基于蜂群激发抑制的群机器人多目标协同搜索算法
发布时间：2021-02-18 19:28
在求解群机器人多目标搜索问题时,个体机器人之间的相互协作可以形成整体优化的效果。本文结合激发抑制原理,提出基于蜂群激发抑制的群机器人多目标协同搜索算法（AICA）。在个体层面进行细粒度协同,AICA通过激发抑制原理实现个体之间的紧密协作,快速形成子群体;在子群体层面进行粗粒度协同,使子群体之间能够进行进一步协同,充分发挥每个机器人的作用。仿真实验结果与分析讨论表明,AICA能够充分利用各个个体机器人和子群体在搜索过程中搜索到的信息,从而提升搜索效率,使群机器人能够以较高的效率完成搜索任务。
【文章来源】：河北工业大学学报. 2020,49(05)
【文章页数】：14 页
【部分图文】：
带权重的多目标搜索模型Fig.1Weightedmulti-objectivesearchmodelT4）
于搜索任务的开展；反之，如果距离和len_t较大，说明子群体内机器人的搜索范围比较广阔，更有利于搜索到目标。激发剂大小与搜索目标的权重成正相关。激发剂按照式（5）计算：ai=Wi。（5）目标对机器人的吸引力为激发抑制比值ki的大小，ki按照式（6）计算。激发抑制比越大，说明该目标需要更多的机器人加入到搜索该目标的任务中，反之说明机器人应该到其他区域探索，寻找新的目标。ki=ai/hi。（6）当机器人从某个位置开始搜索时，可选方向有D＝8个，如图6所示。机器人选择8个方向中的一个作为下一个位置的过程可视为周围D个方向对机器人产生吸引力的过程。其中，在r个方向上存在待搜索目标，r个方向上的目标对机器人的吸引力为ki；剩下D－r个方向不存在搜索目标，这些方向对机器人产生的吸引力为θi，机器人在这些方向上按作用力大小选择，并且机器人已经遍历过的方向上产生的作用力比没有遍历过的方向上产生的作用力校机器人下一步方向将朝着最大吸引力的方向运动，如式（7）所示：F1j=max(max(ki)∑i=1rki+∑l=1D-rθl,max(θl)∑i=1rki+∑l=1D-rθl)，（7）图6机器人可选行走方向Fig.6Robotoptionaldirection机器人位置可选方向机对器人的作用力F12365478
不佳。但是，当群机器人数量增加到一定程度时，子群体之间的协同次数明显增加，即子群体之间进行信息共享，并且这种协同是有效的协同，因为在协同次数增加之后群机器人的总运行步长、运行时间步长急速下降，而搜索率达到100%，搜索目标能够被快速搜寻到。4.4.3实验3：有障碍物粗细粒度协同实验3在实验2的基础上增加了障碍物，以此增加群机器人的搜索难度，如图13所示，图13中黑色方块为障碍物。在实验3中，群机器人同样使用粗粒度协同与细粒度协同策略进行个体与子群体层面的交互。图10实验环境示意图Fig.10Schematicdiagramofexperimentalenvironment50454035302520151052030405010a）搜索率1.00.80.60.480100搜索率/%X：30Y：0.0285720X：20Y：0.05714X：10Y：0.08517b）时间步长200015001000500080100时间步长2004060机器人数量c）运行总步长108642080100运行总步长×1042004060机器人数量图11实验1仿真结果Fig.11SimulationresultsofExperiment1
【参考文献】：
期刊论文
[1]一种面向时间分配问题的群智能劳动分工新方法[J]. 肖人彬,王英聪. 智能系统学报. 2019(03)
[2]栅格地图中多机器人协作搜索目标[J]. 曹翔,孙长银. 控制理论与应用. 2018(03)
[3]基于简化虚拟受力模型的群机器人多目标搜索协调控制[J]. 周少武,张鑫,张红强,周游,李超逸. 机器人. 2016(06)
[4]复杂环境移动群机器人最优路径规划方法[J]. 徐雪松,杨胜杰,陈荣元. 电子测量与仪器学报. 2016(02)
[5]未知动态复杂环境下群机器人协同多层围捕[J]. 张红强,章兢,周少武,欧阳普仁,吴亮红. 电工技术学报. 2015(17)
[6]群机器人多目标搜索中的合作协同和竞争协同[J]. 张云正,薛颂东,曾建潮. 机器人. 2015(02)
[7]群机器人多目标搜索中带闭环调节的动态任务分工[J]. 张云正,薛颂东,曾建潮. 机器人. 2014(01)
[8]基于松散偏好规则的群体机器人系统自组织协作围捕[J]. 黄天云,陈雪波,徐望宝,周自维,任志勇. 自动化学报. 2013(01)
[9]面向多目标搜索的群机器人任务分配研究[J]. 宋玉丽,张国有,曾建潮,薛颂东. 太原科技大学学报. 2012(04)
本文编号：3039996
【文章来源】：河北工业大学学报. 2020,49(05)
【文章页数】：14 页
【部分图文】：
带权重的多目标搜索模型Fig.1Weightedmulti-objectivesearchmodelT4）
于搜索任务的开展；反之，如果距离和len_t较大，说明子群体内机器人的搜索范围比较广阔，更有利于搜索到目标。激发剂大小与搜索目标的权重成正相关。激发剂按照式（5）计算：ai=Wi。（5）目标对机器人的吸引力为激发抑制比值ki的大小，ki按照式（6）计算。激发抑制比越大，说明该目标需要更多的机器人加入到搜索该目标的任务中，反之说明机器人应该到其他区域探索，寻找新的目标。ki=ai/hi。（6）当机器人从某个位置开始搜索时，可选方向有D＝8个，如图6所示。机器人选择8个方向中的一个作为下一个位置的过程可视为周围D个方向对机器人产生吸引力的过程。其中，在r个方向上存在待搜索目标，r个方向上的目标对机器人的吸引力为ki；剩下D－r个方向不存在搜索目标，这些方向对机器人产生的吸引力为θi，机器人在这些方向上按作用力大小选择，并且机器人已经遍历过的方向上产生的作用力比没有遍历过的方向上产生的作用力校机器人下一步方向将朝着最大吸引力的方向运动，如式（7）所示：F1j=max(max(ki)∑i=1rki+∑l=1D-rθl,max(θl)∑i=1rki+∑l=1D-rθl)，（7）图6机器人可选行走方向Fig.6Robotoptionaldirection机器人位置可选方向机对器人的作用力F12365478
不佳。但是，当群机器人数量增加到一定程度时，子群体之间的协同次数明显增加，即子群体之间进行信息共享，并且这种协同是有效的协同，因为在协同次数增加之后群机器人的总运行步长、运行时间步长急速下降，而搜索率达到100%，搜索目标能够被快速搜寻到。4.4.3实验3：有障碍物粗细粒度协同实验3在实验2的基础上增加了障碍物，以此增加群机器人的搜索难度，如图13所示，图13中黑色方块为障碍物。在实验3中，群机器人同样使用粗粒度协同与细粒度协同策略进行个体与子群体层面的交互。图10实验环境示意图Fig.10Schematicdiagramofexperimentalenvironment50454035302520151052030405010a）搜索率1.00.80.60.480100搜索率/%X：30Y：0.0285720X：20Y：0.05714X：10Y：0.08517b）时间步长200015001000500080100时间步长2004060机器人数量c）运行总步长108642080100运行总步长×1042004060机器人数量图11实验1仿真结果Fig.11SimulationresultsofExperiment1
【参考文献】：
期刊论文
[1]一种面向时间分配问题的群智能劳动分工新方法[J]. 肖人彬,王英聪. 智能系统学报. 2019(03)
[2]栅格地图中多机器人协作搜索目标[J]. 曹翔,孙长银. 控制理论与应用. 2018(03)
[3]基于简化虚拟受力模型的群机器人多目标搜索协调控制[J]. 周少武,张鑫,张红强,周游,李超逸. 机器人. 2016(06)
[4]复杂环境移动群机器人最优路径规划方法[J]. 徐雪松,杨胜杰,陈荣元. 电子测量与仪器学报. 2016(02)
[5]未知动态复杂环境下群机器人协同多层围捕[J]. 张红强,章兢,周少武,欧阳普仁,吴亮红. 电工技术学报. 2015(17)
[6]群机器人多目标搜索中的合作协同和竞争协同[J]. 张云正,薛颂东,曾建潮. 机器人. 2015(02)
[7]群机器人多目标搜索中带闭环调节的动态任务分工[J]. 张云正,薛颂东,曾建潮. 机器人. 2014(01)
[8]基于松散偏好规则的群体机器人系统自组织协作围捕[J]. 黄天云,陈雪波,徐望宝,周自维,任志勇. 自动化学报. 2013(01)
[9]面向多目标搜索的群机器人任务分配研究[J]. 宋玉丽,张国有,曾建潮,薛颂东. 太原科技大学学报. 2012(04)
本文编号：3039996
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3039996.html
