基于改进遗传算法的RBF网络的截球策略

在RoboCup2D仿真足球比赛中,球员的底层动作设计的好坏直接影响着比赛的输赢,特别是一些关键的动作,比如截球、传球、射门等动作。鉴于此,提出一种新的截球方法,即改进的遗传算法和RBF神经网络相结合的截球方法。该方法是用改进的遗传算法优化RBF神经网络的结构参数,通过优化,提高了网络的全局搜索效率。实验表明,经过改进遗传算法优化的RBF神经网络的截球成功率比单一的RBF神经网络截球成功率高很多。     

RoboCupSoccer中多机器人协作截球策略

截球策略是决定机器人足球队比赛能力的重要因素。由于信息噪音、命令执行误差、多异构类型和随机异构参数等因素的影响,单纯基于个体技术的截球决策并不一定可靠。首先采用数学解析方法建立截球个体技术模型,利用牛顿迭代法求解最快截球周期、截球点和基本命令队列;然后基于BP神经网络描述两个截球周期相比的截球成功概率;最后机器人基于自己和同伴的角色关系、截球成功概率和截球点所在球场区域进行协作截球决策。实验结果显示基于角色的协作截球效果明显改善。基于此策略的机器人足球队在比赛中取得不错的成绩。     

优势关系粗糙集在RoboCup中的决策分析

截球能力是RoboCup(Robot World Cup)仿真比赛中个体智能体的核心技能之一.为提高截球的成功率,将解析法和经验法相结合,提出了一种基于优势关系粗糙集的截球策略.着重讨论了基于优势关系的知识约简和截球决策规则的提取,研究了RoboCup运动模型中截球点的二分法求解.最后进行了仿真平台中的决策分析,验证了该策略的有效性.     

基于神经网络的RoboCup进攻策略

机器人足球赛Robocup(Robot World Cup)是国际上规模最大且影响最为广泛的机器人足球赛事。机器人足球比赛已经成为当前人工智能研究的热点之一,作为多Agent系统的一个理想的试验平台,它涉及到了多个技术领域。文章应用神经网络技术解决Robocup仿真组比赛的进攻策略问题,对射门底层技术进行了有效优化。我们把这种策略与以往的基于逻辑准则的策略进行了比较。基于神经网络的优化射门策略在很多情况下会做出更好的决定。     

自适应遗传算法和RBF网络在传球中的应用

机器人足球仿真比赛系统是研究人工智能的优秀平台,借助平台,将智能算法应用到仿真球队的相关策略设计中,通过球队之间的比赛以验证算法的可行性.传球是球员的基本动作之一,设计的好与否直接影响着球队的整体实力.由于仿真比赛环境是一个实时、动态、有干扰的环境,难以对传球动作建立精确的物理模型.为提高球队近似物理模型的传球成功率,提出了一种新的传球方法,即基于自适应遗传算法的RBF神经网络传球方法.用自适应遗传算法优化RBF神经网络的结构参数,通过优化,提高了网络的学习能力和全局搜索效率.仿真结果表明,经过自适应遗传算法优化的RBF神经网络的传球成功率得到了很大提高.     

机器人足球比赛截球策略设计

在机器人世界杯足球锦标赛(TheRobotWorldCup,简称RoboCup)中,截球效率直接影响到比赛的结果。通过足球截球模型,建立方程,从而求出截球位置。解方程的根是提高截球效率的关键,本文采用高效的弦割法来快速计算方程的根。试验发现方程曲线的变化对弦割法解方程根的效率有很大影响,曲线的形状直接影响了弦割法的收敛速度。为加速收敛性,对弦割法进行了优化。最后与优化前的弦割法以及二分法进行了比较,结果表明优化后整体性更为高效,很好地满足了比赛的要求。     

基于佳点集遗传算法的足球机器人策略设计

为了优化足球机器人策略的设计,文中提出了一个基于佳点集遗传算法的足球机器人动作规划算法。首先定义一个足球机器人的动作集合,根据赛场的实际情况为足球机器人分配角色与任务,然后利用佳点集遗传算法为足球觇器人选择合适的动作,用该算法进行截球实验和射门实验。实验结果表明,应用新算法的仿真足球机器人动作更准确,效果更佳。     

基于佳点集遗传算法的足球机器人策略设计

为了优化足球机器人策略的设计.文中提出了一个基于佳点集遗传算法的足球机器人动作规划算法.首先定义-个足球机器人的动作集合,根据赛场的实际情况为足球机器人分配角色与任务,然后利用佳点集遗传算法为足球机器人选择合适的动作,用该算法进行截球实验和射门实验.实验结果表明,应用新算法的仿真足球机器人动作更准确,效果更佳.     

基于速度选择的RoboCup传球策略

在RoboCup足球2D仿真比赛中,智能体的主要行为有传球、带球、射门、截球等等。而传球策略在其中起着至关重要的作用,它牵涉到多智能体的协作问题。本文中提出的基于速度选择的RoboCup传球策略大大地提高了传球的成功率和准确率,节省了球员体力。     

自适应遗传算法优化神经网络的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御.基于神经网络的入侵检测是常见的智能入侵检测方法.针对神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出了一种将神经网络和遗传算法相结合,用遗传算法优化神经网络权值,在遗传算法优化神经网络时采用自适应遗传操作.将自适应遗传算法优化神经网络算法应用于入侵检测系统中,实验结果表明,该方法能够有效的提高系统的检测率,降低误报率和漏报率.     

基于模糊神经网络的统一潮流控制器

为了减少先验知识对统一潮流控制器中模糊规则的设计和电力系统参数的变化对统一潮流控制器性能的影响,文中采用模糊神经网络来设计统一潮流控制器.为此首先简单介绍了统一潮流控制器的控制策略,然后阐述了自组织模糊神经网络和基于遗传算法的模糊神经网络的构造方法,接着将自组织模糊神经网络、基于遗传算法的模糊神经网络结合统一潮流控制器的控制策略应用于两种统一潮流控制器.最后通过MATLAB仿真例子来验证:这两种统一潮流控制器的设计方法的有效性.     

基于改进的Q学习的RoboCup传球策略研究

模拟机器人足球比赛(Robot World Cup,RoboCup)作为多Agent系统的一个理想的实验平台,已经成为人工智能的研究热点。传统的Q学习已被有效地应用于处理RoboCup中传球策略问题,但是它仅能简单地离散化连续的状态、动作空间。提出将神经网络应用于Q学习,系统只需学习部分状态-动作的Q值即可获得近似连续的Q值,就可以有效地提高泛化能力。然后将改进的Q学习应用于优化传球策略,最后在RobCup中实现测试了该算法,实验结果表明改进的Q学习在RoboCup传球策略中的应用,可以有效提高传球的成功率。     

Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir

In this work we investigate how artificial neural network (ANN) evolution with genetic algorithm (GA) improves the reliability and predictability of artificial neural network. This strategy is applied to predict permeability of Mansuri Bangestan reservoir located in Ahwaz, Iran utilizing available geophysical well log data. Our methodology utilizes a hybrid genetic algorithm–neural network strategy (GA–ANN). The proposed algorithm combines the local searching ability of the gradient–based back-propagation (BP) strategy with the global searching ability of genetic algorithms. Genetic algorithms are used to decide the initial weights of the gradient decent methods so that all the initial weights can be searched intelligently. The genetic operators and parameters are carefully designed and set avoiding premature convergence and permutation problems. For an evaluation purpose, the performance and generalization capabilities of GA–ANN are compared with those of models developed with the common technique of BP. The results demonstrate that carefully designed genetic algorithm-based neural network outperforms the gradient descent-based neural network.     

An investigation into the application of neural networks,fuzzy logic,genetic algorithms,and rough sets to automated knowledge acquisition for classification problems

This paper presents some highlights in the application of neural networks, fuzzy logic, genetic algorithms, and rough sets to automated knowledge acquisition. These techniques are capable of dealing with inexact and imprecise problem domains and have been demonstrated to be useful in the solution of classification problems. It addresses the issue of the application of appropriate evaluation criteria such as rule base accuracy and comprehensibility for new knowledge acquisition techniques. An empirical study is then described in which three approaches to knowledge acquisition are investigated. The first approach combines neural networks and fuzzy logic, the second, genetic algorithms and fuzzy logic, and in the third a rough sets approach has been examined, and compared. In this study neural network and genetic algorithm fuzzy rule induction systems have been developed and applied to three classification problems. Rule induction software based on rough sets theory was also used to generate and test rule bases for the same data. A comparison of these approaches with the C4.5 inductive algorithm was also carried out. Our research to date indicates that, based on the evaluation criteria used, the genetic/fuzzy approach compares more than favourably with the neuro/fuzzy and rough set approaches. On the data sets used the genetic algorithm system displays a higher accuracy of classification and rule base comprehensibility than the C4.5 inductive algorithm.     

基于Q学习的Agent智能防守策略研究与应用

模拟机器人足球比赛（Robot World Cup,RoboCup）作为多Agent系统的一个通用的实验平台,通过它可以来评价各种理论、算法和框架等,已经成为人工智能的研究热点。针对RoboCup仿真中的守门员防守问题,基于Q学习算法,描述了在特定场景中应用Q学习训练守门员的方法和过程。在RobCup中验证了该算法,实现了守门员防守策略的优化。     

基于粗糙集约简的神经网络集成及其遥感图像分类应用

为降低集成特征选择方法的计算复杂性,提出了一种基于粗糙集约简的神经网络集成分类方法。该方法首先通过结合遗传算法求约简和重采样技术的动态约简技术,获得稳定的、泛化能力较强的属性约简集;然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络;最后通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,该方法时     

基于粗糙集约简的神经网络集成及其遥感图像分类应用

为降低集成特征选择方法的计算复杂性,提出了一种基于粗糙集约简的神经网络集成分类方法。该方法首先通过结合遗传算法求约简和重采样技术的动态约简技术,获得稳定的、泛化能力较强的属性约简集;然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络;最后通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,该方法时间开销少,计算复杂性低,具有满意的分类性能。