咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于博弈策略与精英学习策略的多种群蚁群算法及其应用 收藏
基于博弈策略与精英学习策略的多种群蚁群算法及其应用

基于博弈策略与精英学习策略的多种群蚁群算法及其应用

作     者:杨康 

作者单位:上海工程技术大学 

学位级别:硕士

导师姓名:游晓明

授予年度:2021年

学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

主      题:信息熵 精英学习策略 博弈策略 蚁群优化 旅行商问题 

摘      要:机器人技术是人工智能的主要研究领域之一,旨在生产能够与人类智能做出相同反应的智能机器人。机器人路径规划是机器人技术的基本问题,也是机器人研究领域的核心内容之一。路径规划的研究方法包括传统方法和智能方法两种,智能方法主要包括蚁群算法、遗传算法和A*算法等。而蚁群算法作为经典的群智能优化方法,凭借优秀的全局搜索能力和鲁棒性,被越来越多的学者应用求解路径规划问题。本次毕业设计提出一种基于博弈策略与精英学习策略的多种群蚁群算法,主要工作包括以下内容:首先,提出一种引入熵的自适应双种群蚁群算法。将蚁群划分为红蚁群和黑蚁群,通过设置反馈算子和负荷算子实现种群功能的分化,黑蚁群加快收敛速度,红蚁群优化解的精度;引入信息熵调控红黑蚁群的划分,当熵值到达目标数值时使红蚁群失活并复制相应数量黑蚁群,引导黑蚁群在整个算法中发挥最大的效应。最后,将改进算法与单种群蚁群算法比较分析,实验结果表明算法收敛性得到了有效提高。其次,针对大规模优化问题,提出了一种基于核仁博弈的多种群蚁群算法。算法由两类蚁群算法组成:蚁群系统(Ant Colony System,ACS)和最大最小蚁群系统(MaxMin Ant System,MMAS)。为了优化算法的多样性,提出熵权学习策略,引导ACS种群依据熵权自适应地向MMAS种群学习信息素分布从而改善多样性;为了改善算法收敛性,设计了核仁博弈策略,合作模式下的ACS种群共享信息素分布,并由核仁模型对合作产生的收益完成分配;为了应对蚁群算法可能出现的陷入局部最优,引入均值滤波,在算法停滞时对信息素分布做均值化处理。通过旅行商问题的实验仿真,验证改进算法效果,并且在大规模问题中,算法性能更加突出。接着,为了强化多种群机制下的种群间交互模式,提出一种基于非零和博弈的精英协同多蚁群算法。为了提高算法收敛性,提出非零和博弈机制,通过容忍函数保证种群在理智思维下进行博弈,加快算法收敛速度。为了提高算法的多样性,提出精英协同策略,子种群向精英种群反向学习信息素分布。当算法陷入局部最优,设置群体规避策略,采用动态阈值并重置当前信息素,跳出局部最优。通过求解旅行商问题,证实改进算法的有效性。最后,基于上述分析,将本文提出的算法应用求解机器人路径规划问题。通过多传感器的LEO机器人采集真实环境下信息,完成仿真实验。实验结果进一步验证本文提出算法的可行性与鲁棒性。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分