一种RoboCup足球机器人动态角色分配机制的实现

自主足球机器人动态角色分配是RoboCup足球机器人研究领域内的一个重要课题。为了弥补以往足球机器人角色分配的不足,文中主要研究一种RoboCup足球机器人动态角色分配机制的实现。总结了现有RoboCup中型足球机器人角色分配机制,通过对策略设计的层次划分,利用机器人之间通讯的数据,实时更新并同步各个机器人的状态,采用排名制、优先级抢占式等多种方法实现动态自主的角色分配。通过实验以及比赛中的实战检验,验证了该角色分配机制的有效性。     

基于LPN-DE与适应度拍卖的多机器人路径规划

在RoboCup环境下,针对多机器人的路径规划和任务分配,将LPN-DE方法和组合拍卖法有效结合,综合考虑多机器人的避障、路径规划和角色分配,提出了完整的实现方法和动态模型,并在RoboCup中型组机器人上验证了该方法的实用性和有效性。     

一种改进的求解旅行商问题的单亲遗传算法

单亲遗传算法具有操作简单、收敛较快等优点,因此被用于求解各种组合优化问题。针对旅行商问题,在早期单亲遗传算法的基础上引入了基因段贪心替换、基于相似度的家族竞争等一些控制策略,提出了一种新型、高效的单亲遗传算法。实验表明,该算法不仅能够保留收敛较快等优点,而且具备了比现有的单亲遗传算法以及改进的GT算法更强的全局寻优能力。     

基于贪心策略的自适应蚁群算法在TSP中的应用

目前,蚁群算法已被广泛应用于解决大量的组合优化问题,但基本蚁群算法搜索时间较长,容易陷入局部最优解的缺点比较突出。该文在基本蚁群算法模型的基础上,将贪心算法融入其动态转移过程中,提出一种基于贪心策略的动态自适应改进方法,并将改进后的算法应用于TSP问题。最后通过对比仿真,证明改进算法的可行性和有效性。     

基于PSO算法的RoboCup2D机器人研究

对机器人体系结构、动作学习及行为的组织方式进行了研究,以演化计算为基本方法,以RoboCup2D为平台,设计了基于PSO算法的足球机器人的体系结构,解决感知、动作、和规划问题;在训练环境下,形成感知规则,优化感知相关参数,得到对信息高效快速的感知方法,并根据指定的粒度、功能、参数,对RoboCup2D机器人的原子动作进行了组合优化,得到一组带参数和执行效果描述的粒子动作;最后在赛场环境和任务驱动下,搜索粒子动作并进行组织规划,得到完成特定任务的机器人行为;RoboCup2D仿真实验表明,演化计算方法不仅能利用原子动作进行组合优化,得到适应于不同条件的粒子动作,而且能通过其在线搜索粒子动作,动态组成机器人行为;基于演化计算的足球机器人能更好地完成跑位、截球、带球、传球等任务,具有更强的适应性。     

四腿机器人足球赛中的角色分配策略

介绍了RoboCup四腿机器人足球赛事及其决策子系统的结构。以SONY公司推出的机器狗AIBO为试验开发平台，详细介绍了基于该机器人足球赛事的多智能体协作角色分配问题，提出DKD方法用于解决局部合作问题，使决策冲突减到最小，任务分配更加明确。     

足球机器人动态角色分配策略仿真研究

研究足球机器人角色分配问题,角色分配是足球机器人决策协调的关键,在比赛中要兼顾最优性与实时性进行角色分配是足球机器人技术的难点.针对足球机器人比赛的特点,提出一种基于市场机制的动态角色分配算法.为了使角色分配接近最优,综合考虑影响角色分配的距离、角度以及其它多种不确定性因素来设计竞标函数;为了保证实时性,系统根据赛场态势,采用分级竞标的策略动态调整机器人角色.实验表明,市场动态算法在最小时间内提供接近最优化的角色分配方案,兼顾了足球机器人角色分配的实时性与最优性.     

基于改进遗传算法的多机器人任务分配方法

多点遍历任务是多机器人协作研究中常用的一个例子，普遍采用的单物品拍卖任务分配方法存在着无法得到全局最优解的缺点。为解决此问题，该文提出用组合拍卖的方法进行任务分配。由于组合拍卖的胜者决定问题（WDP）本身是一个NP—hard问题，怎样在短时间内获得令人满意的解是该文关心的焦点。该文通过对单亲遗传算法进行改进，提出环形染色体的概念，成功地解决了针对此任务的WDP求解问题。仿真试验表明，该算法实现简单，搜索效率高，在较短时间内能够得到满意解，满足多机器人动态任务分配的实时性要求。     

基于四腿机器人足球比赛的多智能体协调控制

依托RoboCup四腿组机器人足球比赛,结合图像处理和无线网络通讯手段,建立反映赛场对象定位信息的环境模型,并基于此模型探讨多智能体动态角色分配与协调控制的实现方法。     

基于改进单亲遗传算法的炼钢最优炉次计划模型

炉次计划在炼钢生产计划的编制过程中扮演着重要角色,优化的炉次计划对炼钢厂的高效、稳定运行产生深远影响.基于已有文献,并根据小方坯连铸过程的特点,考虑了钢种、断面、交货期等因素,建立了新的炉次计划模型,以期通过优化生产合同的组合而降低生产费用.炉次计划问题是复杂的组合优化问题,不可能在列举所有可能的求解结果.因而,采用了改进的单亲遗传算法寻求问题的最优/近优解.在求解过程中,通过分析比较,得到了合理的算法参数.最后,通过采用遗传算法、单亲遗传算法和改进的单亲遗传算法对模型求解结果的比较,验证了改进后单亲遗传算法的优越性.     

基于动态规划法求解动态o-1背包问题

随机时变背包问题(RTVKP)是一种动态组合优化问题,也是一种典型的NP-hard问题。由于RTVKP问题中物品的价值、重量和背包载重均是动态变化的,导致问题的求解非常困难。在动态规划法基础上,提出了一种求解背包载重随机变化的RTVKP问题的确定性算法,分析了其复杂度和成功求解需要满足的条件。对两个大规模实例的计算表明,该算法是求解RTVKP问题的一种高效算法。     

遗传算法在旅行商问题的研究与应用

旅行商问题（TSP）是一类典型的非确定性多项式（NP）完全组合优化问题.针对基本遗传算法在求解这类问题时容易出现局部收敛现象,提出了改进,采用轮盘赌和优秀个体复制相结合的方法进行选择,对11个城市的旅行商问题进行研究,通过比较发现取得良好的收敛,该方法在解决很多NP完全组合优化问题上同样适用.     

蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

基于遗传算法的四足机器人行走步态规划

因RoboCup四腿组比赛所采用机器人的关节刚度较低，采用固定形状行走轨迹的步态规划方法所产生的实际步态和规划步态偏差较大。这种偏差限制了机器人行走速度的提高。为了提高机器人的行走速度，在原有步态规划方法的基础上，引入200组坐标描述任意形状的机器人行走轨迹，并用改进的遗传算法寻找最适合机器人行走的轨迹形状。实验结果表明：改进的行走轨迹规划方法经学习后的实际步态更有利于机器人的行走，在行走更加平稳的同时可使机器人获得更快速的行走效果。     

二次分配问题的改进粒子群优化算法

粒子群优化算法已经成功地应用于求解连续域问题,但是对于离散域问题的求解,尤其涉及组合优化问题的研究和应用还很少。二次分配问题本身是一个离散域问题,因此,使用粒子群算法求解二次分配问题是一个新的研究方向。文章引入交叉策略和变异策略对粒子群优化算法进行改造,使得粒子群优化算法可以用来解决二次分配问题。     

模拟退火算法中关键参数的研究

模拟退火算法是求解组合优化问题的一个有效方法,但算法中各个参数值的选择和设置对运行的结果和效果有较大影响。因此,本文主要是利用几个具体的TSP问题对算法中 的几个重要参数做比较研究,得出了一组比较有效的参数取值,为求解与TSP问题类似的其他问题奠定了有效的参数基础。     

改进量子行为粒子群算法求解武器目标分配问题

为了提高武器目标分配(WTA)问题的求解效率和性能, 提出一种求解武器目标分配问题的改进量子粒子群优化算法. 首先, 通过定义粒子进化速度及粒子聚集度, 将惯性权重表示为粒子进化速度和粒子聚集度的函数, 使惯性权重具有自适应性. 其次, 将慢变函数引入传统位置更新公式中, 有效地克服陷入局部最优解的问题. 最后, 以分配各类武器迎击来袭目标的失败概率最低为目标, 建立多种类型武器目标分配问题模型. 仿真实验表明, 提出的算法能快速给出武器目标分配问题的最好或较好分配方案; 能高效地求解武器目标分配问题.     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。     

Solving fuzzy assembly-line balancing problem with genetic algorithms

Assembly-line balancing problem is known as one of difficult combinatorial optimization problems. This problem has been solved with linear programming, dynamic programming approaches, but unfortunately these approaches do not lead to efficient algorithms. Recently, genetic algorithm has been recognized as an efficient and usefull procedure for solving large and hard combinatorial optimization problems, such as scheduling problems, travelling salesman problems, transportation problems, and so on. Fuzzy sets theory is frequently used to represent uncertainty of information. In this paper, to treat the data of real-world problems we use a fuzzy number to represent the processing time and show that we can get a good performance in solving this problem using genetic algorithms.     

改进二进制和声搜索算法求解多维背包问题

和声搜索（HS）是一种已广泛应用于连续优化问题的元启发式方法。针对典型的组合优化问题——多维背包问题（MKP）,提出一种改进二进制和声搜索（IBHS）算法。算法通过伯努利随机过程生成二进制群体,在候选和声生成算子中,引入动态自适应参数,通过算法参数的自适应调整来协调算法的全局搜索和局部搜索,并提出一种新的更有效的衡量商品多维加权价值密度的方法用于二进制个体修正和优化;引入精英局部搜索机制进行协同寻优,提高IBHS的收敛速度。通过求解10组不同规模的典型多维背包算例和与贪心二进制狮群优化（GBLSO）算法、改进的差分演化（MBDE）算法以及二进制修正和声（BMHS）算法的对比分析,实验结果表明,所提算法在求解MKP时有具有良好的收敛效率、较高的寻优精度和很好的鲁棒性。