CN108573517A - 一种受生物学规则启发的蚁群模拟方法 - Google Patents
一种受生物学规则启发的蚁群模拟方法 Download PDFInfo
- Publication number
- CN108573517A CN108573517A CN201810299241.9A CN201810299241A CN108573517A CN 108573517 A CN108573517 A CN 108573517A CN 201810299241 A CN201810299241 A CN 201810299241A CN 108573517 A CN108573517 A CN 108573517A
- Authority
- CN
- China
- Prior art keywords
- ant
- individual
- ant colony
- scene information
- colony
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种受生物学规则启发的蚁群模拟方法,涉及群组动画技术领域。所述蚁群模拟方法包括以下步骤:(1)数据预处理阶段:初始化运动场景信息以及蚁群规模和蚁群中每个个体的运动参数;(2)运动控制阶段:通过运动控制器统一、持续地控制每一个蚂蚁个体无碰撞的移动,创建真实的蚁群群组动画,实现大规模蚁群动画的实时绘制。本发明提供的蚁群模拟方法避免了大规模群组动画绘制的高时间消耗问题,同时可实现用户实时个性化调整蚁群动画。
Description
技术领域
本发明涉及群组动画技术领域,尤其涉及一种受生物学规则启发的蚁群模拟方法。
背景技术
群体行为在昆虫中很常见,常表现为昆虫的群体通过某种机制协作完成任务,是计算机动画中常见的仿真场景,以往群组动画的研究目标多集中在鸟群、鱼群和人群中。蚂蚁是典型的具有集体性质的昆虫,其通过群体间的协作完成觅食,搬运,抵抗外敌等任务,而驱动这些群体行为发生的“规则”则使对蚂蚁群体行为的研究具有重要意义。然而,由于蚂蚁体型微小,数量庞大,密度大、速度快,在复杂的环境下很难捕捉蚂蚁的运动。
从生物学角度来看,蚂蚁通过群体间的信息传递来实现群体行为,这种信息交流主要通过分泌化学物质(称为“信息素”)和身体接触来完成,蚂蚁在运动过程中能够感知这种物质,并以此指导自己的运动方向,大多数蚁群利用信息素来进行间接通信。如蚂蚁的觅食行为,当一只蚂蚁发现食物以后,它将食物拖回巢穴并沿路留下信息素。觅食的蚂蚁通过不同路径上的信息素浓度来选择路径。信息素浓度越大的路径被选择的概率也就越大。当越来越多的蚂蚁选择同一特定路径时,该路径就因聚集越来越多的信息素而更具吸引力,从而吸引更多的蚂蚁走该路径。这种自催化导致的协作行为形成一种正反馈机制,使得最优觅食路径被越来越多的蚂蚁选择。
对蚂蚁群体行为的研究大多为对蚂蚁集体无阻塞行进轨迹的研究,已有的方法包括多主体研究协作路径学习和优化,元胞自动机模型,物理仿真模型等等。然而,在图形学领域,尤其是计算机动画仿真中,很少有与蚂蚁群体仿真相关的工作。
公布专利号CN102208111A公开了一种群体动画运动控制系统及方法,属于自主智能体动画技术领域。群体动画运动控制系统包括场景划分模块、路径规划模块、群体控制模块、个体控制模块、碰撞处理模块、数学运算模块、系统模块和渲染模块。采用该控制方法,将群体运动控制阶段和个体运动控制阶段分别进行,使得动画师在制作过程中可以对群体的运动趋势有整体的把握,同时也提高了个体的各个运动分量的计算效率,提高了运动控制的效率,实现了实时交互控制的功能。
发明内容
为了模拟在相对复杂的周围环境下的蚁群的群体活动,本发明提供了一种受生物学规则启发的蚁群模拟方法。本发明提供的蚁群模拟方法能够用于创建真实的蚁群群组动画,并实现大规模蚁群动画的实时绘制。
为了解决上述技术问题,本发明提供如下技术方案:
一种受生物学规则启发的蚁群模拟方法,所述模拟方法包括以下步骤:
(1)数据预处理阶段,初始化运动场景信息以及蚁群规模和蚁群中每个个体的运动参数;
(2)运动控制阶段,通过运动控制器来统一、持续地控制每一个蚂蚁个体无碰撞的移动,创建真实的蚁群群组动画,实现大规模蚁群动画的实时绘制。
进一步的,步骤(1)中,所述运动场景信息包括:巢穴、食物源和障碍物,所述运动场景信息还包括外界干扰。
所述外界干扰是作用在实时的蚁群运动中使蚁群产生逃离行为的场景信息,可作为实时运动场景信息加入到实时绘制中。
进一步的,所述外界干扰包括外界攻击,如周围的环境出现捕食蚂蚁的动物。
进一步的,步骤(1)中,所述个体运动参数包括:个体的位置信息P、移动速度大小speed和方向O,以及其来源信息Sc和运动状态Sm。
进一步的,初始化的个体运动参数中,蚂蚁个体的运动状态Sm∈{静止,基础移动,与运动场景信息交互,与邻近的蚂蚁个体交互},蚂蚁个体的来源信息Sc∈{巢穴,食物源}。
进一步的,所述步骤(2)中,所述运动控制器统一、持续地控制蚁群中每个蚂蚁个体移动,所述控制过程包括如下步骤:
(2-1)随机选择是否进入静止状态;如果个体进入静止状态,短时间内暂停移动,执行步骤(2-6);否则执行步骤(2-2);
(2-2)进入基础移动状态,根据当前的运动参数预测蚂蚁个体的目标位置;
(2-3)在设定的有效范围内探测蚂蚁个体的周围环境,判断是否会产生交互,如果满足产生交互的条件,执行步骤(2-4);如果不满足产生交互的条件,执行步骤(2-6);
(2-4)转换运动状态,根据运动状态选择对应的运动策略,调整蚂蚁个体的运动参数;
(2-5)进行边界检测和碰撞检测,调整该个体的速度大小、方向以避免出界和碰撞;
(2-6)计算并移动到个体的目标位置;并返回步骤(2-1)进行下一轮计算。
判断当前蚂蚁个体是否与邻近产生交互,其规则包括:
(1)与邻近的蚂蚁个体交互
当前蚂蚁个体Sc=巢穴,而邻近蚂蚁个体Sc=食物源,表示当前个体来自巢穴,而邻近个体来自食物源,则当前个体可获得食物源的位置指导信息,判定能发生交互;
当前蚂蚁个体Sc=食物源,而邻近蚂蚁个体Sc=巢穴,表示当前个体来自食物源并负载食物,而邻近个体来自巢穴,则当前个体可获得巢穴的位置指导信息,判定能发生交互;
如果判定能发生交互,蚂蚁个体将移动方向调整指向邻近蚂蚁个体来时的方向。
(2)与运动场景信息交互
邻近场景信息包含巢穴:蚂蚁个体卸载食物,来源信息Sc=食物源改变为Sc=巢穴;
邻近场景信息包含食物源:蚂蚁个体装载食物,来源信息Sc=巢穴改变为Sc=食物源;
邻近场景信息包含障碍物:选择障碍避免策略;
邻近场景信息包含外界干扰:选择逃离策略。
其中,障碍避免策略使蚂蚁个体沿障碍物的切线方向远离移动;逃离策略使蚂蚁个体向远离外界干扰点的方向移动。
进一步的,蚂蚁个体优先与运动场景信息交互,而在与运动场景交互的信息的优先级为:障碍物>外界干扰>食物=巢穴。
进一步的,所述步骤(2-3)中,所述蚂蚁个体的周围环境的探测过程使用哈希查找的方法,可探测到的结果包括所述的运动场景信息和其他邻近蚂蚁个体的信息。
所述蚂蚁个体的周围环境的探测过程具体为,将蚁群的运动范围网格化,通过蚂蚁个体和蚁群运动场景信息与网格的映射在有效的距离范围内进行哈希查找,以降低搜索时间。
进一步的,步骤(2-4)中,转换运动状态包括由基础移动转换为与邻近的蚂蚁交互、由基础移动转换为与运动场景信息交互、由邻近的蚂蚁交互转换为与运动场景信息交互、由运动场景信息交互转换为静止状态和由静止状态转换为与运动场景信息交互。
所述运动状态的前提为:
静止状态:(1)个体随机选择停止运动;(2)个体到达食物源,暂停移动以获取食物;(3)个体到达巢穴,暂停移动以卸载食物;
基础移动:个体保持当前的速度继续移动;
与运动场景信息交互:有食物、巢穴或障碍物在蚂蚁个体的感知范围内,或蚂蚁个体在外界干扰的威胁范围内;
与邻近的蚂蚁交互:有其他蚂蚁个体在感知范围内。
进一步的,步骤(2-5)中,所述碰撞的避免方法使用排斥力模型,碰撞避免的公式为:
其中,
fR为碰撞避免方法中蚂蚁个体选择的移动牵引力;
f0为蚂蚁个体当前的牵引力;
N为该个体探测到的周围其他蚂蚁个体的个数;
fd为每个邻近的蚂蚁个体对当前个体产生的排斥力;
w0和w1分别为自身牵引力和总排斥力的系数,且w0+w1=1。;
wd为各项排斥力的系数,且
受自然界中蚂蚁群体信息传递规则启发,本发明提出一种基于生物学的蚂蚁群体行为仿真方法,通过实现蚂蚁个体间的信息传递,模拟大规模蚁群。其中,控制蚁群群体行为的规则提炼于生物学对蚂蚁群体行为的相关研究,即结合蚂蚁的“跟随跑”行为和一些在实际生活中对蚂蚁的经验观察而制定的规则,从而控制仿真蚂蚁间的信息传递。
本发明的有益效果:
本发明提供的受生物学规则启发的蚁群模拟方法,受真实世界中蚂蚁在活动时通过信息传递来实现群体行为启发,通过运动控制器统一模拟蚁群的集体行为:觅食行为、躲避行为、逃离行为等,使仿真蚁群能通过对较为复杂的周围环境的感知和群体间协作自动调节群体的运动,能够用于创建真实的蚁群群组动画,并实现大规模蚁群动画的实时绘制。
本发明提供的模拟方法避免了大规模群组动画绘制的高时间消耗问题,同时可实现用户实时个性化调整蚁群动画。
附图说明
图1为本发明提供的受生物学规则启发的蚁群模拟方法的流程图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明。
如图1所示,本发明提供的受生物学规则启发的蚁群模拟方法,包括以下步骤:
(1)数据预处理阶段(101),初始化运动场景的信息,以及蚁群规模和蚁群中每个个体的运动参数;
(2)运动控制阶段(101-108),通过运动控制器来统一、持续地控制每一个蚂蚁个体无碰撞的移动,以创建真实的蚁群群组动画,并实现大规模蚁群动画的实时绘制。
蚂蚁个体运动参数为(P,speed,O,Sc,Sm),分别代表个体的位置信息P、移动速度大小speed和方向O,以及其来源信息Sc和运动状态Sm。在整个模拟过程中,Sm∈{静止,基础移动,与运动场景信息交互,与邻近的蚂蚁个体交互},Sc∈{巢穴,食物源}。
步骤101,初始化的运动场景信息包括:巢穴、食物源和障碍物信息。运动场景信息还包括外界干扰。
所述外界干扰是作用在实时的蚁群运动中使蚁群产生逃离行为的场景信息,可作为实时运动场景信息加入到实时绘制中。
所述外界干扰包括外界攻击,如周围的环境出现捕食蚂蚁的动物。
初始化的蚂蚁个体运动参数Sc=巢穴,Sm=基础移动。
步骤102-108为运动控制器控制蚁群中每个个体移动的过程:
步骤102,随机选择是否进入静止状态。如果是,进入步骤108,目标位置即为当前位置,速度不变;否则执行步骤103;
步骤103,进入基础移动状态,根据当前的运动参数预测蚂蚁个体的目标位置,用传统的运动学公式计算预测位置;
步骤104,在设定的有效范围内用哈希查找的方法探测蚂蚁个体的周围环境,获取邻近的运动场景信息或其他邻近蚂蚁个体的运动信息。
步骤105-106,判断是否会和周围环境产生交互,如果是,执行步骤 106,决定其将要转换的运动状态,根据运动状态选择对应的运动策略,调整蚂蚁个体的运动参数;否则执行步骤108。
判断当前蚂蚁个体是否与邻近产生交互,其规则包括:
(1)与邻近的蚂蚁交互
当前蚂蚁个体Sc=巢穴,而邻近蚂蚁个体Sc=食物源,表示当前个体来自巢穴,而邻近个体来自食物源,则当前个体可获得食物源的位置指导信息,判定能发生交互;
当前蚂蚁个体Sc=食物源,而邻近蚂蚁个体Sc=巢穴,表示当前个体来自食物源并负载食物,而邻近个体来自巢穴,则当前个体可获得巢穴的位置指导信息,判定能发生交互。
如果判定能发生交互,蚂蚁个体将移动方向调整指向邻近蚂蚁个体来时的方向。
(2)与运动场景信息交互
邻近场景信息包含巢穴:蚂蚁个体卸载食物,来源信息Sc=食物源改变为Sc=巢穴;
邻近场景信息包含食物源:蚂蚁个体装载食物,来源信息Sc=巢穴改变为Sc=食物源;
邻近场景信息包含障碍物:选择障碍避免策略;
邻近场景信息包含外界干扰,选择逃离策略。
其中,障碍避免策略使蚂蚁个体沿障碍物的切线方向远离移动;逃离策略使蚂蚁个体向远离外界干扰点的方向移动。
所述的个体要转换的运动状态包括由基础移动转换为与邻近的蚂蚁交互、由基础移动转换为与运动场景信息交互、由邻近的蚂蚁交互转换为与运动场景信息交互、由运动场景信息交互转换为静止和由静止转换为与运动场景信息交互。
下面对每个状态发生的前提给出阐述:
静止状态:(1)个体随机选择停止运动;(2)个体到达食物源,暂停移动以获取食物;(3)个体到达巢穴,暂停移动以卸载食物;
基础移动:个体保持当前的速度继续移动;
与运动场景信息交互:有食物/巢穴/障碍物在蚂蚁个体的感知范围内,或蚂蚁个体在外界干扰的威胁范围内;
与邻近的蚂蚁交互:有其他蚂蚁个体在感知范围内。
本发明提供的模拟方法中的交互分为两类:与运动场景信息交互和与邻近的蚂蚁交互。蚂蚁个体优先与运动场景信息交互,而在与运动场景交互的信息的优先级为:障碍物>外界干扰>食物=巢穴。
步骤107,进行边界检测和碰撞检测,调整该个体的速度大小和移动方向以避免出界和碰撞;
碰撞避免的方法使用排斥力模型,碰撞避免的公式为:
其中,
fR为碰撞避免方法为蚂蚁个体选择的移动牵引力;
f0为蚂蚁个体当前的牵引力;
N为该个体探测到的周围其他蚂蚁个体的个数;
fd为每个邻近的蚂蚁个体对当前个体产生的排斥力;
w0和w1分别为自身牵引力和总排斥力的系数,且w0+w1=1。
wd为各项排斥力的系数,且
步骤108,计算并移动每个蚂蚁个体的目标位置。返回步骤102进行下一轮计算。
Claims (8)
1.一种受生物学规则启发的蚁群模拟方法,其特征在于,所述模拟方法包括以下步骤:
(1)数据预处理阶段:初始化运动场景信息以及蚁群规模和蚁群中每个个体的运动参数;
(2)运动控制阶段:通过运动控制器统一、持续地控制每一个蚂蚁个体无碰撞的移动,创建真实的蚁群群组动画,实现大规模蚁群动画的实时绘制。
2.如权利要求1所述的受生物学规则启发的蚁群模拟方法,其特征在于,步骤(1)中,所述运动场景信息包括:巢穴、食物源和障碍物;所述运动场景信息还包括外界干扰,所述外界干扰是作用在实时的蚁群运动中使蚁群产生逃离行为的场景信息。
3.如权利要求1所述的受生物学规则启发的蚁群模拟方法,其特征在于,步骤(1)中,所述个体运动参数包括:蚂蚁个体的位置信息P、移动速度大小speed和方向O,以及其来源信息Sc和运动状态Sm。
4.如权利要求3所述的受生物学规则启发的蚁群模拟方法,其特征在于,所述运动状态Sm∈{静止,基础移动,与运动场景信息交互,与邻近的蚂蚁个体交互},蚂蚁个体的来源信息Sc∈{巢穴,食物源}。
5.如权利要求1所述的受生物学规则启发的蚁群模拟方法,其特征在于,步骤(2)中,所述运动控制器统一、持续地控制蚁群中每个蚂蚁个体移动,所述控制过程包括如下步骤:
(2-1)随机选择是否进入静止状态;如果个体进入静止状态,短时间内暂停移动,执行步骤(2-6);否则执行步骤(2-2);
(2-2)进入基础移动状态,根据当前的运动参数预测蚂蚁个体的目标位置;
(2-3)在设定的有效范围内探测蚂蚁个体的周围环境,判断是否会产生交互,如果满足产生交互的条件,执行步骤(2-4);如果不满足产生交互的条件,执行步骤(2-6);
(2-4)转换运动状态,根据运动状态选择对应的运动策略,调整蚂蚁个体的运动参数;
(2-5)进行边界检测和碰撞检测,调整该个体的速度大小、方向以避免出界和碰撞;
(2-6)计算并移动到个体的目标位置;并返回步骤(2-1)进行下一轮计算。
6.如权利要求5所述的受生物学规则启发的蚁群模拟方法,其特征在于,步骤(2-3)中,所述蚂蚁个体的周围环境的探测过程使用哈希查找的方法。
7.如权利要求5所述的受生物学规则启发的蚁群模拟方法,其特征在于,步骤(2-4)中,所述的转换运动状态包括由基础移动转换为与邻近的蚂蚁交互、由基础移动转换为与运动场景信息交互、由邻近的蚂蚁交互转换为与运动场景信息交互、由运动场景信息交互转换为静止状态和由静止状态转换为与运动场景信息交互。
8.如权利要求5所述的受生物学规则启发的蚁群模拟方法,其特征在于,步骤(2-5)中,所述碰撞的避免方法使用排斥力模型,构造的碰撞避免公式为:
其中,
fR为碰撞避免方法为蚂蚁个体选择的移动牵引力;
f0为蚂蚁个体当前的牵引力;
N为该个体探测到的周围其他蚂蚁个体的个数;
fd为每个邻近的蚂蚁个体对当前个体产生的排斥力;
w0和w1分别为自身牵引力和总排斥力的系数,且w0+w1=1;
wd为各项排斥力的系数,且
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299241.9A CN108573517A (zh) | 2018-04-04 | 2018-04-04 | 一种受生物学规则启发的蚁群模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299241.9A CN108573517A (zh) | 2018-04-04 | 2018-04-04 | 一种受生物学规则启发的蚁群模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573517A true CN108573517A (zh) | 2018-09-25 |
Family
ID=63574750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810299241.9A Pending CN108573517A (zh) | 2018-04-04 | 2018-04-04 | 一种受生物学规则启发的蚁群模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573517A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741025A (zh) * | 2020-08-06 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于数字蚁群的网络安全主动防御方法、存储介质和系统 |
CN112569598A (zh) * | 2020-12-22 | 2021-03-30 | 上海幻电信息科技有限公司 | 目标对象控制方法及装置 |
CN117119127A (zh) * | 2023-10-24 | 2023-11-24 | 北京世冠金洋科技发展有限公司 | 一种集群控制系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679264A (zh) * | 2013-12-23 | 2014-03-26 | 山东师范大学 | 基于人工鱼群算法的人群疏散路径规划方法 |
CN107480320A (zh) * | 2017-06-20 | 2017-12-15 | 山东师范大学 | 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统 |
-
2018
- 2018-04-04 CN CN201810299241.9A patent/CN108573517A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679264A (zh) * | 2013-12-23 | 2014-03-26 | 山东师范大学 | 基于人工鱼群算法的人群疏散路径规划方法 |
CN107480320A (zh) * | 2017-06-20 | 2017-12-15 | 山东师范大学 | 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统 |
Non-Patent Citations (3)
Title |
---|
JACKSON, DE ET AL.: "《Communication in ants》", 《CURRENT BIOLOGY》 * |
孟志刚: "《蚁群觅食仿真和动画的研究》", 《中国博士学位论文全文数据库 信息科技辑(月刊)2012年第05期》 * |
陈世明: "《群体系统蜂拥控制理论及应用研究进展》", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741025A (zh) * | 2020-08-06 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于数字蚁群的网络安全主动防御方法、存储介质和系统 |
CN111741025B (zh) * | 2020-08-06 | 2020-11-20 | 中国人民解放军国防科技大学 | 基于数字蚁群的网络安全主动防御方法、存储介质和系统 |
CN112569598A (zh) * | 2020-12-22 | 2021-03-30 | 上海幻电信息科技有限公司 | 目标对象控制方法及装置 |
CN117119127A (zh) * | 2023-10-24 | 2023-11-24 | 北京世冠金洋科技发展有限公司 | 一种集群控制系统及方法 |
CN117119127B (zh) * | 2023-10-24 | 2024-01-26 | 北京世冠金洋科技发展有限公司 | 一种集群控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nedjah et al. | Review of methodologies and tasks in swarm robotics towards standardization | |
Tan et al. | Research advance in swarm robotics | |
Lima et al. | A cellular automata ant memory model of foraging in a swarm of robots | |
CN104571113B (zh) | 移动机器人的路径规划方法 | |
CN108573517A (zh) | 一种受生物学规则启发的蚁群模拟方法 | |
Savsani et al. | Comparative study of different metaheuristics for the trajectory planning of a robotic arm | |
Meng et al. | A distributed swarm intelligence based algorithm for a cooperative multi-robot construction task | |
CN112016660B (zh) | 一种物理力和数据联合驱动的三维集群行为模拟方法 | |
Garnier | From ants to robots and back: How robotics can contribute to the study of collective animal behavior | |
Vicsek | Universal patterns of collective motion from minimal models of flocking | |
CN108362284A (zh) | 一种基于仿生海马认知地图的导航方法 | |
CN112469050B (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
CN113421345B (zh) | 基于深度强化学习技术的仿生机器鱼群集导航模拟方法 | |
Price et al. | GA directed self-organized search and attack UAV swarms | |
Macedo et al. | Robotic odour search: Evolving a robot's brain with Genetic Programming | |
Connor et al. | Fish-inspired robotic algorithm: Mimicking behaviour and communication of schooling fish | |
Thalmann et al. | Towards autonomous, perceptive, and intelligent virtual actors | |
Nguyen et al. | Disturbances in influence of a shepherding agent is more impactful than sensorial noise during swarm guidance | |
Ko | Visual object tracking for UAVs using deep reinforcement learning | |
Verma et al. | Robot navigation and target capturing using nature-inspired approaches in a dynamic environment | |
CN115329921A (zh) | 基于环境态势感知的群体围猎-逃跑智能行为模拟方法 | |
Klein et al. | 3d multi-agent simulations in the breve simulation environment | |
Grohmann et al. | JAVRIS: Joint artificial visual prediction and control for remote-(robot) interaction systems | |
Saggu et al. | Applications of swarm intelligence | |
Meng et al. | A Swarm intelligence based coordination algorithm for distributed multi-agent systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |
|
RJ01 | Rejection of invention patent application after publication |