基于未知环境碰撞冲突预测的群机器人多目标搜索研究

群机器人在未知动态环境下进行多目标搜索时,存在碰撞预测和搜索效率不高等问题。提出了一种碰撞几何锥和改进惯性权重的粒子群优化算法相结合的多目标搜索策略。首先,根据静、动态威胁物的不同分别引入碰撞锥(CC)和速度障碍法(VO),提出了简化复杂障碍物的膨胀几何法(SG)和一种改进CC和VO的碰撞几何锥模型(CGC);有效解决了复杂不规则威胁物的避碰预测问题,并根据CGC模型作出威胁评估报告以确定最优避障方向。其次,提出一种改进惯性权重的粒子群优化算法(IWPSO),提高了搜索效率同时有效解决了粒子群优化算法易陷入局部最优的问题。最后,将两种改进的方法(CGC-IWPSO)相结合以实现群机器人的多目标任务搜索,相比于简化虚拟受力(SVF)、自适应机器人蝙蝠算法(ARBR)、具有运动学约束的粒子群算法(KCPSO),本文方法在搜索时耗、能耗以及避障次数上分别至少减少了15.59%、10.14%、14.12%。     

密集障碍物环境下移动机器人全局路径规划

针对粒子群优化算法用于障碍物密集分布环境下机器人全局路径规划存在的早熟、效率低等问题,提出了一种基于障碍物顶点信息搜索的双层(底层和顶层)粒子群优化算法。首先,循环运行若干次底层算法,快速获取若干条无碰路径,确定全局最优解的大致位置,并上传所得路径到顶层;顶层种群接受下层信息后,接着,进行局部精细搜索,以获取问题的最优解。同时,定义了基于障碍物顶点信息的脱障算子,对粒子的全局极值点进行脱障操作,以保证路径的无碰性且加快寻优效率。最后,仿真验证了该方法的有效性。     

基于新的粒子群算法的虚拟角色路径规划仿真系统

针对标准粒子群算法(SPSO)中粒子在避障时易陷入局部最优而无法继续行走的问题,提出一种将局部最优粒子的位置后退至其历史最优位置,在此位置进行8-邻域局部搜索最优可行解的方法。该方法找到离目标最近的非障碍点,让粒子行走至该位置;同时找出当代群体的全局最优位置,并将各粒子位置设定为此位置,继续迭代。通过在栅格地图中的避障实验发现,传统算法粒子遇到障碍物时会陷入局部最优而无法行走,而改进后的算法粒子能够成功避开障碍到达终点。将改进的算法引入三维视景仿真系统,仿真结果表明在大地图、多障碍场景下粒子陷入局部最优而导致寻路失败的概率高达50%;通过给障碍物添加圆形坡度对算法进一步改进,粒子成功规划出路径的概率提高至83%。实验结果表明改进后算法搜索能力增强,能在复杂场景中有效地规划出路径。     

基于改进粒子群算法的机器人路径规划方法

提出一种基于粒子群算法的机器人路径规划方法.将路径规划看作一个带约束的优化问题,约束条件为路径不能经过障碍物,优化目标为整个路径的长度最短.机器人工作空间中的障碍物描述为多边型,对障碍物的顶点进行编号.利用粒子群算法进行路径规划,每一个粒子定义为一个由零或障碍物顶点编号组成的集合,在粒子的迭代过程中考虑约束条件,惯性权重随迭代次数动态改变,使算法既有全局搜索能力也有较强的局部搜索能力.仿真结果表明该方法的正确性和有效性.     

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.     

无人机三维路径规划及避障方法

针对无人机(UAV)在三维环境中如何由起始点到目标点合理地规划路径避开障碍物,提出了一种基于改进粒子群算法与滚动策略相结合的UAV路径规划与避障方法.该方法首先以UAV为中心,通过传感器建立UAV的可视区域模型;其次结合滚动策略滚动探知UAV周围环境信息;最后,利用改进的粒子群算法进行路径搜索,并加入综合转角控制提高路径的平滑性.在传统粒子群算法中加入信息素与启发函数,增强算法的全局搜索能力,并对参数进行特定设计提高算法的收敛速度.仿真结果表明,该方法可以实现实时避障,所规划的路径相对平滑,且改进算法比传统算法具有较高的收敛性.     

一种新的变维粒子群路径规划算法

针对传统粒子群路径规划不能根据不同环境调节路径节点数、搜索效率低、甚至在一些地形下得不到可行解的不足,提出一种基于变维粒子群的路径规划算法.通过动态改变粒子的维度,控制路径节点数目并调整节点分布,加快了算法收敛速度.在需要沿障碍物迂回才能通过的复杂障碍物的情况下,采用一次位置记忆的避障算法得到无障碍路径.仿真结果表明,该算法可获得较优的路径且收敛速度较快.     

基于BQPSO的潜水器路径规划算法

在栅格法的自治水下机器人离散工作空间基础上,提出一种基于二进制编码的量子粒子群(BQPSO)算法求解自治水下机器人路径规划问题。该算法将路径表示为粒子位置的二进制编码,以路径长度为适应值,引入交叉策略避免陷入局部最小。仿真实验表明,BQPSO算法可以进行有效的自治水下机器人路径避障。     

粒子群优化的移动机器人路径规划算法

针对移动机器人在复杂环境下采用传统方法路径规划收敛速度慢和局部最优问题,提出了斥力场下粒子群优化（PSO）的移动机器人路径规划算法。首先采用栅格法对机器人的移动路径进行初步规划,并将栅格法得到的初步路径作为粒子的初始种群,根据障碍物的不同形状和尺寸以及障碍物所占的地图总面积确定栅格粒度的大小,进而对规划路径进行数学建模;然后根据粒子之间的相互协作实现对粒子位置和速度的不断更新;最后采用障碍物斥力势场构造高安全性适应度函数,从而得到一条机器人从初始位置到目标的最优路径。利用Matlab平台对所提算法进行仿真,结果表明,该算法可以实现复杂环境下路径寻优和安全避障;同时还通过对比实验验证了算法收敛速度快,能解决局部最优问题。     

基于改进多目标骨干粒子群算法的电力系统环境经济调度

针对粒子群优化算法种群多样性不足、易陷入局部寻优的问题,提出一种基于改进多目标骨干粒子群优化算法(improved bare-bones multi-objective particle swarm optimization, IBBMOPSO)的电力系统环境经济调度的求解方法. IBBMOPSO采用一种搜索权重非线性递减策略改进骨干粒子群的位置更新模式,并在不同搜索阶段对最差粒子设计不同的位置更新策略,以平衡算法的全局搜索能力和局部搜索能力. IBBMOPSO根据粒子拥挤距离选择全局最优解,采用距离评价指标选择折衷最优解.最后对6机IEEE 30节点的标准测试系统进行仿真计算,并与其他算法进行对比分析,结果显示IBBMOPSO在解决电力系统环境经济调度问题上优于其他算法,具有良好的可行性和有效性.     

群机器人学

介绍了群机器人学的含义、特点和发展现状,分析了研究群机器人系统的相关理论和方法,总结了群机器人学研究的主要内容,并指出其发展趋势。     

基于置信度和神经网络的信用卡异常检测

针对标准微粒群算法容易陷入局部极小的缺陷,对标准粒子群速度进化公式进行改进,提出一种基于概率选择学习对象的粒子群算法.找出比当前个体好的粒子,形成候选学习对象集,计算候选集中每个粒子被选中的概率,形成学习对象集,并加权利用学习对象集信息.该算法使得每个粒子可以充分利用整个种群的信息,有效地保证粒子群的多样性.对3个Benchmark测试函数进行了仿真,结果显示,该算法能有效地改善寻优性能,具有摆脱局部极值的能力.     

基于概率选择学习对象的粒子群优化算法

针对标准微粒群算法容易陷入局部极小的缺陷,对标准粒子群速度进化公式进行改进,提出一种基于概率选择学习对象的粒子群算法。找出比当前个体好的粒子,形成候选学习对象集,计算候选集中每个粒子被选中的概率,形成学习对象集,并加权利用学习对象集信息。该算法使得每个粒子可以充分利用整个种群的信息,有效地保证粒子群的多样性。对3个Benchmark测试函数进行了仿真,结果显示,该算法能有效地改善寻优性能,具有摆脱局部极值的能力。     

一种基于去个性化理论的粒子群算法

针对粒子群优化算法(PSO)在求解复杂问题时收敛速度慢、易陷入局部最优等缺点,从社会心理学角度阐述PSO算法,将群体社会学中去个性化效应的社会认同模型(SIDE)引入其中,提出一种基于去个性化理论的粒子群算法(DTPSO)。该算法通过个体粒子融入群体中表现出来的去个性化行为(个性与趋同的平衡)维持群体粒子的多样性和有效性。仿真实验表明, DTPSO算法收敛速度快、收敛精度高、稳定性好。     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

一种改进的粒子群优化算法及其仿真

粒子群优化算法（particle swarm optimization，PSO）是一种新兴的优化技术，其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点，在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题，提出了一种旨在保持种群多样性的改进PSO（IPSO）算法，以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试，结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能，而且还具有良好的稳定性。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

粒子群优化算法改进及展望

粒子群优化算法是一种启发式全局优化技术,一种基于群智能的演化计算方法。本文给出了多种改进形式以及与其他算法的比较,并提出了未来可能的研究方向。     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。     

动态优化环境下的群核进化粒子群优化方法

粒子群优化方法是由Kennedy和Eberhart于1995年提出的一种基于群体智能（swarm intelligence）的进化计算技术．定义了“群核”（swarm—core）的概念，并在此基础上，提出了基于群核进化的粒子群优化方法（swarm—core evolutionary particle swarm optimization，SCEPSO），在SCEPSO方法中，为增强群体的优化能力，把群体分成了3个子群体，并且每个子群体有各自不同的“分工”．同时研究了SCEPSO方法对连续变化的最优点的动态跟踪能力，在3种动态优化模型下进行了实验．实验结果表明，与传统PSO方法相比，SCEPSO方法能够可靠并精确地跟踪连续变化的全局最优解．