一种新的交叉操作算子

论文提出了一种新的遗传操作算子-随机多父辈适应度值加权交叉算子(RandomParent-numberFitness-WeightedCrossover,RPFWX)。RPFWX在2到群体规模之间随机决定参与交叉操作的父代数量,以克服遗传算法的性能对于多父辈数量的敏感性。RPFWX根据父代个体的适应度值赋予较优秀的父代个体以较大的影响因子。父代个体根据该影响因子来决定其对于子代个体贡献的大小。RPFWX是包括两父辈算术交叉、uniformcrossover以及多父辈频率扫描交叉算子(theOccurrenceBasedScanningCrossover)等在内的多种交叉算子的概括和推广,并通过其凸空间封闭特性来保证子代个体的合法性。最后通过实验结果验证了RPFWX算子的优越性。     

基于蚁群算法的基因联接学习遗传算法

论文提出了一种基于蚁群算法的基因联接学习遗传算法。在该算法中遗传算法的种群对应于蚁群,遗传算法的染色体同时是蚁群算法的一只蚂蚁。在每一次进行交叉或突变操作时,算法首先根据蚁群算法的信息素矩阵计算父代个体的基因间联接强度,然后根据该联接强度选择交叉和突变位点。这样可以避免积木块过多地被遗传操作所破坏,减少遗传算法的搜索空间,并指引寻优的方向。联接学习在该算法中是并行进行的,而在Harik的算法中是串行进行的;该算法的编码长度不会随着等位基因数量的增加而成倍地增加。文章通过有界难度问题和TSP问题的实验研究验证了算法的有效性。     

自平衡机械系统匀速行走模糊控制

针对自平衡机械系统的研究很少着眼于速度控制,设计一种简单的模糊控制器,应用于一级直线倒立摆的匀速行走控制中.对于设定的速度整定值,通过调整几个比例环节的系数,系统具有很好的动态性能指标,而且控制器在有外界扰动时体现了很好的抗扰能力.考虑到实际物理系统中倒立摆行程的限制,设计的自动切换开关实现了倒立摆在一段给定的行程上匀速来回行走的控制目标,通过手动切换开关也能实现倒立摆的位置控制,因而使得该模糊控制器能完成平衡控制、位置控制、匀速行走控制.经多次试验,给出了比例环节系数大小调整与系统动态性能指标之间关系的大致规律,实验结果验证了该控制器的有效性.     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

低质量渲染图像的目标物体6D姿态估计

从图像中获取目标物体的6D位姿信息在机器人操作和虚拟现实等领域有着广泛的应用,然而,基于深度学习的位姿估计方法在训练模型时通常需要大量的训练数据集来提高模型的泛化能力,一般的数据采集方法存在收集成本高同时缺乏3D空间位置信息等问题.鉴于此,提出一种低质量渲染图像的目标物体6D姿态估计网络框架.该网络中,特征提取部分以单张RGB图像作为输入,用残差网络提取输入图像特征;位姿估计部分的目标物体分类流用于预测目标物体的类别,姿态回归流在3D空间中回归目标物体的旋转角度和平移矢量.另外,采用域随机化方法以低收集成本方式构建大规模低质量渲染、带有物体3D空间位置信息的图像数据集Pose6DDR.在所建立的Pose6DDR数据集和LineMod公共数据集上的测试结果表明了所提出位姿估计方法的优越性以及大规模数据集域随机化生成数据方法的有效性.     

基于结构优化的DDAG-SVM上肢康复训练动作识别方法

针对上肢康复训练系统中训练评估方法核心的动作识别问题,提出一种面向Brunnstrom 4~5期患者上肢康复训练动作的SODDAG-SVM(Structure-optimized decision directed acyclic graph-support vector machine)多分类识别方法.首先将多分类问题分解成一组二分类问题,并使用支持向量机构建各二分类器,分别采用遗传算法和特征子集区分度准则对各二分类器的核函数参数及特征子集进行优化.然后使用类对的SVM二分类器泛化误差来衡量每个类对的易被分离程度,并由其建立类对泛化误差上三角矩阵.最后由根节点开始,依次根据各节点的泛化误差矩阵,通过选择其中最易被分离类对的SVM分类器构成该节点的方式,来构建SODDAG-SVM多分类器结构.当待预测的实例较少时,直接构建实例经过的SODDAG-SVM部分结构并对实例进行预测;当待预测的实例较多时,先构建完整的SODDAG-SVM结构,再代入所有实例进行预测.通过人体传感技术获得Brunnstrom 4~5阶段上肢康复训练的常用动作样本集,进行SODDAG-SVM动作识别实验,准确率达到了95.49%,结果均优于常规的决策有向无环图(Decision directed acyceic graph,DDAG)和MaxWins方法,实验表明本文方法能有效地提高上肢康复训练动作识别的准确率.     

基于动作注意策略的树形DDQN目标候选区域提取方法

针对机器人在家庭环境下的目标检测问题,该文提出一种基于动作注意策略的树形双深度Q网络(TDDQN)目标候选区域提取的方法,该方法将双深度Q网络(DDQN)的方法与树结构的方法相结合,通过执行改变检测框的动作以使目标逐渐集中在检测框内。首先采用DDQN方法在执行较少的动作后选择出当前状态的最佳动作,获取符合条件的候选区域。然后根据执行所选择动作之后所得到的状态重复执行上述过程,以此构成树结构的多条“最佳”路径。最后采用非极大值抑制的方法从多个符合条件的候选区域选择出最佳候选区域。在Pascal VOC2007以及Pascal VOC2012上的实验结果表明,在不同数量的候选区域、不同阈值的IoU和不同大小以及不同种类对象的实验条件下,所提方法较其他方法都有着更好的检测性能,可以较好地实现目标检测。     

一种基于遗传算法的DNA多序列比对方法

为了克服遗传算法应用于多序列比对时所遇到的比对序列数受限制以及比对寻优速度慢的缺点,提出了一种基于遗传算法的DNA多序列比对方法(GAMA);针对DNA多序列比对的特点,指出了传统遗传算法中的交叉操作将为序列比对带来沉重的计算负担;避开遗传算法通常所采用的遗传操作算子,设计了独特的遗传算子(插入删除算子和合并分离算子)、基于BLAST相似度评分方法和完全比对块加权的个体适应度值评价函数,采用了便于插入和删除操作以及相似度评分的基于字符和空位矩阵的染色体编码方案。本算法具有操作算子数量少,算子调用机制简明的特点。最后,给出了将GAMA应用于DNA多序列比对的算例,实验结果验证了本算法的可行性。     

迷宫搜索算法的比较研究

研究面向搜救的应用,将事故环境抽象为一个迷宫,通过仿真实验比较研究了深度优先搜索算法和三种不同启发式函数的A*算法在Perfect迷宫中的应用,并分别将深度优先搜索算法和A*算法用于实际迷宫中进行实现与比较.在实验中,迷宫环境对机器人是未知的,而由于迷宫环境的特殊性——未知的迷宫环境中很少有不会碰撞的路径,从而增加了机器人搜索的难度.通过仿真实验对比了不同启发式函数的A*算法与深度优先搜索算法的性能,最后得出在迷宫搜索中A*算法要优于深度优先搜索算法;同时,在实际迷宫中实现了深度优先搜索算法与A*算法的搜救应用.     

一种气动肌肉拮抗驱动机器人关节的类人运动控制方法

为了实现气动人工肌肉拮抗驱动机器人关节系统的类人运动控制,针对该系统严重非线性的特点,本文将其控制问题视为一个非线性最优控制问题,根据人体手臂关节运动的最小加加速度模型设定系统的最优控制性能指标,首先采用扩张状态观测器将机器人关节模型线性化得到积分器串联标准型,然后在线性化模型基础上设计最优控制律,使机器人关节具有与人手臂关节相似的无约束运动轨迹.仿真结果表明,采用本文算法,机器人关节能实现大运动范围(0～120°)的类人运动,关节运动轨迹对负载的改变(1 kg～5 kg)不敏感,并且关节运动具有较好的抗扰动能力.在机器人关节实验平台上通过实物实验验证了算法的有效性,并进一步讨论了控制器参数的设计规则.本文算法需要整定的参数只有2个,适用于气动肌肉拮抗驱动关节的类人运动控制,能够满足协作机器人在本质安全性、运动柔顺性以及类人运动模式等方面的要求.