目标围捕任务中搜索与预包围阶段的群机器人行为学习

为了进行群机器人协同作业,提出目标搜索中导航类集体行为学习策略.在使用具有闭环调节功能的动态任务分工方法进行任务分配、自组织地生成多个子群后,在子群中引入基于社会学习微粒群算法的机器人行为学习策略.在子群框架内,机器人各自独立地以感知的共同意向目标信号强度为标准对所有成员排序,将感知优于自己的机器人作为行为示范者.然后在搜索空间各维度上分别随机选择一个行为示范者,学习其在相应维度上的位置坐标,经构造得到搜索空间中自己的学习行为向量,由此决策自身的运动行为.仿真结果表明,在不需要学习全局社会经验的前提下,机器人能针对所属子群的共同意向目标进行协同作业,提高搜索效率.     

群机器人多目标搜索中的合作协同和竞争协同

群机器人进行多目标搜索时,通过任务分工形成多个子群,各子群分别针对一个意向目标协同搜索,故围绕子群协同中存在的合作关系和竞争关系提出控制策略.为进行合作协同,建立子群发言人的动态遴选机制,不同子群的发言人进行通信,交换所属各子群的最优信息,引导本子群的搜索行为;为进行竞争协同,引入承包机制,按子群的优势地位高低决定是承包还是放弃对某些目标的搜索.两类协同控制的仿真结果表明,合作协同扩大了机器人的感知范围,竞争协同降低了空间冲突机率.二者综合作用,明显提高了群机器人的搜索效率.     

群机器人任务分工与协同搜索方法

群机器人执行搜索任务时,为平衡任务分工和提高协同搜索效率,提出预分工与反馈调节的双层分工方法和模拟鸟群觅食的协同搜索方法。在任务分工方面,以探测的目标强度为依据建立目标选择概率函数,使用轮盘赌确定机器人意向目标,将意向目标相同的机器人预分配为同一子群,使用反馈调节法实现分工平衡。在协调搜索方面,模拟鸟群觅食过程,提出粒子群-人工势场的搜索和避障协同控制方法。仿真结果表明,协同搜索方法能够锁定区域内所有目标,与文献[10]方法相比,任务完成平均耗时减少了17.14%,最优耗时减少了18.61%,验证了该方法在任务分工和目标搜索上的优越性。     

基于简化虚拟受力模型的群机器人多目标搜索协调控制

针对未知凸和非凸障碍物以及动态障碍物环境下群机器人多目标搜索问题,提出了一种基于简化虚拟受力分析模型的循障和避碰方法(SRSMT-SVF).对复杂环境下群机器人多目标搜索行为进行了分解并抽象出简化虚拟受力分析模型.基于此受力模型,设计了个体机器人协同搜索和漫游状态下的运动控制策略,使得机器人在搜索目标的同时能够实时避碰.通过对不同群体规模系统的仿真实验表明,本文控制方法能够使个体机器人在整个搜索过程中保持良好的避碰性能,有效地减少系统与环境之间和系统内部个体之间的碰撞冲突.相比于扩展粒子群算法(EPSO),本文方法使得搜索耗时和系统能耗至少减少了13.78%、11.96%,数值仿真结果验证了本文方法的有效性.     

动态双子群协同进化果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,提出动态双子群协同进化果蝇优化算法(DDSCFOA).该算法在运行过程中根据群体的进化水平,动态地将整个种群划分为先进子群和后进子群;先进子群采用混沌算法在局部最优解邻域内进行精细的局部搜索,后进子群采用基本FOA算法进行全局搜索,较好地平衡局部搜索能力和全局搜索能力;两个子群间的信息通过全局最优个体的更新和种群个体的重组进行交换.DDSCFOA算法能跳出局部极值,避免陷入局部最优.仿真结果表明,动态双子群协同进化的策略有效可行,DDSCFOA算法比基本FOA算法具有更好的优化性能.     

绝对定位机制下目标位置估计辅助的群机器人搜索

基于扩展微粒群算法模型控制群机器人协同搜索目标时,成员机器人在社会经验和自身认知,主要是社会经验引导下逐步向目标趋近.由于社会经验仅从成员机器人的认知中“选举”产生,未形式化地融合多个机器人的经验,因此文中从群机器人通信子系统在本质上属于无线传感器网络的事实出发,引入集体决策机制,改进社会经验的生成模式.用无线传感器网络中的测距定位方法来估计目标位置,并将估计值作为社会经验引入现有模型.仿真结果表明,当群体规模够大时,采用文中社会经验生成模式可使协同搜索速度得到提高.     

针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

基于多样性检测的双子群多目标粒子群算法

为了平衡多目标粒子群算法的多样性和收敛性,提出一种基于多样性检测的多子群多目标粒子群算法.首先,将多样性检测方法引入到多目标粒子群算法中,并结合多目标粒子群算法的特点进行改进.然后,将种群分为两个不同分工的子群,一个子群保持较好的多样性,在搜索空间进行全局搜索;另一个子群保持较好的收敛性,在Pareto前沿附近进行局部搜索.最后,根据多样性度量指标调整两个子群的搜索行为,以达到兼顾多样性和收敛性的目的.在标准测试问题上的仿真结果表明了所提算法的有效性.     

基于核模糊聚类的动态多子群协作骨干粒子群优化

针对骨干粒子群优化（BBPSO）算法易陷入局部最优、收敛速度低等问题，提出了基于核模糊聚类的动态多子群协作骨干粒子群优化（KFC-MSBPSO）算法。该算法在标准骨干粒子群算法的基础上，首先，采用核模糊聚类方法将主群分割为多个子群，令各个子群协同寻优，提高了算法的搜索效率。然后，引入非线性动态变异因子，根据子群内粒子数以及收敛情况动态调节子群粒子变异概率，通过变异的方式使子群粒子重新回到主群，提高了算法的探索能力；进一步采用主群粒子吸收策略与子群合并策略加强了主群与子群之间、子群与子群之间的信息交流，提高了算法的稳定性。最后，利用子群重建策略，结合主群与子群搜索到的最优解，调节子群重建的间隔代数。通过Sphere等6个标准测试函数进行对比实验，结果表明，KFC-MSBPSO算法和经典BBPSO算法以及反向骨干粒子群优化（OBBPSO）算法等改进算法相比寻优准确率至少提高了约11.1%，在高维解空间内测试结果的最佳均值占到83.33%并且具有更高的收敛速度。这说明KFC-MSBPSO算法具有良好的搜索性能与鲁棒性，可应用于高维复杂函数的优化问题中。     

可预测的动态联盟协同跟踪机制研究

针对无线传感器网络单目标跟踪系统,分析了基于任务触发的动态联盟协同跟踪机制中目标丢失率产生的根本原因,即目标到来后才开始组建联盟.为减小目标丢失率,为提高预测精度,提出在动态联盟跟踪机制中加入预测算法,提前预知目标下一周期将到达的位置,从而提前组建动态联盟,可有效减小目标的丢失率.并设计了一种基于自回归滑动平均模型,即混合模型的预测算法,进行仿真实验,并与理论上分析比较,算法预测精度高、耗能小、计算量适中的优点.仿真证明,加入预测算法对动态联盟协同跟踪过程进行的有效性和必要性.