基于蜂群算法与聚类的多机器人探索优化研究

发布时间：2025-02-05 15:53

　　近年来,各种事故灾害发生频繁,现场救援工作的需求愈加迫切;同时,也使得救援现场的环境变得恶劣且复杂,人工救援成为一项困难又危险的工作。移动机器人技术的迅速发展,为解决这一艰巨的课题带来新的方向。移动机器人用于受灾现场的搜救探索,是机器人技术朝实用化发展的重要研究内容。本文从划分与指派两个优化层面,对多机器人探索优化算法进行研究。K-means聚类算法是一种无监督学习方法,实现简单。用K-means算法对探索目标点的分布区域划分,保证了每个区域的工作量相当,在指定探索区域内,机器人移动不会冲突碰撞。考虑到K-means算法对初始中心敏感,对离群点可能错分。采用人工蜂群算法对聚类算法优化并提出K-means不迭代的思想,同时改进人工蜂群算法,加快与提高对解的搜索速度、开发精度。优化的K-means算法用在UCI数据集中数据的聚类测试,结果表明提出的算法提高了聚类划分的稳定性。指派问题是一类组合优化问题。人工蜂群算法一般用于连续优化问题上,而且不同的组合问题有不同的解编码。因此,从可行解的编码形式和解的搜索更新方式上,改进人工蜂群算法。通过两个指派算例对改进的算法做测试,并与其他方法做对比,结...

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图2.1探索任务指派示意图

救援机器人协作探索，问题关键在于，如何确保多个机器人动路径最短，并且各自的探索工作量大致相同）、在避免碰撞下，基本同步完成各自的探索任务。对此，本文考虑基于目任务）和大概的环境信息（如长和宽等），首先K-means聚为与机器人个数相同的多个子区域，并进一步将划分好的区其中涉及....

图2.2K-means算法聚类过程

c||ij表示。算法的步骤描述如下：1）随机初始化聚类中心：dkc,c,...,c∈R12；2）重复循环执行以下操作，直至算法收敛：于数据集中的每一个待分数据对象ix2C:argmin||xc||ijjj=于每一个聚类中心jc{}{}∑∑=====miimiiijC....

图3.3IABC-K-means算法流程图方案一由于K-means聚类算法本身就是一种迭代进化算法，对于规模小的简单数据

中原工学院硕士学位论文第3章基于改进ABC算法的聚类优化算法本文用IABC算法优化K-means算法的提法是，要将数据集划分成K类；初始化IABC算法参数包括种群规模、最大迭代次数，以及开采度；同时利用IABC算法全局随机搜索能力，随机从数据集中选择....

图 3.4 IABC-K-means 算法流程图方案二

IABC算法K-means算法图3.4IABC-K-means算法流程图方案二对图3.4中的算法流程说明：首先借用IABC算法随机初始化K个初始的聚类中心；将数据集输入K-means算法，由前述中心并依据最近欧氏距离的原则，对数据进行一次划分，接着求一次各....

本文编号：4030083