解决多层决策问题的编码问题，提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度，运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外，运用图论将喷涂机器人路径规划问题简化为广义旅行商问题，并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中，相较于粒子群算法、遗传算法和蚁群算法，提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%，碰撞次数降低为0，且路径更平滑。实验结果表明，提出的算法能够有效提高喷涂机器人的喷涂效率，以及喷涂路径的安全性和适用性。     

Reinforcement based mobile robot navigation in dynamic environment

In this paper, a new approach is developed for solving the problem of mobile robot path planning in an unknown dynamic environment based on Q-learning. Q-learning algorithms have been used widely for solving real world problems, especially in robotics since it has been proved to give reliable and efficient solutions due to its simple and well developed theory. However, most of the researchers who tried to use Q-learning for solving the mobile robot navigation problem dealt with static environments; they avoided using it for dynamic environments because it is a more complex problem that has infinite number of states. This great number of states makes the training for the intelligent agent very difficult. In this paper, the Q-learning algorithm was applied for solving the mobile robot navigation in dynamic environment problem by limiting the number of states based on a new definition for the states space. This has the effect of reducing the size of the Q-table and hence, increasing the speed of the navigation algorithm. The conducted experimental simulation scenarios indicate the strength of the new proposed approach for mobile robot navigation in dynamic environment. The results show that the new approach has a high Hit rate and that the robot succeeded to reach its target in a collision free path in most cases which is the most desirable feature in any navigation algorithm.     

基于Adams和Matlab联合仿真的双足机器人越障研究

与轮行机器人相比,双足机器人具有更灵活的机械结构,具有跨越静态或动态障碍物的能力,使其可以在更复杂的环境中工作;以往的双足机器人路径规划控制策略只能解决静止或以可预测速度运动的障碍物的越障问题,提出了一种基于模糊Q学习算法的路径规划策略,在Adams软件中建立机器人的三维虚拟样机模型,在Matlab软件中设计控制器,进行联合仿真;仿真结果表明所设计的控制策略可以有效地克服机器人在线学习时间长的问题,并且可以成功跨越速度不可预测的运动障碍物,有很好的鲁棒性。     

基于改进蚁群算法的移动机器人平滑路径规划

针对移动机器人提出了基于改进蚁群算法的平滑路径规划方法。为了克服蚁群算 法解决路径规划问题时存在的收敛速度慢的缺点,对启发因子的矩阵初始值及更新方式进行了 改进,启发因子改进后的结果与之前相比,平均路径长度减少了 17.6%,平均收敛代数减少了 93.1%;对于栅格环境下存在障碍物时机器人累计转弯角度大的问题,提出了控制点转移策略, 在上一步改进的基础上,通过对控制路径走向的栅格中心点向栅格角顶点的转移,实现了路径 规划的平滑改进。路径规划仿真结果表明,与平滑改进前相比,平滑改进后机器人的平均路径 长度减少了 4.28%,累计转弯角度减少了 52.58%。     

Modified augmented Lagrangian coordination and alternating direction method of multipliers with parallelization in non-hierarchical analytical target cascading

Analytical Target Cascading (ATC) is a decomposition-based optimization methodology that partitions a system into subsystems and then coordinates targets and responses among subsystems. Augmented Lagrangian with Alternating Direction method of multipliers (AL-AD), one of efficient ATC coordination methods, has been widely used in both hierarchical and non-hierarchical ATC and theoretically guarantees convergence under the assumption that all subsystem problems are convex and continuous. One of the main advantages of distributed coordination which consists of several non-hierarchical subproblems is that it can solve subsystem problems in parallel and thus reduce computational time. Therefore, previous studies have proposed an augmented Lagrangian coordination strategy for parallelization by eliminating interactions among subproblems. The parallelization is achieved by introducing a master problem and support variables or by approximating a quadratic penalty function to make subproblems separable. However, conventional AL-AD does not guarantee convergence in the case of parallel solving. Our study shows that, in parallel solving using targets and responses of the current iteration, conventional AL-AD causes mismatch of information in updating the Lagrange multiplier. Therefore, the Lagrange multiplier may not reach the optimal point, and as a result, increasing penalty weight causes numerical difficulty in the augmented Lagrangian coordination approach. To solve this problem, we propose a modified AL-AD with parallelization in non-hierarchical ATC. The proposed algorithm uses the subgradient method with adaptive step size in updating the Lagrange multiplier and also maintains penalty weight at an appropriate level not to cause oscillation. Without approximation or introduction of an artificial master problem, the modified AL-AD with parallelization can achieve similar accuracy and convergence with much less computational cost compared with conventional AL-AD with sequential solving.     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

基于Paden-kahan子问题的冗余度机器人运动学求解

针对7DOF机器人的逆运动学求解问题,提出了一种可提高运动控制精度的混合算法.这种算法使用 旋量理论来描述机器人的运动.它首先求出对运动学性能指标进行优化的速度级逆解;然后固定一个特殊关节,将 问题转化为非冗余度机器人的运动控制,应用Paden-Kahan子问题法得到逆运动学封闭解.通过仿真实例,证实了 这种混合算法的有效性.     

A reliable model for global planning of mobile networks

In this paper, we propose a global model for WiMAX networks planning. This model represents the network planning problem and helps to solve it entirely without dividing it into several subproblems. The objective of the model is to minimize the cost of the network while maximizing its survivability. The model has been compared to a sequential model with the same constraints, which consists in solving the subproblems sequentially, and to a global model without reliability constraints. The results show that the proposed model performs on an average 25% better than the other models.     

基于改进概率栅格分解的路径规划算法

栅格分解法是目前研究最广泛的路径规划方法之一，但随着机器人自由度增加会出现“维数灾难”问题，不太适合于解决高自由度机器人在复杂环境中的路径规划。该文提出了基于改进概率栅格分解的路径规划算法，将随机采样应用到栅格分解算法中，虽然不能保证算法的最优性，却极大地提高了算法的效率，使其适合于解决高自由度机器人在复杂环境下的路径规划问题。仿真试验表明该算法可以在较短时间内获得可通行的路径。