多机器人探索使用先进的多目标salp群算法,以提供高效的覆盖和性能
Ali El Romeh1, Seyedali Mirjalili2,3,4
1Centre for Artificial Intelligence Research and Optimization, Torrens University Australia, Melbourne, 3000, Australia.
Scientific reports
|July 18, 2025
概括
先进的多目标Salp Swarm算法探索技术 (AMET) 通过平衡效率和准确性来改善多机器人探索. 在复杂任务的覆盖面和协调方面,AMET的性能优于现有的方法.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 优化算法 优化算法
背景情况:
- 多机器人探索对于搜救和环境监测等任务至关重要.
- 现有的方法往往难以平衡勘探效率与绘图精度.
- 需要适应性搜索策略来提高复杂环境中的稳定性.
研究的目的:
- 引入先进的多目标Salp Swarm算法探索技术 (AMET) 进行增强的多机器人探索.
- 开发一个框架,将决定性协调与自适应的多目标优化整合在一起.
- 在多机器人系统中,提高勘探效率和绘图精度之间的权衡.
主要方法:
- 亚美特将协调多机器人勘探 (CME) 与多目标沙尔普群算法 (MSSA) 结合起来.
- 对各种单一目标和多目标战略 (CME-MGWO,CME-MACO,CME-MODA,CME-SSA) 的表现进行了评估.
- 关键指标包括运行时间效率,区域覆盖,任务弹性和冗余减少.
主要成果:
- 与现有方法相比,AMET在所有评估指标上表现出卓越的表现.
- 该技术实现了显著更好的区域覆盖,并减少了计算开销.
- 观察到加强了勘探协调和任务完成弹性.
结论:
- AMET为多机器人探索提供了一个可扩展和高效的方法.
- 该框架为平衡勘探效率和绘图准确性提供了一个强大的解决方案.
- 在搜救,行星探索和环境监测方面,AMET具有潜在的应用.
