改进的免疫遗传算法在基于神经网络的多机器人协作搬运中的应用

论文摘要

多机器人系统运行控制机制将智能控制理论、人工生命理论、进化算法以及机器人编程技术等融合在一起,是机器人学和人工智能领域一个备受关注的研究课题。而采用进化算法与人工生命理论相结合的技术进行多机器人协作问题的仿真和设计优化研究,则是多移动机器人系统研究的重要发展方向。本文首先对国内外多机器人系统的总体研究状况及基本理论作了详细介绍。在此基础上,对基于免疫遗传算法的神经网络行为决策系统进行了设计研究。在该行为决策系统中,采用人工神经网络作为移动机器人的行为控制器,并采用改进的具有精英保留策略的免疫遗传算法对神经网络的连接权值进行优化调整,这种改进的免疫遗传算法,简称为IGAE(Immune Genetic Algorithm with Elitism),结合了精英保留策略(elitism strategy),并将抗体相似度、期望繁殖率以及克隆选择概率采用新的定义方法和计算公式。使神经网络可为移动机器人生成最佳的行为决策,从而实现移动机器人在环境中对目标物体的成功搬运。本文用MATLAB环境下的动态仿真实验结果,证明了基于改进的免疫遗传算法优化的神经网络行为决策系统在整个搬运期间具有良好的决策能力。此外,通过仿真结果对比,证实了基于改进的免疫遗传算法优化的神经网络行为决策系统在收敛速度、解的波动性以及动态收敛特征等方面,比采用带精英保留策略的标准遗传算法去优化人工神经网络控制多机器人搬运效果更优。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 研究背景
• 1.2 多机器人系统的主要研究问题
• 1.2.1 多机器人协调
• 1.2.2 多机器人协作
• 1.3 多机器人系统国内外研究现状
• 1.3.1 群智能机器人系统
• 1.3.2 自重构机器人系统
• 1.3.3 协作机器人系统
• 1.4 论文主要研究内容和创新之处
• 1.4.1 论文主要内容
• 1.4.2 本文的主要创新之处
• 第二章 多机器人系统研究的基础理论和方法
• 2.1 人工神经网络理论
• 2.1.1 人工神经元模型
• 2.1.2 人工神经网络的特点
• 2.1.3 神经网络的拓扑结构及工作方式
• 2.1.4 ANN的学习方式
• 2.1.5 ANN的学习算法
• 2.2 人工免疫算法
• 2.2.1 自然免疫系统
• 2.2.2 自然免疫系统的特性
• 2.2.3 人工免疫系统的应用
• 2.2.4 人工免疫算法
• 2.2.5 人工免疫算法流程
• 2.3 智能机器人体系结构概述
• 2.3.1 分层递阶结构
• 2.3.2 包容结构
• 2.3.3 三层结构
• 2.3.4 自组织结构
• 2.3.5 分布式结构
• 2.3.6 进化控制结构
• 2.3.7 社会机器人结构
• 2.4 本章小结
• 第三章 神经网络控制系统的设计研究
• 3.1 模型建立
• 3.1.1 环境的设定
• 3.1.2 移动机器人的设定
• 3.2 任务描述
• 3.3 人工神经网络的选择
• 3.3.1 神经网络的结构
• 3.3.2 神经网络的功能
• 3.3.3 神经网络的学习方式
• 3.4 改进的人工免疫算法
• 3.4.1 对重要物理量的新的定义
• 3.4.2 精英保留策略
• 3.4.3 改进的免疫遗传算法
• 3.5 本章小节
• 第四章 多机器人系统仿真实验设计与结果分析
• 4.1 环境模块
• 4.2 机器人功能模块
• 4.3 行为控制模块
• 4.3.1 神经网络控制器设置
• 4.3.2 进化算法中参数的选取
• 4.4 协作搬运模块
• 4.5 碰撞消解模块
• 4.6 计算机仿真实验及结果分析
• 4.6.1 多机器人搬运仿真实验步骤
• 4.6.2 IGAE算法和GAES算法的收敛速度比较
• 4.6.3 IGAE和GAES算法的动态收敛特征
• 4.6.4 IGAE算法和GAES算法的计算效率比较
• 4.6.5 IGAE算法主要参数的影响
• 4.7 多机器人搬运仿真组图
• 4.8 小结
• 第五章 总结与展望
• 5.1 全文总结
• 5.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文