基于人工免疫系统的异构多机器人联盟形成

对动态环境下多机器人联盟形成问题进行了研究,提出了一种基于人工免疫系统的异构多机器人联盟形成方法.该方法在对比人工免疫系统与多机器人系统相似关系的基础上,利用人工免疫系统的隐喻机制为面向动态感知任务的异构多机器人联盟形成问题提供了一种新的思路和解决方法.进行了未知非结构化环境下的多机器人协作搜集仿真实验,仿真结果表明所提方法可以使多机器人系统自主地形成机器人联盟以完成动态感知任务,提高了多机器人系统执行任务的效率.     

基于信息素的多机器人协作任务分配

针对多机器人系统未知环境下自主任务分配问题,提出了将虚拟吸引信息素和虚拟排斥信息素相结合的多机器人任务分配方法。在动态未知环境下,进行了多机器人协作搜集实验,实验结果表明所提方法既可以避免多个机器人集中在一个空间内造成冲突加剧的现象,又可以实现多机器人自主地进行任务分配目的。     

一种基于情绪量的多机器人冲突消解方法*

针对动态非结构化环境下多机器人之间存在的空间冲突问题,提出了一种基于情绪量的多机器人冲突消解方法。该方法可以使机器人根据情绪量自主判定对其他机器人的躲避半径,无须预先设定固定的避碰优先级或进行机器人之间的协商。仿真结果表明该方法是一种有效的多机器人冲突消解方法。     

基于焦虑概念和拍卖方法的多机器人协作搜集

针对目前应用于多机器人搜集任务的拍卖方法很少考虑机器人参与拍卖的时机是否适当这一问题,在拍卖方法中引入了心理学的焦虑概念,提出了基于焦虑/拍卖的多机器人协作搜集方法.通过对机器人焦虑程度的量化反映其对环境、队友及自身状况的评价,进而反映其对自己独立完成任务的不自信程度和对队友提出的拍卖邀请的主观接受程度.实验结果表明,与单纯的拍卖方法相比,该方法能提高多机器人协作搜集任务的执行效率.     

生物交哺行为启发的群体机器人搜集行为研究

为了提高群体机器人系统的整体性能,受生物系统中普遍存在的交哺现象的启发,在原来多机器人系统的基本行为的基础上,提出了一种引入交哺行为的多机器人协作机制。机器人依靠有限的感知能力和局部交互功能,以自组织方式执行目标搜集任务。机器人的内部状态变量反映其执行任务的情况以及对环境和其他机器人的评价。比较机器人的内部状态变量,可以判断是否需要交哺和交哺的方向性。主要目的是减少机器人之间的冲突,降低系统能量消耗的同时,提高机器人搜集目标的效率。最后通过计算机仿真实验以及与其他多机器人协作方法比较,分析该方法对提高系统性能的有效性。     

智能空间下基于分层任务网络的服务机器人任务规划

针对在复杂、动态的家庭环境下,如何让机器人获取足够多的环境信息并根据环境信息进行自主的任务规划,提出了智能空间技术支持下基于分层任务网络的服务机器人任务规划方案.利用智能空间技术为机器人提供充足的环境上下文信息,用基于分层任务网络设计的JSHOP2规划器执行机器人任务规划.为了提高机器人任务规划的自主性和智能性,在规划领域文件中加入不同的模板信息,使机器人具有根据环境的不同自动对任务进行调整的能力.仿真实验结果表明利用该方法能够有效地提高机器人任务规划的性能.     

基于组合拍卖的多机器人任务死锁解决方法

针对多机器人搜集任务中可能出现的任务死锁现象,采用基于组合拍卖的方法来解决这一问题。提出了一种拍卖树方法,用来解决组合拍卖计算量过大的问题。仿真实验结果表明该方法不仅能够消除多机器人的任务死锁,而且能够在解决死锁问题的同时优化多机器人任务分配结果。     

基于KQML语言的多自主移动机器人仿真系统

用JAVA语言开发了栅格环境下的多自主移动机器人仿真系统,通过KQML语言通信模拟了多个自主的移动机器人,机器人的自主性主要体现在自主感知环境和自主进行路径规划、任务执行和安全导航等工作．该仿真系统具有平台无关性、地图无关性、算法无关性以及机器人配置的无关性,为多自主机器人系统的研究提供了一个可借鉴的平台．     

基于资源拍卖的农业多机器人任务分配

针对农田环境中多机器人协同作业的问题,提出一种基于资源的任务分配算法,用于在具有机器人资源的再填充站的长期任务中高效地执行多个任务.针对多机器人任务分配问题,对多机器人任务进行建模,并分析任务相关模型及任务能量指标.在进行拍卖算法任务分配时,在考虑机器人数目约束、工作时间约束、距离约束的基础上,加入任务执行能力的约束,考虑机器人在长期任务执行期间资源量消耗问题,使各个农机有序地为农田地块服务,降低整个系统的执行代价,提高任务完成量.利用MATLAB平台进行仿真实验,生成多机器人多任务点的分配优化结果,并设置多组不同数量的机器人,对比该算法同其他三种算法的效果.仿真结果表明,该算法可以有效地提高作业效率,在相同条件下使资源消耗量及任务完成量达到最优,证明了其优越性,同时计算结果与实际作业完成量更接近,提高了结果的精准性.     

基于强化学习的未知环境多机器人协作搜集

针对多机器人协作复杂搜集任务中学习空间大,学习速度慢的问题,提出了带共享区的双层强化学习算法。该强化学习算法不仅能够实现低层状态-动作对的学习,而且能够实现高层条件-行为对的学习。高层条件-行为对的学习避免了学习空间的组合爆炸,共享区的应用强化了机器人间协作学习的能力。仿真实验结果说明所提方法加快了学习速度,满足了未知环境下多机器人复杂搜集任务的要求。     

基于改进蚁群算法的多机器人任务分配方法

研究了动态环境下多机器人对多目标点的探测;针对通常采用的是单物品拍卖的方法进行任务分配但是无法得到全局最优解的缺点,提出了用组合拍卖的方法来解决多机器人的任务分配问题;由于组合拍卖(WDP)本身是一个NP-hard的问题,所以文中通过对蚁群算法进行改进,成功地解决了此类任务分配问题;实验表明,该算法有效地缓解了容易出现的早熟停滞现象,达到较好的最优解,收敛速度快且求解质量稳定,满足了多机器人动态任务分配的要求。     

基于帕累托改进的多机器人动态任务分配算法

针对多机器人系统动态任务分配中存在的优化问题,在使用合同网初始任务分配的基础上提出了一种使用帕累托改进的任务二次分配算法。多机器人系统并行执行救火任务时,首先通过初始化任务分配将多机器人划分为若干子群;然后,每个子群承包某一救火任务,子群在执行任务的同时与就近子群进行帕累托改进确定需要迁移的机器人,实现两子群之间帕累托最优;最后,使用后序二叉树遍历对所有子群进行帕累托改进实现全局帕累托最优。理论分析和仿真结果表明,相较于强化学习算法和蚁群算法,所提算法的救火任务时间分别减少26.18%和37.04%;相较于传统合同网方法,所提算法在时间方面能够高效完成救火任务,在系统收益方面也具有明显优势。     

一种多机器人任务规划算法及其系统实现

针对多机器人任务规划问题,提出了一种蚁群集中式规划方法,建立了任务分配和路由规划的蚁群算法描述模型,并利用局部搜索策略改进了蚁群算法分配效果,实现了多机器人集中任务规划系统.利用该系统平台,进行了大量的实验分析.结果表明,蚁群算法能有效解决多机器人任务规划问题,为多机器人协作机制提供了新思路.     

基于蚁群-遗传融合框架的仓储群机器人任务分配

将智能仓储中的自主移动群机器人订单任务分配,建模成群机器人协同调度的多目标优化问题,将成员机器人完成拣货任务的路径代价和时间代价作为优化目标.设计了蚁群-遗传算法融合框架并在其中求解.该框架中,蚁群算法作为副算法,用于初始种群优化;遗传算法改进后作为主算法.具体地,在遗传算法轮盘赌选择算子后引入精英保留策略,并在遗传操作中加入逆转算子.针对不同数量的订单任务,使用不同规模的群机器人系统进行了任务分配仿真实验.结果表明,在本文所提的融合框架中求解,较分别使用蚁群算法或遗传算法单独求解,性能上具有明显优势,能够发挥蚁群算法鲁棒性好和遗传算法全局搜索能力强的特点,提高智能仓储系统的整体运行效率.     

面向多机器人动态任务分配的事件驱动免疫网络算法

为实现多机器人系统的动态任务分配与协作,提出了一种面向多机器人动态任务分配的事件驱动免疫网络算法。将生物免疫网络的工作机理应用到多机器人动态任务分配算法中,借鉴Jerne的独特型免疫网络假说和Farmer提出的抗体激励动态方程,设计了多机器人任务分配与自主协作模型;基于事件驱动机制,设计了多机器人动态任务分配算法,并引入焦躁模型来解决任务死锁问题。仿真和实际多机器人系统实验结果表明,基于本文算法的多机器人系统在动态任务场景中具有较强的适应性和自主规划协调能力。     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

基于Min—Min和蚁群算法的网格任务调度方法

网格任务调度是网格计算的研究热点,也是一个NP难问题。文章结合Min-Min算法和蚁群算法的优点,提出了一种基于Min—Min群算法（MMACO）的任务调度方法。仿真实验表明：在网格环境下,该算法具有较好的全局最优求解能力和较快的收敛速度。     

基于效用函数的多机器人系统任务分配

目前所采用的多机器人系统任务分配方法大多都忽略了任务分配的解质量问题。从定量的角度出发,提出了一种基于效用函数的多机器人系统任务分配策略,在机器人能力向量和子任务要求的能力向量基础上,建立了效用函数的数学模型,根据效用函数大小进行任务分配。仿真实验在足球机器人仿真比赛平台上进行,结果表明该任务分配算法对异构多机器人系统合作具有很好的通用性,且算法快速简单,能够实现任务到机器人的最优映射。     

基于混合蚁群算法的MAS任务分配*

在MAS（多agent系统）中,由于任务的复杂性和agent求解问题能力的不同,任务和agent不再是传统的一对一的关系。为解决MAS的任务分配问题,提出了任务与agent之间多对多的任务分配模式。首先建立了任务分配的数学模型,并导出分配优化的目标函数;其次利用混合蚁群算法快速收敛和分布式求解的特点实现任务分配的组合优化。对实验仿真的结果分析表明,多对多的任务分配模式能够明显提升多agent系统的性能。