复杂动态环境下基于分解的多目标演化先进机器人群组协作控制方法研究

The goal of this project is to study decomposition-based multi-objective evolutionary algorithms for collaboration control of advanced robot group in complex dynamic environments. For real applications, aggregation based modified MOEAs for optimized collaboration and scheduling will be studied firstly. Two types of aggregation based modified MOEAs including MOEA/D and EFR will be studied deeply, where convergence and diversity will be traded off for evolution algorithms based optimized control of collaboration. Secondly, new dominated relationships and evolution algorithms based optimized collaboration and scheduling method will be studied, in which non-dominated sorting mode will be used to sort results on the base of new dominated relationships in the environmental selection. Thirdly, changing factor and non-dominated sorting based optimized collaboration and scheduling will be studied. On typical decomposition-based method called NSGA-III will be chosen. The effects of changing factors in optimized collaboration and scheduling will be evaluated. Finally, on the base of decomposition-based multi-objective evolutionary algorithm study, for the collaboration and scheduling of advanced robot group, memetic algorithm framework will be studied for optimized collaboration and scheduling. Decomposition-based multi-objective evolutionary algorithms in this project could also be used in other manufacturing control and object scheduling fields, e.g. collaboration and scheduling for intelligent manufacturing, optimized collaboration and scheduling for man-machine coordinated systems and scheduling in intelligent transportation. This research manifests not only creative and systematicness, but also realizability of the theory method.

研究面向复杂动态环境下基于分解的多目标演化先进机器人群组协作调度方法。面向实际应用，首先研究基于改进型聚合MOEAs的优化协作调度方法,将分别研究MOEA/D和EFR两种典型聚合型算法，在优化协作控制中平衡收敛性和多样性。其次，研究基于新型支配关系的进化优化协作调度方法，在环境选择中将采用非支配排序模式对解进行排序，以平衡解的收敛性和多样性。第三，研究基于改进型变化算子非支配排序的优化协作调度方法，实验性地研究变化算子在优化协作调度求解中的效果。最后，基于上述工作，面向先进机器人群组优化协作调度的特点，研究一种新的模因演算法计算框架下进行多优化目标协作调度方法和实现策略。本项目研究的优化协作调度系统还可直接应用于其它类型的生产控制和目标调度领域，如智能制造的协作调度问题、人机协同的优化协作与调度问题、智能交通的调度问题等。既注意了理论的创新性和系统性，又注意了理论方法的可实现性。

针对分布式机器人学所提出的新的具有挑战性的问题,从工业界实际应用的角度重点研究了复杂动态环境下基于目标分解的进化算法实现先进机器人群组的优化协作调度，即：将先进机器人群体的优化协作调度问题转化成一个典型的高维空间多目标优化问题(MOPs)。研究了基于分解的多目标进化算法(MOEAs)，利用分而治之的思想有效降低了求解多目标或高维多目标优化问题的难度。根据分解的形式不同，进一步研究了基于聚合的MOEAs和基于参考点的MOEAs。.研究面向复杂动态环境下基于分解的多目标演化先进机器人群组协作调度方法。面向实际应用，首先研究了基于改进型聚合MOEAs的优化协作调度方法,分别研究了MOEA/D和EFR两种典型聚合型算法，在优化协作控制中有效平衡了收敛性和多样性。其次，研究了基于新型支配关系的进化优化协作调度方法，在环境选择中将采用非支配排序模式对解进行排序，以平衡解的收敛性和多样性。第三，研究基于改进型变化算子非支配排序的优化协作调度方法，实验性地研究了变化算子在优化协作调度求解中的效果。最后，基于上述工作，面向先进机器人群组优化协作调度的特点，研究了一种新的模因演算法计算框架下进行多优化目标协作调度方法和实现策略。本项目聚焦于“如何在目标空间中平衡收敛性和多样性”以及“如何在决策空间中平衡探索与开发”这两个科学问题，展开了系统性的理论方法研究，进一步完善了理论框架并推广应用在先进机器人群组优化协作调度的应用。既注意了理论的创新性和系统性，又注意了理论方法的可实现性。可以直接应用于其它领域，如协作多自主系统、电子游戏系统、复杂系统、高速铁路运控系统等，在快速实现系统协作控制目标的同时，还可以实现系统的最大资源利用率。.相关研究成果发表SCI检索的国际期刊8篇，其中包括IEEE Trans. On Evolutionary Computation等权威国际期刊；发表国际会议论文13篇，其中包括AAAI和ACM GECCO等领域顶级国际会议。