Гибридный алгоритм исследования неизвестной среды мобильными роботами на основе алгоритмов ABC, PSO и Boids с механизмами памяти и межстайного обмена
Ключевые слова:
стайная робототехника, автономное исследование среды, феромонная память, рой частиц, локальная координацияАннотация
Работа посвящена задаче автономного исследования неизвестной среды группой мобильных роботов при наличии препятствий, ограниченной связи и отсутствии априорной карты местности. Предложен гибридный алгоритм, который объединяет метод пчелиной колонии, алгоритм роя частиц, локальные правила Boids, феромонную память и межстайный обмен перспективными областями. Численные эксперименты показали, что предложенный подход повышает полноту покрытия области, уменьшает избыточность повторных посещений, снижает число столкновений и ускоряет достижение целей по сравнению с базовыми режимами движения. Полученные результаты важны для дальнейшей разработки распределённых систем мониторинга, поисково-спасательных комплексов и групповых робототехнических платформ, работающих в заранее неизвестной среде.
Библиографические ссылки
[1] Karaboga D. An idea based on honey bee swarm for numerical optimization // Technical report-tr06. Erciyes University, 2005. – P. 1–10.
[2] Kennedy J., Eberhart R. Particle swarm optimization // Proceedings of ICNN’95 – International Conference on Neural Networks. – 1995. – Vol. 4. – P. 1942–1948. – DOI: 10.1109/ICNN.1995.488968.
[3] Reynolds C.W. Flocks, herds and schools: A distributed behavioral model // ACM SIGGRAPH Computer Graphics. – 1987. – Vol. 21. – No. 4. – P. 25–34. – DOI: 10.1145/37402.37406.
[4] Masehian E., Royan M. Multi-objective PSO and ABC-based algorithms for path planning in unknown environments // Journal of Intelligent & Robotic Systems. – 2019. – Vol. 94. – P. 1–25. –DOI: 10.1007/s10846-018-0893-5.
[5] Zhang Q. et al. Hybrid artificial bee colony algorithm for parameter estimation of models with unknown but bounded noise // IEEE Transactions on Systems, Man, and Cybernetics: Systems. –2020. –Vol. 50, –No. 11. –P. 4261–4273. –DOI: 10.1109/TSMC.2019.2953485.
[6] Yang Q. et al. Decentralized cooperative exploration based on inter-swarm communication // Robotics and Autonomous Systems. – 2021. – Vol. 137. – DOI: 10.1016/j.robot.2020.103712.
[7] Diane S.A.K., Lesiv E.A., Pesheva I.A., Neschetnaya A.Y. Multi-Aspect Environment Mapping with a Group of Mobile Robots // 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). Saint Petersburg and Moscow, Russia, – 2019. – P. 478–482.
[8] Dorigo M., Stützle T. Ant Colony Optimization. Cambridge: MIT Press. – 2004. – 305 p.
[9] Hecker J.P., Letizia A., Porter D.M., Pratt S.C. Optimizing the pheromone field in a swarm robotic exploration // Proceedings of ANTS 2020. – Mykonos. – 2020. – P. 123–135.
[10] Ferrante E. et al. Information transfer in swarms with limited memory // Proceedings of ANTS 2012. – Brussels. – 2012. – P. 1–12.
[11] Sperati A., Stendardo M., Tuci E. Robot swarms with limited memory and communication: Collective search with a continuous pheromone field // Frontiers in Robotics and AI. –2022. – Vol. 9. –DOI: 10.3389/frobt.2022.836691.
[12] Bach Hoai Nguyen, Bing Xue, Mengjie Zhang. A survey on swarm intelligence approaches to feature selection in data mining, Swarm and Evolutionary Computation. –Vol. 54. – 2020. – 100663. – ISSN 2210-6502. – DOI: 10.1016/j.swevo.2020.100663.
[13] TurgutA.E. etal. Self-organized flocking with a mobile robot swarm // Proceedings of IEEE/RSJ IROS 2008. –Nice. – 2008. – P. 173–178. – DOI: 10.1109/IROS.2008.4650913.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Системная инженерия и инфокоммуникации
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.