无人化仓库下异构机器人混合任务分配研究

在具有若干个障碍区的码头无人化仓库中,为解决异构机器人系统对混合任务的有效分配问题,文中提出一种模糊聚类融合的扩展一致性束算法。在采用模糊聚类划分任务子区域和利用时间窗设置混合任务执行顺序的基础上,提出机器人分组资源配置策略,以任务分配收益最大、运行时间最短为目标,建立异构机器人系统任务分配的数学模型,通过扩展一致性束算法,在各个子区域内完成任务分配。结果表明:扩展一致性束算法缩短了任务分配时间,得到各子区域内机器人的执行任务序列并且每架机器人所分配到的任务数保持均衡。

基于分组和精英策略的遗传算法在机器人导航上的应用

【目的】针对种植园复杂环境下采摘机器人进行路径规划时找出多路径效率低、速度慢等问题,提出一种基于分组和精英策略的遗传算法(GGABE)。【方法】首先生成1个初始群体,使用Sigmoid函数分组;然后在每组中分别进行选择、交叉、变异操作,进行n代迭代后,每组产生该组内的k条等长的最优路径;比较各组最优路径,选择最短的路径作为最优路径。在种群的各项参数均相同的情况下,简单遗传算法(SGA)、未分组的精英遗传算法(EGA)以及GGABE分别作用于15×15和25×25的地图,各进行50次试验。进行样机验证试验。【结果】第1幅地图,GGABE算法找到了8条最短路径,路径均值为20.970 6,其他2种方法只能找出1条最短路径;第2幅地图,GGABE算法找到了8条最短路径,路径均值为38.041 6。50次验证试验均找出3条最佳路径,平均路径规划时间为15.543 319 s。【结论】本研究提出的基于分组和精英策略的遗传算法收敛速度快,可快速准确地在地图中搜索出所有能够遍历整个果园的最佳路径。

动态分组策略在大学生机器人教育中的应用

机器人教育中静态分组存在角色固化和合作倦怠等问题,而动态分组能有效弥补静态分组的不足。文章采用问卷调查法、课堂观察法和访谈法三种研究方法,以机器人教育为场景构建了动态分组策略,并在广东省H大学开展了三个月的准实验研究以探究其应用效果。结果显示,动态分组后学生的学习态度和合作倾向中的包容性高于动态分组前的学生;然而,动态分组后学生的群体凝聚力中的群体互动对个人的吸引力低于动态分组前的学生;在合作融洽度以及工程设计与编程能力方面,实验前后则基本不存在显著差异。研究表明,动态分组在机器人教育中有助于培养学生的合作能力,值得进一步研究。

分组教学蚁群算法改进及其在机器人路径规划中应用

针对蚁群算法收敛速度慢、易陷入局部最优问题,提出一种基于分组教学优化改进蚁群算法。该算法从3个角度对蚁群算法进行改进。首先,利用分组教学优化算法改进蚁群算法适应度函数,提高算法全局求解能力。同时,引进一种新的回退策略,通过该策略处理U型障碍死锁问题,确保算法求解可行性。其次,采用一种新的动态信息素更新策略,滚动更新每轮迭代后路径信息素值,避免算法陷入局部最优。最后,引入路径简化算子,将冗余角简化为直线路径,缩短路径长度。仿真实验证明改进算法能有效提高移动机器人路径规划收敛速度和精度。