群体机器人觅食任务Eulerian建模与分析

为了提高觅食任务性能,根据蚂蚁觅食原理引入了觅食概率的概念,机器人按照该概率决定是否离开Home区域,通过改变该概率值来调整环境中机器人的数量。为了研究觅食概率对系统性能的影响,利用Eulerian数学建模方法建立了觅食任务模型,并通过仿真实验分析了觅食概率对系统整体性能的影响。实验结果表明:觅食概率越大,环境中机器人数量越增加,机器人之间的干扰也增加,从而降低系统性能。最后通过实验分析给出了觅食概率与环境中任务数量以及机器人数之间的大致关系。

群体机器人合作觅食任务数学模型的建立与分析

根据个体机器人的宏观状态转换,提出合作觅食任务的数学模型.该数学模型由微分比率方程组构成,能够描述群体行为的动态特征,并分析合作觅食任务效益随等待时间的变化情况.仿真实验表明,该数学模型的预测结果与仿真实验数据可以较好地吻合.

基于区域分工机制的异构群体机器人觅食任务数学分析

根据机器人的能力进行区域分工,以提高群体机器人系统的觅食效率。为了系统研究异构群体机器人执行觅食任务时的群体行为,以比率方程为基础,构建了觅食任务的数学模型。并利用该模型,定量分析了机器人的数量及性能对觅食任务完成时间的影响。通过对数学模型的分析得出:外部机器人数增加时,外部机器人之间的干涉作用将减少觅食任务完成时间的改进;随着内部机器人与食物相遇率的提高,觅食任务完成时间的改进不断降低。

群体机器人觅食任务中链式路径的形成

以分布式群体机器人觅食任务为背景,探寻一种分布式群体机器人的控制方法。该控制方法下的群体机器人只具有简单的反应式行为,通过协作以自身作为信标形成机器人链,将巢穴和食物连接起来完成觅食任务。通过仿真得出:在群体机器人数目足够的情况下,每个根上的链数控制在3或4条比较合适,搜索多个食物的效率大于搜索单个食物的效率,机器人的步长越长其效率也越高。

基于觅食能力分配搜索任务的侏儒猫鼬优化算法

针对侏儒猫鼬优化算法存在的不足,提出一种基于觅食能力分配搜索任务的侏儒猫鼬优化算法。首先采用tent混沌自适应步长平衡全局搜索与局部开发;针对alpha组搜索盲目性问题,优化其移动方向及移动能力;针对侦察组算法移动方向存在误导性问题,增强其个体纠错能力,从而提升个体觅食能力;改进保姆组移动算法,提升种群的局部开发能力;最后提出一种新的种群觅食策略,平衡各算法之间调用策略,提升算法整体性能。通过解决12个基准测试函数与支持向量机的参数优化问题,对该文算法性能进行数值实验验证。实验结果表明FADMO的全局收敛精度与全局收敛速度均有明显提高,并适用于实际问题求解。

改进的CE-Q算法用于多Agent觅食的研究

针对对策论框架下的诸多强化学习方法在复杂环境多Agent任务中存在的缺乏理性、难以保证收敛、计算复杂度较高和效率偏低等问题,文中在CE-Q强化算法的基本理论上,提出了加入对于动作过程的即时奖赏的CE-Q改进强化算法,有效地改善了上述问题,并在执行任务过程中对Agent进行指导,很好地提高了系统效率。最后以多Agent觅食为任务,Matlab为平台进行仿真实试验,并与普通CE-Q及FF-Q算法进行对比,验证了其在复杂环境下对于多Agent系统的有效性和优越性。