未知环境下的蚁群-聚类自适应动态路径规划

针对用于动态环境中的机器人路径规划的蚁群算法存在收敛速度慢,路径累计转折角大,对环境变化适应性低等问题,提出了一种未知环境下的蚁群-聚类自适应动态路径规划方法。依据聚类算法对环境复杂程度的准确判别自动改变寻优半径,达到充分利用机器人有限的计算能力,提高收敛速度的目的;通过识别对角障碍,生成虚拟障碍,确保规划的路径不穿过对角障碍;通过平滑机制对搜索的动态路径做平滑优化处理,有效降低了路径长度,减少了累计转折角。仿真结果表明,提出的算法能够根据障碍的复杂程度自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。

面向未知空间的模块化机器人最优位置-力控制研究

针对模块化机器人系统与外界未知环境交互的控制任务,提出一种基于自适应动态规划的位置-力控制。首先,考虑模块化机器人系统受未知环境约束,对未知环境约束空间进行分析,并设计自适应估计算法近似未知约束参数向量,从而得到未知外部约束力转化为模块化机器人所受的近似约束力矩,设计融合位置和末端接触力跟踪误差的多指标性能指标函数,结合自适应动态规划思想和策略迭代算法,求解哈密尔顿方程,从而实现面向未知空间的模块化机器人最优位置-力控制。

基于ε-ADP的一类离散非线性系统最优跟踪控制

针对实际工业常见的定点跟踪控制问题,通过数学变换,将原系统最优跟踪控制问题转化为新系统最优调节问题,以跟踪误差作为新系统的状态量,引入ε-自适应动态规划算法(ε-ADP)求解HJB方程,并以两个BP神经网络分别用于近似性能指标函数和最优控制,从而得到ε-最优跟踪控制。仿真实验表明,所设计的控制器可以在有限时间内将状态跟踪到目标值,并使得性能指标函数近似最优。

DP-ADPSO算法在机组负荷优化组合分配问题中的应用

针对离散粒子群应用于机组负荷优化问题中存在早熟收敛的难题,提出了动态规划-自适应离散粒子群算法求解机组负荷优化组合问题。该方法首先保证所有随机生成的粒子均为满足基本约束条件的可行解,使整个算法只在可行解区域内进行动态优化搜索,缩短了计算时间。计算实例表明:动态规划-自适应离散粒子群算法能较好地收敛到最优解,而且该方法得出的解具有精度高、收敛速度快的优点,应用效果优于动态规划法和离散粒子群算法,说明该方法是有效的、合理的,具有较好的应用前景。

基于事件触发策略的多智能体系统的最优主-从一致性分析

研究了具有领导者的线性多智能体系统的主-从一致性问题.借助各智能体间的通讯拓扑所构成的无向图,提出一种基于事件触发的自适应动态规划方法,并使用神经网络的逼近性质设计出了近似最优控制.利用Lyapunov稳定性定理,分析了多智能体误差系统的稳定性,并找到一个该误差系统最终有界的充分条件.数值仿真结果进一步验证了理论分析的有效性.

移动货架系统多机器人“存-取货架”调度优化方法

近年来,机器人移动货架系统已成为我国智慧物流与智能仓储的重要发展方向,多机器人“存-取货架”调度优化问题是影响该系统运行效率的挑战性难题.本文以减少机器人总行驶距离为目标,对机器人“存货架”和“取货架”进行联合决策,构建了多机器人“存-取货架”调度优化模型.针对该问题具有决策耦合性、解空间巨大的难点,设计了限定宽度的动态规划算法获取初始解,并将所构建的整数规划模型嵌入自适应大邻域搜索启发式框架中,通过两种分解算子将原模型转化为较小规模的子模型,提出自适应数学规划启发式算法,能够快速生成近似最优的调度方案.数值实验表明,与分别优化“存货架”和“取货架”调度相比,本文的联合调度优化方法能够减少约60%的机器人总行驶距离;与实践中普遍应用且性能表现最好的就近指派规则对比,本文方法可降低10%至15%的机器人总行驶距离.本文结论可为指导企业的仓库布局与调度提供借鉴,对我国智能仓储的发展具有重要意义.