【毕业学位论文】基于免疫机制和多示例学习的移动机器人进化导航研究-模式识别与智能系统博士论文

博士学位论文 基于免疫机制和多示例学习的移动机器人 进化导航研究 作者姓名： 李 枚 毅 学科专业： 模式识别与智能系统 学院（系、所）： 信息科学与工程学院 指导教师： 蔡自兴 教授 中 南 大 学 二 年 五 月 分类号 密 级 _ 博士学位论文 基于免疫机制和多示例学习的移动机器人 进化导航研究 者 姓 名： 李 枚 毅 学 科 专 业： 模式识别与智能系统 学院（系、所）： 信息科学与工程学院 指 导 老 师： 蔡 自 兴 教授 论文答辩日期 年 月 日 答辩委员会主席 _ 中 南 大 学 二五年五月 中南大学博士学位论文 摘 要 要 移动机器人技术在空间探测、国防、工业、农业、医学及社会服务业等领域显示了越来越广泛的应用前景，已成为国内外移动机器人学术界研究的热点。本文针对大范围环境、变化环境和未知环境，以免疫进化和多示例学习作为支撑技术，围绕移动机器人在它的运动过程中始终需要解决的定位与规划二个关键问题进行了比较深入的研究，其研究内容涉及基于多图像的定位、并发定位与建图、路径规划、进化与免疫计算和多示例学习等。 本文完成的主要工作和取得的创新性成果如下。 通过分析现有采样方法和多模函数优化过程中典型的早熟收敛现象，认为进化计算和免疫算法等智能优化算法需要一种以父体两旁为着重点搜索区域的采样范式，并提出使用逆正态分布进行采样。通过理论分析和实验，证实了这是一种在跳出局部极值方面有明显优势的采样方式。 提出了一种多样度和适应度联合引导的选择、交叉与变异概率适应性计算策略；通过实验和分析，总结出了选择压力与进化算法性能之间的密切关系。通过数学分析，证明了二进制遗传算法的变异概率和多样度之间的数学关系，为多样度引导的遗传算法提供了一种变异概率调整理论和计算方法。 在进化计算框架下，融合全局并行搜索的克隆选择和启发式局部搜索的免疫疫苗接种，设计了一类免疫克隆进化算法，并证明了该算法的全局收敛性。以该算法为核心，针对大范围环境和变化环境下的路径规划及未知环境下并发定位与建图等任务，分别提出了四种嵌入了领域知识的启发式免疫操作和进化操作的免疫克隆进化算法，并研究了各种任务下隐藏领域知识的提取问题。由于这些算法嵌入了从领域知识中提取出来的启发式操作算子，而且核心算法具有全局搜索能力，因此，明显地提高了这些算法处理相应问题的能力。 结合多示例学习问题的固有特性，提出了一种监督 网络以负示例作为监督学习的教师信息，以正包进行非监督自组织聚类学习。该网络训练速度比较快、准确性较高和具有多概念学习能力。利用这些性质，设计了基于多示例学习的图像多候选目标识别方法和一种移动机器人导航方法，并通过移动机器人进行了导航实验。 针对未知大范围环境下移动机器人定位问题采用了多图像表达场景信息，并在此基础上，提出了使用多示例学习的自动发现能力识别不同场景来进行移动机器人定位的方中南大学博士学位论文 摘 要 过移动机器人实验实现了多图像中环境隐藏特征的自动提取，并在此基础上实现了未知大范围环境下移动机器人的定位。 总之，本文以融入免疫机制的进化算法和多示例学习为工具，研究了移动机器人定位与规划问题，研究了进化算法和免疫克隆进化算法及多示例学习的有关理论和方法，提出了使用逆正态分布进行采样的方法，提出了一种多样度和适应度联合引导的选择、交叉与变异概率适应性计算策略和有自组织学习能力的监督 中对提出的定理都进行了论证和说明；通过理论分析、仿真实验和移动机器人导航实验对提出方法的有效性、可靠性和实用性进行了验证。本文的研究工作为复杂环境下移动机器人导航提供了一些新的解决思路，所提出的定位与规划方法对移动机器人完成复杂环境下的导航任务有理论指导意义。 关键词 ： 移动机器人，定位和路径规划，免疫克隆进化算法，多示例学习，多图像，逆正态分布 中南大学博士学位论文 in as a in of on of on to be in of of of in on in as By of of in of it is is a of to at of an is as it is of as of of of by of a of By of of C of in of On of in of ML 中南大学博士学位论文 of by of IL in as s in of be of is of An to in an on a of to by at of in of by is of is of of to We to in by In a by of of in of is of of of IL in on of in of of in in to in 南大学博士学位论文 目 录 录 摘 要 . I . 录 . i 第一章 概 述 .究背景 . 移动机器人导航研究背景 . 进化计算的研究背景与历史 . 免疫计算研究背景 . 多示例学习研究背景 .究现状 . 移动机器人导航研究现状 . 进化计算研究现状 . 混合进化计算和免疫进化算法研究现状 . 多示例学习研究现状 .文的主要研究内容和各章安排 . 本文所针对的问题和采取的对策 . 研究内容和各章的具体安排 .二章 智能优化算法的采样方法研究 .样范式分析 .正态分布采样 . 多模函数优化中一种典型现象的分析 . 逆正态分布的定义及其基本性质 . 逆正态分布采样在多模函数优化中的优势分析 .正态分布采样的仿真实验结果与分析 . 克隆选择算法 . 仿真实验结果与分析 .正态分布和高斯分布组合的采样方法 . 逆正态分布的不足及其改进方法 . 逆正态分布和高斯分布组合的采样实验结果 .结 .三章 多样度和适应度引导的进化计算研究 .化算子操作概率适应性调整方法 . 适应性进化操作概率的统一计算公式 . 局部搜索进化算子的适应性操作概率计算策略 .样度分析 .样度和适应度相结合引导的一种交叉与变异概率计算策略 .样度与适应度引导的选择压力性调整策略 .样度与适应度联合引导的遗传算法与实验分析 . 多样度与适应度联合引导的遗传算法描述 .南大学博士学位论文 目 录 数优化的实验结果与分析 .样度和适应度联合引导变异的二进制遗传算法 . 二进制编码下变异概率与多样度之间的数学关系分析 . 适应性宏观 .结 .四章 一种免疫克隆进化算法及其在并发定位与建图中的应用 .疫克隆进化算法 . 免疫克隆进化算法的描述 . 免疫克隆进化算法的分析和变形 . 免疫克隆进化算法的函数优化实验与分析 .疫克隆进化算法的全局收敛性 . 全局收敛性分析的预备知识 . 免疫克隆进化算法的全局收敛性分析 .发定位与建图方法存在的不足 .于占据栅格的感知数据融合和地图表示 .于免疫克隆进化算法的并发定位与建图 . 环境中的关键点栅格及其检测 . 激光雷达感知数据提取关键点方法 . 编码方式 . 适应度函数 . 进化操作与免疫操作 .于免疫克隆进化的并发定位与建图实验和结果分析 .结 .五章 采用混合策略的移动机器人进化路径规划研究 .动机器人全局与局部路径规划发展趋势分析 .动机器人路径规划的一些性质 .范围环境下基于免疫克隆进化的移动机器人路径规划研究 . 路径的编码与表示 . 适应度函数 . 进化算子、克隆选择算子与免疫疫苗接种算子 . 基于免疫克隆进化的移动机器人路径规划算法描述 . 基于免疫克隆进化的移动机器人路径规划算法仿真实验 . 基于适应性概率调整免疫克隆进化的移动机器人路径规划方法 .化环境下基于免疫克隆选择和示例学习的进化路径规划研究 . 示例学习与免疫克隆进化算法相结合的路径规划算法 . 仿真实验结果与分析 .结 .六章 基于监督 .示例学习的学习原理 .督 . 多示例问题的监督 . 监督 .南大学博士学位论文 目 录 督 . 监督 . 监督 .于多示例学习的图像多候选目标识别与导航方法 . 多示例学习算法中包的构造算法 . 基于多示例学习的多候选