Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- УСОВЕРШЕНСТВОВАННЫЙ АЛГОРИТМ PSO ДЛЯ РЕШЕНИЯ ПРОБЛЕМЫ КЛАСТЕРИЗАЦИИ В СИСТЕМАХ С НЕСКОЛЬКИМИ РОБОТАМИ
- Авторы
- Петунин Александр Александрович a.a.petunin@urfu.ru, д-р техн. наук, доцент, профессор, заместитель директора департамента машиностроения по науке, ведущий научный сотрудник, Уральский федеральный университет; Институт математики и механики им. Н. Н. Красовского УрО РАН, Екатеринбург, Россия
Алзубайри Шаймаа М. Джавад Кадим Shaymaaalzubairi77@gmail.com, инженер-исследователь лаборатории оптимального раскроя промышленных материалов и оптимальных маршрутных технологий, Уральский федеральный университет, Екатеринбург, Россия
Алван Хусам Лефта hussam.l.alwan@uotechnology.edu.iq, PhD, доцент, Технологический университет, Багдад, Ирак
Уколов Станислав Сергеевич s.s.ukolov@urfu.ru, канд. техн. наук, старший научный сотрудник лаборатории оптимального раскроя промышленных материалов и оптимальных маршрутных технологий, Уральский федеральный университет, Екатеринбург, Россия
- В разделе
- ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В РЕШЕНИИ ЗАДАЧ УПРАВЛЕНИЯ
- Ключевые слова
- автоматическая кластеризация / MRTA / MRS / мобильный робот / оптимизация роя частиц
- Год
- 2025 номер журнала 3 Страницы 32 - 40
- Индекс УДК
- 004.021, 519.854.2
- Код EDN
- ROMBNB
- Код DOI
- 10.52190/2073-2597_2025_3_32
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Представлено эффективное решение проблемы распределения задач между несколькими роботами. Предполагается, что группа мобильных роботов должна осмотреть набор заранее определенных целей, используя двухэтапный подход для сокращения пространства поиска. Проведено сравнение предлагаемого решения с классическим алгоритмом оптимизации роя частиц и подходом на основе генетических алгоритмов, приведены результаты сравнения.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
Verma J. K., Ranga V. Multi-robot coordination analysis, taxonomy, challenges and future scope // Journal of Intelligence and Robotic Systems. 2021. V. 102. [Электронный ресурс]. URL: https://doi.org/10.1007/s10846-021-01378-2 (дата обращения: 26.07.2025).
Khamis A., Hussein A., Elmogy A. Multi-robot task allocation: A review of the state-of-the-art // Cooperative robots and sensor networks. 2015. V. 604. P. 31-51. [Электронный ресурс]. URL: https://doi.org/10.1007/978-3-319-18299-5_2 (дата обращения: 26.07.2025)
Chakraa H., Guérin F., Leclercq E., Lefebvre D. Optimization techniques for Multi-Robot Task Allocation problems: Review on the state-of-the-art // Robotics and Autonomous Systems. 2023. [Электронный ресурс]. URL: https://doi.org/10.1016/j.robot.2023. 104492 (дата обращения: 26.07.2025).
Aziz H., Pal A., Pourmiri A., Ramezani F., Sims B. Task allocation using a team of robots // Current Robotics Reports. 2022. V. 3. № 4. P. 227-238. [Электронный ресурс]. URL: https://doi.org/10.1007/s43154-022-00087-4 (дата обращения: 26.07.2025).
Bahgat A. B., Shehata O. M., Morgan E. S. I. A multi-level architecture for solving the multi-robot task allocation problem using a market-based ap- proach // International Journal of Mechanical Engineering and Robotics Research. 2020. V. 9. № 2. P. 293-298. [Электронный ресурс]. URL: https://www.researchgate.net/publication/341401256_A_Multi-Level_Architecture_for_Solving_the_Multi-Robot_Task_Allocation_Problem_Using_a_Market-Based_Approach (дата обращения: 26.07.2025).
Yang M., Tang G., Liu X., Shen Z., Chen Y.-Y. Cooperative Task Assignment and Path Planning via an A∗-Market-Based Algorithm // Proceedings of 2021 5th Chinese Conference on Swarm Intelligence and Cooperative Control. - Springer. 2022. P. 450-460. [Электронный ресурс]. URL: https://doi.org/10.1007/978-981-19-3998-3_43 (дата обращения: 26.07.2025).
Msala Y., Hamed O., Talea M., Aboulfatah M. A new method for improving the fairness of multi-robot task allocation by balancing the distribution of tasks // Journal of Robotics and Control. 2023. V. 4. № 6. P. 743-753. [Электронный ресурс]. URL: https://doi.org/10.18196/jrc.v4i6.18650 (дата обращения: 26.07.2025).
Ma S., Ruan J., Du Y., Bucknall R., Liu Y. An End-to-End Deep Reinforcement Learning Based Modular Task Allocation Framework for Autonomous Mobile Systems // 8 IEEE Transactions on Automation Science and Engineering. 2024. [Электронный ресурс]. URL: https://doi.org/10.1109/TASE.2024.3367237 (дата обращения: 26.07.2025)
Miao Z., Huang W., Zhang Y., Fan Q. Multi-Robot Task Allocation Using Multimodal Multi-Objective Evolutionary Algorithm Based on Deep Reinforcement Learning // Journal of Shanghai Jiaotong University. 2024. V. 29. P. 377-387. [Электронный ресурс]. URL: https://doi.org/10.1007/s12204-023-2679-7 (дата обращения: 26.07.2025).
Dai W., Lu H., Xiao J., Zheng Z. Task allocation without communication based on incomplete information game theory for multi-robot systems // Journal of Intelligent Robotic Systems. 2018. V. 94. P. 841-856. [Электронный ресурс]. URL: https://doi.org/10.1007/s10846-018-0783-y (дата обращения: 26.07.2025).
Jin L., Li S., La H. M., Zhang X., Hu B. Dynamic task allocation in multi-robot coordination for moving target tracking: A distributed approach // Automatica. 2019. V. 100. P. 75-81. [Электронный ресурс]. URL: https://ara.cse.unr.edu/wp-content/uploads/2014/12/Jin_Li_La_Automatica2019.pdf (дата обращения: 26.07.2025).
Qu H., Yin L., Tang X. An automatic clustering method using multi-objective genetic algorithm with gene rearrangement and cluster merging // Applied Soft Computing. 2021. V. 99. P. 106929-106944. [Электронный ресурс]. URL: https://doi.org/10.1016/j.asoc.2020.106929 (дата обращения: 26.07.2025).
Ayari A., Bouamama S. ACD3GPSO: automatic clustering-based algorithm for multi-robot task allocation using dynamic distributed double-guided particle swarm optimization // Assembly Automation. 2020. № 40. P. 235-247. [Электронный ресурс]. URL: https://www.sci-hub.ru/10.1108/AA-03-2019-0056?ysclid=mdkfyu37xq855031527 (дата обращения: 26.07.2025).
Harifi S., Khalilian M., Mohammadzadeh J. Swarm based automatic clustering using nature inspired Emperor Penguins Colony algorithm // Evolving Systems. 2023. V. 14. P. 1083-1099. [Электронный ресурс]. URL: https://doi.org/10.1007/s12530-023-09507-y (дата обращения: 26.07.2025).
Mitiche H., Boughaci D., Gini M. Iterated local search for time-extended multi-robot task allocation with spatio-temporal and capacity constraints // Journal of Intelligent Systems. 2018. V. 28. № 2. P. 347-360. [Электронный ресурс]. URL: https://doi.org/10.1515/jisys-2018-0267 (дата обращения: 26.07.2025).
Ezugwu A. E. Nature-inspired metaheuristic techniques for automatic clustering: a survey and performance study // SN Applied Sciences. 2020. V. 2. № 2. P. 273-330. [Электронный ресурс]. URL: https://doi.org/10.1007/s42452-020-2073-0 (дата обращения: 26.07.2025).
Hancer E. A new multi-objective differential evolution approach for simultaneous clustering and feature selection // Engineering Applications of Artificial Intelligence. 2020. V. 87. P. 103307-103316. [Электронный ресурс]. URL: https://doi.org/10.1016/j.engappai.2019.103307 (дата обращения: 26.07.2025).
Manikandan P., Selvarajan S. Data clustering using cuckoo search algorithm (CSA) // Second International Conference on Soft Computing for Problem Solving. 2014. P. 1275-1283. [Электронный ресурс]. URL: https://doi.org/10.1007/978-81-322-1602-5_133 (дата обращения: 26.07.2025).
İnkaya T., Kayalıgil S., Özdemirel N. E. Ant colony optimization based clustering methodology // Applied Soft Computing. 2015. V. 28. P. 301-311. [Электронный ресурс]. URL: https://doi.org/10.1016/j.asoc.2014.11.060 (дата обращения: 26.07.2025).
Alrosan A., Alomoush W., Alswaitti M., Alissa K., Sahran S., Makhadmeh S., Alieyan K. Automatic data clustering based mean best artificial bee colony algorithm // Comput. Mater. Contin. 2021. V. 68. № 2. P. 1575-1593. [Электронный ресурс]. URL: https://doi.org/10.32604/cmc.2021.015925 (дата обращения: 26.07.2025).
Omran M. G. H., Salman A., Engelbrecht A. P. Dynamic clustering using particle swarm optimization with application in image segmentation // Pattern Analysis and Applications. 2006. V. 8. P. 332-344. [Электронный ресурс]. URL: https://doi.org/10.1007/s10044-005-0015-5 (дата обращения: 26.07.2.025).
Das S., Abraham A., Konar A. Automatic kernel clustering with a multi-elitist particle swarm optimization algorithm // Pattern Recognition Letters. 2008. V. 29. № 5. P. 688-699. [Электронный ресурс]. URL: https://doi.org/10.1016/j.patrec.2007.12.002 (дата обращения: 26.07.2025).
Asma A., Sadok B. PSO-based dynamic distributed algorithm for automatic task clustering in a robotic swarm // Procedia Computer Science. 2019. V. 159. P. 1103-1112. [Электронный ресурс]. URL: https://doi.org/10.1016/j.procs.2019.09.279 (дата обращения: 26.07.2025).
Guerrero J., Valero Ó., Oliver G. Toward a Possibilistic Swarm Multi-robot Task Allocation: Theoretical and Experimental Results // Neural ProcessIng Letters. 2017. V. 46. P. 881-897. [Электронный ресурс]. URL: https://link.springer.com/article/10.1007/s11063-017-9647-x (дата обращения: 26.07.2025).
Chen X., Zhang P., Li F., Du G. A cluster first strategy for distributed multi-robot task allocation problem with time constraints // 2018 WRC symposium on advanced robotics and automation (WRC SARA). 2018. [Электронный ресурс]. URL: https://doi.org/10.1109/WRC-SARA.2018.8584210 (дата обращения: 26.07.2025).
Seenu N., Ramanathan K. C., Ramya M. M., Janardhanan M. N. Review on state-of-the-art dynamic task allocation strategies for multiple-robot systems // Industrial Robot the international journal of robotics research and application. 2020. V. 47. № 6. P. 929-942. [Электронный ресурс]. URL: https://www.researchgate.net/publication/344180532_Review_on_state-of-the-art_dynamic_task_allocation_strategies_for_multiple-robot_systems (дата обращения: 26.07.2025).
Kennedy J., Eberhart R. Particle swarm optimization // Proceedings of ICNN'95-international conference on neural networks. 1995. V. 4. P. 1942-1948. [Электронный ресурс]. URL: https://doi.org/10.1109/ICNN.1995.488968 (дата обращения: 26.07.2025).
Reynolds C. W. Flocks, herds and schools: A distributed behavioral model // Proceedings of the 14th annual conference on Computer graphics and interactive techniques. 1987. P. 25-34. [Электронный ресурс]. URL: https://www.researchgate.net/publication/2797343_Flocks_Herds_and_Schools_A_Distributed_Behavioral_Model (дата обращения: 26.07.2025).
Ayari A., Bouamama S. A new multiple robot path planning algorithm: dynamic distributed particle swarm optimization // Robotics and Biomimetics. 2017. V. 4. № 1. [Электронный ресурс]. URL: https://www.researchgate.net/publication/320818447_A_new_multiple_robot_path_planning_algorithm_dynamic_distributed_particle_swarm_optimization (дата обращения: 26.07.2025).
Dl D. A cluster separation measure // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1979. V. 1. № 2. P. 224-227. [Электронный ресурс]. URL: https://doi.org/10.1109/TPAMI.1979.4766909 (дата обращения: 26.07.2025).
- Купить
- 500.00 руб
