基于改进蚁群算法的多机器人任务分配
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-13页 |
| 1.2 多机器人系统 | 第13-14页 |
| 1.3 多机器人任务分配的研究现状 | 第14-17页 |
| 1.3.1 多机器人任务分配的常规算法 | 第14-15页 |
| 1.3.2 多机器人任务分配的群体智能优化算法 | 第15-17页 |
| 1.4 多机器人任务分配的研究热点与难点 | 第17页 |
| 1.5 本文的主要内容和章节安排 | 第17-19页 |
| 第2章 多机器人任务分配 | 第19-26页 |
| 2.1 任务类型 | 第19-20页 |
| 2.1.1 基于任务耦合关系的任务分类 | 第19页 |
| 2.1.2 基于任务内容的任务分类 | 第19-20页 |
| 2.2 任务分配模式 | 第20-22页 |
| 2.2.1 涌现式分配 | 第20-21页 |
| 2.2.2 约定式分配 | 第21-22页 |
| 2.3 多机器人任务分配问题 | 第22-25页 |
| 2.3.1 多机器人任务分配的分类 | 第22-24页 |
| 2.3.2 多机器人任务分配问题描述 | 第24-25页 |
| 2.3.3 多机器人任务分配问题的数学模型 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 蚁群算法的简介及其在MRTA问题中的应用 | 第26-34页 |
| 3.1 蚁群算法的基本原理 | 第26-27页 |
| 3.2 蚁群算法的数学模型 | 第27-29页 |
| 3.2.1 路径选择方式 | 第27-28页 |
| 3.2.2 信息素更新 | 第28-29页 |
| 3.3 参数设置对算法的影响 | 第29-30页 |
| 3.3.1 蚂蚁数目 | 第29-30页 |
| 3.3.2 信息启发式因子 | 第30页 |
| 3.3.3 期望启发式因子 | 第30页 |
| 3.3.4 信息素挥发系数 | 第30页 |
| 3.4 蚁群算法求解MRTA问题的实现步骤 | 第30-32页 |
| 3.5 蚁群算法求解MRTA问题的局限性 | 第32-33页 |
| 3.5.1 任务选择的局限性 | 第32页 |
| 3.5.2 信息素更新过程的局限性 | 第32页 |
| 3.5.3 局部搜索过程的局限性 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 蚁群算法的改进 | 第34-39页 |
| 4.1 机器人对任务点的选择 | 第34-36页 |
| 4.1.1 初始任务点的选择 | 第34-35页 |
| 4.1.2 非初始任务点的选择 | 第35-36页 |
| 4.2 信息素更新方式 | 第36-37页 |
| 4.2.1 局部信息素的更新 | 第36页 |
| 4.2.2 全局动态信息素的更新 | 第36-37页 |
| 4.3 去交叉策略 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 改进蚁群算法在MRTA问题中的应用 | 第39-51页 |
| 5.1 改进蚁群算法求解MRTA问题的流程设计 | 第39-41页 |
| 5.2 10任务点MRTA问题的仿真及结果分析 | 第41-44页 |
| 5.2.1 仿真实验环境介绍 | 第41页 |
| 5.2.2 实验结果及分析 | 第41-44页 |
| 5.3 30任务点MRTA问题的仿真及结果分析 | 第44-50页 |
| 5.3.1 仿真实验环境介绍 | 第44页 |
| 5.3.2 实验结果及分析 | 第44-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 结论 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 在学研究成果 | 第56-57页 |
| 致谢 | 第57页 |
