基于事件驱动的多智能体系统蜂拥控制

提出一种基于事件驱动的控制策略来研究多智能体系统的蜂拥行为。针对实际系统中相对速度信息难以连续交换的情况,设计了由事件驱动机制触发速度信息交互的控制算法。理论上证明了所设计的事件驱动策略能使系统实现稳定的蜂拥运动同时保持网络的连通性。最后,数值仿真验证了理论结果。     

基于距离约束的单领航者多智能体编队控制

针对多智能体领航跟随策略提出了一种基于距离约束的编队控制算法,同时实现了编队保持与速度跟踪.多智能体系统由单领航者及两个跟随者组成,单领航者以一常值参考速度运动,追随者无法测量自身及其他智能体的速度.为了跟踪单领航者的速度以实现编队保持,针对追随者设计了一种自适应控制律以估计领航者的速度并使各智能体保持理想距离,基于Lyapunov分析与Barbalat引理证明了闭环系统的稳定性,仿真结果验证了所提算法的有效性.     

基于Worker权重差分进化与Top-k排序的结果汇聚算法

针对众包结果汇聚中最优排序结果选取的时效性问题,提出了Worker权重的高效快速汇聚算法。其中Worker权重的差分进化算法重点考虑众包Worker完成排序任务存在的差异性问题,基于目标函数和约束条件中Worker完成任务的不确定性和差异性影响,建立基于差分进化算法的Worker权重优化模型,获取多数据项场景下候选结果最优权重,实现Worker权重与任务对结果性能需求匹配的最大化;提出基于Top-k排序的优化模型求解算法,针对多数据项场景下候选结果的Top-k排序选取,在合适的k值下可快速求解上述模型,获得各Worker的优化权重。所提出的基于优化的Worker权重可实现结果汇聚的匹配性与匹配速度优化,即在提升结果汇聚速度的同时,具有优化的汇聚结果性能。定性分析证明了算法的正确性,仿真实验结果也验证了算法的效果,与相关算法对比,所提算法的综合性能最优。     

注意力跟随机制与IAP法相结合的多智能体运动控制

针对经典基于避碰、速度一致和聚集(SAC)原则的多智能体系统运动控制算法边界振荡和无法实现分群运动的问题,提出一种注意力跟随机制与改进拟态物理法(F-IAP)相结合的运动控制算法。算法将经典SAC算法的速度一致区和聚集区相融合,根据距离与速度调节引力系数来改变拟态物理力的作用,解决了SAC算法边界振荡问题,实现了多智能体系统的聚集运动、速度一致以及障碍环境下的群体避障。根据神经科学中生物注意力的特点,选择直接感知到环境刺激的智能体作为跟随对象,并与IAP算法相结合,实现多目标环境中多智能体系统分群运动。最后通过仿真验证算法的可行性与性能的优越性。     

相关匹配算法在TMS320C6711系列DSP上的优化实现

相关算法是一种可靠性很高的匹配算法，在信号处理中有很重要的应用。但由于计算量大，严重影响了该算法的实时运行。提出了利用行列递推来实现相关算法的快速计算, 并针对实时处理的需要, 结合TMS320C6711DSP的特点，研究了相关算法的几种DSP优化实现方法。实验证明，经过优化后，算法的匹配速度得到了很大提高。     

分组合作多智能体算法优化BP神经网络的权值以及阈值

本文提出了一种基于分组合作的多智能体算法用来优化BP神经网络的学习算法。该算法是要设计出一个多智能网格,把这些网格分成相互独立的若干个小组,首先小组内部的各个智能体合作,然后选出最优的智能体随机与网格中的智能体合作,每个智能体都有一定的概率自我变异。先通过该算法来训练参数达到一定的要求,然后在通过BP神经网络算法来训练。该算法极大的提高了BP神经网络的收敛速度。通过多项式逼近函数,证明了该算法非常的有效。     

基于粒子群优化算法的雷达目标相关匹配识别

粒子群优化算法易实现,鲁棒性强,对复杂线性和非线性问题均具有较强的寻优能力,是一种高性能智能优化算法。文中采用高分辨率一维距离像和宽带去极化系数作为目标特征矢量,基于相关匹配算法设计分类器,并针对相关匹配算法计算量过于庞大的问题,引入粒子群算法对分类器搜索最大相关匹配系数的过程进行优化,极大地提高了分 类器的性能和效率。     

基于Census变换和多扫描线优化的半全局立体匹配算法

为了解决局部匹配算法误匹配率高的问题,提出 一种基于AD-Census变换和多扫描线优化的半全局匹配算 法。首先,通过绝对差AD算法与Census变换相结合作为相似性度量函数计算初始匹配代价, 并构建动态交叉域聚合 匹配代价;然后在代价聚合计算阶段,将一维动态规划的代价聚合推广到多扫描线优化,利 用上下左右四个方向逐 次扫描进行匹配代价聚合的计算,并引入正则化约束以确保匹配代价聚合的一致性,大大减 少初始代价中的匹配异 常点;最后,运用简单高效的胜者为王策略选出像素点在代价聚合最小时对应的视差,并在 视差细化阶段,采用左 右一致性检测和抛物线拟合方法进行后续处理以提高立体匹配的正确率。实验结果证明,该 算法可获得高匹配率的视差图并且耗时较少。     

基于强化学习的多机器人仓储调度方法研究

调度系统作为智能仓储的核心之一,高协同度的调度系统将会极大地提升智能仓储系统中智能机器人的工作效率。文中针对智能仓储系统中物流机器人调度问题进行研究,对构建的栅格化仓库模型进行分析建模,基于多层编码遗传算法提出综合时间代价、路径代价和协同度代价的多智能体任务分配算法,并利用Q-Learning算法实现各智能体优化路径。为优化算法运算性能,基于栅格化仓库模型特点将曼哈顿路径对路径成本的估值运算代入遗传适应度评价函数,Matlab仿真结果与同期比较在运算性能上得到20%以上的提升,更能适应解决复杂的大规模智能仓储调度问题。     

信道衰落下多智能体系统有限时间一致性控制

针对带有信道衰落下二阶多智能体系统的有限时间一致性跟踪问题,文中提出了基于滑模策略的分布式控制算法。根据智能体的拓扑结构搭建数学模型构造了随机信道衰落影响下的一致性误差函数,基于误差函数设计一致性协议将系统的一致性问题转化为跟踪误差系统的稳定性问题。设计了指数型非奇异终端滑模面,结合Lyapunov稳定性理论和滑模控制理论分析了误差系统的有限时间稳定性和滑模可达性。采用1个领导者和4个跟随者的多智能体模型进行仿真实验,结果显示4个跟随者可以准确跟踪领导者,达成系统跟踪一致性,且在10 s时其误差函数曲线也趋于0,证明了控制策略的有效性。     

基于TS-NGA的多作战智能体制导-攻击匹配优化

空中制导-攻击匹配(GAM)旨在确定武器单元、制导单元以及目标三者之间的最优匹配关系,以使多作战智能体任务联盟整体作战效能最大。分析了基于混合通信方式的多作战智能体制导-攻击匹配过程,建立制导攻击匹配约束优化问题模型,设计了一种禁忌策略的嵌套遗传算法(TS-NGA)对模型进行求解,算法的外层循环寻求武器单元和制导单元的最优配对,内层循环寻求武器单元和目标的最优配对。针对GAM问题特点,制定了编码与解码策略、交叉、变异规则以及选择、禁忌策略。仿真实验结果表明所设计求解算法能较好地解决三维变量的GAM问题模型。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

一种新型的神经网络预测控制方法

预测控制算法的核心是预测过程中的滚动优化,滚动优化方法选择是确定其是否实用的关键,针对这一特点,在此提出了一种以径向基函数（RBF）神经网络为多步预测模型的非线性预测控制算法。算法采用RBF神经网络建立系统预测模型,并以微粒群优化（PSO）算法作为滚动优化算法,用来实现在有限时域内对控制序列的寻优,提高了优化过程的收敛性和求解精度。仿真结果表明了算法的有效性和高效性,获得了良好的控制效果。     

基于重新匹配策略的ε约束多目标分解优化算法

针对MOEA/D算法中权重向量与个体分配不合理,导致种群多样性降低的问题,提出基于重新匹配策略的ε约束多目标分解优化算法.首先,对Tchebycheff分解策略进行理论分析,推导出关于多样性和收敛性的定理,从而为研究MOEA/D算法奠定理论基础.其次,为有效解决由于随机为权重向量分配个体造成种群多样性降低的问题,提出权重向量和个体间的重新匹配策略,合理地为权重向量分配个体,改善种群多样性.最后,提出的个体比较准则较好地兼顾多样性和收敛性,提高了算法的约束多目标优化性能.通过与5种优秀算法的对比实验结果表明,该文算法所求得的近似Pareto最优解集的分布性和收敛性均得到一定提高,相比于对比算法具有一定的优势.     

智能电网中基于多智能体强化学习的频谱分配算法

针对智能电网中利用5G网络承载多样化电力终端的业务需求,提出了一种基于多智能体强化学习的频谱分配算法。首先,基于智能电网中部署的集成接入回程系统,考虑智能电网中轻量化和非轻量化终端业务的不同通信需求,将频谱分配问题建模为最大化系统总能效的非凸混合整数规划。其次,将前述问题构建为一个部分可观测的马尔可夫决策过程并转换为完全协作的多智能体问题,进而提出了一种集中训练分布执行框架下基于多智能体近端策略优化的频谱分配算法。最后,通过仿真验证了所提算法的性能。仿真结果表明,所提算法具有更快的收敛速度,通过有效减少层内与层间干扰、平衡接入与回程链路速率,可以将系统总速率提高25.2%。     

光电智能车硬件优化与控制算法研究

设计以9S12XS128为核心控制器的光电智能车自控系统,通过硬件改进和控制算法优化,实现小车高速稳定寻迹行驶。在保证传感器准确性的前提下,通过缩短传感器采集周期并添加摇头舵机,实现传感器模块智能跟踪引导线,扩展传感器视野,大大减小了丢线风险。控制算法的研究体现在转向舵机、摇头舵机及电机速度三方面PID控制算法的选择与优化。软硬件优化后的智能车在行驶稳定性、平均速度以及最高速率等方面均有显著提升。     

一种带有变速虚拟领航者的flocking算法

对由多个具有不同通信半径的智能体组成的混合群体跟随领航者取得flocking运动进行研究。针对不同智能体的通信半径存在个体差异这一现象,提出一种分散控制算法。该控制策略能够保证混合智能群体跟踪一个速度变化的虚拟领航者,形成flocking运动。在最后给出计算机仿真。     

基于互信息和多智能体优化的合成孔径雷达图像配准

提出了一种基于互信息的多智能体优化方法,并将其用于合成孔径雷达(Synthetic Aperture Radar,SAR)图像的配准.采用归一化互信息作为度量准则,直接利用图像的灰度数据进行配准,没有假设图像间灰度值的线性关系,不需要对图像做分割、特征提取等预处理,并利用多智能体优化算法寻找最佳匹配参数,以得到最优的配准结果.实验表明,该算法在SAR图像配准方面有更好的普适性和更高的配准精度.     

基于两阶段帕累托优化的卫星下行链路功率分配方法

多波束卫星下行链路在实现高传输速率和低功耗之间相互制约,是影响多波束卫星系统通信性能的重要因素之一.本文提出两阶段多波束卫星下行链路多目标功率分配方法,建立多波束卫星下行链路功率分配模型,第一阶段采用凸优化算法实现下行链路传输速率的优化匹配,将传输速率匹配的解作为第二阶段启发式算法的初始解,得出的帕累托解可表示优化后的性能,为链路传输速率和功耗提供了平衡点.研究结果表明,在相同传输速率条件下,两阶段优化方法将链路功耗降低了17.6％,且收敛速度较快.     

无人机集群编队控制方法研究综述

随着无人机技术的进一步发展，多无人机编队飞行的研究也受到了越来越多的关注。无人机相互配合组成编队群，可以充分发挥单个无人机所不具备的优势，更能胜任复杂、多任务场景下的工作。对无人机集群编队控制方法进行分类，分为传统控制法、群体智能算法、深度强化学习算法；对各类方法进行分析，着重归纳讨论了领导者-跟随者方法、人工势场法、运动学控制方法、蚁群优化算法、粒子群优化算法、人工蜂群算法、深度Q网络算法、深度确定性策略梯度算法、多智能体深度确定性策略梯度算法，并给出各自的优劣势；对无人机集群编队控制方法进行总结，指出传统控制法已接近成熟，但为了实现无人机的智能自主协同编队控制，仍需在群体智能算法和深度强化学习算法上融合新的思想与改进，从而发挥大数量无人机在复杂场景下的优势。