基于异质交互式文化混合算法的机器人探测任务规划

针对机器人任务规划的混合算法缺乏通用结构框架的问题,借鉴文化进化的双重结构思想,提出一种交互式仿生群协进化混合算法体系框架．它包括基于佳点集遗传算法的上层知识空间、基于离散粒子群优化的底层主群空间、自上而下的影响机制和自下而上的接受机制,以实现异质种群交互;通过预留用户评价接口,实现了算法的人机交互．为提高粒子群优化性能,运用佳点集初始化主群空间,使初始粒子均匀分布于可行解内;提出新的粒子进化模型并定义粒子进化力指标,提高了种群的多样性和算法稳定性;通过引入邻域局部搜索策略增强算法的搜索能力．最后,采用TSPLIB标准数据对异质交互式文化混合算法（HICHA）进行测试,实验结果表明,该算法无论是在收敛速度或稳定性方面,还是在求解质量方面,均优于其它算法．HICHA为机器人探测任务规划问题的解决提供了新思路．     

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。     

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。     

引入模拟退火算子的差分进化算法性能研究

为了提高差分进化算法的优化性能,将模拟退火算子引入到差分进化算法中,利用模拟退火算子良好的全局搜索能力进一步提高差分进化算法对复杂问题的优化能力．通过对复杂函数优化的仿真结果表明,算法在求解复杂优化问题上具有更快的收敛速度和更好的全局收敛性．     

基于差分蜂群算法的电力系统经济负荷分配

针对电力系统经济负荷分配问题,提出一种有效的差分蜂群算法．受差分进化算法的启发,该算法基于差分进化操作改进了雇佣蜂的搜索方式,提高了探索能力和收敛速度．此外,提出一种有效的修复机制以保证新个体的可行性．该算法在带有阀点效应和多燃料特征的典型电力系统经济负荷分配问题上进行了测试．仿真结果验证了所提算法的有效性．     

一种混合自适应多目标Memetic算法

Memetic算法是求解多目标优化问题最有效的方法之一,融合了局部搜索和进化计算,具有较高的全局搜索能力．混合自适应多目标Memetic算法（HAMA）用基于模拟退火的加权法进行局部搜索,采用Pareto法实现交叉和变异,通过扰动增强算法的exploration能力,且进化过程可根据改善率自适应调整,以提高搜索效率并改善算法的鲁棒性．算例测试说明HAMA能产生更接近Pareto前沿且多样性更好的近似集．     

基于进化粒子群优化的非线性系统辨识

为解决复杂非线性系统的辨识问题,提出了一种基于进化粒子群优化算法的非线性系统辨识方法.在标准粒子群优化算法的基础上引入一种进化策略, 增加粒子的多样性.在算法迭代寻优的过程中, 通过对群体中的粒子进行选择、变异等进化操作, 构造进化粒子群优化算法, 提高算法的全局搜索能力.将非线性系统辨识问题转化为非线性连续域优化问题, 利用进化粒子群优化算法进行并行、高效搜索, 以获得该优化问题的解.通过对多输入单输出的Wiener-Hammerstein模型进行辨识, 验证了该方法的正确性和可行性.     

基于差分进化算法多处理机任务调度研究

本文主要基于现代启发式差分算法讨论多处理机调度,多处理机调度是NP组合优化问题,目前多采用启发算法。差分进化算法是最近提出的进化算法,主要根据父代个体之间矢量差构造下一代,是一种全局优化搜索方式。本文考虑采用差分进化矢量优先级模型描述调度顺序进行调度,与模拟退火算法比较得到较好调度结果。     

进化算法的选择机制分析

一、引言进化算法(EA)是受自然进化所启发的搜索和优化技术,它包括:遗传算法(GA),进化规划(EP),进化策略(ES),和遗传编程(GP)。 GA是John Holland〔,]等人于1975年在美国密歇根大学应用自然选择过程来解决机器学习问题时提出的,它在于搜索有高的适应值的基因结构;ES在于搜索与适应值函     

多方法协作免疫进化算法研究

为提高免疫进化算法的全局寻优能力并降低计算复杂度,提出了多方法协作免疫进化算法。对免疫进化算法进行了改进。考虑抗体个体差异性,将抗体种群划分为精英、普通和劣等子群,对其分别执行高斯变异、均匀变异和消亡更新等差别化操作,增强了算法全局搜索能力。模式搜索法的探测和模式移动策略由单步交替改为贪婪下降,加快了算法收敛速度。将模式搜索法作为局部搜索工具嵌入免疫进化流程,同时采用免疫进化信息指导模式搜索法的初始点和参数设置,实现多方法协作优化。采用经典测试函数和某星载电子设备布局优化问题对算法进行了测试,测试结果表明算法寻优能力和收敛速度优于免疫进化算法,计算复杂度有显著下降。     

多机器人合作与协调研究进展

介绍了多机器人合作与协调的国内外发展现状,重点讨论了多机器人合作与协调的研究载体——未知环境下的多机器人动态追捕问题,并针对不同的典型应用算法,作了简单的说明和比较。系统地阐明了多机器人合作与协调研究的有关方面,例如对象定义、环境探索、学习与决策、冲突消解等。在此基础上,对多机器人合作与协调的研究方向进行了展望。     

多无人机协同航路规划的共同进化方法

面向多无人机协同作战的航路设计问题,提出了一种较新颖的多无人机协同航路规划共同进化方法.将航路映射到进化计算个体建立了基于共同进化计算的航路规划问题模型,以此为基础重点讨论了个体适应度设计等关键问题.以SEAD任务为想定,对多无人机协同航路规划共同进化方法进行了仿真.仿真结果表明该方法能够快速为多无人机找到协同航路,能够综合考虑无人机航路的燃油、安全、避碰以及任务协同等指标,可以解决多无人机协同执行任务的航路设计问题,且具有较好的收敛性和线性时间性.     

基于焦虑概念和拍卖方法的多机器人协作搜集

针对目前应用于多机器人搜集任务的拍卖方法很少考虑机器人参与拍卖的时机是否适当这一问题,在拍卖方法中引入了心理学的焦虑概念,提出了基于焦虑/拍卖的多机器人协作搜集方法.通过对机器人焦虑程度的量化反映其对环境、队友及自身状况的评价,进而反映其对自己独立完成任务的不自信程度和对队友提出的拍卖邀请的主观接受程度.实验结果表明,与单纯的拍卖方法相比,该方法能提高多机器人协作搜集任务的执行效率.     

Theory and Application of Multi-robot Service-oriented Architecture

In order to solve the problem of heterogeneity in multi-robot cooperation, a new service-oriented architecture is proposed for multi-robot cooperation. Service provision and energy consumption are the basic cooperative behaviors. A set of basic concepts of robot service are proposed. A layered multi-robot service-oriented architecture is designed. Finally, the experiments illustrate the superiority of the proposed architecture which makes robot's underlying functional components be transparently encapsulated and the services in upper layer be transparently invoked, which will effectively avoid the impact of heterogeneous characteristics in multi-robot cooperation and facilitate the system construction, expansion, restructuring and maintenance.      

一种新的多智能体强化学习算法及其在多机器人协作任务中的应用

在多机器人系统中，评价一个机器人行为的好坏常常依赖于其它机器人的行为，此 时必须采用组合动作以实现多机器人的协作，但采用组合动作的强化学习算法由于学习空间 异常庞大而收敛得极慢．本文提出的新方法通过预测各机器人执行动作的概率来降低学习空 间的维数，并应用于多机器人协作任务之中．实验结果表明，基于预测的加速强化学习算法 可以比原始算法更快地获得多机器人的协作策略．     

基于多智能体深度强化学习的协作导航应用

多机器人协作导航目前广泛应用于搜索救援、物流等领域, 协作策略与目标导航是多机器人协作导航面临的主要挑战. 为提高多个移动机器人在未知环境下的协作导航能力, 本文提出了一种新的分层控制协作导航(hierarchical control cooperative navigation, HCCN) 策略, 利用高层目标决策层和低层目标导航层, 为每个机器人分配一个目标点, 并通过全局路径规划和局部路径规划算法, 引导智能体无碰撞地到达分配的目标点. 通过Gazebo平台进行实验验证, 结果表明, 文中所提方法能够有效解决协作导航过程中的稀疏奖励问题, 训练速度至少可提高16.6%, 在不同环境场景下具有更好的鲁棒性, 以期为进一步研究多机器人协作导航提供理论指导, 应用至更多的真实场景中.     

基于协助校正方法的多机器人主动同时定位与建图

协作策略是多机器人主动同时定位与建图(SLAM)的关键。文中提出一种多机器人相互校正的协作策略, 称为协助校正。 该方法通过优化机器人对陆标的观测来提高定位与建图的精度, 共包括弱协助校正和强协助校正两种模式。 前者是一种间接的协助模式, 可应用于所有机器人自身定位均不准确的情形。 后者是一种直接的协助模式, 由自身定位精度较高的机器人主动校正其它机器人及相应陆标。 文中将这两种协助校正模式利用状态机统一到多机器人主动SLAM应用中。在仿真实验中将协助校正与其它多机器人主动SLAM方法进行对比以验证其精度优势, 并与单机器人主动SLAM对比以验证其导航代价极低的优势。最后在两台Poineer3-DX移动机器人上进行真实环境实验,实验结果证实协助校正方法可在实际应用中有效提高多机器人主动SLAM的探索效率和精度。     

A cooperative behavior learning control of multi-robot using trace information

The distributed autonomous robotic system has superiority of robustness and adaptability to dynamical environment, however, the system requires the cooperative behavior mutually for optimality of the system. The acquisition of action by reinforcement learning is known as one of the approaches when the multi-robot works with cooperation mutually for a complex task. This paper deals with the transporting problem of the multi-robot using Q-learning algorithm in the reinforcement learning. When a robot carries luggage, we regard it as that the robot leaves a trace to the own migrational path, which trace has feature of volatility, and then, the other robot can use the trace information to help the robot, which carries luggage. To solve these problems on multi-agent reinforcement learning, the learning control method using stress antibody allotment reward is used. Moreover, we propose the trace information of the robot to urge cooperative behavior of the multi-robot to carry luggage to a destination in this paper. The effectiveness of the proposed method is shown by simulation. This work was presented in part at the 13th International Symposium on Artificial Life and Robotics, Oita, Japan, January 31–February 2, 2008     

具有环境自适应能力的多机器人编队系统研究

对多机器人的体系结构进行了研究.采用时空表和时间控制器相结合的方法，解决多机器人间的协调协作问题.针对编队问题的具体特性，提出了基于环境的记忆学习方法，使多机器人编队系统具有较强的环境自适应能力.最后,通过仿真实验实现了整个多机器人系统,进一步验证了各个算法的可行性和有效性.􀁱     

基于高斯—施密特粒子滤波器的多机器人协同定位

多机器人协同定位需对各个机器人的运动模型和观测模型精确建模,需要运用非线性、非高斯系统。已经应用于本领域的各种非线性算法主要有两种：一种是扩展卡尔曼滤波算法（EKF）,它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,即粒子滤波器（PF）。本文介绍了一种改进的粒子滤波
器,即高斯-施密特粒子滤波器（GHPF）,重点比较这三种算法在多机器人协同定位领域的应用效果。