邻域交互结构优化的多智能体快速蜂拥控制算法

针对多智能体系统在动态演化过程中容易出现的"局部聚集"现象,融 合复杂网络中的拓扑结构优化理论与多智能体系统协调蜂拥控制研究,提出了一种基 于邻域交互结构优化的多智能体快速蜂拥控制算法.该算法首先从宏观上分析多智 能体的局部聚集现象,利用社团划分算法将局部相对密集的多个智能体聚类成一个 社团,整个多智能体系统可以划分成多个相对稀疏的社团,并为每个社团选择度 最大的个体作为信息智能体,该个体可以获知虚拟领导者信息;随后从多智能体 系统中不同社团相邻个体间的局部交互结构入手,取消社团间相邻个体的交 互作用,设计仅依赖于社团内部邻居个体交互作用的蜂拥控制律;理论分 析表明,只要每个社团存在一个信息智能体,在虚拟领导者的引导作用下,整个多 智能体系统就可以实现收敛的蜂拥控制行为;仿真实验也证实了对多智 能体系统进行邻域交互结构优化可以有效提高整个系统的收敛速度.     

混合策略改进的蝴蝶优化算法

针对蝴蝶优化算法存在的求解精度低、易陷入局部最优等缺陷,提出混合策略改进的蝴蝶优化算法.首先,利用Circle映射初始化蝴蝶个体的位置,增加初始个体的多样性;其次,在局部搜索阶段利用动态切换概率控制改进正弦余弦算法与蝴蝶优化算法的转换,充分利用少量的蝴蝶个体,增强算法的局部开发能力;然后,在全局和局部位置更新处引入自适应余切权重系数,控制蝴蝶个体下一代的移动方向和距离,提高算法的收敛速度和精度;最后,引入逐维变异策略,对全局最优位置变异,引导种群向最优位置进化,避免陷入局部最优.对八个基准函数进行仿真实验,结果表明,改进算法的收敛性能更佳,与其他改进算法相比具有一定的竞争力.     

群组动画中的队形约束与控制方法

针对影视制作中对大规模虚拟群体运动控制的需求,提出一种基于队形约束的群体运动编辑与控制方法.首先利用贪心算法构建从初始队形到目标队形中个体位置的配对关系;然后对其进行优化,在保持个体相对位置的同时尽可能减少路线交叉;最后通过匹配虚拟角色的运动来合成流畅、逼真的群组动画.采用文中方法用户只需输入群体规模以及群体队形轮廓,即可实现对群体运动的编辑与控制.实验结果表明,该方法能够对不同规模、不同队形间的群体运动实现有效控制,从而提高群组动画制作的效率.     

基于双群体进化规划的动态优化算法

动态优化问题的优化环境随时间变化导致了最优解随时间移动.为了有效地跟踪最优解,提出了一个基于双群体进化规划的动态优化算法.局部搜索群体运用高斯变异算子,并接受已有信息;全局搜索群体运用柯西变异算子,与已有信息隔离并传送较优个体至局部搜索群体.在进化过程中,它们的群体规模动态地变化.算法有效地利用了已有信息,实现了全局搜索与局部搜索的分离,适合于求解环境变化方式未知的动态优化问题.对三个动态优化模型进行了测试,并与随机初始化群体法进行了比较,仿真结果表明r提出的算法是有效的.     

大规模移动智能群体的建模及联合行为分析

提出一种基于个体局部信息的移动智能群体的模型,该模型的建立仅依靠相互可检测到的个体之间的局部位置信息.在此模型基础上,研究了移动智能群体联合趋向目标行为的稳定性问题.仿真实验表明,基于局部位置信息的群体模型能够实现群体的联合跟踪全局目标的行为,同时对群体的规模具有较强的可扩展性.     

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.     

多智能体沿多条给定路径编队运动的有向协同控制

研究了在有向通信连接下二阶积分器描述的多智能体沿多条给定路径编队运动的控制器设计及其稳定性分析问题. 智能体的动态和指定路径都是在固定直角坐标系下描述的. 通过引入路径函数来设计路径跟踪控制, 根据路径函数与弧长的关系来设计编队控制律, 使得多智能体沿期望路径的位置和速度在规定队形下达到一致. 利用图论证明, 当通信拓扑对应的有向图具有全局可达点时, 设计的编队控制系统是渐近稳定的. 本文设计的有向协同控制律可以应用于区域的信息优化采集.     

一类改进的Vicsek模型的收敛性能

针对描述群体动态行为的Vicsek模型收敛效率不高的问题,通过对群体网络拓扑关系的研究,提出一种使得群体中所有个体运动方向快速达到一致的新规则,该规则以个体邻域集合内运动方向偏差最大的两个邻居个体的运动方向的中值作为个体下一时刻的运动方向,取代Vicsek模型及其线性化模型的运动方向更新方程.在群体网络的初始位置分布满足拓扑连通的要求的前提下,基于NetLogo仿真平台,对比研究了新规则作用下的改进模型与Vicsek模型及其线性化模型的收敛效率.仿真结果表明,新规则控制下的改进模型达到方向一致的速度明显加快,可有效提高群体动态行为的收敛效率.     

函数优化的蜂群算法

基于蜂群觅食的特点提出一种蜂群算法.在优化过程中,每个个体的寻优策略由其以往的寻优经验和整个群体共享的信息决定;通过定义个体的调整系数和个体与群体间的差异系数实现算法全局探索和局部开发能力的平衡;给出了算法的实现步骤,并利用压缩映射定理分析了算法的收敛性.通过典型的基准函数测试算法的性能,实验结果表明了算法的优越性.     

基于混沌蚁群算法的机器人路径规划

研究了全局静态复杂环境的机器人导航问题;针对传统蚁群极易陷入局部最优解,引入混沌理论改善个体质量,利用混沌扰动避免在搜索过程中陷入局部极值;构建了一个新的机器人路径规划算法的数学模型,在组织变量的影响下,蚂蚁由最初的混沌行为逐渐过渡为群体智能行为,最终完成机器人全局最优路径的搜索;仿真结果表明,即使在障碍物非常复杂的环境中,该模型也能找出一条全局最优或近似最优的路径,且能安全避障,仿真效果理想。     

融合沿墙行为的多移动机器人有序化多模态群集运动控制

一类基于势场原理的群集控制理论正逐步应用于多agent(智能体)/机器人稳定协同运动中.针对群集运动系统在非规则障碍物环境中运行时易出现的局部极小问题,引入基于行为的机器人学理念,构成多移动机器人多模态群集控制系统.在此框架内,仿生的动物沿端行为与有序化群集运动控制策略相融合,实现了多移动机器人系统快速聚合行为与高效避障行为的统一.移动机器人仿真实验验证了该方法的有效性.     

部分未知环境中移动机器人动态路径规划方法

针对部分未知环境,提出一种基于粒子滤波的动态路径规划方法.将全局最优路径视为受机器人运动及环境影响的变化量,采用粒子滤波算法,利用机器人运动信息预测路径,并利用实时环境信息更新路径,通过在线跟踪全局最优路径获得不断更新的全局优化路径.将传统全局路径规划先规划后执行的模式改为边规划边执行的模式,既减少了等待时间,又为机器人的移动误差及部分未知环境提供了较强的适应能力.仿真及实验验证,该方法的有效性.     

移动机器人路径规划技术综述

智能移动机器人路径规划问题一直是机器人研究的核心内容之一.将移动机器人路径规划方法概括为:基于模版匹配路径规划技术、基于人工势场路径规划技术、基于地图构建路径规划技术和基于人工智能的路径规划技术.分别对这几种方法进行总结与评价,最后展望了移动机器人路径规划的未来研究方向.     

未知环境下基于有先验知识的滚动Q学习机器人路径规划

提出一种未知环境下基于有先验知识的滚动Q学习机器人路径规划算法.该算法在对Q值初始化时加入对环境的先验知识作为搜索启发信息,以避免学习初期的盲目性,可以提高收敛速度.同时,以滚动学习的方法解决大规模环境下机器人视野域范围有限以及因Q学习的状态空间增大而产生的维数灾难等问题.仿真实验结果表明,应用该算法,机器人可在复杂的未知环境中快速地规划出一条从起点到终点的优化避障路径,效果令人满意.     

一种基于混合学习策略的移动机器人路径规划方法

针对未知环境下移动机器人路径规划问题,以操作条件反射学习机制为基础,根据模糊推理系统和学习自动机的原理,提出一种应用于移动机器人导航的混合学习策略.运用仿生的自组织学习方法,通过不断与外界未知环境交互从而使机器人具有自学习和自适应的功能.仿真结果表明,该方法能使机器人学会避障和目标导航任务,与传统的人工势场法相比,能有效地克服局部极小和振荡情况.     

简化的分类微粒群算法及其在风电场建模中的应用

提出一种简化的分类微粒群算法.首先将微粒按适应值的差异划分成较好、普通和较差3类;然后对这3类微粒分别采用3种对应的没有速度项的简化模型进行动态制整,有效地增加了种群的多样性.通过对4种典型测试函数的仿真实验,并与经典PSO和2个目前较为流行的改进PSO进行比较,实验结果表明了所提出的改进算法具有更好的优化性能.将改进算法用于风电场风速概率模型优化的实验结果表明,与传统最小二乘法相比,该方法拟合的Weibull参数精度更高,更具实际参考价值.     

基于强化学习的适应性微粒群算法

惯性权重足微粒群算法(PSO)的重要参数,它可以甲衡算法的全局和局部搜索能力的关系,改善算法的性能.对此,提出一种基于强化学习的适应性微粒群算法(RPSO).首先将不同惯性权重调整策略视为粒子的行动集合;然后通过计算Q函数值.考察粒子多步进化的效果;进而选择粒_了最优进化策略,动态调整惯性权重,以增强算法寻找全局最优的...     

加速收敛的粒子群优化算法

在基本粒子群优化算法的理论分析的基础上,提出一种加速收敛的粒子群优化算法,并从理论上证明了该算法的快速收敛性,同时对该算法中的参数进行了优化.为了防止其在快速收敛的同时陷入局部最优,采用依赖部分最差粒子信息的变异操作.最后通过与其他几种经典粒子群优化算法的性能比较,表明了该算法的高效和稳健,且明显优于现有的几种经典的粒子群算法.     

基于粒子群算法的多无人机任务分配方法

作为多无人机系统应用的一项关键技术,任务分配是一个多维互异离散变量的优化问题.采用混合整数线性规划方法构造优化函数,并利用群智算法中的粒子群算法来求最优解,这样可以解决多无人机的任务分配问题.针对互异性要求进行必要的算法改进.数值仿真实验表明,该粒子群算法可以迅速找到优化函数的最优解,从而高效地实现多无人机的任务分配.     

基于粒子群优化的大规模传感器网络节点调度策略

针对资源受限条件下大规模无线传感器网络中协作目标跟踪问题,提出一个基于粒子群优化的节点调度方案.该方案利用高斯粒子滤波算法和方差交叉融合算法获得目标状态预测信息,进而选择下一时刻簇成员节点,并构造了通信能耗的代价函数,利用粒子群优化方法选择最佳的簇头节点,减少了节点调度的计算复杂度,同时保持了较好的跟踪精度.仿真结果验证了所提出方案的有效性.