人工智能基础07自动规划系统.pptxVIP

目录;自动规划概述 基于谓词逻辑的规划 STRIPS规划系统 分层规划 基于专家系统的机器人规划 轨迹规划简介;7.1 自动规划概述;7.1 自动规划概述;7.1 自动规划概述;7.1 自动规划概述;7.1 自动规划概述;7.1 自动规划概述;7.2 基于谓词逻辑的规划;7.3 STRIPS规划系统;7.3 STRIPS规划系统;7.3 STRIPS规划系统;7.3 STRIPS规划系统;7.3 STRIPS规划系统;7.3 STRIPS规划系统;7.3 STRIPS规划系统;7.4 分层规划;7.4 分层规划;7.5 基于专家系统的机器人规划;7.5 基于专家系统的机器人规划;7.6 轨迹规划简介 ;7.6 轨迹规划简介 ; 地球上的生物物种在漫长的过程中形成了丰富的行为特性，并且一直不断地完善和发展，以更好地适应其所生存的环境。生物群体和自然生态系统可以通过自身的演化就能使许多在人类看起来高度复杂的优化问题得到完美解决。因此，各种模仿生物群体的智能仿生算法被相继提出，得到了深入研究和应用实践。 群智能思想的产生主要源于复杂适应系统理论以及人工生命的研究。;群智能算法——群智能思想起源;群智能算法——群智能思想起源;群智能算法——群智能思想起源;群智能算法——群智能思想起源;群智能算法——群智能思想起源;群智能算法——群智能思想起源;群智能算法——群智能理论;群智能算法——群智能理论;群智能算法——群智能理论;群智能算法——群智能理论; 蚁群算法(Ant Colony Optimization—ACO)由 Colorni, Dorigo 和 Maniezzo 于 1991 年提出,它是通过模拟自然界蚂蚁社会的寻找食物的方式而得出的一种仿生优化算法。 自然界种蚁群寻找食物时会派出一些蚂蚁分头在四周游荡, 如果一只蚂蚁找到食物, 它就返回巢中通知同伴并沿途留下 “信息素” ( pheromone)作为蚁群前往食物所在地的标记。 信息素会逐渐挥发, 如果两只蚂蚁同时找到同一食物,又采取不同路线回到巢中, 那么比较绕弯的一条路上信息素的气味会比较淡, 蚁群将倾向于沿另一条更近的路线前往食物所在地。ACO算法设计虚拟的 “蚂蚁” , 让它们摸索不同路线, 并留下会随时间逐渐消失的虚拟 “信息素” 。根据 “信息素较浓的路线更近” 的原则, 即可选择出最佳路线。 ; ACO算法首先应用于 TSP 问??中, 这里以 TSP 问题为例对算法作简单介绍。当某一个蚂蚁走到一个城市, 下一步可选的路径集合为 E, 集合中任一条路径 e∈E 上的信息素浓度为τe, 走这条路的代价为 ηe, 那么选择某一条路径 v∈E 的几率为： ; 其中, α和 β两个参数分别用来控制信息素和路径长度的相对重要程度。当蚂蚁在所有城市走过一遍之后，路径上的信息素浓度将变为: τ e( t+1) =( 1-ρ )·τe( t) +Δe 其中，0≤ρ 1 用于控制信息素随时间挥发的速度，Δe是上次蚂蚁经过此路段所留下的信息素，未经过则为 0。上式以及Δe可以根据问题进行设计。 目前，ACO算法已被广泛应用于组合优化问题中，在车辆调度问题、 机器人路径规划问题、 路由算法设计等领域均取得了良好的效果。 由于 ACO算法具有广泛实用价值，成为了群智能领域第一个取得成功的实例，曾一度成为群智能的代名词，相应理论研究及改进算法近年来不断取得新的成果。; 粒子群优化算法（Particle Swarm Optimization—PSO)源于 1987 年 Reynolds 对鸟群社会系统boids的仿真研究，boids 也是一个 CAS。 在 boids 中, 一群鸟在空中飞行, 每个鸟遵守以下三条规则: （1）避免与相邻的鸟发生碰撞冲突; （2）尽量与自己周围的鸟在速度上保持协调和一致; （3）尽量试图向自己所认为的群体中心靠近。 仅仅通过使用这三条规则, boids 系统就出现非常逼真的群体聚集行为, 鸟成群地在空中飞行, 当遇到障碍时它们会分开绕行而过, 随后又会重新形成群体。不过 Reynolds 仅仅将其作为 CAS的一个实例作仿真研究, 而并未将它用于优化计算中, 也无任何实用价值。 ; Kennedy和 Eberhart （1995年）在 boids 中加入了一个特定点, 定义为食物, 鸟根据周围鸟的觅食行为来寻找食物。他们的初衷是希望通过这种模型来模拟鸟群寻找食源的现象, 然而实验结果却揭示这个仿真模型中蕴涵着很强的优化能力, 尤其是在多维空间寻优中。 由于最初的仿