近年來,各種事故災害發(fā)生頻繁,現場救援工作的需求愈加迫切;同時,也使得救援現場的環(huán)境變得惡劣且復雜,人工救援成為一項困難又危險的工作。移動機器人技術的迅速發(fā)展,為解決這一艱巨的課題帶來新的方向。移動機器人用于受災現場的搜救探索,是機器人技術朝實用化發(fā)展的重要研究內容。本文從劃分與指派兩個優(yōu)化層面,對多機器人探索優(yōu)化算法進行研究。K-means聚類算法是一種無監(jiān)督學習方法,實現簡單。用K-means算法對探索目標點的分布區(qū)域劃分,保證了每個區(qū)域的工作量相當,在指定探索區(qū)域內,機器人移動不會沖突碰撞�？紤]到K-means算法對初始中心敏感,對離群點可能錯分。采用人工蜂群算法對聚類算法優(yōu)化并提出K-means不迭代的思想,同時改進人工蜂群算法,加快與提高對解的搜索速度、開發(fā)精度。優(yōu)化的K-means算法用在UCI數據集中數據的聚類測試,結果表明提出的算法提高了聚類劃分的穩(wěn)定性。指派問題是一類組合優(yōu)化問題。人工蜂群算法一般用于連續(xù)優(yōu)化問題上,而且不同的組合問題有不同的解編碼。因此,從可行解的編碼形式和解的搜索更新方式上,改進人工蜂群算法。通過兩個指派算例對改進的算法做測試,并與其他方法做對比,結...

【文章頁數】：60 頁

【學位級別】：碩士

【部分圖文】：

圖2.1探索任務指派示意圖

救援機器人協(xié)作探索，問題關鍵在于，如何確保多個機器人動路徑最短，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務。對此，本文考慮基于目任務）和大概的環(huán)境信息（如長和寬等），首先K-means聚為與機器人個數相同的多個子區(qū)域，并進一步將劃分好的區(qū)其中涉及....

圖2.2K-means算法聚類過程

c||ij表示。算法的步驟描述如下：1）隨機初始化聚類中心：dkc,c,...,c∈R12；2）重復循環(huán)執(zhí)行以下操作，直至算法收斂：于數據集中的每一個待分數據對象ix2C:argmin||xc||ijjj=于每一個聚類中心jc{}{}∑∑=====miimiiijC....

圖3.3IABC-K-means算法流程圖方案一由于K-means聚類算法本身就是一種迭代進化算法，對于規(guī)模小的簡單數據

中原工學院碩士學位論文第3章基于改進ABC算法的聚類優(yōu)化算法本文用IABC算法優(yōu)化K-means算法的提法是，要將數據集劃分成K類；初始化IABC算法參數包括種群規(guī)模、最大迭代次數，以及開采度；同時利用IABC算法全局隨機搜索能力，隨機從數據集中選擇....

圖 3.4 IABC-K-means 算法流程圖方案二

IABC算法K-means算法圖3.4IABC-K-means算法流程圖方案二對圖3.4中的算法流程說明：首先借用IABC算法隨機初始化K個初始的聚類中心；將數據集輸入K-means算法，由前述中心并依據最近歐氏距離的原則，對數據進行一次劃分，接著求一次各....

本文編號：4030083