基于扩展能力评价值的多机器人系统任务分配

在分析了基于行为主义和基于协商主义的任务分配方法的适用性后,提出一种基于扩展能力评价值的多机器人系统任务分配算法,定义了扩展能力评价值的概念.首先对机器人能力、任务需求能力、历史经验、信用度进行数值化描述,在此基础上定义了扩展能力评价值的概念,并建立了扩展能力评价值的数学模型,包含能力匹配函数、历史经验、信用度3个因素.最后在足球多机器人系统仿真平台上进行实验仿真,结果表明了算法的有效性,实现了任务到机器人的最佳映射.     

排样图形预处理中的几个实用算法

提出了一种基于位图排样的外包圆、外包矩形集、近似长短轴的计算方法;并将其应用于排样零件的编码中,提高检索所需图形的匹配速度;作为排样图形聚类和分类的图形特征依据,用于进行排样图形预处理;并给出了示例说明。     

线性随机分布参数系统均方稳定的充要条件

基于线性随机分布参数系统新的数学描述形式,给出了相应的均方稳定定义．考虑边界条件及散度定理,将偏微分方程转化成常微分方程,基于常微分方程的稳定性条件给出了相应偏微分方程的稳定性条件,从而得到了该类线性随机分布参数系统均方稳定的充要条件．最后通过仿真实例证明了结果的正确性.     

基于均匀设计和惰性变异的改进微粒群算法

微粒群算法(PSO)是一种随机群体优化算法,相对于遗传算法等其它的进化算法,它模型简单、操作参数少、智能程度高、运算速度快,已受到许多相关领域学者的关注与研究。但是,标准微粒群算法在寻优过程中往往陷入局部最优解,而不是全局最优解。在研究均匀设计与惰性变异的基础上,提出了改进的微粒群算法(UMPSO)。该算法利用均匀设计的思想来确定算法的初始粒子,以使其均匀分布于解空间,从而使算法以更高的概率、更快的速度找到全局最优解;在进化过程中,对惰性粒子以概率为1进行随机变异,则能够更好地保证微粒群的多样性。仿真结果表明,与标准的PSO相比,UMPSO的寻优精度更高、寻优速度更快。     

基于蚁群优化的模糊Sarsa学习算法

提出了一种基于蚁群优化的模糊Sarsa学习(ACO-FSL)算法,在该算法中,首先把模糊系统按照模糊规则进行划分,对于每条模糊规则,有若干个候选动作可被选择,动作选择的概率依赖于实时的值函数;然后在每个动作选择的同时根据蚁群优化的思想定义变化的学习率,这样既缩小了搜索空间,又提高了学习效率.整个模糊推理模块被看作是蚂蚁...     

鲁棒性好的彩色图像分割方法

针对光照变化对机器视觉带来的不利影响,提出了一种具有较好鲁棒性的彩色图像混合分割方法.该方法首先用基于自动种子的区域生长法将图像划分为内部相似的一些区域,再用最小支撑树(MST)方法在这些区域之间进行分割,通过加权熵目标函数确定的最优阈值产生最终的分割图像.实验结果证明该混合分割方法克服了光照条件变化给彩色图像分割带来...     

基于粒子群优化算法的双足机器人步态优化

分析了髋关节位置对双足机器人步行稳定性判据零力矩点(ZMP)的影响,以ZMP稳定裕度为参数构造目标函数,利用粒子群优化算法(PSO)对基于3次样条插值方法规划的双足机器人步态进行优化,从而得到ZMP稳定裕度大的平滑步态.仿真实验表明:该方法规划的步态实现了双足机器人稳定、协调地行走.     

仿真足球比赛中的射门策略研究

根据RoboCup 2D仿真足球比赛仿真环境,详细分析了影响球员智能体射门成功率的主要要素:kick_rand属性、球运动噪声和对方守门员智能体,并综合其效果,得到较好的射门成功率估计.通过将球门离散化成许多个点,然后对每个点进行射门成功率评估,选择最佳射门点,从而得到一个新的射门策略.实验表明:新的射门策略明显提高了射门的成功率,达到预期效果.     

一种基于GMDH模型的神经网络学习算法

 从简要归纳与分析现有的神经网络模型的角度出发,讨论了GMDH网络模型的结构、特点及其输入输出关系.提出了一种基于GMDH模型的神经网络学习算法,详细阐述了该算法的主要设计思想与实现过程,并就算法停止准则和网络最佳层数问题进行了仿真研究.实践表明,该算法自组织性强,表现出了较好的泛化能力和稳定性.