隨著機器人應用領域的拓展,多機器人系統(tǒng)協(xié)作搜索目標的研究在資源勘探、軍事偵察、反恐排雷、災后搜索與救援等方面具有廣闊的應用前景。目前,對移動機器人的智能化控制要求越來越高,而智能優(yōu)化算法的自組織機制能自適應地與多機器人系統(tǒng)相匹配,將智能優(yōu)化算法應用于多機器人協(xié)作搜索具有較明顯的優(yōu)勢。本文針對障礙物和目標位置無先驗信息的未知環(huán)境,深入研究了基于智能優(yōu)化算法的多機器人目標搜索問題。具體研究工作與貢獻總結(jié)如下:（1）針對未知環(huán)境下多機器人靜態(tài)單目標搜索問題,提出了一種基于粒子群優(yōu)化與果蠅優(yōu)化算法的多群混合算法。首先,引入自適應慣性權重改進粒子群優(yōu)化算法,提出了多群自適應系數(shù)的改進果蠅算法,為改進的粒子群優(yōu)化算法尋找下一個最優(yōu)的機器人位置提供了更好的選擇機制。其次,采用的多群策略擴大了搜索范圍,提高了機器人搜索的多樣性,有效地避免了早熟收斂和陷入局部最優(yōu)。此外,當機器人陷入局部最優(yōu)狀態(tài)時,引入多尺度協(xié)同變異逃逸機制可以提高機器人的逃逸能力和避障能力,提高機器人的搜索速度和搜索成功率。從實驗結(jié)果可以看出,該算法在迭代次數(shù)、成功率和效率等方面優(yōu)于兩種對比算法（自適應機器人粒子群優(yōu)化算法、機器人粒子... 

【文章來源】：湖南大學湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：129 頁

【學位級別】：博士

【部分圖文】：

仿真實驗環(huán)境示意圖

博士學位論文25過增加“聚集度”或降低“進化速度”，增大了慣性權重，有助于機器人保持多樣性。如圖2.4(i)所示，當右子群在迭代68次找到目標時，另一個機器人子群離目標位置還有較長的路要走。在此實驗中，RPSO、A-RPSO和MFPSO的運行時間分別為27.389242秒、22.519030秒、13.162226秒�？傊琈FPSO算法試圖保持機器人之間的多樣性。多群策略擴大了機器人的搜索范圍，可以提高搜索的多樣性和搜索速度，實現(xiàn)有效的搜索，較好的避免局部最優(yōu)和早熟收斂。與其它兩種算法相比，迭代次數(shù)和運行時間小于對比算法，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圖2.4機器人初始位置分散在頂部區(qū)間的軌跡比較在圖2.5中，6個機器人的初始位置在同一區(qū)域(搜索空間的右上角)，機器人彼此靠得很近，機器人的多樣性也越來越校圖2.5(a-c)為RPSO的搜索軌跡，圖2.5(d-f)為A-RPSO的搜索軌跡，圖2.5(g-i)為MFPSO的搜索軌跡。因為它們的初始速度很小，所以機器人在開始搜索時只有緩慢的運動，而由于多樣性的缺失，機器人搜索較慢。在此情況下，RPSO和A-RPSO都面臨著收斂速度慢的問題。雖然A-RPSO的方法已經(jīng)做了一些改進，這有助于機器人更好地移動，防止它們彼此靠得太近，但仍然只有一個全

未知環(huán)境下基于智能優(yōu)化算法的多機器人目標搜索研究26局最優(yōu)解，解決多樣性問題的效果并不明顯。MFPSO由于多群策略的存在，使得算法有了更好的解決方案，而不是只使用一個機器人群進行目標搜索，而是將多個機器人群分為多個子群；子群在搜索空間中獨立移動，弱化了向全局最優(yōu)靠攏的影響，因此多個子群改善了機器人搜索的多樣性和提高了搜索速度。同時，慣性權重的智能變化有助于保持機器人之間的多樣性。此外，IFOA在尋找最優(yōu)解時具有較好的發(fā)散性，每個機器人都利用果蠅的優(yōu)勢，為機器人找到下一個最佳位置提供更好的初始選擇機制。并且每一個機器人采用一組果蠅子群的策略，可以增強多樣性，實現(xiàn)有效的探索，避免局部最優(yōu)和早熟收斂。如圖2.5所示，MFPSO可以在迭代79次快速找到目標，而RPSO在迭代113次找到目標，A-RPSO在迭代92次找到目標。RPSO、A-RPSO和MFPSO的運行時間分別為27.389242秒、20.743172秒、15.424626秒。與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圖2.5機器人初始位置在同一區(qū)域的軌跡比較

【參考文獻】：
期刊論文
[1]蝙蝠算法研究及應用綜述[J]. 許德剛,趙萍.  計算機工程與應用. 2019(15)
[2]基于動態(tài)圍捕點的多機器人協(xié)同策略[J]. 李瑞珍,楊惠珍,蕭叢杉.  控制工程. 2019(03)
[3]灰狼優(yōu)化算法研究綜述[J]. 張曉鳳,王秀英.  計算機科學. 2019(03)
[4]智能仿生算法在移動機器人路徑規(guī)劃優(yōu)化中的應用綜述[J]. 于振中,李強,樊啟高.  計算機應用研究. 2019(11)
[5]柵格地圖中多機器人協(xié)作搜索目標[J]. 曹翔,孫長銀.  控制理論與應用. 2018(03)
[6]基于自組織算法的情感機器人追捕任務分配[J]. 孫博寒,王浩,方寶富,凌兆龍,林杰華.  機器人. 2017(05)
[7]基于SURF特征的多機器人柵格地圖拼接方法[J]. 唐宏偉,孫煒,楊凱,林安平,呂云峰,程熙.  電子測量與儀器學報. 2017(06)
[8]基于一種改進A*算法的移動機器人路徑規(guī)劃[J]. 孫煒,呂云峰,唐宏偉,薛敏.  湖南大學學報(自然科學版). 2017(04)
[9]果蠅優(yōu)化算法研究綜述[J]. 王林,呂盛祥,曾宇容.  控制與決策. 2017(07)
[10]具有自適應搜索策略的灰狼優(yōu)化算法[J]. 魏政磊,趙輝,韓邦杰,孫楚,李牧東.  計算機科學. 2017(03)

博士論文
[1]風管清掃機器人同時定位與地圖創(chuàng)建方法研究[D]. 王聰.湖南大學 2017
[2]加工時間可控的多目標車間調(diào)度問題研究[D]. 盧超.華中科技大學 2017
[3]生物啟發(fā)的多機器人系統(tǒng)編隊控制與協(xié)同搜索[D]. 李峰.東華大學 2017
[4]自主移動機器人運動控制與協(xié)調(diào)方法研究[D]. 繆志強.湖南大學 2016
[5]多移動機器人路徑規(guī)劃研究[D]. 馬勇.華中科技大學 2012
[6]多機器人系統(tǒng)的動態(tài)路徑規(guī)劃方法研究[D]. 雷艷敏.哈爾濱工程大學 2011
[7]基于強化學習的多機器人追捕問題研究[D]. 李珺.哈爾濱工業(yè)大學 2010
[8]面向目標搜索的群機器人協(xié)調(diào)控制及其仿真研究[D]. 薛頌東.蘭州理工大學 2009

碩士論文
[1]動態(tài)環(huán)境中多機器人任務分配與路徑規(guī)劃[D]. 張飛.湖南大學 2018
[2]未知復雜環(huán)境下群機器人多目標搜索研究[D]. 張鑫.湖南科技大學 2017
[3]分布視覺下多移動機器人的定位與協(xié)作圍捕研究[D]. 趙榮.江蘇科技大學 2017
[4]無人機影像序列拼接技術的研究與實現(xiàn)[D]. 潘梅.西南科技大學 2015
[5]面向多目標搜索的群機器人協(xié)同控制研究[D]. 張云正.太原科技大學 2014
[6]不同定位機制下的群機器人目標搜索與定位研究[D]. 昝云龍.太原科技大學 2012
[7]未知環(huán)境中移動機器人目標搜索方法的研究[D]. 馬志偉.延邊大學 2012



本文編號：3565167