基于粒子群算法優(yōu)化極限學習機的仿真機器魚策略.pdf

1、隨著機器人科學技術的發(fā)展，機器人的應用領域正在不斷地擴大，陸地型機器人開始不能滿足人類改善生活條件、探索自然環(huán)境的需要。因此，許多國家先后建立起專門的研究機構，用來進行水下機器人的研究。同時，各種機器人競賽也在不同程度上推動了水下機器人的發(fā)展。本文就是以仿真機器魚的水球比賽作為研究背景，針對“搶球博弈”比賽項目進行了深入的研究，并依據(jù)比賽場地的制約，以及仿真機器魚自身的運動特點，提出了基于極限學習機的動作決策算法、基于區(qū)域劃分的單體運輸

2、法，根據(jù)機器魚與目標水球所處區(qū)域采用不同的控制策略，并將該算法成功地應用于仿真機器人的水球比賽上，獲得良好的效果。
　　極限學習機也是一種機器學習算法，不同于傳統(tǒng)的神經(jīng)網(wǎng)絡，該算法只要求激活函數(shù)是無窮階可微的，而隱含層偏置與輸入權重可以隨機給定，不需要進行迭代調(diào)整，通過一次計算就可以得到網(wǎng)絡的輸出權重。因此，該算法具備訓練速度快、泛化能力強等優(yōu)點。然而，由于每次初始化網(wǎng)絡時都是隨機的，導致訓練終止時的誤差也不完全相同，進而訓練后的

3、權值和閾值也不完全相同，因此每次訓練后的結果也略有不同。針對解決網(wǎng)絡參數(shù)的優(yōu)化問題，本文提出了一種基于粒子群優(yōu)化算法的極限學習機，利用了粒子群優(yōu)化算法來選擇極限學習機的網(wǎng)絡參數(shù)，從而獲得極限學習機的輸入層權值和隱含層偏差，并利用廣義逆計算得到輸出權值，有效提高了算法的穩(wěn)定性和魯棒性。
　　論文的主要工作包括以下幾個方面：
　?。?）簡要地描述了多機器人編隊控制和機器學習的研究現(xiàn)狀，說明了本文的選題意義和研究的主要內(nèi)容，詳細介

4、紹了比賽所用的機器魚的運動特點、參數(shù)以及機器人水球比賽平臺。
　　（2）針對“搶球博弈”比賽項目對抗性強、控制難度高，需要考慮多機器魚之間的協(xié)作，以及環(huán)境復雜多變等特點，為了優(yōu)化控制策略，本文提出了機器魚的分工，并對場地進行區(qū)域劃分，然后依據(jù)比賽的時間進行階段劃分。最后綜合三個因素的作用，設計了多機器魚搶球博弈的有效策略，并通過實驗檢驗了該策略的效率和穩(wěn)定性。
　　（3）在比賽中，為了確保水球運輸?shù)母咝院蜏蚀_性，機器魚需要