基于生物启发神经网络的核辐射场区全覆盖路径规划

核辐射场区全覆盖路径规划对于辐射环境下区域作业者的辐射安全有重要意义。本研究基于生物启发神经网络算法,提出一种进行辐射剂量最优控制的全覆盖路径规划算法。首先,利用福岛核电站部分地形以及蒙特卡罗粒子输运程序分别构建模拟核辐射场区的障碍物分布和辐射剂量场,然后,采用Python语言进行算法仿真试验,模拟核辐射场区的每一个栅格定义为一个神经元,建立起生物启发神经网络,将栅格剂量率与神经元活性耦合实现路径规划的辐射剂量最优控制,分别采用单个、4个和8个移动单元进行仿真试验。结果表明:单个移动单元的规划路径在实现100%覆盖率,4%覆盖重复率的同时,能够优先覆盖低剂量区,延后覆盖高剂量区,实现了过程剂量和累积剂量的最优控制。为提高全覆盖的时间效率和获得更低的单体累积剂量,对算法进行多单元协同搜索的改进,结果表明:4单元和8单元仿真的覆盖重复率分别为5.72%和6.29%,1单元、4单元和8单元仿真完成全覆盖时间分别为30 min、9 min和4 min,时间效率成倍提高;最大单体累积剂量分别为4.11×10^(-3)mSv、1.28×10^(-3)mSv和0.85×10^(-3)mSv,也在显著降低。本文提出的算法能实现过程剂量和累积剂量最优控制的全覆盖路径规划,另外算法可以协同规划多单元路径,显著降低单体累积剂量,对辐射环境下区域作业的辐射防护有重要意义。

基于生物启发神经网络的无人水面艇实时避障路径规划

针对无人水面艇(unmanned surface vehicle,USV)自主航行过程中的避障与遵守海事交通规则之间潜在的冲突问题,设计基于生物启发神经网络并且遵守《1972年国际海上避碰规则》(Convention on the International Regulations for Preventing Collisions At Sea,1972,COLREGs)的实时避障路径规划方法。运用STM32嵌入式平台搭建包括超声波、红外激光、陀螺仪和GPS传感器的小型USV水面环境感知硬件架构,将多传感器输出的动态环境信息通过栅格地图映射到二维神经网络中。USV根据神经网络活性势图自动规划通向目标点的无碰撞路径。通过多种船舶航行交汇局面的实验,证明该方法既安全又符合COLREGs的要求。

自治水下机器人的自主启发式生物启发神经网络路径规划算法

针对复杂海流环境下自治水下机器人(autonomous underwater vehicle, AUV)的路径规划问题,本文在栅格地图的基础上给出了一种基于离散的生物启发神经网络(Glasius bio-inspired neural networks, GBNN)模型的新型自主启发式路径规划和安全避障算法,并考虑海流对路径规划的影响.首先建立GBNN模型,利用此模型表示AUV的工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;其次,根据神经网络中神经元的活性输出值分布情况并结合方向信度算法实现自主规划AUV的运动路径;最后根据矢量合成算法确定AUV实际的航行方向.障碍物环境和海流环境下仿真实验结果表明了生物启发模型在AUV水下环境中路径规划的有效性.

基于生物启发自组织神经网络的任务分配与路径规划

针对自治水下机器人(AUV)系统的任务分配与路径规划问题,提出一种生物启发自组织映射(GBSOM)神经网络任务分配与路径规划算法。根据AUV的水下工作环境建立二维生物启发神经网络(GBNN)模型,神经网络中每一个神经元的活性值与水下栅格地图中的位置单元一一对应;使用自组织神经网络(SOM)算法将水下目标分配给一组AUV并确定AUV访问目标点的顺序;在SOM任务分配的基础上根据神经网络中神经元的活性输出值分布情况自主规划AUV下一步的目标点。重复上述3步直至完成所有目标点的访问。最后,通过二维静态与动态环境下的仿真实验证明该算法的有效性。

基于生物启发神经网络的水下坝面表观裂缝检测路径规划算法

为连续获取水下坝面表观长裂缝的局部图像,基于生物启发神经网络设计了一种自治水下机器人水下坝面表观裂缝检测路径规划算法。算法对裂缝走向进行标识,计算出其指向的栅格,并将指向结果通过活性增益的方式应用到路径决策中。通过仿真试验证实了该算法在保证对检测对象全覆盖的前提下,能够连续获取长裂缝的局部图像,连续度较牛耕法所规划的路径有较大的提升,有助于长裂缝图像拼接。

基于生物启发神经网络的多AUV目标搜索

针对多AUV(Autonomous Underwater Vehicle)目标搜索问题,引入生物启发神经网络,提出生物启发多AUV搜索算法。将水下栅格地图与生物启发神经网络相联系,神经网络中每一个神经元与水下栅格地图中的位置单元一一对应,根据该神经网络中神经元的在线活性输出值分布情况制定AUV局吸引,同时受障碍物的局部排斥,使AUV性,提高AUV目标搜索的实时性。静态环境和动态环境下仿真结果证明生物启发神经网络在多AUV目标搜索中的有效性。

生物启发式神经网络的多机器人协作围捕研究

针对未知动态环境中多机器人协作围捕的时间长、成功率低的问题,提出了一种基于生物启发神经网络的新型多机器人协作围捕方法。首先,构建了多机器人协作围捕模型,利用动态联盟策略实现多机器人的联动;其次,构建基于生物启发神经网络的追踪策略,动态指导联盟所有机器人进行追踪;最后,采用编队策略实现目标的围捕。实验结果表明,所提出的方法在单目标、多目标、部分机器人故障、不同形状障碍物、不同规则环境等情况下平均捕获时间分别为12.7、22.3、34.2、17.7和28.5 s,平均捕获成功率为97.4%;与其他多机器人协作围捕算法相比,所提出的算法在捕获时间和捕获成功率上具有较大优势。

基于改进生物启发神经网络的机器人目标搜索方法

针对未知环境下机器人目标搜索的问题,按照机器人能力不同对搜索区域进行划分,目标点在自己运动的过程中会在局部范围内留下信息素并且这些信息素会随着时间的流失而减少,机器人可以探测到这些信息素的多少进而影响机器人下一个搜索位置的选择。本文采用改进生物启发神经网络选取机器人探索范围内活性值最大的点作为下一个搜索位置。为了防止在连续的时间段内多次选择相同的点,引入禁忌搜索,把多次选择相同的点放入禁忌表中,可以有效防止陷入局部最优点。与随机搜索方式和原始的生物启发神经网络进行对比,验证了该方法对动态目标的搜索具有良好的效果。

基于改进神经网络的多AUV全覆盖路径规划

针对三维环境下的多自主水下机器人(AutonomousUnderwaterVehicle,AUV)全覆盖路径规划问题,提出一种基于改进神经网络—Glasius生物启发神经网络(GlasiusBio-inspiredNeural Network,GBNN)的全覆盖路径规划算法。对AUV的水下工作环境构建离散的三维栅格地图;根据栅格地图,建立相对应的三维GBNN模型;根据GBNN活性值的动态变化,AUV规划各自的搜索路径,对水下任务区域进行全覆盖搜索。仿真结果表示,多AUV可以协同完成覆盖搜索任务,能够自动避开各类静态和动态的障碍物,自动逃离路径的死锁区。

海流环境下多AUV多目标生物启发任务分配与路径规划算法

针对多障碍物海流环境下多自治水下机器人(AUV)目标任务分配与路径规划问题,本文在栅格地图构建的基础上给出了一种基于生物启发神经网络(BINN)模型的新型自主任务分配与路径规划算法,并考虑海流对路径规划的影响.首先建立BINN模型,利用此模型表示AUV的工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;接着,比较每个目标物在BINN地图中所有AUV的活性值,并选取活性值最大的AUV作为它的获胜AUV,实现多AUV任务分配;最后,考虑常值海流影响,根据矢量合成算法确定AUV实际的航行方向,实现AUV路径规划与安全避障.海流环境下仿真实验结果表明了生物启发模型在多AUV水下任务分配与路径规划中的有效性.

TP-Miner:基于生物启发计算的警用流动人口分析系统

目前对流动人口的管理仅停留在数据查询比对和简单统计上,缺少对数据的深层次分析,难以对决策指挥提供支持。针对流动人口的分析问题,提出了构建一个基于生物启发计算的智能分析系统,用于发现流动人口中各类人员的流动模式以及流动人口的趋势性问题,找出异常的流动信息和模式。该系统综合运用了前沿的生物启发计算技术———基于多层染色体基因表达式编程算法、重叠基因表达进化算法、基于概念相似度神经网络分类模型和层次距离计算的聚类算法搭建了一个警用流动人口的分析平台。同时根据实际需求,提出了一种新的基于智能分析结果的分级报警模型。实验表明系统具有较高的性能和实用性。

基于生物启发神经网络和DMPC的多机器人协同搜索算法

针对多机器人在未知区域的覆盖搜索问题,提出一种基于生物启发神经网络和分布式模型预测控制(DMPC)的多机器人协同搜索算法.利用栅格地图表示未知区域,基于栅格地图建立生物启发神经网络来表示动态搜索环境,生物启发神经网络中未搜索栅格的神经元活性值大于已搜索栅格和障碍物栅格.在此基础上,为了平衡机器人覆盖搜索过程中的短期收益和长期收益,避免后期陷入局部最优,引入DMPC作为决策方法.选择预测周期内机器人所覆盖栅格的神经元活性值增量作为主要激励函数,引导机器人向未覆盖区域搜索,并采用差分进化算法(DE)进行优化求解,得到最优解.最后通过设计仿真实验验证了所提出方法的有效性和优越性.

基于生物启发反步级联控制方法的多AUV主从式编队

研究了自治水下机器人(AUV)在三维环境中主从式编队控制问题,提出一种基于生物启发反步级联控制方法.该方法利用领航者的位置信息以及期望的队形得到虚拟AUV的航行轨迹和速度信息,引入反步控制实现跟随AUV对虚拟AUV的轨迹跟踪,实现三维水下编队控制;利用生物启发神经网络有界性的特点,解决了速度跳变以及由此引起的驱动饱和问题.仿真结果表明,该方法实现了预期控制效果,并且有较好的有效性和实用性.

几种具有代表性的启发式算法研究

启发式算法(Heuristic Algorithm)来自人类对地球生物圈的感悟。人类从生物圈的运行规律中摸索出很多方法与理论。本文介绍了五种重要的启发式算法,退火模拟算法,蚁群算法,遗传算法与人工神经网络算法。

融合迁移特征学习的生物启发网络用于可见光成像室内位置感知方法

现行可见光定位技术采用各类传感器以及混合复杂算法实现定位,操作难度大且易受干扰,导致系统的定位精度不稳定。为提高可见光室内定位的精度与稳定性,提出将迁移特征学习与生物启发网络相融合的方法并将其应用于可见光室内定位中,在可见光环境下采集图像,利用改进的小波阈值去噪法去除图像噪声对深度特征的影响,提取可见光图像的深度特征并建立指纹库,构建天牛须搜索算法优化的神经网络模型,进行训练与定位测试。结果表明:在实测定位阶段搭建的0.8 m×0.8 m×0.8 m实验环境中,预测坐标的平均误差为4.26 cm,其中,误差小于4 cm的预测点数量占总坐标点数量的63.4%,误差小于6 cm的预测点数量占总坐标点数量的78%。所提方法为室内定位提供了一种稳定可靠的方法。

不确定动态环境下移动机器人的完全遍历路径规划

基于生物激励神经网络、滚动窗口和启发式搜索,提出了一种新的完全遍历路径规划方法.该方法用G rossberg的生物神经网络实现移动机器人的局部环境建模,将滚动窗口的概念引入到局部路径规划,由启发式算法决定滚动窗口内的局域路径规划目标.该方法能在不确定动态环境中有效地实现机器人自主避障的完全遍历路径规划.仿真研究证明了该方法的可用性和有效性.

细菌觅食算法在图像压缩中的应用

基于传统反向传播(back propagation,BP)网络,提出一种结合细菌觅食算法(bacterial fora-ging algorithm,BFA)的改进型BP网络(BFA-BP),并将其用于图像压缩.为克服传统BP网络容易陷入局部极小值的缺点,算法引入BFA特有的复制和驱散操作,以提高网络收敛速度,加强全局寻优能力.对标准测试图像进行仿真实验表明,该算法能有效提高重建图像质量.

栅格地图中多机器人协作搜索目标

目标搜索是多机器人领域的一个挑战.本文针对栅格地图中多机器人目标搜索算法进行研究.首先,利用Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合,构建搜索环境的栅格地图.然后,基于栅格地图建立生物启发神经网络用于表示动态的环境.在生物启发神经网络中,目标通过神经元的活性值全局的吸引机器人.同时,障碍物通过神经元活性值局部的排斥机器人,避免与其相撞.最后,机器人根据梯度递减原则自动的规划出搜索路径.仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索.与其他搜索算法比较,本文所提及的目标搜索算法有更高的效率和适用性.

基于改进A^*GBNN算法的AUV路径规划

针对现有的离散生物启发神经网络(GBNN)算法在未知环境下存在的路径规划时间长和易陷入局部最优等问题,提出一种结合A^*和GBNN模型的改进算法。在GBNN活性值栅格网络中,该算法将各栅格的活性值作为A^*的代价函数进行运算,并使用跳点搜索规则优化,实现未知环境下的实时路径规划。仿真试验结果表明,该算法能有效改善自主水下航行器在未知环境下的寻路效率,满足自主水下航行器实时路径规划需求。

三维水下环境中的多AUV围捕路径规划算法

受到三维水下环境覆盖范围广和水下机器人(AUV)能源有限等现实条件的制约,单个AUV往往很难完成作业规模较大的水下任务,故提出一种基于位置分配和Glasius生物启发神经网络(GBNN)的围捕占位路径规划算法,来解决三维水下环境中的多AUV围捕路径规划问题。首先,根据围捕AUV到达逃逸AUV的围捕总距离最短原则分配围捕点,确保围捕AUV与围捕点均衡分配并避免路径冲突;接着,各围捕AUV根据所分配的围捕点,利用改进的生物启发神经网络的目标引导与自适应避障功能,规划各个围捕AUV到达逃逸AUV周围围捕点的路径,完成围捕任务。仿真实验验证所提算法能够在三维水下静态障碍物环境中完成高效的协作围捕任务。