基于混合式学习分类器的协作多机器人系统的调度控制方法研究

研究面向复杂动态环境下基于混合式学习分类器的协作多机器人系统的调度控制方法。面向实际应用，首先研究基于协作协进化机制的个体机器人以及多机器人系统的统一建模方法。其次，基于系统多目标任务调度控制策略的分层表示，运用参数分布估计方法研究基于概率建模和采样的优势种群进化方法，以此获得系统的调度策略；并在此基础上基于局部搜索策略与启发式策略提升进化效率。最后，在上述离散域学习分类器研究的基础上，面向协作多机器人系统的调度控制特点，研究连续域变量的离散化方法，从而为协作多机器人系统在高维、动态环境下的调度与控制提供一种新的解决方案，并进行方法的仿真与验证。本项目研究的混合式学习分类器系统还可直接应用于其它类型的目标控制和机器学习领域，如基于强化学习的在线系统自适应控制问题、机器人步态规划问题、生物信息学中的特征提取与模式匹配问题等。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。

针对协作多机器人系统的实际应用，研究面向复杂动态环境下基于混合式学习分类器的协作多机器人系统的调度控制方法。首先，研究了协作多机器人系统的调度规则知识表示方法，采用条件-动作规则的形式描述系统中演化对象的可行解空间；在学习分类器优化调度方面，采用了一种基于Filter方法和Wrapper方法的混合式特征选择调度方法，该方法的科学意义在于有效保证特征子集状态空间上的遍历性，并寻找控制对象的优化调度解。其次，提出并研究了基于L1正则化贝叶斯网络的分布估计算法的学习分类器模型，该项研究工作的科学意义在于相比于贝叶斯优化网络在评分函数外利用其它参数控制网络复杂度的策略，本方法能够根据目标问题的特点更合理地控制网络复杂度。第三，个体学习与专家知识在协作多机器人决策进化中的应用研究方面，通过在进化迭代过程中引入局部搜索策略和引入专家知识的优化调度规则，从而有效提高了协作多机器人系统决策进化的收敛速度。第四，在面向协作多机器人系统的连续域变量离散化方法研究方面，依据机器人操作动作之间的序关系进行有效地离散化编码，并借助分解的思想利用离散算法解决系统中具有显著离散特性的子问题，该项研究工作的科学意义在于可以有效提高进化优化算法在连续空间中的搜索效率。.相关研究成果发表SCI检索的国际期刊20篇，其中包括IEEE Trans. On Evolutionary Computation, Information Sciences等权威国际期刊；发表国际会议论文14篇，其中包括ACM GECCO和IEEE CEC等领域顶级国际会议。