基于学习分类器的多机器人路径规划收敛性研究

近年来,学习分类器LCS已广泛用于基于归纳学习的强化学习领域,但很少用于多机器人领域.提出了一种基于集成强化学习和遗传算法的学习分类器用于多机器人路径规划领域.由于遗传算法具有早熟收敛、局部最优解和占据较大的存储空间等缺陷,针对静态和动态环境因素对多机器人路径规划的不同影响,设计了在静态和动态环境下不同的适应度函数,在理论上推导并证明了信用分配算法的收敛性,为路径规划算法的收敛提供了理论保证.仿真实验结果也表明遗传算法和学习分类器结合用于多机器人的路径规划是有效的,遗传算法的早熟收敛、局部最优解、占据存储空间较大和收敛速度慢等难题得到很大改善,提高了多机器人发现安全路径的能力.所以LCS在机器人领域的应用前景是非常广阔的,是今后需要努力研究的方向.

Research on Cnvergence of Multi-Robots Path Planning Based on Learning Classifier System

Learning classifier systems(LCS) are rule-based inductive learning systems that have been widely used in the field of reinforcement learning over the last few years,but seldom used in the multi-robots domain.In this paper a distributed learning classifier system,which combines reinforcement learning and genetic algorithm to create a set of rules on-line,is used to design optimal paths for multi-robots path planning.Due to premature convergence,local optimal solution,needing a larger storage space and other ...