CN107103356A - 基于动态粒子蜜蜂算法的群机器人搜索方法 - Google Patents
基于动态粒子蜜蜂算法的群机器人搜索方法 Download PDFInfo
- Publication number
- CN107103356A CN107103356A CN201710272608.3A CN201710272608A CN107103356A CN 107103356 A CN107103356 A CN 107103356A CN 201710272608 A CN201710272608 A CN 201710272608A CN 107103356 A CN107103356 A CN 107103356A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- search
- honeybee
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种基于动态粒子蜜蜂算法的群机器人搜索方法,具体包括以下步骤:采用组合拍卖法对搜索问题建模;设置搜索领域以及搜索时间T;利用动态粒子蜜蜂算法进行搜索,直到整个搜索区域搜索完成或者设定的搜索时间达到,结束搜索。本发明基于动态粒子算法和蜜蜂算法,应用于群机器人作业过程中,能够使群机器人在较短的时间内迅速搜索到目标,大大提高了搜索效率以及搜索结果的准确性。
Description
技术领域
本发明涉及机器人自动检测技术领域,特别是一种群机器人的搜索方法。
背景技术
近几年,全球开启工业4.0模式,其发展方向是走向互联网和物联网、信息流和数据流的进一步融合,也加快了机器人领域的发展速度,提高了机器人软硬件技术,拓宽了移动机器人应用的范围,由机器人来完成服务、家居生活、工业生产等方面的工作成为一种势不可挡的潮流,在餐厅中做服务员的机器人、工厂中忙于生产的机械臂等随处可见。
虽然单个机器人可以完成一些简单的任务,但是由于单个机器人一般都体积大、能耗高、结构复杂,灵活性差,在使用单机器人进行搜索任务时的效果不是很好,而群机器人因为其体积小、数量多、结构简单、比较灵活、鲁棒性强,比单个机器人更容易控制,而且其容错能力强,即使其中某个机器人坏了,也不会影响整体的搜索等特征,因此,近几年受到越来越多的关注。
研究利用群机器人搜索目标,在理论和实际研究中都有重要的意义。从理论上来说,通过研究群机器人寻找目标的过程,可以促进对群体自组织原理及协同行为涌现规律的研究。从实际上来说,研究利用群机器人搜索目标,可以利用机器人代替人完成很多工作,比如排雷排爆、空间探测、地震等灾难后的幸存者搜索、矿难搜救问题等,从而使机器人的应用变得更加广阔。
发明内容
本发明需要解决的技术问题是提供一种高效率的群机器人搜索方法。
为解决上述技术问题,本发明所采取的技术方案如下。
基于动态粒子蜜蜂算法的群机器人搜索方法,具体包括以下步骤:
A.采用组合拍卖法对搜索问题建模;
其中,
xij=0,1,(i,j=1,2,…,n);
cij表示机器人Ri搜索目标Gj所需要的代价;
B.设置搜索领域以及搜索时间T;
C.利用动态粒子蜜蜂算法进行搜索,直到整个搜索区域搜索完成或者设定的搜索时间达到,结束搜索。
上述基于动态粒子蜜蜂算法的群机器人搜索方法,步骤C具体包括以下内容:
C1.利用蜜蜂算法进行全局搜索;
C2.当发现目标之后,转变为动态粒子群搜索算法进行局部搜索,确定动态离子群搜索时间T1;.在T1时间内,一直采用动态粒子群搜索算法进行目标位置的确定;确定目标位置后,判断是否完成整个区域的搜索,如果完成,则结束当前区域的搜索;如没有确定目标,则在T1时间到达后,转换为蜜蜂算法,继续进行当前区域的搜索;
C3.如果蜜蜂算法没有发现目标,一直使用蜜蜂搜索算法进行搜索,直到整个搜索区域搜索完成或者搜索时间T到达,结束搜索。
上述基于动态粒子蜜蜂算法的群机器人搜索方法,步骤C1具体包括以下内容:
C11.初始化被随机释放在搜索环境中的侦查蜂位置;
C12.计算侦查蜂的适应度值,按降序排列,选取出nb只最佳蜂;
C13.招募nrb只蜜蜂,进行领域搜索;
C14.计算最佳蜂的适应度值,按降序排列,选取出ne只精英蜂;
C15.招募nre只蜜蜂,进行领域搜索。
上述基于动态粒子蜜蜂算法的群机器人搜索方法,所述适应度值计算采用下式计算获得:
式中:
其中,α,β和γ分别是质量、成本和机器人性能的控制参数,
Vik是第k个机器人对第i个任务的性能值,
N是机器人个数,gik是第k个机器人得到关于第i个任务的信息,
cik是第k个机器人执行第i个任务花费的成本,
ti是完成第i个任务花费的时间,
M是目标个数,T为搜索总时间,
Fi表示任务i的标准化优先权,
fi是任务i的优先权,第k个机器人完成第i个目标的成本就是相互间的距离Dik,
(xi,yi)和(xk,yk)分别代表目标和机器人的位置;
上述适应度计算过程中,所有侦查蜂的适应度值总和为1,所有最佳蜂的适应度总和为1。
上述基于动态粒子蜜蜂算法的群机器人搜索方法,步骤C2具体包括以下内容:
C21.均匀分割搜索空间成若干子搜索空间,并初始化子搜索空间,确定粒子坐标值;
C22.随机生成敏感粒子,计算器适应度值,通过响应阈值来衡量敏感粒子的适应度值;
C23.以一定的比例更新粒子的位置和速度,直到确定目标位置或者动态离子群搜索时间T1到达。
上述基于动态粒子蜜蜂算法的群机器人搜索方法,所述粒子和敏感粒子的适应度计算公式如下:
fitness(i)=positionx(i)+positiony(i)
其中,fitness(i)表示粒子i的适应度值;positionx(i)表示粒子i的位置x坐标值,positiony(i)表示粒子i的位置y坐标值。
上述基于动态粒子蜜蜂算法的群机器人搜索方法,所述粒子和敏感粒子的速度和位置更新公式如下:
其中,pbestx是粒子本身在搜索过程中在x轴的最好位置,
pbesty是粒子本身在搜索过程中在y轴的最好位置,
gbestx是在通信范围内所有粒子中在x轴的最好位置,
gbesty是在通信范围内所有粒子中在y轴的最好位置,
w,c1,c2为权值,0<w<2,0<c1/c2<2。
上述基于动态粒子蜜蜂算法的群机器人搜索方法,所述动态粒子群进行局部搜索时加入邻域设置,使精英蜂和最佳蜂在局部搜索过程中,位置迭代的总和在设置的最大值和最小值之间,即xidmin≤xid(t+1)≤xidmax。
由于采用了以上技术方案,本发明所取得技术进步如下。
本发明基于动态粒子算法和蜜蜂算法,应用于群机器人作业过程中,改善了全局搜索的速度,收敛性好,能够使群机器人在较短的时间内迅速搜索到目标,大大提高了搜索效率以及搜索结果的准确性。
附图说明
图1为本发明的流程图;
图2为本发明所述动态粒子蜜蜂算法的流程图;
图3为本发明所述动态粒子群算法的流程图;
图4为本发明中所述蜜蜂算法的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
本发明受到蜂群觅食行为的启发,提出在群机器人执行搜索任务过程中,以模拟蜂群觅食的过程为思想进行目标搜索,即在未知环境中,群机器人利用蜂群觅食行为的特征来搜索目标。
一种基于动态粒子蜜蜂算法的群机器人搜索方法,具体包括以下步骤。
A.采用组合拍卖法对搜索问题建模。
设一个组合拍卖的竞标集合G={B1,B,2,…BS},一个竞标就是一个二元组Bj≤Sj,cij>0,此处代价函数cij>0可认为竞标的出价,代价函数cij表示机器人Ri搜索目标Gj所需要的代价。
当xij=1时,表示机器人Ri搜索到目标Gj;当xij=0时,表示机器人Ri未搜索未到目标Gj。
当机器人Ri搜索完目标点Gj之后,必须要有一个确切的即将探测的目标点;而探测目标点Gj之前必须要有一个刚刚探测过的确切目标。
那么,基于组合拍卖法的混合整数线性规划的数学模型如下:
其中,
xij=0,1,(i,j=1,2,…,n);
cij表示机器人Ri搜索目标Gj所需要的代价。
B.设置搜索领域以及搜索时间T;设置搜索区域,并在搜索区域内设置4个目标点,实际坐标分别为(-60,-60)、(40,40)、(-40,40)和(40,-40),利用100个机器人进行搜索的任务,搜索时间为T。
C.利用动态粒子蜜蜂算法进行搜索,直到整个搜索区域搜索完成或者设定的搜索时间达到,结束搜索,具体流程如图2所示。
步骤C具体包括以下内容:
C1.利用蜜蜂算法进行全局搜索,具体流程如图4所示。
C11.初始化被随机释放在搜索环境中的侦查蜂位置。
C12.计算侦查蜂的适应度值,按降序排列,选取出nb只最佳蜂。
C13.招募nrb只蜜蜂,进行领域搜索。
C14.计算最佳蜂的适应度值,按降序排列,选取出ne只精英蜂。
C15.招募nre只蜜蜂,进行领域搜索。
上述侦查蜂和最佳蜂适应度值计算采用下式计算获得。
式中:
其中,α,β和γ分别是质量、成本和机器人性能的控制参数,
Vik是第k个机器人对第i个任务的性能值,
N是机器人个数,gik是第k个机器人得到关于第i个任务的信息,
cik是第k个机器人执行第i个任务花费的成本,
ti是完成第i个任务花费的时间,
M是目标个数,T为搜索总时间,
Fi表示任务i的标准化优先权,
fi是任务i的优先权,第k个机器人完成第i个目标的成本就是相互间的距离Dik,
(xi,yi)和(xk,yk)分别代表目标和机器人的位置;
上述适应度计算过程中,所有侦查蜂的适应度值总和为1,所有最佳蜂的适应度总和为1。
C2.当发现目标之后,转变为动态粒子群搜索算法进行局部搜索,确定动态离子群搜索时间T1;.在T1时间内,一直采用动态粒子群搜索算法进行目标位置的确定;确定目标位置后,判断是否完成整个区域的搜索,如果完成,则结束当前区域的搜索;如没有确定目标,则在T1时间到达后,转换为蜜蜂算法,继续进行当前区域的搜索,动态粒子群算法的具体流程如图3所示。
C21.均匀分割搜索空间成若干子搜索空间,并初始化子搜索空间,确定粒子坐标值。
本步骤中,动态粒子群进行局部搜索时加入邻域设置,使精英蜂和最佳蜂在局部搜索过程中,位置迭代的总和在设置的最大值和最小值之间,即xidmin≤xid(t+1)≤xidmax。
例如设置的邻域边界设置为20和25,那么整个过程xid的值不能超过20*25这个矩形,如果其值超过这个范围,邻域设置会将其限制在20*25这个范围内,提高完成搜索的效率。
C22.随机生成敏感粒子,计算器适应度值,通过响应阈值来衡量敏感粒子的适应度值。
粒子和敏感粒子的适应度计算公式如下:
fitness(i)=positionx(i)+positiony(i)
其中,fitness(i)表示粒子i的适应度值;positionx(i)表示粒子i的位置x坐标值,positiony(i)表示粒子i的位置y坐标值。
C23.以一定的比例更新粒子的位置和速度,直到确定目标位置或者动态离子群搜索时间T1到达。
粒子和敏感粒子的速度和位置更新公式如下:
其中,pbestx是粒子本身在搜索过程中在x轴的最好位置,
pbesty是粒子本身在搜索过程中在y轴的最好位置,
gbestx是在通信范围内所有粒子中在x轴的最好位置,
gbesty是在通信范围内所有粒子中在y轴的最好位置,
w,c1,c2为权值,0<w<2,0<c1/c2<2。
C3.如果蜜蜂算法没有发现目标,一直使用蜜蜂搜索算法进行搜索,直到整个搜索区域搜索完成或者搜索时间T到达,结束搜索。
Claims (8)
1.基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,具体包括以下步骤:
A.采用组合拍卖法对搜索问题建模;
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>z</mi>
<mo>=</mo>
<mo>-</mo>
<munderover>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,
xij=0,1,(i,j=1,2,…,n);
cij表示机器人Ri搜索目标Gj所需要的代价;
B.设置搜索领域以及搜索时间T;
C.利用动态粒子蜜蜂算法进行搜索,直到整个搜索区域搜索完成或者设定的搜索时间达到,结束搜索。
2.根据权利要求1所述的基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,步骤C具体包括以下内容:
C1.利用蜜蜂算法进行全局搜索;
C2.当发现目标之后,转变为动态粒子群搜索算法进行局部搜索,确定动态离子群搜索时间T1;.在T1时间内,一直采用动态粒子群搜索算法进行目标位置的确定;确定目标位置后,判断是否完成整个区域的搜索,如果完成,则结束当前区域的搜索;如没有确定目标,则在T1时间到达后,转换为蜜蜂算法,继续进行当前区域的搜索;
C3.如果蜜蜂算法没有发现目标,一直使用蜜蜂搜索算法进行搜索,直到整个搜索区域搜索完成或者搜索时间T到达,结束搜索。
3.根据权利要求2所述的基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,步骤C1具体包括以下内容:
C11.初始化被随机释放在搜索环境中的侦查蜂位置;
C12.计算侦查蜂的适应度值,按降序排列,选取出nb只最佳蜂;
C13.招募nrb只蜜蜂,进行领域搜索;
C14.计算最佳蜂的适应度值,按降序排列,选取出ne只精英蜂;
C15.招募nre只蜜蜂,进行领域搜索。
4.根据权利要求3所述的基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,所述适应度值计算采用下式计算获得:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mi>&alpha;</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&beta;</mi>
</msup>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>F</mi>
<mi>j</mi>
<mi>&alpha;</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&beta;</mi>
</msup>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mi>&gamma;</mi>
</msubsup>
</mrow>
</mfrac>
</mrow>
式中:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>g</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
1
<mrow>
<mi>T</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
其中,α,β和γ分别是质量、成本和机器人性能的控制参数,
Vik是第k个机器人对第i个任务的性能值,
N是机器人个数,gik是第k个机器人得到关于第i个任务的信息,
cik是第k个机器人执行第i个任务花费的成本,
ti是完成第i个任务花费的时间,
M是目标个数,T为搜索总时间,
Fi表示任务i的标准化优先权,
fi是任务i的优先权,第k个机器人完成第i个目标的成本就是相互间的距离Dik,
(xi,yi)和(xk,yk)分别代表目标和机器人的位置;
上述适应度计算过程中,所有侦查蜂的适应度值总和为1,所有最佳蜂的适应度总和为1。
5.根据权利要求2所述的基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,步骤C2具体包括以下内容:
C21.均匀分割搜索空间成若干子搜索空间,并初始化子搜索空间,确定粒子坐标值;
C22.随机生成敏感粒子,计算器适应度值,通过响应阈值来衡量敏感粒子的适应度值;
C23.以一定的比例更新粒子的位置和速度,直到确定目标位置或者动态离子群搜索时间T1到达。
6.根据权利要求5所述的基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,所述粒子和敏感粒子的适应度计算公式如下:
fitness(i)=positionx(i)+positiony(i)
其中,fitness(i)表示粒子i的适应度值;positionx(i)表示粒子i的位置x坐标值,positiony(i)表示粒子i的位置y坐标值。
7.根据权利要求5所述的基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,所述粒子和敏感粒子的速度和位置更新公式如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&upsi;</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>w</mi>
<mi>&upsi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>c</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>pbest</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>c</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>gbest</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&upsi;</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>w</mi>
<mi>&upsi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>c</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>pbest</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>c</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>gbest</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&upsi;</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&upsi;</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,pbestx是粒子本身在搜索过程中在x轴的最好位置,
pbesty是粒子本身在搜索过程中在y轴的最好位置,
gbestx是在通信范围内所有粒子中在x轴的最好位置,
gbesty是在通信范围内所有粒子中在y轴的最好位置,
w,c1,c2为权值,0<w<2,0<c1/c2<2。
8.根据权利要求5-7任一项所述的基于动态粒子蜜蜂算法的群机器人搜索方法,其特征在于,所述动态粒子群进行局部搜索时加入邻域设置,使精英蜂和最佳蜂在局部搜索过程中,位置迭代的总和在设置的最大值和最小值之间,即xidmin≤xid(t+1)≤xidmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710272608.3A CN107103356B (zh) | 2017-04-24 | 2017-04-24 | 基于动态粒子蜜蜂算法的群机器人搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710272608.3A CN107103356B (zh) | 2017-04-24 | 2017-04-24 | 基于动态粒子蜜蜂算法的群机器人搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107103356A true CN107103356A (zh) | 2017-08-29 |
CN107103356B CN107103356B (zh) | 2020-10-09 |
Family
ID=59657244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710272608.3A Active CN107103356B (zh) | 2017-04-24 | 2017-04-24 | 基于动态粒子蜜蜂算法的群机器人搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103356B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615057A (zh) * | 2018-11-29 | 2019-04-12 | 山东大学 | 群机器人觅食中基于动态响应阈值的自组织任务分配方法 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364110A (zh) * | 2008-09-28 | 2009-02-11 | 重庆邮电大学 | 一种多自主机器人协同作业控制方法及系统 |
CN102013037A (zh) * | 2010-12-16 | 2011-04-13 | 上海电机学院 | 一种基于粒子群算法的路径搜索方法及装置 |
CN103020709A (zh) * | 2012-10-19 | 2013-04-03 | 安徽建筑工业学院 | 一种基于人工蜂群算法和量子粒子群算法的优化计算方法 |
CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
CN104392099A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种混合多目标粒子群算法解决应急调度问题方法 |
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
KR101565694B1 (ko) * | 2014-05-16 | 2015-11-05 | 강원대학교산학협력단 | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 |
CN105469139A (zh) * | 2016-01-11 | 2016-04-06 | 昆明理工大学 | 一种基于嵌入式控制的无人机空中实时协同制导方法 |
CN105740648A (zh) * | 2016-01-21 | 2016-07-06 | 江南大学 | 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法 |
-
2017
- 2017-04-24 CN CN201710272608.3A patent/CN107103356B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364110A (zh) * | 2008-09-28 | 2009-02-11 | 重庆邮电大学 | 一种多自主机器人协同作业控制方法及系统 |
CN102013037A (zh) * | 2010-12-16 | 2011-04-13 | 上海电机学院 | 一种基于粒子群算法的路径搜索方法及装置 |
CN103020709A (zh) * | 2012-10-19 | 2013-04-03 | 安徽建筑工业学院 | 一种基于人工蜂群算法和量子粒子群算法的优化计算方法 |
CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
KR101565694B1 (ko) * | 2014-05-16 | 2015-11-05 | 강원대학교산학협력단 | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 |
CN104392099A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种混合多目标粒子群算法解决应急调度问题方法 |
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
CN105469139A (zh) * | 2016-01-11 | 2016-04-06 | 昆明理工大学 | 一种基于嵌入式控制的无人机空中实时协同制导方法 |
CN105740648A (zh) * | 2016-01-21 | 2016-07-06 | 江南大学 | 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法 |
Non-Patent Citations (5)
Title |
---|
ITSHAK T等: "Automatic Multi-Sensor Task Allocation using Modified Distributed Bees Algorithm", 《2013 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS》 * |
宋玉丽 等: "面向多目标搜索的群机器人任务分配研究", 《太原科技大学学报》 * |
徐艳平: "基于智能算法的移动机器人路径规划研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李丽娜: "基于觅食行为的群机器人协作搜索方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
苏丽颖 等: "多机器人系统任务分配问题的建模与求解", 《中南大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615057A (zh) * | 2018-11-29 | 2019-04-12 | 山东大学 | 群机器人觅食中基于动态响应阈值的自组织任务分配方法 |
CN109615057B (zh) * | 2018-11-29 | 2023-02-28 | 山东大学 | 群机器人觅食中基于动态响应阈值的自组织任务分配方法 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107103356B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Data-driven evolutionary algorithm with perturbation-based ensemble surrogates | |
WO2021238191A1 (zh) | 机器人的定位补偿方法及装置 | |
Lv et al. | Surrogate-assisted particle swarm optimization algorithm with Pareto active learning for expensive multi-objective optimization | |
CN107703480A (zh) | 基于机器学习的混合核函数室内定位方法 | |
Hao et al. | Dynamic path planning of a three-dimensional underwater AUV based on an adaptive genetic algorithm | |
WO2020211605A1 (zh) | 一种基于最大公共子图的栅格地图融合方法 | |
Zhou et al. | A surrogate-assisted evolutionary algorithm for minimax optimization | |
CN106528989B (zh) | 一种分布式并行sph仿真方法 | |
CN108496188A (zh) | 神经网络训练的方法、装置、计算机系统和可移动设备 | |
WO2020181934A1 (zh) | 一种基于粒子群算法确定目标对象位置的方法和装置 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN106295793A (zh) | 基于生物觅食行为的群机器人混合搜索方法 | |
CN110362081A (zh) | 一种移动机器人路径规划方法 | |
CN112446301B (zh) | 一种遥感图像多类别目标检测方法和系统 | |
Lei et al. | Detecting protein complexes from DPINs by density based clustering with Pigeon-Inspired Optimization Algorithm | |
CN107103356A (zh) | 基于动态粒子蜜蜂算法的群机器人搜索方法 | |
CN109918718A (zh) | 无人机飞行质量评估方法、装置、存储介质及电子设备 | |
CN106485030B (zh) | 一种用于sph算法的对称边界处理方法 | |
Song et al. | An adaptive stochastic central force optimisation algorithm for node localisation in wireless sensor networks | |
Braik | Enhanced Ali Baba and the forty thieves algorithm for feature selection | |
CN106202113B (zh) | 应用于组队运动的信息提供方法和装置 | |
CN105760549A (zh) | 基于属性图模型的近邻查询方法 | |
CN106778252B (zh) | 基于粗糙集理论与waode算法的入侵检测方法 | |
CN103605631A (zh) | 一种基于支持向量几何意义的增量学习方法 | |
Hu et al. | An adaptive hybrid PSO multi-objective optimization algorithm for constrained optimization problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |