改进的免疫遗传算法与人工神经网络在多机器人系统围捕问题的应用

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围捕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。以前所开展的多机器入围捕问题的相关研究存在以下两方面不足：第一，用于评价猎物机器人成功围捕的性能指标说服力不强，性能仿真评估结果的可信度较低；第二，机器人个体的智能程度不够高，自学习能力不强。针对以上不足，我们采用人工神经网络理论与具有精英保留策略的免疫遗传算法相结合的方法，提出了一种全新的多机器人行为决策控制系统——IGAE-ANN（Immune-Genetic Algorithm with elitist model, IGAE; Artificial Neural Network, ANN）行为决策系统，并将其应用到多机器人围捕仿真实验。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IGAE-ANN行为决策系统进行了设计研究。在IGAE-ANN行为决策系统中，采用人工神经网络作为捕猎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，使神经网络可为捕猎机器人生成最佳的行为决策，从而实现捕猎机器人在动态环境中对猎物机器人的成功围捕。在MATALB环境下的动态仿真实验结果证明了IGAE-ANN行为决策系统在整个捕猎期间具有良好的决策能力。此外，通过仿真结果对比，证实了IGAE-ANN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GA算法去优化人工神经网络控制多机器人围捕效果更优。本文提出了一种新的用于评判多个机器人成功围捕猎物的性能指标。实验结果表明该指标可有效表达猎物机器人被捕获且不能再逃离的状态，比韩国学者Malrey Lee所设定的指标具有更强的说服力。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 项目研究的背景及目的意义
• 1.2 多机器人系统研究的国内外现状与发展趋势
• 1.2.1 从七十年代中期开始至今多机器人系统的研究概况
• 1.2.2 多机器人系统仿真平台的研究现状
• 1.3 论文主要研究内容和创新之处
• 1.3.1 论文主要研究内容
• 1.3.2 本文的主要创新之处
• 1.4 小结
• 第二章 多机器人系统研究的基础理论和方法
• 2.1 引言
• 2.2 人工神经网络理论基础
• 2.2.1 神经网络的发展与应用
• 2.2.2 人工神经网络的特点
• 2.2.3 人工神经元模型
• 2.2.4 网络结构及工作方式
• 2.2.5 ANN的学习方式
• 2.2.6 ANN的学习算法
• 2.2.7 学习与自适应
• 2.3 人工免疫算法
• 2.3.1 自然免疫系统
• 2.3.2 自然免疫系统的特性
• 2.3.3 人工免疫系统的应用
• 2.3.4 人工免疫算法
• 2.3.5 人工免疫算法流程
• 2.4 智能机器人体系结构概述
• 2.4.1 分层递阶结构
• 2.4.2 包容结构
• 2.4.3 三层结构
• 2.4.4 自组织结构
• 2.4.5 分布式结构
• 2.4.6 进化控制结构
• 2.4.7 社会机器人结构
• 2.5 “捕食者——猎物”问题
• 2.6 本章小结
• 第三章 IGAE-ANN行为决策系统的设计研究
• 3.1 引言
• 3.2 研究问题描述
• 3.2.1 机器人运动环境的设定
• 3.2.2 捕猎机器人的设置
• 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 人工免疫算法中的几个重要定义
• 3.4.2 精英保留策略
• 3.4.3 改进的人工免疫算法流程
• 3.5 IGAE-ANN行为决策系统
• 3.5.1 IGAE-ANN行为决策系统结构
• 3.5.2 优化问题描述
• 3.6 本章小节
• 第四章 多机器人系统仿真实验设计
• 4.1 引言
• 4.2 多移动机器人动态空间建模
• 4.2.1 环境建模
• 4.3 猎物机器人的逃跑策略
• 4.4 IGAE中控制参数的选取
• an的选择'>4.4.1 群体规模m_an的选择
• c的选取'>4.4.2 交叉概率 P_c的选取
• m的选取'>4.4.3 变异概率 P_m的选取
• 1和ε₂的选取'>4.4.4 抗体相似度阈值ε₁和ε₂的选取
• 0的选取'>4.4.5 β₀的选取
• 4.5 仿真实验设计
• 4.5.1 基于二进制编码的神经网络的构建
• 4.5.2 初始群体的产生
• 4.5.3 计算适应度
• 4.5.4 免疫选择操作
• 4.6 仿真步骤实现
• 4.6.1 对围捕实验做的一些假设
• 4.6.2 基于 IGAE-ANN行为决策系统的多机器人“围捕”实验仿真步骤
• 4.7 主要程序模块介绍
• 4.7.1 IGAE算法与 ANN融合模块
• 4.7.2 抗体判优模块
• 4.7.3 环境构建模块
• 4.8 本章小结
• 第五章 仿真结果分析
• 5.1 引言
• 5.2 围捕仿真实验参数设置
• 5.2.1 参数编码设置
• 5.2.2 仿真参数选取
• 5.3 仿真结果
• 5.3.1 收敛速度
• 5.3.2 解的波动性
• 5.3.3 动态收敛特征
• 5.3.4 IGAE算法主要参数的影响
• 5.3.5 不同的选择方法对围捕效果的影响
• 5.4 与具有精英保留策略的标准遗传算法（CGAE）的比较
• 5.4.1 收敛速度
• 5.4.2 解的波动性
• 5.4.3 动态收敛特征
• 5.5 多机器人围捕仿真组图
• 5.6 小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文