间接互惠与合作演化的若干问题研究进展

2005年Science杂志指出"合作行为如何进化"是21世纪最关键的25个科学问题之一.间接互惠如何促进合作演化的研究已吸引了包括经济学家、社会学家和演化生物学家等众多学者的关注.这是由于:人类社会道德的形成、社会化分工、语言的出现、人类大脑的进化等都和间接互惠密不可分;随着经济全球化和网络时代的到来,依赖声望和信誉的陌生个体间的交易日益频繁,局部信息条件下个体的信任被利用的"道德风险"逐渐增大.本文所关注的间接互惠是以声望为核心的"下游互惠",具体而言,个体通过帮助他人建立自己在群体中的好声望,从而期待未来获得他人的帮助.可见,声望是"下游互惠"发挥作用的关键.声望的建立引发了两方面的研究:1）如何评价个体声望的好与坏,焦点是何种声望评估准则能够促进合作的演化;2）个体的声望如何在群体中快速、准确、广泛地传播,使得陌生个体间能够获得彼此的声望信息,其中八卦这种声望传播方式成为间接互惠的研究热点之一.基于声望的间接互惠研究前景广阔,未来可能的研究方向主要有复杂网络上的间接互惠、声望传播系统的鲁棒性、声望共享系统的建立和间接互惠在P2P网络中的应用.     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.     

多旋翼无人机标准化机体设计方法研究

多旋翼无人机具有结构简单、可维护性强、无人员伤亡的优点,可广泛应用于航拍摄影、环境检测等领域,具有巨大的产业化前景。但多数科研机构大都注重飞行控制理论方面的研究,缺乏对机体设计的探讨,而这正是实现多旋翼无人机产业化的基础。从一个具体的设计实例出发,提出小型多旋翼无人机的标准化机体设计方法。然后通过对飞行控制系统的设计,实现多旋翼无人机的稳定飞行。飞行实验结果表明,设计的多旋翼无人机具有良好的稳定性能,从而验证机体设计和飞行控制方法的可行性。     

有向图下非线性无人机群自适应合围控制

本文研究了有向图下具有非线性和干扰的无人机群的分布式合围控制问题. 其中仅部分跟随者是领导者的邻 居, 对于每一个跟随者, 至少存在一条从领导者到这个跟随者有向路径. 文中假设无人机的空气动力学特性是非线性不 确定的, 并且领导者的输出是时变的. 结合反推设计方法提出了仅利用邻居信息的分布式合围控制方法, 使得跟随者的 状态收敛于领导者状态所张成的凸包里. 利用神经网络函数逼近技术补偿无人机系统中的非线性不确定项, 通过李雅普 诺夫稳定性理论证明了合围误差可以以任意收敛速度收敛到原点任意小的邻域. 最后通过仿真结果验证了控制协议的 有效性.     

具有非线性不确定性的高超声速飞行器的 分布式鲁棒反步跟踪控制

本文针对具有外部干扰,参数摄动和非连续未知非线性气动影响的一般高超声速飞行器纵向动力学问题,设计了分布式鲁棒反步跟踪控制器.为了处理复杂的系统,将标准反步控制和信号补偿方法结合起来构成一个"简单"的鲁棒控制器.该方法不仅可以保证闭环系统半全局鲁棒跟踪性能,也可保证系统跟踪误差以期望的收敛速度收敛到期望的误差范围内.最后,带有非线性不确定性,外部干扰和参数扰动的仿真系统说明了该方法的有效性.     

基于异步IMM融合滤波的网络化系统故障诊断

针对一类带随机丢包的异步多传感器网络化系统,提出了基于网络化异步交互式多模型（Interacting multiple model,IMM）融合滤波的故障诊断方法.考虑不同传感器通道具有不同丢包概率的情况,将未知的故障幅值看作扩维的系统状态,利用提出的网络化异步IMM融合滤波算法对由系统正常模型和各种可能的故障模型构成的模型集进行滤波,根据模型概率进行故障检测和定位,同时得到故障幅值和系统状态的联合估计.提出的方法避免了传统IMM故障诊断方法模型集设计中故障大小难以确定的问题,适用于具有任意采样速率和任意初始采样时刻的异步多传感器网络化系统,并且通过融合多个传感器的信息提高了故障诊断的准确性.仿真实例验证了所提出方法的可行性和有效性.     

博弈论框架下的二阶多智能体系统领导者选择算法

随着人工智能的发展,多智能体系统中智能体的异质性、工作环境的复杂性、系统目标的多样性,给多智能体系统动态性能的分析带来了挑战.同时,也催生了新的控制策略和优化方法.博弈论作为一种研究社会系统中智能体决策过程的经典工具,如今已被应用到了多智能体系统研究领域.本文主要针对二阶多智能体系统编队过程中领导者选取的两类问题:1)选取k个领导者使系统误差达到最小;2)系统误差在一定范围内,选取最小数量的领导者;提出了一类超模博弈建模方法.在建模过程中设计了各个智能体的效用函数与系统整体的目标函数,使各个智能体在寻求各自效用函数最大化的过程中实现整体目标.而后,运用贪婪算法优化了智能体决策过程.本文分析了所建模型的平衡点存在性和系统稳定性.最后,利用仿真实例对比说明了本文提出的基于超模博弈的二阶多智能体系统领导者选择算法的有效性.     

一类非线性逆系统的加权最小二乘支持向量机辨识方法

文中依据T-S模型的思想,提出了一种加权最小二乘支持向量机辨识算法.它采用模糊c均值(FCM)聚类确定规则数目,通过Gauss型函数将原输入输出空间分成若干子空间,在子空间中使用最小二乘支持向量机(LS-SVM)拟合获得子模型,然后由一个权重机制合成这些子模型,得到系统的模型.文中使用该方法去辨识关键反馈变量难以获得的非线性逆系统.为了得到这类逆系统的有效建模数据,采用了联合逆系统方法.仿真结果表明,加权最小二乘支持向量机辨识方法是有效的,它能够实现这类非线性逆系统的辨识,而且拟合误差平稳,波动幅度小,拟合精度和泛化能力都较好.     

多智能体深度强化学习的若干关键科学问题

强化学习作为一种用于解决无模型序列决策问题的方法已经有数十年的历史, 但强化学习方法在处理高维变量问题时常常会面临巨大挑战. 近年来, 深度学习迅猛发展, 使得强化学习方法为复杂高维的多智能体系统提供优化的决策策略、在充满挑战的环境中高效执行目标任务成为可能. 本文综述了强化学习和深度强化学习方法的原理, 提出学习系统的闭环控制框架, 分析了多智能体深度强化学习中存在的若干重要问题和解决方法, 包括多智能体强化学习的算法结构、环境非静态和部分可观性等问题, 对所调查方法的优缺点和相关应用进行分析和讨论. 最后提供多智能体深度强化学习未来的研究方向, 为开发更强大、更易应用的多智能体强化学习控制系统提供一些思路.     

SIFT特征点引导的区域立体匹配算法

根据SIFT特征对旋转、尺度缩放、亮度变化保持不变性的特点,提出基于SIFT特征和边缘特征点的区域匹配方法。该方法确定符合SIFT特征的边缘为可靠特征点,并确定其视差;根据视差梯度原理确定其他点的视差,最后生成稠密的视差图。实验结果表明,SIFT特征的引入,提高了特征点视差的准确性,一些弱纹理区的匹配也有所改善。