基于拟态物理学方法的全局优化算法

受拟态物理学方法的启发,就物理个体与理想粒子的特征异同问题,通过建立拟态物理学方法与基于种群优化算法的映射关系,设计出一种面向全局优化函数的拟态物理学算法框架.这是一种基于群体的随机优化算法,每个样本解被看作一个具有质量、速度和位置属性的物理个体,个体质量是用户定义的有关其目标适应值的函数,个体的适应值越好质量就越大,则个体间的虚拟作用力就越大.利用牛顿万有引力定律定义了个体之间的虚拟作用力,制定了个体之间的引/斥力规则,使得适应值较好个体吸引适应值较差个体,适应值较差个体排斥适应值较好个体,最好个体则不受其他个体的吸引或排斥.该方法利用这种引/斥力规则使得整个种群向更好的搜索区域移动.实验结果表明该算法的有效性.     

绝对定位机制下目标位置估计辅助的群机器人搜索

基于扩展微粒群算法模型控制群机器人协同搜索目标时,成员机器人在社会经验和自身认知,主要是社会经验引导下逐步向目标趋近.由于社会经验仅从成员机器人的认知中“选举”产生,未形式化地融合多个机器人的经验,因此文中从群机器人通信子系统在本质上属于无线传感器网络的事实出发,引入集体决策机制,改进社会经验的生成模式.用无线传感器网络中的测距定位方法来估计目标位置,并将估计值作为社会经验引入现有模型.仿真结果表明,当群体规模够大时,采用文中社会经验生成模式可使协同搜索速度得到提高.     

分区引导种群进化的拟态物理学多目标优化算法

针对基本拟态物理学优化（artificial physics optimization,APO）算法易陷入局部最优、分布性不佳等问题,提出一种分区引导种群进化的改进多目标拟态物理学优化（multi-objective APO improved by partition-guided evolution,PEMOAPO）算法。首先,采用tent映射与反向学习相结合的策略进行种群的初始化,增强种群的多样性;其次,提出分区引导个体进行进化的机制,对处于可行域与不可行域的个体,采取不同的质量函数及虚拟作用力计算规则进行迭代更新,增强算法的收敛性能。选取MW系列和C_DTLZ系列作为基准测试函数进行仿真实验,通过综合性能评价指标对比分析、统计学分析、收敛性分析及时间复杂度分析,表明改进算法具有良好的多样性及收敛性,能快速收敛到Pareto前沿。     

面向目标搜索的轮式机器人的设计与研究

应用嵌入式技术、无线传输技术和图像处理技术,设计搜救机器人,为防灾救灾提供技术服务.采用ARM 11微控制器LM3S9B96设计机器人和手持终端,机器人通过所携带的摄像头采集图像并进行压缩后,通过wifi传输给手持终端;手持终端用TFT液晶屏显示所接收到的远程图像信息,并通过用户界面通过wifi向机器人发送控制命令;机器人根据命令控制自身的运动以及摄像头的转动.实验结果表明,采集的图像清晰、命令执行及时可靠,能够较好地完成目标探测、搜索等任务.     

目标围捕任务中搜索与预包围阶段的群机器人行为学习

为了进行群机器人协同作业,提出目标搜索中导航类集体行为学习策略.在使用具有闭环调节功能的动态任务分工方法进行任务分配、自组织地生成多个子群后,在子群中引入基于社会学习微粒群算法的机器人行为学习策略.在子群框架内,机器人各自独立地以感知的共同意向目标信号强度为标准对所有成员排序,将感知优于自己的机器人作为行为示范者.然后在搜索空间各维度上分别随机选择一个行为示范者,学习其在相应维度上的位置坐标,经构造得到搜索空间中自己的学习行为向量,由此决策自身的运动行为.仿真结果表明,在不需要学习全局社会经验的前提下,机器人能针对所属子群的共同意向目标进行协同作业,提高搜索效率.     

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%。     

解决多目标优化问题的拟态物理学优化算法

提出一种解决多目标优化问题的多目标拟态物理学优化(MOAPO)算法。该算法利用为每个目标赋予随机权重的方法求得全局总目标,由此选取全局最好及最差适应值,并利用拟态物理学优化算法实现对Pareto最优解集的搜索。通过3个典型多目标优化测试函数对MOAPO和MOPSO进行比较,结果表明了MOAPO算法的有效性,特别是在保持解集分布性方面具有较好的性能。     

能力风暴机器人AS-UⅡ目标搜索研究

能力风暴机器人AS-UⅡ一般是通过一种或者两种自身携带的传感器实现目标搜索，但目标位置确定比较粗糙。通过综合应用多种传感器，采用粗搜索和精搜索相结合的方法，建立随机漫游轨迹算法实现粗搜索，建立方向和位置误差算法以实现精搜索，最后设计了目标搜索程序进行了模拟仿真和实际应用试验。结果表明：搜索目标可行，目标位置确定准确，其误差与一般搜索方法相比，大大降低，达到满意效果。     

群机器人任务分工与协同搜索方法

群机器人执行搜索任务时,为平衡任务分工和提高协同搜索效率,提出预分工与反馈调节的双层分工方法和模拟鸟群觅食的协同搜索方法。在任务分工方面,以探测的目标强度为依据建立目标选择概率函数,使用轮盘赌确定机器人意向目标,将意向目标相同的机器人预分配为同一子群,使用反馈调节法实现分工平衡。在协调搜索方面,模拟鸟群觅食过程,提出粒子群-人工势场的搜索和避障协同控制方法。仿真结果表明,协同搜索方法能够锁定区域内所有目标,与文献[10]方法相比,任务完成平均耗时减少了17.14%,最优耗时减少了18.61%,验证了该方法在任务分工和目标搜索上的优越性。     

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%.     

一种群模式全局搜索算法

由于模式搜索算法易陷入局部极值且效率低。受群智能算法的启发,结合模式搜索算法,提出一种全局优化算法——群模式全局搜索算法。该算法引入群智能的思想,包含4个操作:模式探测、模式移动、模式学习、模式扩散,具有较强的局部-全局搜索能力,且收敛速度快、稳定性好。对benchmark函数集进行仿真并与其它多个算法对比,实验结果证实该算法的有效性。     

群机器人围捕多个入侵者的人工力矩方法

群机器人协作围捕多个入侵者的问题是一个富有理论和工程应用价值的问题.针对这一问题提出了一种基于人工力矩的自组织围捕方法.首先基于同盟、围捕曲线等概念给出了围捕机器人基于局部信息计算与调整吸引点的方法,来引导围捕机器人在向入侵者的运动过程中快速地形成理想的围捕队形.然后分别针对围捕机器人和入侵者设计了人工力矩运动控制器,...     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

基于天牛须搜索的粒子群优化算法求解投资组合问题

粒子群算法（PSO）作为一种群智能算法,有效提高了投资组合模型的实用性,但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点,本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO）,并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO）,每个粒子的更新规则源自BAS,在每次迭代中都有自己对环境空间的判断,而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解,从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.     

群体机器人程序更新系统的设计

传统方式下,在一个由几十上百个机器人节点组成的群体系统中,程序的更新意味着逐个烧录,工作量巨大.本文提出一种基于无线广播的IAP方法,对系统中局部或全部个体进行并行程序更新,并实现了相关的原型系统.主要内容包括:基于不可靠MAC层的可靠数据分发协议和减少传输量的增量式补丁生成算法.在系统实现方面,针对可靠性,通信协议参考Deluge协议的部分思想,保证节点接收到数据的完整性和正确性;针对可移植性,直接在二进制级别上进行代码比较和更新,不依赖操作系统和特殊硬件;针对高效性,对Deluge协议进行了若干改进,使用最小编辑距离算法生成补丁文件,实现了理论上最小量数据通信.     

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。     

随机游走的布谷鸟搜索算法

布谷鸟搜索(Cuckoo Search,CS)算法是一种简单方便的仿生群优化算法。它虽然具有明显的优点,但在处理高维复杂问题时,不能收敛到最优解。针对算法后期收敛速度降低、易陷入局部最优的问题,本文在布谷鸟搜索算法中加入偏好随机游走机制,使得算法不容易陷入局部最优,还改变了发现概率pa的值来提高算法的各种性能。对单目标基准函数进行仿真测试,仿真结果表明,优化后的算法可以有效地提高布谷鸟算法的寻优能力。     

Search and tracking algorithms for swarms of robots: A survey

Target search and tracking is a classical but difficult problem in many research domains, including computer vision, wireless sensor networks and robotics. We review the seminal works that addressed this problem in the area of swarm robotics, which is the application of swarm intelligence principles to the control of multi-robot systems. Robustness, scalability and flexibility, as well as distributed sensing, make swarm robotic systems well suited for the problem of target search and tracking in real-world applications. We classify the works we review according to the variations and aspects of the search and tracking problems they addressed. As this is a particularly application-driven research area, the adopted taxonomy makes this review serve as a quick reference guide to our readers in identifying related works and approaches according to their problem at hand. By no means is this an exhaustive review, but an overview for researchers who are new to the swarm robotics field, to help them easily start off their research.