Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hợp tác và phân tích hiệu suất của nhiều robot với các biến thể tối ưu hóa bầy đàn
Tóm tắt
Sự hợp tác và đồng bộ hóa của nhiều robot là một mối quan tâm chính trong lĩnh vực nghiên cứu robot. Hai robot tự động được giả định là mang theo một cây gậy và được gọi là robot sinh đôi. Các loại Tối ưu hóa Bầy đàn (PSO) khác nhau đã được phân tích cho nhiệm vụ mang gậy và một đánh giá ngắn về sự mở rộng và cải tiến của PSO đã được thực hiện để xác định các tham số được sử dụng. Lập kế hoạch đường đi của robot sinh đôi được thực hiện với các biến thể của PSO. Hiệu suất của mỗi robot sinh đôi ứng dụng các biến thể này được đánh giá dựa trên một số tham số. Những tham số này bao gồm thời gian thực hiện, số bước đi, số lượt quay, quãng đường đã đi và quãng đường lệch. Giá trị thích nghi của mỗi robot sinh đôi được tính toán trong mỗi thuật toán để tìm vị trí tiếp theo dọc theo đường giải quyết. Tất cả các thuật toán đều được thực hiện và các pixel được vẽ để biểu thị quỹ đạo của cặp robot sinh đôi cùng với hiệu suất của các biến thể PSO so với Tối ưu hóa Bầy ong Nhân tạo (ABCO) và Thuật toán Tiến hóa Phân biệt (DE). Đã quan sát thấy rằng các biến thể PSO vượt trội hơn về giá trị khoảng cách.
Từ khóa
#hợp tác robot #tối ưu hóa bầy đàn #lập kế hoạch đường đi #hiệu suất robot #PSO #ABCO #DETài liệu tham khảo
Alessandro G, Zanotto V (2010) Optimal trajectory planning for industrial robots. Adv Eng Softw 41(4):548–556
Angeles AR, Nijmeijer H (2004) Mutual synchronization of robots via estimated state feedback: a cooperative approach. IEEE Trans Control Syst Technol 12(4):542–554
Bhattacharjee P, Rakshit P, Goswami I, Konar A, Nagar AK (2011) Multi-robot path-planning using artificial bee colony optimization algorithm. Third World Congress on Nature and Biologically Inspired Computing, Salamanca:219–224
Cheng S, Lu H, Lei X, Shi Y (2018) A quarter century of particle swarm optimization. Complex and Intelligent System 4:227–239
Das S, Abraham A, Konar A (2008) Particle swarm optimization and differential evolution algorithms: technical analysis, applications and hybridization perspectives. Adv Comput Intell Indust Syst 1-38
Das PK, Behera HS, Panigrahi BK (2016) Intelligent-based multi-robot path planning inspired by improved classical Q-learning and improved particle swarm optimization with perturbed velocity. Engin Sci Technol Int J 19(1):651–669
Desale S et al (2015) Heuristic and meta-heuristic algorithms and their relevance to the real world: a survey. Int J Comput Eng Res Trends 351(5):2349–7084
Feng YY, Li G, Xu C (2013) An improved particle swarm optimization algorithm. Applied Mechanics and Materials, Trans Tech Publications 401-415
Hu J, Xu J, Xie L (2013) Cooperative search and exploration in robotic networks. Unmanned Systems 10(1):121–142
Jiao B, Zhigang L, Xingsheng G (2008) A dynamic inertia weight particle swarm optimization algorithm. Chaos, Solitons Fractals 37:698–705
John XL (2005) Robots manipulators: new research. Nova Publishers
Kan C (2013) Multidirectional learning and adaptive particle swarm optimization algorithm. Comput Eng Appl 49(6):23–28
Kennedy J, Eberhart R (1995) Particle swarm optimization. IEEE International conference on Neural Networks:1942–1948
Kenya J, Shindo T (2010) Analysis of dynamical characteristic of canonical deterministic PSO. IEEE Congress on Evolutionary Computation, pp-189-196
Kenya J, et al. (2014) Canonical deterministic particle swarm optimization to sustain global search. IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp-587-598
Koren Y, Borenstein J (1991) Potential field methods and their inherent limitations for Mobile robot navigation. IEEE Conference on Robotics and Automation, pp 1398-1404
Koren, Y. and Borenstein, J. (1991) Potential field methods and their inherent limitations for Mobile robot navigation. IEEE Conference on Robotics and Automation, pp- 1398-1404
Krishna AN (2018) Integrated intelligent computing. Communication and Security 771. Springer
Li G, Hongbo S (2008) Path planning for mobile robot based on particle swarm optimization. Chinese Control and Decision Conference IEEE 85-96
Marco D, de Oca MM, Engelbrecht A (2008) Particle swarm optimization. Scholarpedia 3(11):1486
Muhammad I, Rathiah H, Khalid A, Elaiza N (2013) An overview of particle swarm optimization variants. Procedia Engineering 53:491–496
Nesmachnow S (2014) An overview of meta-heuristics: accurate and efficient methods for optimization. International Journal of Meta heuristics 3(4):320–347
Oussama M, Hachaïchi Y, Lahbib Y (2016) Democratic inspired particle swarm optimization for multi-robot exploration task, 247–256.
Patle BK, Babu L, Pandey A, Parhi DRK, Jagadeesh A (2019) A review: on path planning strategies for navigation of mobile robot. Defense Technology 15(4):582–606
Peng L, Zhu H (2016) Parameter selection for ant colony algorithm based on bacterial foraging algorithm. Math Probl Eng 58-64
Russell E, Kennedy J (1995) Particle swarm optimization. Proceedings of the IEEE Int Conference on Neural Netw 4:189–196
Sheetal GK, Venu GG (2004) Optimal PSO for collective robotic search applications. Proceedings of the 2004 Congress on Evolutionary Computation (IEEE Cat. No. 04TH8753). 2, pp.99–106.
Wei C, Hindriks K, Jonker CM (2014) Multi-robot cooperative path finding: A decentralized approach. International Conference on Industrial. Engineering and Other Applications of Applied Intelligent Systems, Springer, Cham, 78–95
Ying T, Zheng ZY (2013) Research advance in swarm robotics. Defence Technology 9(1):18–39
Zafar MN, Mohanta JC (2018) Methodology for path planning and optimization of mobile robots: a review. Procedia computer science 133:141–152
Zhang Y, Gong DW, Zhang JH (2013) Robot path planning in uncertain environment using multi-objective particle swarm optimization. Neurocomputing 103:172–185
Zhang Y, Wang S, Ji G (2015) A comprehensive survey on particle swarm optimization algorithm and its applications. Math Probl Eng 38