基于并行蚁群算法的多机器人联盟组成

多机器人联盟组成是多机器人协作的重要方法,如何快速高效的组成最优联盟是工作策略,结合多机器人的协作机制组成多机器人任务最优动态联盟,避免了联盟的死锁问题和资源的浪费,减少联盟组成的计算量和通讯量.     

一种基于分布式EKF的多机器人协同定位方法

研究多机器人编队的导航问题,针对多机器人传感器带来的噪声信号影响定位精度,为了提高系统定位精度,提出了一种基于分布式扩展卡尔曼滤波(DEKF)的多机器人协同定位方法.根据航位推算建立单机器人跟踪目标的定位模型后建立编队多机器人的协同定位模型,利用量测信息,通过扩展卡尔曼滤波(EKF)估计各编队机器人局部定位信息,将所得的局部估计值利用优化的融合规则进行处理,得到编队中各机器人的定位数据.通过对单机器人和编队多机器人协同定位进行仿真,结果表明,编队机器人能够利用协同定位方法进行实时定位,且具有更高的定位精度.     

多机器人协同的SLAM算法研究

针对传统的室内多机器人SLAM算法存在探索任务分配灵活低,重叠度高,导致地图融合和建图精度不高的问题。设计一个基于PSO算法的多机器人协同建图与路径规划系统。首先,采用SLAM系统中的Gmapping算法作为基础算法,加入PSO算法将地图融合问题转化为最优求解问题,即找到两个地图重叠度最高的转换矩阵,实现地图融合和多机器人协同建图。结果表明,相同室内环境下,单机器人的平均探索时间为216 s,探索覆盖率为73..38%;而双机器人的平均探索时间仅为47 s,比单机器人的探索时间低了169 s;且双机器人的探索覆盖率为99.69%,比单机器人高出了26.31%。由此说明,双机器人的探索效率和探索覆盖率更高。对比于现有的EKF-CSLAM算法和基于因子图地图融合算法,本算法的建图精度高达99.75%。地图融合和建图精度明显更佳,进一步说明提出的融合算法可提升多机器人室内环境协同建图的效率和鲁棒性。     

基于网络通信的多机器人系统的稳定性分析

研究多机器人系统的协同一致性问题. 在考虑了系统中存在采样、保持以及时延的情况下, 对多机器人系统进行稳定性分析. 提出了一种简便的图形的稳定性判据, 以保证多机器人协同控制系统的一致性收敛. 在此基础上, 推导出了时延为一个采样周期时系统的稳定域. 最后, 利用Matlab进行车辆编队控制系统的仿真, 结果证明了提出的稳定性判据的可行性.     

基于修正蚁群算法的多机器人气味源定位策略研究

为了使多机器人系统能够模仿蚁群寻找食物源的行为方式来搜索室内环境中存在的气味源,通过对蚁群算法的修正,形成一种新的多机器人协作策略．修正的蚁群算法包括局部遍历搜索、全局随机/概率搜索和信息素更新三个阶段．为了实现多个气味源的定位,在迭代搜索中加入了气味源确认机制．仿真结果表明,局部遍历搜索能够保证机器人逐步靠近气味源,而在全局搜索中设置气味浓度检测阈值可以避免机器人“群聚”现象的形成．最后验证了从不同入口点分散进入搜索区域时,机器人对多个气味源的搜索定位效果．     

基于声音的分布式多机器人相对定位

提出了一种基于声音的分布式多机器人相对定位方法.首先,每个机器人通过声源定位算法估计发声机器人在其局部坐标系下的坐标;然后,每个机器人（不含发声机器人）通过无线通信方式将发声机器人在其坐标系下的坐标广播给所有其他机器人,通过坐标变换每个机器人可计算出所有其他机器人在其坐标系下的坐标,从而实现分布式相对定位.理论推导及实验证明只要两个机器人先后发声,通过本文所提方法即可实现多机器人相对定位.室内外环境中采用6个自制小型移动机器人实验表明,所提方法在3米的范围内可实现16厘米的相对定位精度.     

基于改进双系统协同进化算法的无线传感器网络节点定位

为进一步提高无线传感器网络(WSN)中节点的定位精度,提出了一种双系统协同进化(BCO)算法。改进算法利用粒子群优化(PSO)算法快速收敛的特性和混合蛙跳算法(SFLA)较高的寻优精度的特性,在较少的迭代次数内快速收敛且实现深度搜索达到较高的精度。仿真实验结果表明:在应用双系统协同进化算法对测试目标函数进行求解时,能非常接近最优解;同时将该算法应用到基于接收信号强度值(RSSI)测距的节点定位中,预测位置与实际位置的绝对误差在0.05 m范围内;相比基于RSSI的分步粒子群算法(IPSO-RSSI),其定位精度至少提高了10倍。     

基于有效锚节点的多传感器测向测时协同定位算法

针对电子对抗领域中多传感器协同定位精度差、时延高、覆盖率低等缺点,提出了一种有效锚节点选取算法EAS,该算法可根据节点所处环境动态选择有效锚节点参与后期定位;在有效锚节点的基础上对经典的独立数据定位技术进行改进,提出了基于有效锚节点的多传感器测向测时协同定位算法LDTEAS,该算法可降低环境和敌方干扰等因素对定位产生的影响。仿真实验结果表明,相比于同类算法,该算法能有效地提高定位的精度和定位的覆盖率。     

基于博弈论的多机器人系统任务分配算法

对多机器人系统任务分配策略进行了形式化描述,为任务分配方案的求解提供了一种数学描述工具;针对多机器人系统中机器人决策之间的相互依存性,引入博弈论的思想分析了多机器人系统的任务分配问题,提出了一种基于博弈论的多机器人系统任务分配算法(GT-MRTA).实验结果表明,算法复杂度较低,计算量较小,鲁棒性较好,获得的任务分配方案质量较高.     

空地正交视角下的多机器人协同定位及融合建图

针对单一机器人在复杂场景下进行同步定位与建图存在的视角局限等问题,本文提出了一种空地正交视角下的空中无人机与地面机器人协同定位与融合建图方法.鉴于无人机的空中视角与地面机器人视角属于正交关系,该方法主要思想是解决空地正交视角的坐标系转换问题.首先,设计了一种空中无人机和地面机器人协同定位与建图的框架,通过无人机提供的全局俯视图像与地面机器人的局部平视图像获得全面丰富的场景信息.在此基础上,通过融合惯性测量单元和图像信息修正偏移并优化轨迹,利用地面机器人上带有尺度信息的视觉标识,获得坐标系转换矩阵以融合地图.最后多组真实场景实验验证了该方法具有有效性,是空地协同多机器人协同定位及融合建图(simultaneous localization and mapping, SLAM)领域中值得参考的方法.     

分块带边结构线性规划并行算法

基于内点算法((Interior Point Method,IPM)框架,导出具有分块带边结构系数矩阵的线性规划(Linear Programming, I_P)问题的简化和最简修正方程,并证明最简修正方程的对角分块具有正定性。结合正定矩阵的Cholcsky分解和解藕技术设计了修正方程的并行求解方法,给出了LP的并行内点算法结构。集群环境下的数值实验表明,所提算法具有很好的加速比和可扩展性,适合求解大规模结构化工尹问题。     

基于最大空闲时间的分布式巡逻机器人数量优化

针对多机器人巡逻问题,提出基于全局平均最大空闲时间的分布式巡逻算法,确保每个巡逻顶点在一定时间内被机器人访问.在算法执行过程中,每个机器人利用共享信息估算全局平均最大空闲时间.机器人在当前顶点收集的信息用于决策、选择下一个被机器人访问的顶点.再根据全局平均最大空闲时间的大小估算在巡逻任务过程中多机器人团队的表现,确定完成此巡逻任务所需的最优机器人数量.仿真实验表明文中算法的收敛速度较快,全局平均最大空闲时间值较小,多机器人巡逻任务完成效果较佳.     

基于元胞自动机的线性遗传程序设计算法

为维持进化过程中的种群多样性,并进一步提高求解问题的精确度,在SGP算法的基础上引入元胞自动机模型理论,提出一种能够实现具有细粒度并行的CSGP算法.该算法可提高求解问题的成功率以及减少进化代数,对比实验表明,CSGP算法较GEP算法和SGP算法在求解符号回归的问题上有较好的性能优势.     

基于线性规划的多类支持向量机算法

多类支持向量机一般采用多个两类分类支持向量机来求解,这就需要解多个二次规划问题,从而导致算法的计算复杂性很高.根据一类分类思想,提出一种基于线性规划的多类分类算法及其分解形式,所给算法通过引入核函数能够独立地对每一类样本形成一个紧致的优化区域,从而达到分类的目的.对人工三螺旋线数据和几组实际数据库的识别实验表明,所给算法在保持良好的分类精度前提下,能有效地降低程序的运行时间.     

带状线性方程组的含参交替方向并行算法

在MIMD分布式存储环境下针对系数矩阵为带状或块三对角矩阵的线性方程组提出了含三参数交替方向迭代并行算法。通过引入三参数调整,并适当分裂系数矩阵得到新算法,给出了系数矩阵为若干特殊矩阵时算法的收敛条件。在HP rx2600集群系统上实现了算法,针对不同的算例将其与多分裂方法、BSOR方法和PEk内迭代方法进行了比较。并行计算结果表明,所提算法具有较高的加速比和并行效率,明显优于多分裂方法和PEk方法,能合理分配内存,从而有效节省计算时间。针对算例1,加速比和计算效率略优于BSOR方法;而算例2的结果明显优于PEk内迭代方法。     

WSN中基于对偶线性规划的异常检测和定位算法

文章提出了一种改进的传感器网络异常检测和定位方法;该方法通过两个阶段的探查来收集端到端测量数据实现异常检测和定位;第一阶段探查的目的是选择可以覆盖最大数量异常链路的探点,缩小可疑区域范围,供第2阶段探查,这一阶段的探点选择问题被建模为预算有限条件下的覆盖范围最大化问题,文章提出一种基于对偶线性规划的高效近似方法进行求解;第2阶段的目的是以最小的通信代价,定位出导致观察到的端到端异常现象的具体链路,并根据多环置信度传播算法(LBP)来预测诊断质量;在不同网络设置下展开实验,实验结果表明,文章算法的漏检率和精确求解方法相当但运行速度更快。     

用于无线传感器网络的节点间协同定位算法的设计

给出一种无线传感器网络中无锚节点情况下的节点间相互协同定位的算法。它首先将节点进行分簇,把角度测量和距离测量结合起来,通过方位协同,逐步对同步中的节点进行方位调整和坐标调整,从而计算出所有节点的相对坐标。仿真结果表明,在节点随机分布的情况下,该算法比起业界公认的聚类SPA算法在网络覆盖率、定位误差率和通信开销3个方面都有更好的表现。     

基于半定规划的无线传感器网络定位算法性能分析

基于测距的定位方法是无线传感器网络节点定位中一种常见的方法。测距定位方法往往将定位过程转化为数学优化问题。介绍了实现测距定位下的LS-SDR与SAL-SDR两种半定规划定位算法,并同时介绍了LS-LM、SLS-LM、SLS-US与SLS-S等4种定位算法。仿真实验分析和比较了6种不同定位算法的平均RMS定位误差,结果表明相对于其他4种定位算法,LS-SDR和LS-LM算法的定位误差较小。在信标节点数量较少的情况下,LS-LM算法的定位结果有可能发生奇异,造成定位结果的严重失真。而LS-SDR算法对于奇异的发生具有较好的抵抗能力,此时LS-SDR算法的平均RMS定位误差将优于LS-LM算法。     

基于多核系统的并行线性RankSVM算法

排序学习（learning to rank）一直是机器学习领域的研究热点之一。作为解决排序学习的常用模型,线性RankSVM一直备受研究者关注。尽管现有的线性RankSVM已得到较有效地研究,但在训练大规模的线性RankSVM时,过长的训练时间依然难以让人接受。通过对当前最先进算法Tree-TRON的分析可知,利用信任区域的牛顿迭代（Trust Region Newton Method,TRON）去训练线性RankSVM模型涉及大量的Hessian-vector内积（Hessian-vector product）计算。同时完成Hessian-vector内积计算又需计算大量的辅助变量和矩阵运算。为了有效地加速与Hessian-vector内积有关的计算,本文在多核系统下提出了一种高效的并行算法（命名为PRankSVM）用于提高大规模线性RankSVM的训练速度。PRankSVM的特征主要体现以下两个方面：（1）训练数据按不同的查询划分为不同的子问题,（2）在多核系统下,利用多核加速辅助变量和相关矩阵的计算。通过实验分析可知,相较于现有的算法（如Tree-TRON）,PRankSVM不仅可以有效地提高训练速度,而且可以有效地确保预测的准确率。