介绍了群机器人学的含义、特点和发展现状,分析了研究群机器人系统的相关理论和方法,总结了群机器人学研究的主要内容,并指出其发展趋势。
针对鸡群算法(CSO)易陷入局部最优和出现早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法(OBSA-CSO)。通过采用反向学习对种群进行初始化,同时对越界个体进行边界变异操作保证了提出算法的种群多样
提出了一种新颖的混合语音检索算法。利用ICA的盲分离特性,将包含两个人声音的混合语音分离成只含一个人的单一语音,以分离出来的单一语音为新样本建立新的语音库,并与基于混合语音的语音库建立链接关系。查询时
针对基本粒子群优化(basicparticleswarmoptimization,简称bPSO)算法容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化方程和添加极值扰动算子两种
同时定位与建图是移动机器人实现真正自治的必要前提,FastSLAM作为一种成功的SLAM方法受到研究者的广泛青睐,FastSLAM将SLAM问题分为一个定位问题和一个建图问题,其中用扩展卡尔曼滤波器(
一种改进的Apriori算法,刘军,吴誉,关联规则挖掘是指从一个大型的数据库中发现有趣的关联或相关关系,即从数据集中识别出频繁项集,然后利用这些频繁项集创建描述关
一种改进的LLGC算法,张晓丽,王雪松,局部与全局一致性(LLGC)算法虽然可以对样本进行有效的标注,但是对于个别的噪声数据却无能为力,因为该算法最终为每个未标注样本都
针对粒子群优化进入后期得到解的精度低,不稳定的问题,提出了一种改进的自适应的算法,采用惯性权重线性减小,对成功的加速系数产生记忆,并于下一代更新中以一定概率唤醒记忆,通过仿真实验,表明可以有效的解决了
文化粒子群优化算法,艾景波,滕弘飞,为了提高粒子群优化(PSO)算法的计算精度和计算效率,避免“早熟”,本文给出文化粒子群优化算法。该算法模型将PSO纳入文化算法框
针对粒子群优化算法在处理高维复杂函数时存在收敛速度慢、易陷入早熟收敛等缺点,提出了混合粒子群优化算法。它借鉴群体位置方差的早熟判断机制,把基因换位和变异算子引入到算法中,构造出新的个体和个体基因的适应