CN113807486B - 基于改进粒子群算法的多机器人区域覆盖方法 - Google Patents

基于改进粒子群算法的多机器人区域覆盖方法 Download PDF

Info

Publication number
CN113807486B
CN113807486B CN202110971579.6A CN202110971579A CN113807486B CN 113807486 B CN113807486 B CN 113807486B CN 202110971579 A CN202110971579 A CN 202110971579A CN 113807486 B CN113807486 B CN 113807486B
Authority
CN
China
Prior art keywords
robot
area
covered
particle swarm
robots
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.)
Active
Application number
CN202110971579.6A
Other languages
English (en)
Other versions
CN113807486A (zh
Inventor
季一木
王桢发
刘尚东
袁猛
黄乃娇
陈澄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110971579.6A priority Critical patent/CN113807486B/zh
Publication of CN113807486A publication Critical patent/CN113807486A/zh
Application granted granted Critical
Publication of CN113807486B publication Critical patent/CN113807486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明提供一种基于改进粒子群算法的多机器人区域覆盖方法，通过对待覆盖区域建立坐标系，根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置构成向量，为迭代初始位置，然后利用改进粒子群算法求解点云，在粒子群算法的迭代过程中，考虑不同机器人的探测范围，进行速度和位置更新，直至获得最大程度覆盖目标区域的机器人的位置集合；该种基于改进粒子群算法的应用于多机器人区域覆盖方法，相对于现有方法，能够用于多种不同探测范围的机器人在已知区域内覆盖，有效提高实际覆盖区域和覆盖率，使得生成的目标点云更好的实现对区域的覆盖，能够生成最大程度覆盖区域的机器人位置集合。

Description

基于改进粒子群算法的多机器人区域覆盖方法
技术领域
本发明涉及一种基于改进粒子群算法的多机器人区域覆盖方法，属于机器人技术领域。
背景技术
目前，相对多机器人其他方面的研究，多机器人覆盖的研究成果较少，但是，多机器人覆盖在许多领域具有重要的现实应用价值，如清扫、搜救、耕种等。此外，它还可看作是多机器人系统研究热点问题的集中平台，相关问题的解决具有普遍的意义。
粒子群算法(Particle Swarm Optimization，PSO)最早是由Eberhart和Kennedy于1995年提出，是一种仿生算法，源于对鸟群觅食行为的研究。一群鸟随机搜索食物，区域中只存在一块食物，所有鸟都不知道食物在哪，但是他们知道当前的位置离食物多远。用一种粒子来模拟上述的鸟类个体，每个粒子可视为N维搜索空间中的一个搜索个体，粒子的当前位置即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程.粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整.粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解。不断迭代，更新速度和位置。最终得到满足终止条件的最优解。
但是，现有的粒子群算法通常基于探测范围相同的情况下进行研究，未考虑到不同机器人的探测范围的不同，生成点云的覆盖范围一致，如图1所示，导致在使用多种不同机器人时，覆盖区域和覆盖率较低的问题。
上述问题是在多机器人区域覆盖过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种基于改进粒子群算法的多机器人区域覆盖方法解决现有技术中存在的在使用多种不同机器人时，未考虑到不同机器人的探测范围的不同，使得覆盖区域和覆盖率较低问题。
本发明的技术解决方案是：
一种基于改进粒子群算法的多机器人区域覆盖方法，包括：
对待覆盖区域建立坐标系，根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置构成向量，为迭代初始位置，然后利用改进粒子群算法求解点云，在粒子群算法的迭代过程中，考虑不同机器人的探测范围，进行速度和位置更新，直至获得最大程度覆盖目标区域的机器人的位置集合。
进一步地，具体包括以下步骤，
S1、将形状和面积已知的区域作为待覆盖区域D，根据待覆盖区域D建立坐标系；
S2、根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置(xi，yi)构成向量：P＝{x1，y，x2，y2，…，xi，yi，…，xn，yn}，为迭代初始位置；
S3、设定约束条件，各机器人的位置pi(xi，yi)应在待覆盖区域D内，故其坐标范围在待覆盖区域D内，即：
S4、将待覆盖区域D进行栅格化处理，划分成m个正方形栅格，该栅格大小应小于各机器人的最小覆盖半径，标记每个栅格的中心点为cj，其中j＝1，2，...，m；当cj被任何一个机器人覆盖时，认为此栅格被覆盖，即记mc为被覆盖的栅格数目；
S5、初始化粒子群，设置最大迭代次数、目标函数和粒子的最大速度，位置信息为整个目标空间，在速度区间上随机初始化速度，机器人群规模为n，每个机器人随机初始化一个运行速度，初始化迭代次数k；
S6、定义适应度函数；个体极值为每个机器人找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解，与历史全局最优比较，进行更新；
S7、更新速度和位置的公式：
Vid＝ωVid+C1random(0，1)(Pid-Xid-Ri)+C2random(0，1)(Pgd-Xid-Ri)
Xid＝Xid+Vid
其中，ω为惯性因子其值为负数，较大时，全局寻优能力强，较小时，全局寻优能力弱，局部寻优能力强；通过调整ω的大小，对全局寻优性能和局部寻优性能进行调整；C1和C2为加速常数，C1为每个机器人的个体学习因子，C2为每个机器人的社会学习因子；取C1＝C2∈[0，4]；random(0，1)表示区间[0，1]上的随机数，Pid表示第i个机器人的个体极值的第d维，Pgd表示全局最优解的第d维，Ri为第i个机器人的探测范围；
S8、判断迭代次数k是否达到最大迭代次数或待覆盖区域D的未覆盖率Ru满足最小界限即满足目标函数终止算法，如是，则得到最大程度覆盖待覆盖区域的点云E＝{vi|i＝1，2，…，n}，其中vi的位置为p′1(xi，yi)，根据点云部署机器人，实现对目标区域的覆盖；如否，迭代次数k＝k+1，返回步骤S6。
进一步地，步骤S1中，将待覆盖区域D放在所建立坐标系的第一象限。
进一步地，步骤S4中，使用体型最大的机器人的长，作为正方形栅格的边长l。
进一步地，步骤S5中，目标函数为：Ru＝0，其中Ru为待覆盖区域的未覆盖率。
进一步地，步骤S6中，定义适应度函数为：g＝1-mc/m≈Ru，其中，mc为被覆盖的栅格数目，m为待覆盖区域D的栅格总数量，Ru为待覆盖区域D的未覆盖率。
本发明的有益效果是：该种基于改进粒子群算法的应用于多机器人区域覆盖方法，相对于现有方法，能够用于多种不同探测范围的机器人在已知区域内覆盖，有效提高实际覆盖区域和覆盖率，使得生成的目标点云更好的实现对区域的覆盖，能够生成最大程度覆盖区域的机器人位置集合。
附图说明
图1是现有粒子群算法基于探测范围相同的情况下对群机器人进行区域覆盖后的说明示意图。
图2是本发明实施例基于改进粒子群算法的多机器人区域覆盖方法的流程示意图。
图3是实施例基于改进粒子群算法的多机器人区域覆盖方法进行点云生成的效果说明示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种基于改进粒子群算法的多机器人区域覆盖方法，包括：
对待覆盖区域建立坐标系，令n台探测范围不同的机器人群中的机器人i在坐标系下的位置为pi(xi，yi)，然后利用改进粒子群算法求解点云，在粒子群算法的迭代过程中，考虑不同机器人的探测范围，进行速度和位置更新，直至获得最大程度覆盖目标区域的机器人的位置集合。
该种基于改进粒子群算法的应用于多机器人区域覆盖方法，相对于现有方法，能够用于多种不同探测范围的机器人在已知区域内覆盖，有效提高实际覆盖区域和覆盖率，使得生成的目标点云更好的实现对区域的覆盖，能够生成最大程度覆盖区域的机器人位置集合。
对于形状和面积已知的区域D，假设有n台机器人对该区域D进行覆盖，(1、2、...、i、...n)表示机器人中包含多种机器人，每种机器人的探测范围不同，探测半径为(R1、R2、...、Ri、...Rn)，每种机器人的覆盖面积为DRi＝πRi 2，DRN＝DR1+DR2+...DRi+...DRn为所有机器人可覆盖面积的总和，总覆盖范围与区域应满足D/DRN≈1；为得到机器人覆盖的实际总面积Dac，令机器人i在全局坐标系下的位置为pi(xi，yi)，利用改进粒子群算法求解点云E＝{vi|i＝1，2，…，n}，则其中vi的位置为pi(xi，yi)，能最大程度的覆盖目标区域，点云的覆盖面积即为Dac，DRN和Dac的区别在于，前者能为所有机器人理论上覆盖的最大面积，后者为实际中所有机器人在区域D内覆盖的面积，故覆盖率Rc＝Dac/D最大的，就是能最大程度覆盖目标区域的点云。由于通常使用粒子群算法求解极小值，因此求解最大覆盖面积也就相当于求解最小未覆盖面积，因此求点云E，使未覆盖率Ru＝1-Rc最小。
具体流程如下：
S1、将形状和面积已知的区域作为待覆盖区域D，根据待覆盖区域D建立坐标系；为方便计算，将区域放在坐标系第一象限。
S2、根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置构成向量：P＝{x1，y1，x2，y2，…，xi，yi，…，xn，yn}，为迭代初始位置；
S3、设定约束条件：机器人的位置pi(xi，yi)应该在待覆盖区域内，故其坐标范围在D内，即：
S4、多机器人问题是一般先将目标区域进行栅格化处理。故假设不规则的目标区域被划分成m个正方形栅格，该栅格大小应远小于各机器人的最小覆盖半径，标记每个栅格的中心点为cj＝(j＝1，2，...，m)。当cj被任何一个机器人覆盖时，认为此栅格被覆盖，即记mc为被覆盖的栅格数目。步骤S4中，优选使用体型最大的机器人的长，作为正方形栅格的边长l。
S5、初始化粒子群，设置最大迭代次数、目标函数和粒子的最大速度，位置信息为整个目标空间，在速度区间和搜索空间上随机初始化速度和位置，机器人群规模为n，每个机器人随机初始化一个运行速度。步骤S5中，目标函数为：Ru＝0，其中Ru为待覆盖区域的未覆盖率。
S6、适应度函数为：g＝1-mc/m≈Ru。个体极值为每个机器人找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解。与历史全局最优比较，进行更新。
S7、更新速度和位置的公式
Vid＝ωVid+C1random(0，1)(Pid-Xid-Ri)+C2random(0，1)(Pgd-Xid-Ri)
Xid＝Xid+Vid
其中，ω称为惯性因子其值为负数，较大时，全局寻优能力强，较小时，全局寻优能力弱，局部寻优能力强。通过调整ω的大小，可以对全局寻优性能和局部寻优性能进行调整。C1和C2称为加速常数，前者为每个机器人的个体学习因子，后者为每个机器人的社会学习因子。取C1＝C2∈[0，4]。random(0，1)表示区间[0，1]上的随机数，Pid表示第i个机器人的个体极值的第d维，Pgd表示全局最优解的第d维，Ri为第i个机器人的探测范围。
S8、判断迭代次数k是否达到最大迭代次数或待覆盖区域D的未覆盖率Ru满足最小界限即满足目标函数终止算法，如是，则得到最大程度覆盖待覆盖区域的点云E＝{vi|i＝1，2，…，n}，其中v的位置为p′i(xi，yi)，根据点云部署机器人，实现对目标区域的覆盖；如否，迭代次数k＝k+1，返回步骤S6。
该种基于改进粒子群算法的多机器人区域覆盖方法，针对现有群机器人部署方法中，目标点云生成时未考虑到机器人的多样性，未考虑到不同机器人的探测范围的不同，生成点云的覆盖范围一致，故为了更好的实现对区域的覆盖，实施例方法采用改进的粒子群算法，在更新速度的公式中，添加对于探测范围的考虑，生成最大程度覆盖区域的机器人位置集合。
该种基于改进粒子群算法的多机器人区域覆盖方法，能够用于部署群机器人持续覆盖已知区域中，在各机器人个体能覆盖的范围不同的情况下，可以获得最大程度覆盖目标区域的机器人的位置集合，表示为一个点云，每一个点对应机器人的存在位置，得到点云后，进行机器人行为规划，将机器人部署到目标点云。该方法采用改进粒子群算法生成点云，在粒子群算法的迭代过程中，考虑不同机器人的探测范围，能够使多机器人最大程度覆盖目标区域。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护。

Claims (5)

1.一种基于改进粒子群算法的多机器人区域覆盖方法，其特征在于，包括：
对待覆盖区域建立坐标系，根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置构成向量，为迭代初始位置，然后利用改进粒子群算法求解点云，在粒子群算法的迭代过程中，考虑不同机器人的探测范围，进行速度和位置更新，直至获得最大程度覆盖目标区域的机器人的位置集合；具体包括以下步骤，
S1、将形状和面积已知的区域作为待覆盖区域D，根据待覆盖区域D建立坐标系；
S2、根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置(xi,yi)构成向量：P＝{x1,y1,x2,y2,…,xi,yi,…,xn,yn}为迭代初始位置；
S3、设定约束条件，各机器人的位置pi(xi,yi)应在待覆盖区域D内，故其坐标范围在待覆盖区域D内，即：
S4、将待覆盖区域D进行栅格化处理，划分成m个正方形栅格，该栅格大小应小于各机器人的最小覆盖半径，标记每个栅格的中心点为cj，其中j＝1，2，...，m；当cj被任何一个机器人覆盖时，认为此栅格被覆盖，即记mc为被覆盖的栅格数目；
S5、初始化粒子群，设置最大迭代次数、目标函数和粒子的最大速度，位置信息为整个目标空间，在速度区间上随机初始化速度，机器人群规模为n，每个机器人随机初始化一个运行速度，初始化迭代次数k；
S6、定义适应度函数；个体极值为每个机器人找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解，与历史全局最优比较，进行更新；
S7、更新速度和位置的公式：
Vid＝ωVid+C1random(0,1)(Pid-Xid-Ri)+C2random(0,1)(Pgd-Xid-Ri)
Xid＝Xid+Vid
其中，ω为惯性因子其值为负数，较大时，全局寻优能力强，较小时，全局寻优能力弱，局部寻优能力强；通过调整ω的大小，对全局寻优性能和局部寻优性能进行调整；C1和C2为加速常数，C1为每个机器人的个体学习因子，C2为每个机器人的社会学习因子；取C1＝C2∈[0,4]；random(0,1)表示区间[0,1]上的随机数，Pid表示第i个机器人的个体极值的第d维，Pgd表示全局最优解的第d维，Ri为第i个机器人的探测范围；
S8、判断迭代次数k是否达到最大迭代次数或待覆盖区域D的未覆盖率Ru满足最小界限即满足目标函数终止算法，如是，则得到最大程度覆盖待覆盖区域的点云E＝{vi|i＝1,2,…,n}，其中vi的位置为pi'(xi,yi)，根据点云部署机器人，实现对目标区域的覆盖；如否，迭代次数k＝k+1，返回步骤S6。
2.如权利要求1所述的基于改进粒子群算法的多机器人区域覆盖方法，其特征在于：步骤S1中，将待覆盖区域D放在所建立坐标系的第一象限。
3.如权利要求1所述的基于改进粒子群算法的多机器人区域覆盖方法，其特征在于：步骤S4中，使用体型最大的机器人的长，作为正方形栅格的边长l。
4.如权利要求1-3任一项所述的基于改进粒子群算法的多机器人区域覆盖方法，其特征在于：步骤S5中，目标函数为：Ru＝0，其中Ru为待覆盖区域的未覆盖率。
5.如权利要求1-3任一项所述的基于改进粒子群算法的多机器人区域覆盖方法，其特征在于：步骤S6中，定义适应度函数为：g＝1-mc/m≈Ru，其中，mc为被覆盖的栅格数目，m为待覆盖区域D的栅格总数量,Ru为待覆盖区域D的未覆盖率。
CN202110971579.6A 2021-08-23 2021-08-23 基于改进粒子群算法的多机器人区域覆盖方法 Active CN113807486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110971579.6A CN113807486B (zh) 2021-08-23 2021-08-23 基于改进粒子群算法的多机器人区域覆盖方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110971579.6A CN113807486B (zh) 2021-08-23 2021-08-23 基于改进粒子群算法的多机器人区域覆盖方法

Publications (2)

Publication Number Publication Date
CN113807486A CN113807486A (zh) 2021-12-17
CN113807486B true CN113807486B (zh) 2023-09-26

Family

ID=78893951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110971579.6A Active CN113807486B (zh) 2021-08-23 2021-08-23 基于改进粒子群算法的多机器人区域覆盖方法

Country Status (1)

Country Link
CN (1) CN113807486B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102752761A (zh) * 2012-06-19 2012-10-24 江苏科技大学 基于粒子群的无线传感器网络移动节点覆盖优化方法
CN102903113A (zh) * 2012-10-08 2013-01-30 南京邮电大学 基于协作量子粒子群算法的多阈值图像分割方法
CN103164742A (zh) * 2013-04-02 2013-06-19 南京邮电大学 一种基于粒子群优化神经网络的服务器性能预测方法
CN103945395A (zh) * 2014-02-27 2014-07-23 北京理工大学 一种基于粒子群的无线网络传感器的快速优化部署方法
CN107037828A (zh) * 2017-03-24 2017-08-11 西安电子科技大学 基于粒子群算法的无人机区域覆盖的单步寻优方法
CN107277830A (zh) * 2017-08-03 2017-10-20 扬州大学 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法
CN107589663A (zh) * 2017-08-16 2018-01-16 西安电子科技大学 基于多步粒子群算法的无人机协同侦察覆盖方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN108171315A (zh) * 2017-12-27 2018-06-15 南京邮电大学 基于smc粒子群算法的多无人机任务分配方法
CN110233657A (zh) * 2019-04-01 2019-09-13 南京邮电大学 一种基于粒子群遗传算法的多无人机区域覆盖部署方法
CN111176334A (zh) * 2020-01-16 2020-05-19 浙江大学 一种多无人机协同目标搜索方法
CN112082552A (zh) * 2020-07-11 2020-12-15 西北工业大学太仓长三角研究院 基于改进的混合粒子群优化算法的无人机航迹规划方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102752761A (zh) * 2012-06-19 2012-10-24 江苏科技大学 基于粒子群的无线传感器网络移动节点覆盖优化方法
CN102903113A (zh) * 2012-10-08 2013-01-30 南京邮电大学 基于协作量子粒子群算法的多阈值图像分割方法
CN103164742A (zh) * 2013-04-02 2013-06-19 南京邮电大学 一种基于粒子群优化神经网络的服务器性能预测方法
CN103945395A (zh) * 2014-02-27 2014-07-23 北京理工大学 一种基于粒子群的无线网络传感器的快速优化部署方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN107037828A (zh) * 2017-03-24 2017-08-11 西安电子科技大学 基于粒子群算法的无人机区域覆盖的单步寻优方法
CN107277830A (zh) * 2017-08-03 2017-10-20 扬州大学 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法
CN107589663A (zh) * 2017-08-16 2018-01-16 西安电子科技大学 基于多步粒子群算法的无人机协同侦察覆盖方法
CN108171315A (zh) * 2017-12-27 2018-06-15 南京邮电大学 基于smc粒子群算法的多无人机任务分配方法
CN110233657A (zh) * 2019-04-01 2019-09-13 南京邮电大学 一种基于粒子群遗传算法的多无人机区域覆盖部署方法
CN111176334A (zh) * 2020-01-16 2020-05-19 浙江大学 一种多无人机协同目标搜索方法
CN112082552A (zh) * 2020-07-11 2020-12-15 西北工业大学太仓长三角研究院 基于改进的混合粒子群优化算法的无人机航迹规划方法

Also Published As

Publication number Publication date
CN113807486A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN105511457B (zh) 机器人静态路径规划方法
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
CN107153800B (zh) 一种适于uhfrfid定位系统的阅读器天线优化部署方法
CN107992040B (zh) 基于地图栅格与qpso算法结合的机器人路径规划方法
Hatamlou et al. Data clustering using big bang–big crunch algorithm
CN111310885A (zh) 一种引入变异策略的混沌天牛群搜索算法
CN113885536B (zh) 一种基于全局海鸥算法的移动机器人路径规划方法
CN113867368A (zh) 一种基于改进海鸥算法的机器人路径规划方法
Mohammed et al. Design optimal PID controller for quad rotor system
Luo et al. Multi-agent collaborative exploration through graph-based deep reinforcement learning
Kyriakakis et al. Moving peak drone search problem: An online multi-swarm intelligence approach for UAV search operations
Chandramouli et al. Image classification using chaotic particle swarm optimization
CN113110604A (zh) 一种基于人工势场的路径动态规划方法
Yang et al. A knowledge based GA for path planning of multiple mobile robots in dynamic environments
CN113807486B (zh) 基于改进粒子群算法的多机器人区域覆盖方法
Nabizadeh et al. A multi-swarm cellular PSO based on clonal selection algorithm in dynamic environments
CN117471919A (zh) 一种基于改进鹈鹕优化算法的机器人路径规划方法
Raghib et al. Hierarchical multiobjective approach for optimising RFID reader deployment
Santos et al. Exploratory path planning using the Max-min ant system algorithm
Li PSO based wireless sensor networks coverage optimization on DEMs
CN113311864B (zh) 一种栅格尺度自适应的多无人机协同搜索方法
Mou et al. Three-Dimensional Area Coverage with UAV Swarm based on Deep Reinforcement Learning
Zhang et al. Research on complete coverage path planning for unmanned surface vessel
Hu et al. Path planning of intelligent factory based on improved ant colony algorithm
Mairaj et al. Identifying the optimal solutions of Bohachevsky test function using swarming algorithms

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