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.  

期望时间下的移动机器人目标搜索路径规划

不确定环境下移动机器人目标搜索问题中,目标在观测点被发现的概率常被设为理想的均匀分布,其路径优化指标通常为最短距离,但最短距离路径不等同于最优期望时间路径.针对此问题,本文提出了一种以期望时间为优化指标的概率多目标搜索算法.针对观测点的访问顺序不同会导致期望时间不同的现象,采用分层式路径优化策略.首先,构造一个新的非均匀目标分布概率测算模型;然后,在上层序列规划中,采用改进的改良圈算法生成期望观测点序列;最后,在下层特征地图的观测点间可行路径规划中,采用改进的快速随机生成树算法(GBC–RRT).实验结果表明:本文所提方法可显著缩短移动机器人目标搜索的期望时间,且能在目标不确定、非均匀分布的工作空间中得到最优期望时间的搜索路径.  

改进果蝇优化算法在多目标搜索的应用

在实际工程优化问题中多数问题是多目标优化问题,多目标优化问题一直以来就是智能算法的研究热点。提出一种改进的果蝇优化算法,将其应用在多目标搜索领域,并成功使用该算法解决了一种多目标背包问题。算法在基本果蝇优化算法的基础上采用分群策略和动态半径,在群A中从种群位置开始以动态半径探索新的可行解,在群B中则通过非支配个体之间的交叉操作进行密集搜索。果蝇种群的位置在每一轮迭代产生的非劣解集中进行选取,提高了算法的收敛速度。通过在多个数据集下进行测试,并和粒子群算法、NSGA-2做了对比实验,最终结果显示使用该算法在特定条件下能取得较好的搜索效果,证明了使用果蝇优化算法解决多目标问题的可行性。  

面向产品线交互配置不一致性修复的差分IBEA算法

在大规模复杂系统产品线工程中,人工配置难免会导致配置的不一致,即,配置数据会违背预定义的约束(也可以称为一致性约束).对于大规模复杂系统产品线体系结构,比如信息物理系统产品线,往往存在成百上千的可变点以及约束,而且约束与可变点之间存在复杂的依赖关系,为不一致配置的修复带来很大的挑战.为了解决这个问题,针对前期提出的基于多目标搜索以及约束求解技术的自动不一致配置修复推荐框架(Zen-Fix),提出一种改进的IBEA算法(De IBEA).De IBEA通过将差分引入IBEA算法,搜索过程中,基于可行解和不可行解的差分变异产生后代,最终为用户推荐符合预定义约束并且对于配置效率来说最优的配置修复方案.基于一个工业案例海底油田采控系统产品线为例,通过模拟一个产品的配置过程,产生了10 189个优化问题,结果表明:Zen-Fix框架结合De IBEA算法,可以实时地为用户提供较优的不一致配置修复方案.此外,通过对这10 189个问题的推荐方案进行对比,证明了De IBEA算法无论从时间效率还是搜索性能上都优于原始的IBEA算法.  

多目标快速搜索算法--芯片图像识别中应用

提出一种多搜索结果的三极管芯片图像匹配算法.首先利用金字塔搜索算法对目标图像进行分层搜索匹配,减少了图像的匹配计算量.其次在搜索过程中依次判断搜索目标是否符合要求,并消除重复结果.所提出的算法主要用于三极管芯片的粘片机及焊线机的图像识别系统中,试验证明该算法能满足设备的实时性和精度要求.  

未知环境下群机器人多目标搜索协同控制

未知环境下, 群机器人无法预先获取多目标搜索的环境信息, 仅可局部感知与局部通信. 本文针对避障效 率与搜索效率的缺陷提出边界扫描的避障策略和目标位置估计的粒子群算法, 边界扫描的避障策略(BSOA)将障碍 物简化成连续障碍物与非连续障碍物两种情况, 并根据情况向特定边界运动; 目标位置估计的粒子群算法 (TPEPSO)则利用获取的目标信号估计目标位置, 结合粒子群算法到达目标附近, 从而实现目标搜索. 提出的方法与 基于简化虚拟受力分析模型的循障避碰方法(SVF)及扩展粒子群算法(EPSO)、自适应机器人蝙蝠算法(ARBA)仿真 比较, 搜索效率提高5.72% ～ 21.58%, 总能耗减少4.30% ～ 19.11%.