基于P-PSO算法的室内有障碍通风环境下的多机器人气味源
搜索
李飞;孟庆浩;李吉功;曾明
【期刊名称】《自动化学报》
【年(卷),期】2009(0)12
【摘要】受湍流影响,室内通风环境下的烟羽分布表现出波动变化且不连续的特性;在一些角落处,较大的漩涡会产生长时间的局部浓度极值区;另外室内的障碍物也会改变烟羽的分布状况.因此室内有障碍通风环境下的机器人气味源搜索问题变得很复杂.本文提出了基于概率适应度函数的粒子群优化(Probability-fitness-function based particleswarm optimization,P-PSo)算法并用于多机器人气味源搜索.P-PSO算法的特点是采用概率而非确定数来表达适应度函数值.针对气味源搜索问题,P-PSo算法的适应度函数值由贝叶斯和变论域模糊推理估计的气味源概率表达.为验证提出的搜索策略,构建了对应实际边界条件的室内通风环境的烟羽模型.仿真研究证明了本文提出的P-PSO搜索算法用于解决气味源搜索问题的可行性.
【总页数】7页(P1573-1579)
【作者】李飞;孟庆浩;李吉功;曾明
【作者单位】天津大学电气与自动化工程学院,天津市过程检测与控制重点实验室,天津,300072;天津大学电气与自动化工程学院,天津市过程检测与控制重点实验室,天津,300072;天津大学电气与自动化工程学院,天津市过程检测与控制重点实验室,天津,300072;天津大学电气与自动化工程学院,天津市过程检测与控制重点实验室,天津,300072
【正文语种】中文
【中图分类】TP24
【相关文献】
1.室内噪声环境下气味源的多机器人微粒群搜索方法 [J], 张勇;巩敦卫;胡滢;张建化
2.基于头脑风暴优化算法的多机器人气味源定位 [J], 梁志刚;顾军华;董永峰
3.动态环境下基于犛犞犚-P犛犗的多机器人气味源定位方法 [J], 张建化;巩敦卫;张勇
4.动态环境下基于SVR-PSO的多机器人气味源定位方法 [J], 张建化;巩敦卫;张勇;
5.基于改进AEO算法的多机器人主动嗅觉室内味源定位研究 [J], 傅均;沈路遥;刘锐蕊
因版权原因，仅展示原文概要，查看原文内容请购买
密集障碍物环境下移动机器人全局路径规划 路径规划/双层粒子群/启发式搜索/脱障算子 1 引言 路径规划是机器人导航技术的重要部分,研究的内容是在已知或未知的环境中,寻找一条从起点到终点的满足一定优化指标的无碰撞路径。据机器人对环境的掌握状况,已有的路径规划方法可分为基于模型的全局路径规划和基于信息检测的局部路径规划。全局路径规划的基本问题是环境建模和路径寻优,重点在于开发高性能的搜索算法,使得规划的路径全局最优。目前,用于全局路径规划的方法主要有基于图论、栅格等的传统方法[1]和基于进化算法的智能方法[2]。这些方法各具优点,但又都有不足之处[3]。 粒子群优化是Kennedy等借鉴鸟群的集体捕食行为,提出的一种随机群进化方法[4]。相对传统的优化方法,该方法易于实现、可调参数少,以及收敛速度快,已成功应用于函数优化、模式识别、神经网络训练、数据挖掘,以及路径规划等领域。但是,利用粒子群优化进行机器人路径规划,存在局部收敛、效率低下,以及精度不高等缺点,尤其是含有非规则密集障碍物的复杂环境,优化的路径多与障碍物碰撞。 针对粒子群优化用于密集障碍物环境机器人全局路径规划存在的问题,本文提出一种双层微粒群优化方法(Two-layer particle swarm optimization, LPSO)。首先,采用坐标变换法构建环境模型,将路径规划问题表达为一个约束优化函数问题。接着,通过在评价函数中引入罚函数,将约束优化转变为无约束优化。随后,定义脱障算子,给出双层粒子群优化算法的思想及步骤。最后,仿真验证本文所提算法的有效性。 2 问题描述与建模 为了规划机器人路径,首先需要建立问题的数学模型。如图1所示,在机器人工作空间建立两维绝对坐标系,其中,S为机器人的起点,G为终点,多边形物体表示障碍物。当起点与终点的连线与X轴不重合时,建立如下相对坐标系 S-xy:以S和G间的连线为轴,过S点且垂直SG的直线为y轴[5]。两坐标系间的变换公式为: ,为S在坐为坐标轴,X与x的夹角S-xy(x,y)式中,(X,Y)和分别为点在坐标系O-XY和的坐标标系O-XY的坐标。 可以得到平行直线族,的垂线,该并过每个等分点作进行对线段SGD+1等分,SG 即为规划的目标点序列直线族与路径的交点, 使得构成的中就是在相对坐标系机器人路径规划,S-xy,寻找一个目标点序列, 路 径． 且,与相邻点的连线也不与障满足期望的性能指标。这里,的约束是对点:不在障碍物上或内部碍物相交。 相对坐标为对于路径
《人工智能及其应用》 实验指导书
目录 实验教学大纲 (1) 实验一产生式系统实验 (3) 实验二粒子群算法实现TSP问题 (5) 实验三A*算法实验I (7) 实验四A*算法实验II (10) 实验五遗传算法实验I (12) 实验六遗传算法实验II (16) 实验七基于神经网络的模式识别实验 (18) 实验八基于神经网络的优化计算实验 (22) 第II页
实验教学大纲 一、学时：16学时。 二、主要仪器设备及运行环境：PC机、Visual C++ 6.0、Matlab 7.0。 三、实验项目及教学安排 序号实验名称实验 平台实验内容学 时 类型教学 要求 1 产生式系统应用VC++ 设计知识库，实现系统识别或 分类等。 2 设计课内 2 粒子群算法实现 TSP问题 Matlab 1）用粒子群算法求解TSP问题； 2 验证课内3 A*算法应用I VC++ 设计与实现求解N数码问题的 A*算法。 2 综合课内4 A*算法应用II VC++ 设计与实现求解迷宫问题的A* 算法。 2 综合课内5 遗传算法应用I Matlab 1）求某一函数的最小值； 2）求某一函数的最大值。 2 验证课内6 遗传算法应用II VC++ 设计与实现求解不同城市规模 的TSP问题的遗传算法。 2 综合课内 7 基于神经网络的 模式识别Matlab 1）基于BP神经网络的数字识 别设计； 2）基于离散Hopfiel神经网络 的联想记忆设计。 2 验证课内 8 基于神经网络的 优化计算VC++ 设计与实现求解TSP问题的连 续Hopfield神经网络。 2 综合课内 四、实验成绩评定 实验课成绩单独按五分制评定。凡实验成绩不及格者，该门课程就不及格。学生的实验成绩应以平时考查为主，一般应占课程总成绩的50%，其平时成绩又要以实验实际操作的优劣作为主要考核依据。对于实验课成绩，无论采取何种方式进行考核，都必须按实验课的目的要求，以实际实验工作能力的强弱作为评定成绩的主要依据。 评定各级成绩时，可参考以下标准： （一）优秀
基于GA-PSO算法焊接机器人路径规划研究 尤田;张威;葛琳琳 【摘要】焊接机器人在制造业中有广泛的应用.在焊接任务中通常有许多焊接接头,合理地规划焊接路径使其穿过这些焊接接头,对焊接效率的提高有积极的影响.传统的手工路径规划技术可以有效地处理少量焊接接头,但当焊接节点数目较大时,很难获得最优路径.传统的手工路径规划方法耗时长、效率低,不能保证最优.遗传-粒子群优化算法(GA-PSO)基于遗传算法(GA)和粒子群优化算法(PSO)的优点来解决焊接机器人的路径规划问题.仿真结果表明,该算法具有较强的搜索能力和实用性,适用于焊接机器人路径规划.%Welding robots have a wide range of applications in manufacturing industries.There are usually many welded joints in the welding task,and a reasonable welding path passes through these welded joints has a significant impact on the welding efficiency.Traditional manual path planning techniques can handle a small number of welded joints effectively,but when the number of welded joints is large,it is difficult to obtain the optimal path.The traditional manual path planning method is also time consuming and inefficient,and cannot guarantee optimality.Genetic algorithm-particle swarm optimization (GA-PSO)is based on the advantages of genetic algorithm (GA)and particle swarm optimization (PSO)to solve the welding robot path planning problem.The simulation results indicate that the algorithm has strong searching ability and practicality and is suitable for welding robot path planning. 【期刊名称】《辽宁石油化工大学学报》
基于多智能体遗传算法的多机器人混合式编队控制 仇国庆;李芳彦;吴健 【摘要】A new hybrid formation control approach for multi-robot based on multi-agent genetic algorithm is proposed, which combines multi-agent system with genetic algorithm to optimize motion parameters of multi-robot on liner.Meanwhile, using the Leader-follower and artificial potential field, this approach can improve stability of the formation and the ability of resisting interference.We adopt the method which we proposed before to simulation and compares with the formation control without using multi-agent genetic algorithm.The simulation result verifies that the proposed hybrid formation control algorithm is feasible.%提出了一种基于多智能体遗传算法的多机器人混合式编队控制方法,将多智能体系统与传统遗传算法相结合,形成了一种新的在线优化算法(多智能体遗传算法),应用到多机器人编队控制中.同时将领航跟随法与人工势场法相结合,能更有效地保持队形的稳定性、增强抗干扰能力.采用该方法进行仿真实验,并与传统机器人编队控制方法相比较,实验结果验证了所提方法的可行性和有效性. 【期刊名称】《青岛科技大学学报（自然科学版）》 【年(卷),期】2017(038)002 【总页数】5页(P107-111) 【关键词】多机器人;多智能体遗传算法;编队控制 【作者】仇国庆;李芳彦;吴健
基于PSO算法的RoboCup2D机器人研究 包胜刚;董春晨;刘钊 【摘要】对机器人体系结构、动作学习及行为的组织方式进行了研究,以演化计算为基本方法,以RoboCup2D为平台,设计了基于PSO算法的足球机器人的体系结构,解决感知、动作、和规划问题;在训练环境下,形成感知规则,优化感知相关参数,得到对信息高效快速的感知方法,并根据指定的粒度、功能、参数,对RoboCup2D 机器人的原子动作进行了组合优化,得到一组带参数和执行效果描述的粒子动作;最后在赛场环境和任务驱动下,搜索粒子动作并进行组织规划,得到完成特定任务的机器人行为;RoboCup2D仿真实验表明,演化计算方法不仅能利用原子动作进行组合优化,得到适应于不同条件的粒子动作,而且能通过其在线搜索粒子动作,动态组成机器人行为;基于演化计算的足球机器人能更好地完成跑位、截球、带球、传球等任务,具有更强的适应性. 【期刊名称】《计算机测量与控制》 【年(卷),期】2016(024)009 【总页数】4页(P227-230) 【关键词】智能体;机器人体系结构;规划;粒子群优化算法 【作者】包胜刚;董春晨;刘钊 【作者单位】武汉科技大学计算机科学与技术学院,武汉 430081;武汉科技大学计算机科学与技术学院,武汉 430081;武汉科技大学计算机科学与技术学院,武汉430081
【正文语种】中文 【中图分类】TP391 机器人行为的组织在智能机器人中占有重要地位，而它与动作设计具有密切的关系。根据机器人的感知、规划、行为的方式和关系，机器人体系结构分为：分层、包容、分层-反应混合3大类结构。早在1984年Nilsson就在分层范式里提出“三层次 结构”并在Shakey上实现，将机器人动作分级为引导、导航、任务；之后类似方法反复被使用 [2-3]；2001年Nilsson提出三层塔式体系结构，并将Teleo-Reactive (TR)规划[4]引入，该结构中机器人的组成包括：感知塔(Perception Tower)、建模塔(Model Tower)和行为塔(Action Tower)，每个塔都包含层次， 主要特点包括：1)将TeleoReactive规划应用于行为塔。TeleoReactive规划融合了层次控制结构的自顶向下方法和基于主体的自底向上方法，使用了TR树的数据结构，在TeleoReactive循环中，从树根任务条件开始，依次评估每个任务条件，直到找到第一个成立的任务节点，然后就立即执行与之关联的动作或者序列。2)将感知规则应用于感知塔。3)将真知保留系统(Truth Maintenance System , TMS) 应用于建模塔中，负责获取可靠的知识。Nilsson的三层塔式体系结构如图1。 该结构被成功应用于许多自动化领域，包括机器人规划和航空控制(Benson, 1996). 结构中的规则和动作设计是其关键点和难点，包括Nilsson在内的许多研 究者考虑过自动化这部分工作。2003年Kochenderfer将遗传算法应用于上述体系结构，利用演化计算的方法，自动生成Teleo-Reactive程序中的规则和行为，并可以用来求解积木世界中的不同问题规模的动作规划问题。遗传算法的使用提高了系统的自适应性，这是获取动作的相关知识的新途径。 积木世界里的堆放问题状态空间不大，对系统的智能性和适应性要求并不高，相比而言，机器人踢足球，以及机器人足球比赛对智能机器人的挑战性更高，更合适用
基于多元优化算法的路径规划 李宝磊;吕丹桔;张钦虎;施心陵;陈建华;张榆锋 【摘要】本文提出了一种基于多元优化算法和贝塞尔曲线的启发式智能路径规划 方法。该方法通过用贝塞尔曲线描述路径的方法把路径规划问题转化成最优化问题。然后，使用多元优化算法来寻找最优的贝塞尔曲线控制点以获得最优路径。多元优化算法智能搜素个体协同合作交替的对解空间进行全局、局部迭代搜索以找到最优解。多元优化算法的搜索个体（元）按照分工不同可以分为全局元和局部元。在一次迭代中，全局元首先探索整个解空间以找出更优的潜在解区域。然后，局部元在各个潜在解区域进行局部开采以改善解质量。可见，搜索元具有分工不同的多元化特点，多元优化算法也就因此而得名。分工不同的搜索元之间高效的沟通和合作保证了多元优化算法的良好性能。为了评估多元优化算法的性能，我们基于标准测试地图比较了多元优化算法与其它三种经典启发式智能路径规划算法。结果表明，我们提出的方法在最优性，稳定性和有效性上方面优于其它方法。%A heuristic intelligent path planning method based on the multivariant optimization algorithm and the Bezi-er curve is presented.The path planning problem is transformed into an optimization problem through using the Bezier curve to represent a path in this method.Then,the multivariant optimization algorithm is applied to find the optimal control points of the best Bezier curve,aiming at finding the optimal path.The multivariant optimization algorithm searches the solution space through iterations of alternative global and local search.According to the different responsibilities,the search individu-als (atoms)could be divided into two types:the global atoms and the local atoms.In each iteration,global atoms explore the
一种基于Pareto关联度支配的多目标粒子群优化算法 汤可宗;李佐勇;詹棠森;李芳;姜云昊 【摘要】为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD).该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则.该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近.同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程.仿真实验表明,与被比较算法在ZDT 和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率. 【期刊名称】《南京理工大学学报（自然科学版）》 【年(卷),期】2019(043)004 【总页数】9页(P439-446,480) 【关键词】多目标优化;粒子群优化;Pareto支配;关联度;多样性 【作者】汤可宗;李佐勇;詹棠森;李芳;姜云昊 【作者单位】景德镇陶瓷大学信息工程学院,江西景德镇333403;工业机器人应用福建省高校工程研究中心闽江学院,福建福州350108;景德镇陶瓷大学信息工程学院,江西景德镇333403;景德镇陶瓷大学信息工程学院,江西景德镇333403;景德镇陶瓷大学信息工程学院,江西景德镇333403
【正文语种】中文 【中图分类】TP391.41 现实世界的许多工程及科学研究中,多目标优化问题(Multi-objective optimization problems,MOP)是必须要解决的关键问题。由于MOP存在多个相互冲突的目标,一个目标性能的改善可能会引起另一个或多个目标性能的下降,要使所有目标都同时达到最优往往是不可能的。随着维数的增加,各类MOP的动态、非线性及不可微等特性也会导致多目标优化计算的复杂度和搜索空间急剧递增,难以找到一种适合于不同MOP求解的通用方法,所有这些使得MOP的求解已成为目前国内外演化计算领域最难解决的热点问题之一。 目前,研究者们已提出了许多相对成熟的多目标智能优化改进方法。其中,粒子群优化(Particle swarm optimization,PSO)方法是一种基于群体迭代的启发示智能搜索算法,具有结构简单﹑性能稳定﹑不易受过多参数影响等特点,现已被广泛应用于各类MOP求解过程。类似于多目标进化算法,求解MOP的PSO改进方法通常使用传统的Pareto支配规来比较个体间的优劣关系。然而,随着变量维数及目标个数的增加,高维空间中Pareto支配规则难以有效区分个体的优劣,致使搜索空间中几乎所有个体都是非支配解,且种群的分布性也难以进行实时监控。所有这些因素都严重影响着算法的全局勘探和局部开发能力。对此,不少研究者从改进支配关系﹑调节外部档案维护策略,以及改善全局(或局部)最优粒子的选取等方面提出了许多积极的改进方法。例如,为扩大支配区域,Knowles等[1]提出通过自适应超网格选择全局最优解,该方法增强了非支配解的多样性,但会使得全局最优解朝着非代表性的支配前沿靠近,不利于粒子群体的快速收敛;Wickramasinghe等[2]提出一种基于距离测度的高维多目标粒子群优化算法。该算法不再使用Pareto支配关系,较好地避免
路径规划的主要算法与展望-应用数学论文-数学论文 ——文章均为WORD文档，下载后可直接编辑使用亦可打印—— 摘要：路径规划算法是智能领域中一项新兴的关键支撑技术；依据路径规划算法的实现原理，将其分为进化型算法与非进化型算法；再依据数学特征将非进化型算法细分为经典数学与几何图论两类；针对每类算法，分别从发展背景、设计思想、优缺点、改进与发展等方面简要归纳分析；最后对路径规划算法的未来发展趋势进行展望。 关键词：路径规划; 进化型算法; 非进化型算法; 未来展望; Summary of Path Planning Algorithms
LIANG Xiao-hui MU Yong-hui WU Bei-hua JIANG Yu Shijiazhuang Campus of Army Engineering University Abstract：Path planning algorithm is an emerging key supporting technology in the field of intelligence; According to the implementation principle of path planning algorithm, it is divided into evolutionary algorithm and non-evolutionary algorithm; Then based on the mathematical characteristics, the non-evolutionary algorithm can be divided into two types: classical mathematics and geometric graph theory; For each type of algorithm, the paper will give a brief summary and analysis from some aspects: the background of development,design ideas, advantages and disadvantages, improvement. Finally the future development trend of the path planning algorithm is forecasted.