未知环境下基于智能优化算法的多机器人目标搜索研究
发布时间:2022-01-03 00:13
随着机器人应用领域的拓展,多机器人系统协作搜索目标的研究在资源勘探、军事侦察、反恐排雷、灾后搜索与救援等方面具有广阔的应用前景。目前,对移动机器人的智能化控制要求越来越高,而智能优化算法的自组织机制能自适应地与多机器人系统相匹配,将智能优化算法应用于多机器人协作搜索具有较明显的优势。本文针对障碍物和目标位置无先验信息的未知环境,深入研究了基于智能优化算法的多机器人目标搜索问题。具体研究工作与贡献总结如下:(1)针对未知环境下多机器人静态单目标搜索问题,提出了一种基于粒子群优化与果蝇优化算法的多群混合算法。首先,引入自适应惯性权重改进粒子群优化算法,提出了多群自适应系数的改进果蝇算法,为改进的粒子群优化算法寻找下一个最优的机器人位置提供了更好的选择机制。其次,采用的多群策略扩大了搜索范围,提高了机器人搜索的多样性,有效地避免了早熟收敛和陷入局部最优。此外,当机器人陷入局部最优状态时,引入多尺度协同变异逃逸机制可以提高机器人的逃逸能力和避障能力,提高机器人的搜索速度和搜索成功率。从实验结果可以看出,该算法在迭代次数、成功率和效率等方面优于两种对比算法(自适应机器人粒子群优化算法、机器人粒子...
【文章来源】:湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】:129 页
【学位级别】:博士
【部分图文】:
仿真实验环境示意图
博士学位论文25过增加“聚集度”或降低“进化速度”,增大了惯性权重,有助于机器人保持多样性。如图2.4(i)所示,当右子群在迭代68次找到目标时,另一个机器人子群离目标位置还有较长的路要走。在此实验中,RPSO、A-RPSO和MFPSO的运行时间分别为27.389242秒、22.519030秒、13.162226秒。总之,MFPSO算法试图保持机器人之间的多样性。多群策略扩大了机器人的搜索范围,可以提高搜索的多样性和搜索速度,实现有效的搜索,较好的避免局部最优和早熟收敛。与其它两种算法相比,迭代次数和运行时间小于对比算法,MFPSO算法更高效。(a)t=20(b)t=50(c)t=113(d)t=20(e)t=50(f)t=95(g)t=20(h)t=50(i)t=68图2.4机器人初始位置分散在顶部区间的轨迹比较在图2.5中,6个机器人的初始位置在同一区域(搜索空间的右上角),机器人彼此靠得很近,机器人的多样性也越来越校图2.5(a-c)为RPSO的搜索轨迹,图2.5(d-f)为A-RPSO的搜索轨迹,图2.5(g-i)为MFPSO的搜索轨迹。因为它们的初始速度很小,所以机器人在开始搜索时只有缓慢的运动,而由于多样性的缺失,机器人搜索较慢。在此情况下,RPSO和A-RPSO都面临着收敛速度慢的问题。虽然A-RPSO的方法已经做了一些改进,这有助于机器人更好地移动,防止它们彼此靠得太近,但仍然只有一个全
未知环境下基于智能优化算法的多机器人目标搜索研究26局最优解,解决多样性问题的效果并不明显。MFPSO由于多群策略的存在,使得算法有了更好的解决方案,而不是只使用一个机器人群进行目标搜索,而是将多个机器人群分为多个子群;子群在搜索空间中独立移动,弱化了向全局最优靠拢的影响,因此多个子群改善了机器人搜索的多样性和提高了搜索速度。同时,惯性权重的智能变化有助于保持机器人之间的多样性。此外,IFOA在寻找最优解时具有较好的发散性,每个机器人都利用果蝇的优势,为机器人找到下一个最佳位置提供更好的初始选择机制。并且每一个机器人采用一组果蝇子群的策略,可以增强多样性,实现有效的探索,避免局部最优和早熟收敛。如图2.5所示,MFPSO可以在迭代79次快速找到目标,而RPSO在迭代113次找到目标,A-RPSO在迭代92次找到目标。RPSO、A-RPSO和MFPSO的运行时间分别为27.389242秒、20.743172秒、15.424626秒。与RPSO和A-RPSO方法相比,MFPSO算法具有更好的性能。(a)t=40(b)t=70(c)t=113(d)t=40(e)t=70(f)t=92(g)t=40(h)t=70(i)t=79图2.5机器人初始位置在同一区域的轨迹比较
【参考文献】:
期刊论文
[1]蝙蝠算法研究及应用综述[J]. 许德刚,赵萍. 计算机工程与应用. 2019(15)
[2]基于动态围捕点的多机器人协同策略[J]. 李瑞珍,杨惠珍,萧丛杉. 控制工程. 2019(03)
[3]灰狼优化算法研究综述[J]. 张晓凤,王秀英. 计算机科学. 2019(03)
[4]智能仿生算法在移动机器人路径规划优化中的应用综述[J]. 于振中,李强,樊启高. 计算机应用研究. 2019(11)
[5]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)
[6]基于自组织算法的情感机器人追捕任务分配[J]. 孙博寒,王浩,方宝富,凌兆龙,林杰华. 机器人. 2017(05)
[7]基于SURF特征的多机器人栅格地图拼接方法[J]. 唐宏伟,孙炜,杨凯,林安平,吕云峰,程熙. 电子测量与仪器学报. 2017(06)
[8]基于一种改进A*算法的移动机器人路径规划[J]. 孙炜,吕云峰,唐宏伟,薛敏. 湖南大学学报(自然科学版). 2017(04)
[9]果蝇优化算法研究综述[J]. 王林,吕盛祥,曾宇容. 控制与决策. 2017(07)
[10]具有自适应搜索策略的灰狼优化算法[J]. 魏政磊,赵辉,韩邦杰,孙楚,李牧东. 计算机科学. 2017(03)
博士论文
[1]风管清扫机器人同时定位与地图创建方法研究[D]. 王聪.湖南大学 2017
[2]加工时间可控的多目标车间调度问题研究[D]. 卢超.华中科技大学 2017
[3]生物启发的多机器人系统编队控制与协同搜索[D]. 李峰.东华大学 2017
[4]自主移动机器人运动控制与协调方法研究[D]. 缪志强.湖南大学 2016
[5]多移动机器人路径规划研究[D]. 马勇.华中科技大学 2012
[6]多机器人系统的动态路径规划方法研究[D]. 雷艳敏.哈尔滨工程大学 2011
[7]基于强化学习的多机器人追捕问题研究[D]. 李珺.哈尔滨工业大学 2010
[8]面向目标搜索的群机器人协调控制及其仿真研究[D]. 薛颂东.兰州理工大学 2009
硕士论文
[1]动态环境中多机器人任务分配与路径规划[D]. 张飞.湖南大学 2018
[2]未知复杂环境下群机器人多目标搜索研究[D]. 张鑫.湖南科技大学 2017
[3]分布视觉下多移动机器人的定位与协作围捕研究[D]. 赵荣.江苏科技大学 2017
[4]无人机影像序列拼接技术的研究与实现[D]. 潘梅.西南科技大学 2015
[5]面向多目标搜索的群机器人协同控制研究[D]. 张云正.太原科技大学 2014
[6]不同定位机制下的群机器人目标搜索与定位研究[D]. 昝云龙.太原科技大学 2012
[7]未知环境中移动机器人目标搜索方法的研究[D]. 马志伟.延边大学 2012
本文编号:3565167
【文章来源】:湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】:129 页
【学位级别】:博士
【部分图文】:
仿真实验环境示意图
博士学位论文25过增加“聚集度”或降低“进化速度”,增大了惯性权重,有助于机器人保持多样性。如图2.4(i)所示,当右子群在迭代68次找到目标时,另一个机器人子群离目标位置还有较长的路要走。在此实验中,RPSO、A-RPSO和MFPSO的运行时间分别为27.389242秒、22.519030秒、13.162226秒。总之,MFPSO算法试图保持机器人之间的多样性。多群策略扩大了机器人的搜索范围,可以提高搜索的多样性和搜索速度,实现有效的搜索,较好的避免局部最优和早熟收敛。与其它两种算法相比,迭代次数和运行时间小于对比算法,MFPSO算法更高效。(a)t=20(b)t=50(c)t=113(d)t=20(e)t=50(f)t=95(g)t=20(h)t=50(i)t=68图2.4机器人初始位置分散在顶部区间的轨迹比较在图2.5中,6个机器人的初始位置在同一区域(搜索空间的右上角),机器人彼此靠得很近,机器人的多样性也越来越校图2.5(a-c)为RPSO的搜索轨迹,图2.5(d-f)为A-RPSO的搜索轨迹,图2.5(g-i)为MFPSO的搜索轨迹。因为它们的初始速度很小,所以机器人在开始搜索时只有缓慢的运动,而由于多样性的缺失,机器人搜索较慢。在此情况下,RPSO和A-RPSO都面临着收敛速度慢的问题。虽然A-RPSO的方法已经做了一些改进,这有助于机器人更好地移动,防止它们彼此靠得太近,但仍然只有一个全
未知环境下基于智能优化算法的多机器人目标搜索研究26局最优解,解决多样性问题的效果并不明显。MFPSO由于多群策略的存在,使得算法有了更好的解决方案,而不是只使用一个机器人群进行目标搜索,而是将多个机器人群分为多个子群;子群在搜索空间中独立移动,弱化了向全局最优靠拢的影响,因此多个子群改善了机器人搜索的多样性和提高了搜索速度。同时,惯性权重的智能变化有助于保持机器人之间的多样性。此外,IFOA在寻找最优解时具有较好的发散性,每个机器人都利用果蝇的优势,为机器人找到下一个最佳位置提供更好的初始选择机制。并且每一个机器人采用一组果蝇子群的策略,可以增强多样性,实现有效的探索,避免局部最优和早熟收敛。如图2.5所示,MFPSO可以在迭代79次快速找到目标,而RPSO在迭代113次找到目标,A-RPSO在迭代92次找到目标。RPSO、A-RPSO和MFPSO的运行时间分别为27.389242秒、20.743172秒、15.424626秒。与RPSO和A-RPSO方法相比,MFPSO算法具有更好的性能。(a)t=40(b)t=70(c)t=113(d)t=40(e)t=70(f)t=92(g)t=40(h)t=70(i)t=79图2.5机器人初始位置在同一区域的轨迹比较
【参考文献】:
期刊论文
[1]蝙蝠算法研究及应用综述[J]. 许德刚,赵萍. 计算机工程与应用. 2019(15)
[2]基于动态围捕点的多机器人协同策略[J]. 李瑞珍,杨惠珍,萧丛杉. 控制工程. 2019(03)
[3]灰狼优化算法研究综述[J]. 张晓凤,王秀英. 计算机科学. 2019(03)
[4]智能仿生算法在移动机器人路径规划优化中的应用综述[J]. 于振中,李强,樊启高. 计算机应用研究. 2019(11)
[5]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)
[6]基于自组织算法的情感机器人追捕任务分配[J]. 孙博寒,王浩,方宝富,凌兆龙,林杰华. 机器人. 2017(05)
[7]基于SURF特征的多机器人栅格地图拼接方法[J]. 唐宏伟,孙炜,杨凯,林安平,吕云峰,程熙. 电子测量与仪器学报. 2017(06)
[8]基于一种改进A*算法的移动机器人路径规划[J]. 孙炜,吕云峰,唐宏伟,薛敏. 湖南大学学报(自然科学版). 2017(04)
[9]果蝇优化算法研究综述[J]. 王林,吕盛祥,曾宇容. 控制与决策. 2017(07)
[10]具有自适应搜索策略的灰狼优化算法[J]. 魏政磊,赵辉,韩邦杰,孙楚,李牧东. 计算机科学. 2017(03)
博士论文
[1]风管清扫机器人同时定位与地图创建方法研究[D]. 王聪.湖南大学 2017
[2]加工时间可控的多目标车间调度问题研究[D]. 卢超.华中科技大学 2017
[3]生物启发的多机器人系统编队控制与协同搜索[D]. 李峰.东华大学 2017
[4]自主移动机器人运动控制与协调方法研究[D]. 缪志强.湖南大学 2016
[5]多移动机器人路径规划研究[D]. 马勇.华中科技大学 2012
[6]多机器人系统的动态路径规划方法研究[D]. 雷艳敏.哈尔滨工程大学 2011
[7]基于强化学习的多机器人追捕问题研究[D]. 李珺.哈尔滨工业大学 2010
[8]面向目标搜索的群机器人协调控制及其仿真研究[D]. 薛颂东.兰州理工大学 2009
硕士论文
[1]动态环境中多机器人任务分配与路径规划[D]. 张飞.湖南大学 2018
[2]未知复杂环境下群机器人多目标搜索研究[D]. 张鑫.湖南科技大学 2017
[3]分布视觉下多移动机器人的定位与协作围捕研究[D]. 赵荣.江苏科技大学 2017
[4]无人机影像序列拼接技术的研究与实现[D]. 潘梅.西南科技大学 2015
[5]面向多目标搜索的群机器人协同控制研究[D]. 张云正.太原科技大学 2014
[6]不同定位机制下的群机器人目标搜索与定位研究[D]. 昝云龙.太原科技大学 2012
[7]未知环境中移动机器人目标搜索方法的研究[D]. 马志伟.延边大学 2012
本文编号:3565167
本文链接:https://www.wllwen.com/shoufeilunwen/xxkjbs/3565167.html