1、 山东大学硕士学位论文基于免疫的多移动机器人环境探索策略研究姓名：张勤申请学位级别：硕士专业：检测技术与自动化装置指导教师：马昕20080510 ， 甌甌 瑃，瑃山东大学硕士学位论文琧 ，人工免疫系统，决策理论方法，多机器人协同环境本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写过的科研成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名：山东大学硕士学位论文然而，随着机器人工作环境的日益复杂以及任务的加重，单个机器人已经无多移动机器
2、人间的协调与协作是多机器人系统研究中的一个重要问题，已经经历了一段较长的发展历史。多机器人协调是指具有不同目标的多个机器人对其目标、资源等进行合理安排，以调整自身行为，最大限度地实现各自的目标。而多机器人协作是指多个机器人通过协调各自的行为，合作完成共同目标例。自年代以来，多机器人协调作为机器人应用领域的新方向引起了国内外从系统结构上来说，多机器人环境探索系统通常可以分为集中式和分散式两种。集中式结构可以得到近似最优解，能避免区域重叠并提高探索效率，但易导致中央机器人成为整个系统的瓶颈，且通讯量大，对局部变化反应不灵敏，故仅适用于机器人数量较少和静态的或易于获得全局信息的环境【。分散式结构又可
3、细分为分布式和分层式两种结构【。分布式系统中各机器人关系平等，以通讯等手段与其它机器人进行信息交互，自主地进行决策。此法具有很好的灵活性和鲁棒性，但易产生很多次优解。分层式结构与分布式结构的不同之处在于存在局部集中，它是一种介于集中式与分布式的混合结构，故具备更强的灵活性和可扩展性，但有可能带来计算、通讯量大以及冲突死锁问题【。近年来，建立在局部无线通讯网络基础上的分布式传感系统在理论和实验方面都取得了明显进展，其主要特性是功耗低、尺寸小、成本低，这为多机器山东大学硕士学位论文，的许多优势逐渐被水下多变环境的问题。随着多智能体系统原理、分布式学习理论和机器人控制技术的逐步成熟，多机器人学的发展
4、正面临新的突破。人工免疫学、进化计算、机器学习以及近年来智能信息处理研究领域迅速发展起来的粗集理论等与多机器人环境探索系统的结合，不仅为多机器人环境探索系统的综合和分析提供了有力工具，而且赋予机器人群体以自适应能力，使其从相对固定和人工化的环境走向了非结构山东大学硕士学位论文山东大学硕士学位论文无法形成系统性的理论。山东大学硕士学位论文山东大学硕士学位论文在环境探索和地图创建方面，与单机器人相比，多机器人系统具有可拆分性、可重构性、容错性和鲁棒性等优点。多个机器人并行作业，减少了完成任务所需要的时间。使用多个机器人同时进行地图创建，不仅提高了任务执行的速度，而且多个机器人的感知范围必然大于单个
5、机器人，通过融合多个机器人的感知数据可以提高地图的精确度。但是多机器人系统也带来了新的问题，就目前的研究水平而言，多移动机器人系统的设计、实现和使用并没有太多经验。而多机器人环境探索策略的制定要比单个机器人环境探索策略的选择复杂得山东大学硕士学位论文多机器人选择多目标点的组合优化问题对应该单元是否有障碍的概率凑加懈怕。占有概率的环境描述方法反映了多种常用传感器疚牟捎昧松的感知模型。在初始状态，各栅格的占山东大学硕士学位论文算就是寻找它们之间途径栅格的花费累计最少的一条路径。这里使用了动态规划，卜嬲秒一厨可叱山东大学硕士学位论文即为。，气一弧芇，山东大学硕士学位论文珿是一种模仿自然界生物进化机制
6、发展起图染色体的编码上式中的决定了效用值与花费值之间的权重对比。实验表明：当山东大学硕士学位论文 确定一组边界点；山东大学硕士学位论文为了获得更详细的评估，我们共设定三种环境模式进行了一系列仿真实验，田戏抡嫒榈种环麓毗尽阿驜鑡“瞄日 ， 叮“ 舶鼎删 鞠黜鼎；総鬲荨邕目籌目目籰： 缶颌鑙二鯻”；恰擘澳磕棵讶肌薄甽目圈小霭肪诚碌三圈图中的均为原始环境地图及机器人的初始位置，均为使用剿骱蟠唇牡赝肌叩J褂肈探索后创建的地图。另外还对机器人环境探索过程中总的路径长度进行了对比。如图所示。由于我们是在仿真环境中做的探索实验，所以测得的路径值并不代表真实环境下的长度，这里将路径长度直接换算成栅格数。图中，
7、横坐标表示三种不同的山东大学硕士学位论文本章小结山东大学硕士学位论文免疫算法是借鉴生物机体的免疫系统原理并结合工程应用而描述的一种计算模型，它将待求问题对应为抗原，问题的一个解对应为抗体。生物免疫系统可产生大量抗体来抵御各种抗原，故可保证问题有多个解。而且它具有维持免疫平衡的机制，通过对抗体的抑制和促进作用来自我调节抗体的数量，从而可以自适应地调整问题解的个数。免疫遗传算法则借鉴了生物免疫系统的自适应识别和排除侵入机体的抗原性异物的功能，将生物免疫系统的学习、记忆、多样性和识别的特点引入遗传算法。在解决实际问题时，目标函数和约束条件作为抗原输入，随后产生初始抗体群，并通过复制、交叉和变异操作及
8、抗体相似度的计算，在保持抗体多样性的情况下，找出针对该抗原的抗体，即问题的解。在这里，抗原相当于遗传算法要解决的问题，即如何将多个目标点合理地分配给多机器人的问题；抗体则对应于所有目标点一机器人的匹配方案；抗体相似度用来描述两抗体的基因位间的相似山东大学硕士学位论文性，本文中它表示不同的目标点分配方案的相似程度。免疫遗传算法的具体流程山东大学硕士学位论文上式中，变量约安问蔚亩蹇刹渭，在此不再赘述。在常见的算法中，通常选择与种群中个体适应度成正比的方式作为选择概率，这很容易使得种群中相似度较大的个体迅速增加，从而陷入局部最优。可见，翟酱螅娇固寮涞南嗨贫仍降汀鬱，则两抗体完全相同。其中兄为某一确定
9、阈值，?固逯秩褐械淖芸固迨琋个抗体构成一个山东大学硕士学位论文由式可知，在抗体浓度一定的条件下，抗体矢量距越大，选择概率越大；在抗体矢量距一定的条件下，抗体浓度越大，选择概率越小。利用相似性确定抗体的浓度，通过抗体矢量距确定其适应度，即：选择概率既与抗体的相似度有关，又与该抗体的适应度有关。在这样的抗体选择机制下，那些具有较高适应度且浓度相对较低的抗体进入下一代，保持了进化过程中个体的多样性，有助于抑制种群中所有个体都趋于同一极值而停止进化的未成熟收敛现象，在一定程度上可以避免抗体陷入局部最优解。自适应的交叉和变异操作交叉概率以和变异概率是影响遗传算法行为和性能的关键所在，直接影响算法的收敛性，、蚬缶焕谒惴氖樟病等提出了一种自适应遗传算法築和能够随适应度自动改变，当种群各个体适应度趋于一致或趋于局部最优时，使见和增加，而当种群适应度比较分散时，使：蚿脚减少。同时，对于适应度高于群体平均适应度的个体，对应于较低的见和，使之得以保护进入下一代；而低于平均适应度的个体，则对应于较高的和，使之被淘汰。即、按式、式计算：厂厶，山东大学硕士学位论文厂厶其中，几，。基于免疫遗传算法的目标分配策略叉概率和变异概率；菀陨喜僮鞲氯禾搴笤俜祷氐步。
