Simultaneous Feature Selection Optimization Based on Hybrid Sooty Tern Optimization Algorithm and Genetic Algorithm
-
摘要: 针对传统支持向量机方法用于数据分类存在分类精度低的不足问题, 将支持向量机分类方法与特征选择同步结合, 并利用智能优化算法对算法参数进行优化研究. 首先将遗传算法(Genetic algorithm, GA)和乌燕鸥优化算法(Sooty tern optimization algorithm, STOA)进行混合, 先通过对平均适应度值进行评估, 当个体的适应度函数值小于平均值时采用遗传算法对其进行局部搜索的加强, 否则进行乌燕鸥本体优化过程, 同时将支持向量机内核函数和特征选择目标共同作为优化对象, 利用改进后的STOA-GA寻找最适应解, 获得所选的特征分类结果. 其次, 通过16组经典UCI数据集和实际乳腺癌数据集进行数据分类研究, 在最佳适应度值、所选特征个数、特异性、敏感性和算法耗时方面进行对比研究, 实验结果表明, 该算法可以更加准确地处理数据, 避免冗余特征干扰, 在数据挖掘领域具有更广阔的工程应用前景.Abstract: In view of the shortcomings of traditional support vector machine in data classification, this paper combines support vector machine classification with feature selection synchronously, and uses intelligent optimization algorithm to optimize algorithm parameters. Firstly, the genetic algorithm (GA) is mixed with the sooty tern optimization algorithm (STOA). In this paper, the average fitness value is evaluated first. When the fitness function value of the individual is less than the average value, the GA is used to deepen the local search. Otherwise, the optimization process of the STOA itself is carried out.The SVM kernel function and the feature selection target are taken as the optimization object. The improved STOA-GA is used to find the most suitable solution and get the selected feature classification results. Secondly, through the data classification research of sixteen groups of classic UCI data sets and real breast cancer data sets, the best fitness value, the number of selected features, specificity, sensitivity and algorithm time-consuming are compared. The experimental results show that the algorithm proposed in this paper can deal with data more accurately, avoid redundant feature interference, and have a broader work in the field of data mining application prospect of the project.
-
近年来, 多移动机器人的协同控制得到了越来越广泛的研究与应用[1-5]. 和单一机器人相比, 多移动机器人能够执行更加复杂的任务, 同时对外部环境的变化有更强的鲁棒性. 典型的多移动机器人协同控制主要包括包络控制[6]、主从编队控制[7]、环形运动控制等. 本文主要研究非完整约束下的多移动机器人的包围控制问题, 旨在设计一种协同控制器, 不考虑具体的编队形状同时能够保证移动目标指数收敛到多移动机器人构成的凸包内部.
目前, 已有一些完整、系统的包围控制研究成果. 如文献[8]采用图论和动态系统理论研究了一阶积分型机器人的包围控制问题; 文献[9]利用复邻接矩阵方法设计了一种分布式包围控制器. 但是, 以上控制策略无法扩展到受非完整约束的多移动机器人系统. 非完整系统控制的难点在于, 不存在任何连续的静态状态反馈控制律使其稳定到平衡点[10]. 然而, 文献[11]指出如果选择合适的坐标平移, 非完整系统能够满足输出反馈线性化条件, 使得控制器设计更加简洁. 该方法已经广泛应用在机器人、水面船等各类非完整系统的控制器设计中[12-13].
另一方面, 多移动机器人的包围控制问题可认为是环形运动控制的扩展. 环形运动控制在包围目标点的同时, 围绕目标点做等角度的圆周运动. 文献[14]考虑静止目标, 研究了在联合连通图条件下的环形运动控制. 文献[15]考虑了速度约束下的非完整移动机器人的环形运动控制. 在实际工程应用中, 感兴趣的目标点经常随着时间不断变化. 文献[16-17]研究了多小车对常速移动目标的环形包围; 文献[18]研究了目标速度时变情况下的环形包围控制.
以上文献都要求事先指定编队形状或是相邻机器人之间、机器人和目标点之间的相对距离/角度. 然而, 考虑实际复杂时变的外部环境, 不可能对其事先指定. 而且对于时效性较强的包围控制, 将目标包围在机器人构成的凸包内部是其首要任务, 例如军事领域中对敌方目标的包围打击等. 基于以上考虑, 文献[19]提出了一种新的目标包围控制策略, 该策略能够使目标收敛到多智能体构成的凸包内部, 并且无需指定包围队形.
在文献[19]的基础上, 本文研究了受非完整约束的多移动机器人的移动目标包围控制问题. 通过坐标偏置, 为移动机器人设计输出反馈线性化控制器, 并引入障碍函数和自适应项实现障碍规避和对移动目标的速度估计. 和文献[19]相比, 本文一方面将单积分系统扩展到了受非完整约束的多移动 机器人系统, 另一方面将静止目标扩展到了未知常速移动的目标. 主要贡献: 1) 控制器可使多移动机器人包围移动目标, 使其指数收敛至移动机器人所构成的凸包内部; 2) 引入障碍函数保证了机器人之间的障碍规避; 3) 引入自适应项实现了对移动目标的速度估计; 4) 利用局部线性化方法研究了多移动机器人系统方位角动态的稳定性.
1. 系统建模和问题描述
文中,
${{N}} = \{ 1,\;2, \cdots ,\;n\}$ ,$n$ 代表移动机器人个数, 本文假设$n\ge 3.$ $\forall \theta \in \mathbb{\bf{R,}}$ $R(\theta ) = [{\boldsymbol{\tau}} \left( \theta \right),\;{\boldsymbol{\nu}} (\theta )],$ ${\boldsymbol{\tau }}(\theta ) = {\left[ {\cos (\theta ),\;\sin (\theta )} \right]^{\rm{T}}},$ ${\boldsymbol{\nu}} (\theta ) = {\left[ { - \sin (\theta ),\cos (\theta )} \right]^{\rm{T}}}.$ 给定任一$n$ 维向量${\boldsymbol{x}} \in {\mathbb{\bf{R}}^n},$ $\| {\boldsymbol{x}} \| = {[ {| {{x_1}} |,\;| {{x_2}} |, \cdots ,\;| {{x_n}} |} ]^{\rm{T}}},$ $\left\| {\boldsymbol{x}} \right\|$ 代表模长. 给定任意两个向量${{\boldsymbol{x}}_i}$ 和${{\boldsymbol{x}}_j},$ ${{\boldsymbol{x}}_{ij}}:= $ $ {{\boldsymbol{x}}_i} - {{\boldsymbol{x}}_j}.$ ${{\boldsymbol{x}}_i} \prec {{\boldsymbol{x}}_j}\;({{\boldsymbol{x}}_i}\; \underline{\prec }\; {{\boldsymbol{x}}_j})$ 表示${x_{i,\;k}} < {x_{j,\;k}}\;({x_{i,\;k}} \le $ $ {x_{j,\;k}}),$ 其中${x_{i,\;k}},\;{x_{j,\;k}}$ 分别代表向量${{\boldsymbol{x}}_i},\;{{\boldsymbol{x}}_j}$ 的元素.1.1 系统建模
考虑如下
$n$ 个移动机器人运动学模型$$ \left[ \begin{array}{l} {{\dot x}_i} \\ {{\dot y}_i} \\ {{\dot \theta }_i} \\ \end{array} \right] = \left[ \begin{array}{l} {\rm{cos}}{\theta _i} \\ \sin {\theta _i} \\ \;\;\;0 \\ \end{array} \right]{u_i} + \left[ \begin{array}{l} 0 \\ 0 \\ 1 \\ \end{array} \right]{\omega _i},\;{\rm{ }}i \in {N} $$ (1) ${{\boldsymbol{r}}_i} = {\left[ {{x_i},\;{y_i}} \right]^{\rm{T}}}$ 表示世界坐标系下机器人$i$ 的几何中心,${\theta _i}$ 代表机器人的方位角.${{\boldsymbol{u}}_i} = {\left[ {{u_i},\;{\omega _i}} \right]^{\rm{T}}}$ 代表机器人的独立控制输入, 其中${u_i}$ 和${\omega _i}$ 分别代表机器人的纵向线速度和旋转角速度.定义多移动机器人的位置分布
${\boldsymbol{r}} = [{{\boldsymbol{r}}_1},\;{{\boldsymbol{r}}_2}, \cdots ,\; $ $ {{\boldsymbol{r}}_n}]$ 和相应多移动机器人构成的凸包:$${\boldsymbol{co}}({\boldsymbol{r}}) = \left\{ {\sum\limits_{i \in {{N}}} {{\lambda _i}{{\boldsymbol{r}}_i}:{\rm{ }}{\lambda _i} \ge \ 0,\;{\rm{ }}\forall i\; {\rm{and}}\; \sum\limits_{i \in {{N}}} {{\lambda _i} = 1} } } \right\}$$ 定义多移动机器人的平均位置
$\bar {\boldsymbol{r}} = \sum\nolimits_{i \in {{N}}} {{{\boldsymbol{r}}_i}/n} $ , 则有如下引理成立.引理 1.
$\bar {\boldsymbol{r}}$ 是凸包${\boldsymbol{co}}({\boldsymbol{r}})$ 的内点.证明. 根据凸包
${\boldsymbol{co}}({\boldsymbol{r}})$ 的定义易知$\bar {\boldsymbol{r}} \in {\boldsymbol{co}}({\boldsymbol{r}}{\rm{)}}$ . 假如$\bar {\boldsymbol{r}}$ 位于凸包${\boldsymbol{co}}({\boldsymbol{r}})$ 的边界上, 且$\bar {\boldsymbol{r}},\;{{\boldsymbol{r}}_i},\;{{\boldsymbol{r}}_j}, \;i \ne j \in $ $ {{N}}$ 位于${\boldsymbol{co}}({\boldsymbol{r}})$ 的同一条边上. 可得$\bar {\boldsymbol{r}} = {\lambda _i}{{\boldsymbol{r}}_i} + (1 - {\lambda _i}) $ $ {{\boldsymbol{r}}_j}$ , 和$\bar {\boldsymbol{r}}$ 定义矛盾, 因此可知$\bar {\boldsymbol{r}}$ 是凸包${\boldsymbol{co}}({\boldsymbol{r}})$ 的内点.□本文研究的移动目标模型为如下单积分形式
$$ {{\boldsymbol{\dot{r}}}_0} = {{\boldsymbol{v}}_0} $$ (2) 其中,
${{\boldsymbol{r}}_0}$ 表示目标的位置,${{\boldsymbol{v}}_0}$ 表示运动目标的未知常值速度. 目标点和凸包距离定义如下:$${P_{{{\boldsymbol{r}}_0}}}({\boldsymbol{r}}) = \mathop {\min }\limits_{{\boldsymbol{s}} \in {\boldsymbol{co}}({\boldsymbol{r}})} \left\| {{{\boldsymbol{r}}_0} - {\boldsymbol{s}}} \right\|$$ 显然, 当且仅当
${{\boldsymbol{r}}_0} \in {\boldsymbol{co}}({\boldsymbol{r}}),$ ${P_{{{\boldsymbol{r}}_0}}}({\boldsymbol{r}}) = 0$ . 该结果表示实现了移动目标包围控制目标.本文选取移动机器人
$i$ 纵轴正前方, 距离机器人几何中心$\delta $ 远的点${{\boldsymbol{r}}'_i}$ 作为偏置点(第2节分析表明${{\boldsymbol{r}}'_i}$ 相对${{\boldsymbol{u}}_i}$ 满足输出反馈线性化条件), 如图1所示. 此外, 本文采用最近邻居规则来确定机器人$i$ 的邻居节点. 机器人$i$ 的邻居节点可由以下集合${{\cal{N}}_i}$ 表示$$ {{\cal{N}}_i} = \left\{ {j \in {{N}},\;j \ne i:{\rm{ }}\left\| {{{\boldsymbol{r}}_{ij}}} \right\| \le \mu } \right\} $$ (3) 式中,
$\mu > d > 0$ ,$d$ 代表机器人之间的防撞安全距离. 由于实际情况中机器人的位置会不断变化, 因此本文研究的是动态拓扑的移动目标包围控制问题.从实际工程角度来看, 可移动机器人
$i$ 的绝对位置${{\boldsymbol{r}}_i}$ 、相应的邻居节点位置${{\boldsymbol{r}}_j}$ 和目标位置${{\boldsymbol{r}}_0}$ 很难获取. 本文中, 可移动机器人在偏置点${{\boldsymbol{r}}'_i}$ 装配有距离传感器和角度传感器, 分别用来测量自身与邻居节点和目标的相对距离信息和角度信息(如图1所示). 具体来说, 机器人$i$ 能够测量相对距离${d_{i'0}},$ ${d_{i'j'}}$ 和角度${\alpha _{i'0}}$ ,${\alpha _{i'j'}}.$ 其中,${d_{i'0}}$ 代表${{\boldsymbol{r}}'_i}$ 和${{\boldsymbol{r}}_0}$ 之间的相对距离;${d_{i'j'}}$ 代表${{\boldsymbol{r}}'_i}$ 和${{\boldsymbol{r}}'_j}$ 之间的相对距离;${\alpha _{i'0}}$ 代表向量${{\boldsymbol{r}}_i}{{\boldsymbol{r}}'_i}$ 绕点${{\boldsymbol{r}}'_i}$ 旋转到${{\boldsymbol{r}}'_i}{{\boldsymbol{r}}_0}$ 的角度;${\alpha _{i'j'}}$ 代表向量${{\boldsymbol{r}}_i}{{\boldsymbol{r}}'_i}$ 绕点${{\boldsymbol{r}}'_i}$ 旋转到${{\boldsymbol{r}}'_i}{{\boldsymbol{r}}'_j}$ 的角度.1.2 问题描述
由于目标速度
${{\boldsymbol{v}}_0}$ 未知, 本文引入自适应项${{\boldsymbol{v}}_i}$ 对${{\boldsymbol{v}}_0}$ 进行估计. 结合第1.1节机器人$i$ 的局部测量信息, 本文研究的移动目标包围控制问题可总结如下.考虑多移动机器人系统(1)和目标动态(2), 设计带有速度估计器
${{\boldsymbol{v}}_i}$ 的控制器${{\boldsymbol{u}}_i}$ , 例如$$ \left\{\begin{aligned} {{\boldsymbol{u}}_i} &= {{\cal{U}}_i}(\delta ,\;{\theta _i},\;{d_{i'0}},\;{d_{i'j'}},\;{\alpha _{i'0}},\;{\alpha _{i'j'}},\;{{\boldsymbol{v}}_i})\\ {\dot {\boldsymbol{v}}_i} &= {{\cal{V}}_i}({\theta _i},\;{d_{i'0}},\;{d_{i'j'}},{\alpha _{i'0}},\;{\alpha _{i'j'}}) \end{aligned}\right. $$ (4) 使得闭环系统满足以下三个性质:
1)目标指数收敛到多移动机器人构成的凸包内部, 即
${\lim _{t \to \infty }}{P_{{{\boldsymbol{r}}_0}}}({\boldsymbol{r}}(t)) = 0 ;$ 2)机器人之间的碰撞可以避免, 即
$\left\| {{{\boldsymbol{r}}}_{ij}}(t) \right\| > d, $ $ \forall t \ge 0,\;i \ne j \in {{N}} ;$ 3)速度估计器
${{\boldsymbol{v}}_i}$ 渐近收敛到目标速度${{\boldsymbol{v}}_0},$ 即${\lim _{t \to \infty }}{{\boldsymbol{v}}_i}(t) = {{\boldsymbol{v}}_0}.$ 2. 主要结果
本节首先利用输出反馈线性化方法推导出多移动机器人的移动目标包围控制策略, 然后利用Lyapunov理论对整个闭环系统进行了严格的收敛性分析.
2.1 控制器设计
由式(1)可知, 机器人
$i$ 动态满足如下约束:$${\dot x_i}\sin {\theta _i} - {\dot y_i}\cos {\theta _i} = 0$$ Frobenius定理表明该约束不可积, 因此该约束是典型的非完整约束, 不满足反馈线性化的条件, 无法通过线性化的方法设计控制器. 文献[10]进一步指出, 不存在任何连续的静态状态反馈控制律使该系统稳定到平衡点. 为克服以上缺点, 本文选取移动机器人
$i$ 纵轴正前方, 距离机器人几何中心$\delta $ 远的点${{\boldsymbol{r}}'_i} = {\left[ {{{x'}_i}{\rm{,\;}}{{y'}_i}} \right]^{\rm{T}}}$ 作为偏置点(如图1所示). 由几何关系可知, 该点与机器人几何中心满足${{\boldsymbol{r}}'_i} = {{\boldsymbol{r}}_i} \;+ $ $ {\boldsymbol{\tau}} \left( \theta \right)\delta,$ 该点随时间微分可得$$ \begin{split} {{\dot {\boldsymbol{r}}}_i}' =\;&{{\dot {\boldsymbol{r}}}_i} + \dfrac{{\partial {\boldsymbol{\tau}} \left( {{\theta _i}} \right)}}{{\partial {\theta _i}}}\dfrac{{{\rm{d}}{\theta _i}}}{{{\rm{d}}t}}\delta = \\ &\left[ \begin{array}{c} \cos {\theta _i} \\ \sin {\theta _i} \\ \end{array} \right]{u_i} + \left[ \begin{array}{c} - \sin {\theta _i} \\ \cos {\theta _i} \\ \end{array} \right]{\omega _i}\delta = \\ & {\boldsymbol{\tau}} ({\theta _i}){u_i} + {\boldsymbol{\nu}} ({\theta _i}){\omega _i}\delta = R({\theta _i})Q{{\boldsymbol{u}}_i} \end{split} $$ (5) 式中, 常数矩阵
$Q=\text{diag}\left\{ {} \right.1,\,\delta \left. {} \right\}$ . 由于$R({\theta _i})Q$ 为可逆矩阵, 表明输出${{\boldsymbol{r}}'_i}$ 相对于输入${{\boldsymbol{u}}_i}$ 相对阶为1, 满足输出反馈线性化条件[20].定义误差向量
$$ {{\boldsymbol{e}}_i} = {{\boldsymbol{r}}_0} - {{\boldsymbol{r}}'_i} $$ (6) 该向量随时间微分可得
$$ {\dot {\boldsymbol{e}}_i} = {\dot {\boldsymbol{r}}_0} - {\dot {\boldsymbol{r}}_i}' = - R({\theta _i})Q{{\boldsymbol{u}}_i} + {{\boldsymbol{v}}_0} $$ (7) 由于无法获取移动目标的速度信息, 本文利用速度估计器对其估计. 控制器设计如下
$$ \left\{ \begin{aligned} & {{{\boldsymbol{u}}}_{i}}={{Q}^{-1}}R^{-1}{{({{\theta }_{i}})}}(K{{{\boldsymbol{e}}}_{i}}-{{{\boldsymbol{\phi}} }_{i}}+{{{\boldsymbol{v}}}_{i}})\ \\ &{{\overset{.}{\mathop{{\boldsymbol{v}}}}\,}_{i}} =K{{{\boldsymbol{e}}}_{i}}-{{{\boldsymbol{\phi }}}_{i}}\ \\ &{{{\boldsymbol{\phi}} }_{i}} =\sum\limits_{j\in {{\cal{N}}_{i}}}{\beta ({{{\boldsymbol{e}}}_{i}},\ {{{\boldsymbol{e}}}_{j}})\frac{{{{\boldsymbol{e}}}_{ij}}}{\left\| {{{\boldsymbol{e}}}_{ij}} \right\|}} \\ \end{aligned} \right. $$ (8) 式中,
$K$ 为正定对角矩阵;$K{{\boldsymbol{e}}_i}$ 表示机器人和目标之间的吸引力;${{\boldsymbol{\phi}} _i}$ 表示机器人之间的排斥力, 用于实现障碍规避, 其中$\beta ({{\boldsymbol{e}}_i},\;{{\boldsymbol{e}}_j})$ 为障碍函数; 动态项${{\boldsymbol{v}}_i}$ 用于对移动目标速度${{\boldsymbol{v}}_0}$ 的估计. 由图1易知,${{\boldsymbol{e}}_i}$ 在机器人坐标系${{\cal{F}}_B}$ 的投影为${d_{i'0}}{\boldsymbol{\tau}} ({\alpha _{i'0}})$ , 则${{\boldsymbol{e}}_i}$ 在惯性坐标系${{\cal{F}}_I}$ 的表示可通过旋转矩阵$R({\theta _i})$ 求得, 即${{\boldsymbol{e}}_i} = R({\theta _i}){d_{i'0}}{\boldsymbol{\tau}} ({\alpha _{i'0}}).$ 同理可求得,${{\boldsymbol{e}}_{ij}} = R({\theta _i}){d_{i'j'}} $ $ {\boldsymbol{\tau}} ({\alpha _{i'j'}}).$ 因此, 控制器(8)满足定义(4). 此外, 由${{\boldsymbol{e}}_i}$ 的定义易知$${{\boldsymbol{e}}_{ij}} = {{\boldsymbol{r}}'_j} - {{\boldsymbol{r}}'_i} = {{\boldsymbol{r}}_j} - {{\boldsymbol{r}}_i} + {\boldsymbol{\tau}} ({\theta _j})\delta - {\boldsymbol{\tau}} ({\theta _i})\delta $$ 等式两边取模得
$$\left\| {{{\boldsymbol{r}}_{ij}}} \right\| - 2\delta \le \left\| {{{\boldsymbol{e}}_{ij}}} \right\| \le \left\| {{{\boldsymbol{r}}_{ij}}} \right\| + 2\delta $$ 一方面, 障碍规避要求机器人位置满足
$\left\| {{{\boldsymbol{r}}_{ij}}} \right\| > d$ , 即$\left\| {{{\boldsymbol{e}}_{ij}}} \right\| > {d_1} = d + 2\delta $ ; 另一方面, 由式(3)可知机器人$ i $ 的邻居节点$ j $ 满足$\left\| {{{\boldsymbol{r}}_{ij}}} \right\| < \mu , $ 即$\left\| {{{\boldsymbol{e}}_{ij}}} \right\| \le {\mu _1} = $ $ \mu - 2\delta$ . 本文障碍函数$\beta = \beta ({{\boldsymbol{e}}_i},\;{{\boldsymbol{e}}_j})$ 定义如下:$$\beta = \left\{ \begin{array}{l} \dfrac{1}{{\left\| {{{\boldsymbol{e}}_{ij}}} \right\| - {d_1}}} - \dfrac{1}{{{\mu _1} - {d_1}}},\;{\rm{ }}{\rm{if}} \left\| {{{\boldsymbol{e}}_{ij}}} \right\| \in ({d_1},\;{\mu _1}] \\ 0,\qquad\qquad\qquad\qquad\quad\;{\rm{}}{\rm{if}} \left\| {{{\boldsymbol{e}}_{ij}}} \right\| \in ({\mu _1},\infty ) \end{array} \right. $$ 其中, 障碍函数中包含的常数项
${1 / {({\mu _1} - {d_1})}}$ , 可以保证当$\left\| {{{\boldsymbol{e}}_{ij}}} \right\| = {\mu _1}$ 时,$\beta $ 取值为0, 表明机器人$i$ 和$j$ 之间的排斥力消失, 相互不为邻居节点. 此外, 当$\left\| {{{\boldsymbol{e}}_{ij}}} \right\| \to {d_1}$ 时, 障碍函数$\beta \to + \infty $ , 用于实现障碍规避.2.2 收敛性分析
定理 1. 考虑多移动机器人系统(1)和移动目标动态(2), 其中移动目标以未知常速运动. 假设移动机器人位置在初始时刻满足
$\left\| {{{\boldsymbol{r}}}_{ij}}(0)\text{ } \right\| > \text{ }d,$ $\text{ }i\text{ }\ne \text{ }j\text{ } \in {{N}} $ , 则当参数$\delta $ 足够小时, 多移动机器人系统在控制器(8)的作用下可以实现移动目标的包围控制, 同时整个闭环系统满足性质1) ~ 3). 此外, 多移动机器人的方位角可以渐近收敛到目标的移动方向.证明. 为表述方便, 引入平均位置误差
$\hat {\boldsymbol{e}} = $ $ \sum\nolimits_{{{i}} \in {{N}}} {{{\boldsymbol{e}}_i}/n}$ , 速度估计误差${\tilde {\boldsymbol{v}}_i} = {{\boldsymbol{v}}_i} - {{\boldsymbol{v}}_0}$ , 平均速度估计误差$\hat {\boldsymbol{v}} = \sum\nolimits_{{{i}} \in {{N}}} {{{\tilde {\boldsymbol{v}}}_i}/n}$ . 对$\hat {\boldsymbol{e}}$ 微分可得:$${\dot {\hat {\boldsymbol{e}}}} = \dfrac{1}{n}\sum\limits_{i \in {{N}}} {{{\dot {\boldsymbol{e}}}_i}} = \dfrac{1}{n}\sum\limits_{i \in {{N}}} {( - R({\theta _i})Q{{\boldsymbol{u}}_i} + {{\boldsymbol{v}}_0})} $$ 将式(8)代入上式并化简得:
$$\begin{split} {\dot {\hat {\boldsymbol{e}}}} =& \dfrac{1}{n}\sum\limits_{i \in {{N}}} {( - K{{\boldsymbol{e}}_i} + {{\boldsymbol{\phi}} _i} - {{\boldsymbol{v}}_i} + {{\boldsymbol{v}}_0})}= \\ &-K\hat {\boldsymbol{e}} + \dfrac{1}{n}\sum\limits_{i \in {{N}}} {{{\boldsymbol{\phi}} _i}} - \hat {\boldsymbol{v}} \\ \end{split} $$ 因为
$j \in {{\cal{N}}_i} \Leftrightarrow i \in {{\cal{N}}_j}$ 且${{\boldsymbol{e}}_{ij}} = - {{\boldsymbol{e}}_{ji}},$ 因此$\sum\nolimits_{i \in {{N}}} $ $ {{{\boldsymbol{\phi}} _i}} = 0.$ 上式可变形为$$ {\dot {\hat {\boldsymbol{e}}}} = - K\hat {\boldsymbol{e}} - \hat {\boldsymbol{v}} $$ (9) 由式(8)易知
$\hat {\boldsymbol{v}}$ 满足$$ {\dot {\hat {\boldsymbol{v}}}} = \dfrac{1}{n}\sum\limits_{i \in {{N}}} {{{\dot {\boldsymbol{v}}}_i}} = \dfrac{1}{n}\sum\limits_{i \in {{N}}} {(K{{\boldsymbol{e}}_i} - {{\boldsymbol{\phi}} _i})} = K\hat {\boldsymbol{e}} $$ (10) 根据式(9)和式(10)可得如下稳定系统:
$${\ddot {\hat {\boldsymbol{e}} }}+ K{\dot {\hat {\boldsymbol{e}}}} + K\hat {\boldsymbol{e}} = {\boldsymbol{0}}$$ 易知随着
$t \to \infty $ ,$\hat {\boldsymbol{e}}$ 指数收敛到0. 此外,$\hat {\boldsymbol{e}}$ 满足:$$\hat {\boldsymbol{e}} = \dfrac{1}{n}\sum\limits_{i \in {{N}}} {({{\boldsymbol{r}}_0} - {{{\boldsymbol{r}}'}_i})} = \dfrac{1}{n}\sum\limits_{i \in {{N}}} {({{\boldsymbol{r}}_0} - {{\boldsymbol{r}}_i} - {\boldsymbol{\tau}} ({\theta _i})\delta )} $$ 化简后取模得:
$$\left\| {{{\boldsymbol{r}}_0} - \bar {\boldsymbol{r}}} \right\| \le \left\| {\hat {\boldsymbol{e}}} \right\| + \dfrac{\delta }{n}\left\| {\sum\limits_{i \in {{N}}} {{\boldsymbol{\tau}} ({\theta _i})} } \right\| = \left\| {\hat {\boldsymbol{e}}} \right\| + \delta $$ 随着
$t \to \infty $ ,$\hat {\boldsymbol{e}}$ 指数收敛到0, 易知${{\boldsymbol{r}}_0}$ 指数收敛到集合${{\cal{C}}_1}({\boldsymbol{r}}) = \{ {\boldsymbol{r}}:\left\| {{\boldsymbol{r}} - \bar {\boldsymbol{r}}} \right\| \le \delta \}.$ 此外, 由引理 1知$\bar {\boldsymbol{r}}$ 是凸包${\boldsymbol{{{co}}}}({\boldsymbol{r}})$ 的内点, 故存在以$\bar {\boldsymbol{r}}$ 为内点的邻域${{\cal{C}}_2}({\boldsymbol{r}}) = \{ {\boldsymbol{r}}:\left\| {{\boldsymbol{r}} - \bar {\boldsymbol{r}}} \right\| \le \bar \delta \}$ , 使得${{\cal{C}}_2}({\boldsymbol{r}}) \subseteq {\boldsymbol{co}}({\boldsymbol{r}}).$ 如果$\delta $ 选取的足够小, 使得$\delta < \bar \delta $ 成立, 则有${{\cal{C}}_1}({\boldsymbol{r}}) \subseteq {{\cal{C}}_2}({\boldsymbol{r}}) \subseteq $ $ {\boldsymbol{co}}({\boldsymbol{r}})$ . 结果表明${{\boldsymbol{r}}_0} \in {\boldsymbol{co}}({\boldsymbol{r}}{\rm{)}} \Rightarrow$ ${\rm{li}}{{\rm{m}}_{t \to \infty }} {P_{{{\boldsymbol{r}}_0}}}({\boldsymbol{r}}) = 0$ . 性质1)得证.为证明性质2), 首先定义如下能量函数
$$ \begin{split} V({\boldsymbol{x}}) =\;& \dfrac{1}{2}\sum\limits_{i \in {{N}}} {\sum\limits_{j \in {{\cal{{N}}}_i}} {\int_{\left\| {{{\boldsymbol{e}}_{ij}}} \right\|}^{{\mu _1}} {\beta ({{\boldsymbol{e}}_i},\;{{\boldsymbol{e}}_j}){\rm{d}}{{\boldsymbol{e}}_{ij}}} } }\; + \\ & \dfrac{1}{2}\sum\limits_{i \in {{N}}} {{\boldsymbol{e}}_i^{\rm{T}}K{{\boldsymbol{e}}_i}} + \dfrac{1}{2}\sum\limits_{i \in {{N}}} {{{\left\| {{{\boldsymbol{v}}_i} - {{\boldsymbol{v}}_0}} \right\|}^2}} \end{split} $$ (11) 显然
$V({\boldsymbol{x}}) \ge 0.$ 计算易知$V({\boldsymbol{x}})$ 相对${{\boldsymbol{e}}_i}$ 和${{\boldsymbol{v}}_i}$ 的偏微分如下:$$\begin{split} \dfrac{{\partial V({\boldsymbol{x}})}}{{\partial {\boldsymbol{e}}_i^{\rm{T}}}} =& {\left( { - \sum\limits_{j \in {{\cal{N}}_i}} {\beta ({{\boldsymbol{e}}_i},\;{{\boldsymbol{e}}_j})\dfrac{{{{\boldsymbol{e}}_{ij}}}}{{\left\| {{{\boldsymbol{e}}_{ij}}} \right\|}}} + K{{\boldsymbol{e}}_i}} \right)^{\rm{T}}}= \\ & {\left( { - {{\boldsymbol{\phi}} _i} + K{{\boldsymbol{e}}_i}} \right)^{\rm{T}}} \\ &\dfrac{{\partial V({\boldsymbol{x}})}}{{\partial {\boldsymbol{v}}_i^{\rm{T}}}} = {\left( {{{\boldsymbol{v}}_i} - {{\boldsymbol{v}}_0}} \right)^{\rm{T}}} \end{split} $$ 将
$V({\boldsymbol{x}})$ 沿着系统(7)、(8)的轨线求导可得$$ \begin{split} \dfrac{{{\rm{d}}V({{{\boldsymbol{x}}}})}}{{{\rm{d}}t}} =& \sum\limits_{i \in {{N}}} {\dfrac{{\partial V({\boldsymbol{{{x}}}})}}{{\partial {\boldsymbol{e}}_i^{\rm{T}}}}} {{\dot {\boldsymbol{e}}}_i} + \sum\limits_{i \in {{N}}} {\dfrac{{\partial V({\boldsymbol{{\boldsymbol{x}}}})}}{{\partial {\boldsymbol{v}}_i^{\rm{T}}}}{{\dot {\boldsymbol{v}}}_i}}= \\ &\sum\limits_{i \in {{N}}} {{{\left( { - {{\boldsymbol{\phi}} _i} + K{{\boldsymbol{e}}_i}} \right)}^{\rm{T}}}} {{\dot {\boldsymbol{e}}}_i} + \sum\limits_{i \in {{N}}} {{{\left( {{{\boldsymbol{v}}_i} - {{\boldsymbol{v}}_0}} \right)}^{\rm{T}}}{{\dot {\boldsymbol{v}}}_i}}= \\ & \sum\limits_{i \in {{N}}} {{{\left( { - {{\boldsymbol{\phi}} _i} + K{{\boldsymbol{e}}_i}} \right)}^{\rm{T}}}} ({{\boldsymbol{\phi}} _i} - K{{\boldsymbol{e}}_i} - {{\boldsymbol{v}}_i} + {{\boldsymbol{v}}_0})\; +\\ & \sum\limits_{i \in {{N}}} {{{\left( {{{\boldsymbol{v}}_i} - {{\boldsymbol{v}}_0}} \right)}^{\rm{T}}}(K{{\boldsymbol{e}}_i} - {{\boldsymbol{\phi}} _i})} = \\ &-\sum\limits_{i \in {{N}}} {{{\left\| { - K{{\boldsymbol{e}}_i} + {{\boldsymbol{\phi}} _i}} \right\|}^2}} \le 0 \\[-20pt] \end{split} $$ (12) 上式表明
$V({\boldsymbol{x}})$ 是非增函数. 由式(11)可知$$\begin{split} &\int_{\left\| {{{\boldsymbol{e}}_{ij}}} \right\|}^{{\mu _1}} {\beta ({{\boldsymbol{e}}_i},\;{{\boldsymbol{e}}_j}){\rm{d}}{{\boldsymbol{e}}_{ij}}} \le V({\boldsymbol{x}}(t)) = \\ & \qquad V({\boldsymbol{x}}(0)) + \int_0^t {\frac{{{\rm{d}}V({\boldsymbol{x}}(t))}}{{{\rm{d}}t}}} \le V({\boldsymbol{x}}(0)) < \infty \\ \end{split} $$ 上式积分的有界性表明
$\left\| {{{\boldsymbol{e}}_{ij}}(t)} \right\| > {d_1},\;\forall i \ne j \in {{N}}$ . 再由${d_1} = d + 2\delta$ 和${{\boldsymbol{r}}_{ij}}(t) \ge {{\boldsymbol{e}}_{ij}}(t) - 2\delta$ 易知$\left\| {{{\boldsymbol{r}}_{ij}}(t)} \right\| > $ $ d,\; \forall i \ne j \in {{N}}$ . 性质2)得证.接下来, 分三步证明性质3).
第1步:
$\left| {{{\boldsymbol{e}}_i}} \right|$ 的有界性. 由能量函数$V({\boldsymbol{x}})$ 的非增性和非负性可知$V({\boldsymbol{x}}) \in {{\cal{L}}_\infty } \Rightarrow \left| {{{\boldsymbol{e}}_i}} \right| \in {{\cal{L}}_\infty },$ 因此$$ \exists M > 0,\;\forall t \ge 0,\;\left| {{{\boldsymbol{e}}_i}(t)} \right|\;{\underline \prec} \;{\left[ {M,\;M} \right]^{\rm{T}}} $$ (13) 第2步:
${\dot {\boldsymbol{e}}_i}$ 和${\ddot {\boldsymbol{e}}_i}$ 的收敛性. 由式(7)、式(8)可知$$ {\dot {\boldsymbol{e}}_i} = {\dot {\boldsymbol{r}}_0} - {\dot {\boldsymbol{r}}_i}' = - {\dot {\boldsymbol{v}}_i} - {{\boldsymbol{v}}_i} + {{\boldsymbol{v}}_0} $$ (14) 等式两边同时对时间求导可得
${\ddot {\boldsymbol{e}}_i} = - {\ddot {\boldsymbol{v}}_i} - {\dot {\boldsymbol{v}}_i}$ . 根据式(12)和不变集原理, 当$t \to \infty,$ 整个闭环系统的解会收敛到集合${{\Omega }} = \{ ({{\boldsymbol{e}}_1},\;{{\boldsymbol{e}}_2}, \cdots ,\;{{\boldsymbol{e}}_n}): - K{{\boldsymbol{e}}_i}\; + $ $ {{\boldsymbol{\phi}} _i} = {\boldsymbol{0}},\;\forall i \in {{N}}\},$ 因此可得${\rm{li}}{{\rm{m}}_{t \to \infty }}{\dot {\boldsymbol{v}}_i}(t) = {\boldsymbol{0}}$ . 再根据${\ddot {\boldsymbol{v}}_i}$ 的一致连续性及Barbalat引理[21]可得${\rm{li}}{{\rm{m}}_{t \to \infty }}{\ddot {\boldsymbol{v}}_i}(t) = $ $ {\boldsymbol{0}}.$ 因此可得${\rm{li}}{{\rm{m}}_{t \to \infty }}{\ddot {\boldsymbol{e}}_i}(t) = {\boldsymbol{0}}.$ 接下来使用反证法证明
${\rm{li}}{{\rm{m}}_{t \to \infty }}{\dot {\boldsymbol{e}}_i}(t) = {\boldsymbol{0}}$ . 假设此结论不成立, 则存在$\sigma > 0$ , 使得对任意的${T_2} > 0$ $$ \begin{split} &\;\exists {T_1} > {T_2}\\&\qquad{\rm{ }}\left| {{{\dot {\boldsymbol{e}}}_i}({T_1})} \right| \; \underline \succ \; {\left[ {\sigma ,\;0} \right]^{\rm{T}}}{\rm{ }}\;{\text{or}} \\ \;&\qquad\left| {{{\dot {\boldsymbol{e}}}_i}({T_1})} \right|\; \underline \succ \; {\left[ {0,\;\sigma } \right]^{\rm{T}}}\; \end{split} $$ (15) 选取一个正数
$\varepsilon < {\sigma ^2}/(8M),$ 因为${\ddot {\boldsymbol{e}}_i}\left( t \right)$ 满足${\rm{li}}{{\rm{m}}_{t \to \infty }}\ddot {\boldsymbol{e}}(t) = {\boldsymbol{0}},$ 则可选${T_2}$ 使得$$ \left| {{{\ddot {\boldsymbol{e}}}_i}({T_1})} \right| \prec {\left[ {\varepsilon ,\;\varepsilon } \right]^{\rm{T}}},\;{\rm{ }}\forall t \ge {T_2} $$ (16) 由式(15)和式(16)可知
$$\begin{split} &\;\forall t \in \left[{T_1},\;{T_1} + \frac{\sigma}{2\varepsilon }\right]\\ &\left| {{{\dot {\boldsymbol{e}}}_i}(t)} \right| \;\underline \succ \; \left| {{{\dot {\boldsymbol{e}}}_i}({T_1})} \right| - \int_{{T_1}}^{{T_1} + \dfrac{\sigma }{{2\varepsilon }}} {\left| {{{\ddot {\boldsymbol{e}}}_i}(t)} \right|} {\rm{ }}{\rm{d}}t\succ \\ & \left| {{{\dot {\boldsymbol{e}}}_i}({T_1})} \right| - \dfrac{\sigma }{{2\varepsilon }} \times \left[ \begin{array}{l} \varepsilon \\ \varepsilon \end{array} \right] \; \underline \succ \; {\left[ {\dfrac{\sigma }{2},\; - \frac{\sigma }{2}} \right]^{\rm{T}}}{\text{or}} {\left[ { - \dfrac{\sigma }{2},\;\frac{\sigma }{2}} \right]^{\rm{T}}} \end{split}$$ 接下来考虑以下情况可能发生的矛盾(另一种情况证明方法类似):
$$\left| {{{\dot {\boldsymbol{e}}}_i}(t)} \right| \succ {\left[ {\dfrac{\sigma }{2},\; - \dfrac{\sigma }{2}} \right]^{\rm{T}}},\;\forall t \in \left[ {{T_1},\;{T_1} + \frac{\sigma} {2\varepsilon }} \right]$$ 为表述方便, 以下式(17) ~ 式(19)中的变量代表相应原始向量的第一个元素. 由
$\left| {{{\dot {\boldsymbol{e}}}_i}(t)} \right|$ 的连续性可知$$\begin{split} &\forall t \in \left[{T_1},\;{T_1} + \frac{\sigma}{2\varepsilon }\right]\\ &{\dot{\boldsymbol{ e}}_i}(t) > \dfrac{\sigma }{2}\;{\rm{or}}\;{\dot {\boldsymbol{e}}_i}(t) < - \dfrac{\sigma }{2} \end{split} $$ (17) 上式表明
${\dot {\boldsymbol{e}}_i}(t)$ 在时间段$[{T_1},\;{T_1} + \sigma /(2\varepsilon )]$ 内可以保证符号的一致性, 因此$$ \begin{split} &\left| {{{\boldsymbol{e}}_i}\left( {{T_1} + \dfrac{\sigma }{{2\varepsilon }}} \right) - {{\boldsymbol{e}}_i}\left( {{T_1}} \right)} \right| = \left| {\int_{{T_1}}^{{T_1} + \dfrac{\sigma }{{2\varepsilon }}} {{{\dot {\boldsymbol{e}}}_i}\left( t \right){\rm{d}}t} } \right| =\\[-7pt] & \qquad\int_{{T_1}}^{{T_1} + \dfrac{\sigma }{{2\varepsilon }}} {\left| {{{\dot {\boldsymbol{e}}}_i}\left( t \right)} \right|{\rm{d}}t} > \dfrac{\sigma }{{2\varepsilon }} \times \dfrac{\sigma }{2} > 2M \\[-15pt] \end{split} $$ (18) 另一方面, 由式(13)易得
$$ \begin{split} & {\rm{ }} \left| {{{\boldsymbol{e}}_i}\left( {{T_1} + \frac{\sigma }{{2\varepsilon }}} \right) - {{\boldsymbol{e}}_i}\left( {{T_1}} \right)} \right| \le \\ & \qquad\left| {{{\boldsymbol{e}}_i}\left( {{T_1} + \frac{\sigma }{{2\varepsilon }}} \right)} \right| + \left| {{{\boldsymbol{e}}_i}\left( {{T_1}} \right)} \right| \le 2M \end{split} $$ (19) 式(19)和式(18)矛盾, 假设不成立, 故有
${\rm{li}}{{\rm{m}}_{t \to \infty }} $ $ {\dot {\boldsymbol{e}}_i}(t) = {\boldsymbol{0}}$ .第3步:
${{\boldsymbol{v}}_i}$ 的收敛性. 由${\rm{li}}{{\rm{m}}_{t \to \infty }}{\dot {\boldsymbol{e}}_i}(t) = {\boldsymbol{0}}$ ,${\rm{li}}{{\rm{m}}_{t \to \infty }} $ $ {\dot {\boldsymbol{v}}_i}(t) = {\boldsymbol{0}}$ 和式(14), 易知${\rm{li}}{{\rm{m}}_{t \to \infty }}{{\boldsymbol{v}}_i}(t) = {{\boldsymbol{v}}_0}.$ 由上述分析可知, 控制器可以实现多移动机器人对移动目标的包围控制, 但并未考虑包围控制过程中移动机器人方位角的稳定性. 从实际应用考虑, 移动机器人方位角的稳定性对包围控制的效果有重要意义.
当闭环系统实现性质1) ~ 3)时, 由控制器(8)可知
${{\boldsymbol{u}}_i} = {Q^{ - 1}}R^{-1}{({\theta _i})}{{\boldsymbol{v}}_0},$ 其元素形式为:$$\begin{split} \left[ \begin{array}{l} {u_i} \\ {\omega _i} \\ \end{array} \right] = & {{\left[ \begin{matrix} 1 & 0 \\ 0 & \delta \\ \end{matrix} \right]}^{-1}}\left[ \begin{array}{c} \begin{array}{*{20}{c}} {\cos {\theta _i}}&\;\;\;{\sin {\theta _i}} \end{array} \\ \begin{array}{*{20}{c}} { - \sin {\theta _i}}&{\cos {\theta _i}} \end{array} \\ \end{array} \right]\left[ \begin{array}{c} {v_{0x}} \\ {v_{0y}} \\ \end{array} \right]= \\ & \left[ \begin{array}{c} {v_{0x}}\cos {\theta _i} + {v_{0y}}\sin {\theta _i} \\ \dfrac{1}{\delta }( - {v_{0x}}\sin {\theta _i} + {v_{0y}}\cos {\theta _i}) \\ \end{array} \right]= \\ & \left[ \begin{array}{c} \left\| {{{\boldsymbol{v}}_0}} \right\|\cos {\theta _0}\cos {\theta _i} + \left\| {{{\boldsymbol{v}}_0}} \right\|\sin {\theta _0}\sin {\theta _i} \\ - \dfrac{1}{\delta }(\left\| {{{\boldsymbol{v}}_0}} \right\|\cos {\theta _0}\sin {\theta _i} - \left\| {{{\boldsymbol{v}}_0}} \right\|\cos {\theta _0}\cos {\theta _i}) \\ \end{array} \right] = \\ & \left[ \begin{array}{c} \left\| {{{\boldsymbol{v}}_0}} \right\|\cos ({\theta _i} - {\theta _0}) \\ -\dfrac{{\left\| {{{\boldsymbol{v}}_0}} \right\|}}{\delta }\sin ({\theta _i} - {\theta _0}) \\ \end{array} \right] \end{split} $$ 式中,
${{\boldsymbol{v}}_0} = {[{v_{0x}},\;{v_{0y}}]^{^{\rm{T}}}}$ ,${\theta _0} = \arctan ({v_{0x}}/{v_{0y}})$ 代表目标的移动方向. 结合${\dot \theta _i} = {\omega _i}$ 可知机器人方位角满足以下动态方程$$ {\dot \theta _i} = f({\theta _i}) = - \dfrac{{\left\| {{{\boldsymbol{v}}_0}} \right\|}}{\delta }\sin ({\theta _i} - {\theta _0}) $$ (20) 定义能量函数
$V({\theta _i}) = 1 - \cos ({\theta _i} - {\theta _0}) \in {{\cal{L}}_\infty }$ . 该函数对时间求导可得$$\begin{split} \dot V({\theta _i}) =\; &\dfrac{{\partial V({\theta _i})}}{{\partial {\theta _i}}}f({\theta _i}) =\\ &-\dfrac{{\left\| {{{\boldsymbol{v}}_0}} \right\|}}{\delta }{\sin ^2}({\theta _i} - {\theta _0}) \le 0 \end{split} $$ 根据
$\dot V({\theta _i})$ 的一致连续性和Barbalat引理[21]可知,${\theta _i}$ 收敛到集合$\{ {\theta ^{{e_1}}}:{\theta ^{{e_1}}} = {\theta _0}+2k\pi ,\;\forall k \in \mathbb{\bf{Z}}\}$ 或$\{ {\theta ^{{e_2}}}: $ $ {\theta ^{{e_2}}} = {\theta _0} + (2k + 1)\pi ,\;\forall k \in \mathbb{\bf{Z}}\}$ .${\theta ^{{e_1}}}$ 表示机器人的方位角和移动目标方向一致,${\theta ^{{e_2}}}$ 表示两者方向相反. 令${\tilde \theta _{i,1}} = {\theta _i} - {\theta ^{{e_1}}}$ ,${\tilde \theta _{i,2}} = {\theta _i} - {\theta ^{{e_2}}}$ . 采用局部线性化可知,式(20)在${\theta ^{{e_1}}}$ 附近有$$\begin{split} {{\dot{ \tilde \theta} }_{i,1}} =& \left. {\dfrac{{{\rm{d}}f({\theta _i})}}{{{\rm{d}}{\theta _i}}}} \right|_{{\theta _i} = \theta ^{{e_{{1}}}} }{{\tilde \theta }_{i,1}} =\\ &-{\left. { \dfrac{{\left\| {{{\boldsymbol{v}}_0}} \right\|}}{\delta }\cos ({\theta _i} - {\theta _0})} \right|_{{\theta _i} = {\theta ^{{e_{{1}}}}} }}{{\tilde \theta }_{i,1}} = - \dfrac{{\left\| {{{\boldsymbol{v}}_0}} \right\|}}{\delta }{{\tilde \theta }_{i,1}} \\ \end{split} $$ 即
$\delta {{\dot {\tilde \theta}} _{i,1}} + \left\| {{{\boldsymbol{v}}_0}} \right\|{\tilde \theta _{i,1}} = 0$ , 同理可得式(20)在${\theta ^{{e_2}}}$ 附近有$\delta {{\dot {\tilde \theta}} _{i,2}} - \left\| {{{\boldsymbol{v}}_0}} \right\|{\tilde \theta _{i,2}} = 0.$ 因此${\theta ^{{e_1}}}$ 是稳定的平衡点, 而${\theta ^{{e_2}}}$ 是不稳定的平衡点. 故机器人方位角满足${\lim _{t \to \infty }}\theta (t) = {\theta ^{{e_1}}},$ 表明机器人方位角会渐近收敛到目标的移动方向. □注 1. 当控制器(8)实现闭环系统性质1) ~ 3)且方位角满足
${\rm{li}}{{\rm{m}}_{t \to \infty }}{\theta _i}(t) = {\theta ^{{e_1}}}$ 时, 由式(8)可知机器人线速度${u_i}$ 满足$${\rm{li}}{{\rm{m}}_{t \to \infty }}{u_i}(t) = {\rm{li}}{{\rm{m}}_{t \to \infty }}\left\| {{{\boldsymbol{v}}_0}} \right\|\cos ({\theta _i}(t) - {\theta _0}) = \left\| {{{\boldsymbol{v}}_0}} \right\|$$ 代入式(1)得, 机器人在世界坐标系下的速度满足
${\rm{li}}{{\rm{m}}_{t \to \infty }}{\dot {\boldsymbol{r}}_i}(t) = \left\| {{{\boldsymbol{v}}_0}} \right\|{[\cos {\theta _0},\;\sin {\theta _0}]^{^{\rm{T}}}} = {{\boldsymbol{v}}_0}$ , 表明当$t \to \infty $ 时, 移动机器人的速度渐近收敛到移动目标速度.注 2. 尽管本文设计的多移动机器人系统的协同包围控制器针对的是以未知常速运动的移动目标, 但该控制器亦适用于静止目标. 因为静止目标的速度一直保持为0, 亦属于特殊的“未知常速运动”的移动目标. 针对静止目标, 控制器(8)可以保证闭环系统满足性质1) ~ 3), 同时实现机器人位置和方位角的收敛. 但和一般未知常速移动目标(即速度不为0的常速移动目标)相比, 静止目标没有移动方向的概念, 也可认为静止目标的移动方向是任意的. 对于静止目标的协同包围任务, 本文的控制器不保证机器人的方位角最终会收敛到什么方向.
3. 数值仿真
本节以5个移动机器人为例, 验证控制器的有效性. 给定机器人的初始位置
${{\boldsymbol{r}}_i}(0) = 20 [\cos (2 (i - 1) $ $ \pi /5),\;\sin (2(i - 1)\pi /5)]^{\rm{T}},$ $i \in \{ 1,\,2,\,3,\,4,\,5\};$ 初始方位角${\theta _1}(0) = {\theta _2}(0) =0$ ,$ {\theta _3}(0) = {\pi / 2}$ ,${\theta _4}(0) = {{2\pi } / 3}$ ,${\theta _5}(0) = $ $ \pi$ . 移动目标的初始位置${{\boldsymbol{r}}_0}(0) = {[0,\; - 40]^{\rm{T}}},$ 移动速度${{\boldsymbol{v}}_0} = {[3,\;1]^{\rm{T}}}.$ 给定控制器参数$K = {\rm{diag}} \left\{ {0}{.5,0}{.5} \right\}$ 以及$(\delta ,\mu ,d) = (0.1,25,15)$ .图2绘制了目标包围控制中多移动机器人的运动轨迹. 其中浅蓝色虚线表示目标的运动轨迹, 多边形表示移动机器人在
$t = \{ 0,15,30,45,60\} {\rm{s}}$ 时刻所构成的凸多边形, 箭头表示机器人在相应时刻的位置和方位角. 平均位置误差$\hat {\boldsymbol{e}}$ 随时间变化的曲线如图3所示, 由图3可知随时间变化$\hat {\boldsymbol{e}}$ 会收敛到0. 结合第2节收敛性分析可知, 目标包围控制的性质1)能够实现. 任意两个机器人之间的相对距离变化如图4所示. 由图4易知, 机器人间的相对距离始终保持$\left\| {{{\boldsymbol{r}}_{ij}}(t)} \right\| > d,\; i \ne j \in {{N}}$ , 因此整个目标包围控制可以保证障碍规避.
图 2 目标包围控制中多移动机器人的轨迹Fig. 2 Trajectories of multiple mobile robots during target fencing control
图 4 机器人$i$ 和$j$ 之间的相对距离Fig. 4 Time evolution of the relative distance between robot$i$ and robot$j$ 此外, 速度估计曲线随时间变化如图5所示, 由图5可知速度估计会渐近收敛到目标速度, 即
${\rm{li}}{{\rm{m}}_{t \to \infty }}{{\boldsymbol{v}}_i}(t) = {{\boldsymbol{v}}_0}.$ 图6绘制了机器人在世界坐标系下的速度随时间变化曲线, 由图6可知该速度渐近收敛到目标速度. 图7绘制了机器人的方位角随时间变化的曲线, 由图7易知所有机器人的方位角都可渐近收敛到目标的移动方向.4. 结论
本文研究了非完整约束下多移动机器人系统的移动目标包围控制问题. 控制器基于输出反馈线性化方法, 并且无需事先指定包围队形. 基于Lyapunov稳定性理论对整个闭环系统作了严格的收敛性分析. 仿真结果验证了该控制器可以实现指数包围控制、机器人间的障碍规避、对移动目标未知速度的有效估计以及机器人的方位角能够渐近收敛到目标的移动方向.
-
表 1 实验数据集
Table 1 The data sets used in the experiments
序号 数据集 特征数 样本数 类别数 1 Iris 4 150 3 2 Immunotherapy 8 90 2 3 Tic-Tac-Toe 9 958 2 4 Wine 13 178 3 5 Zoo 17 101 7 6 Hepatitis 19 155 2 7 Forest Types 27 326 4 8 Dermatology 33 366 6 9 Ionosphere 34 351 2 10 Divorce Predictors 54 170 2 11 Urban Land Cover 148 168 9 12 SCADI 206 70 7 13 Arrhythmia 279 452 16 14 LSVT Voice Rehabilitation 309 126 2 15 Detect Malacious Executable (AntiVirus) 513 373 2 16 Parkinson＇s Disease 754 756 2 
下载: 导出CSV
表 2 对比算法的参数
Table 2 Parameters of the compared algorithms
算法 参数 设定值 STOA-GA 控制变量${C_f}$ 2 随机变量${C_B}$ [0, 0.5] 螺旋常数$u,v$ 1 交叉概率$Pc$ 0.95 变异概率$Pm$ 0.05 STOA[29] 控制变量${C_f}$ 2 随机变量${C_B}$ [0, 0.5] 螺旋常数$u,v$ 1 GA[32] 交叉概率$Pc$ 0.95 变异概率$Pm$ 0.05 PSO[15] 学习因子${c_1},{c_2}$ 1.5 权重因子$\omega $ 0.75 速度$v$ [0, 1] 常数${\rm{a}}$ 2 SHO[16] 控制因子$h$ [0, 5] 随机向量$M$ [0.5, 1] EPO[17] 移动参数$M$ 2 控制参数$f$ [2, 3] 控制参数$l$ [1.5, 2]
下载: 导出CSV
表 3 各算法运行时间平均值(s)
Table 3 The average time of each algorithm (s)
数据集 STOA-GA STOA GA PSO EPO SHO Iris 12.71 12.09 18.49 14.36 15.28 14.41 Immunotherapy 7.09 6.95 13.89 7.52 10.23 9.22 Tic-Tac-Toe 169.67 169.29 180.41 171.52 181.08 189.53 Wine 40.23 39.67 50.34 39.67 48.81 51.26 Zoo 16.95 16.25 19.96 16.49 20.38 19.45 Hepatitis 22.90 22.48 26.62 24.51 28.24 27.51 Forest Types 120.54 120.35 122.63 115.57 120.82 119.60 Dermatology 97.69 93.76 120.28 97.74 117.21 115.87 Ionosphere 74.74 71.91 84.92 85.09 86.96 81.92 Divorce Predictors 29.17 27.26 45.24 32.63 42.41 32.87 Urban Land Cover 186.15 185.79 186.19 188.76 192.15 207.50 SCADI 45.54 42.27 61.18 58.72 61.47 61.06 Arrhythmia 4132.40 4286.94 5382.19 4802.38 4582.08 5129.23 LSVT Voice 110.32 104.39 110.07 105.10 103.71 102.43 Detect Malacious 151.86 109.94 466.58 837.45 664.20 829.48 Parkinson＇s Disease 138.06 135.02 149.29 145.62 146.73 144.75
下载: 导出CSV
表 4 各算法适应度函数平均值
Table 4 The average fitness of each algorithm
数据集 STOA-GA STOA GA PSO EPO SHO Iris 0.0138 0.0231 0.0637 0.1294 0.0277 0.0202 Immunotherapy 0.101 0.1431 0.2125 0.2129 0.2163 0.2172 Tic-Tac-Toe 0.004 0.1731 0.3477 0.2305 0.0118 0.2164 Wine 0.0282 0.0593 0.4352 0.2945 0.2925 0.2849 Zoo 0.0131 0.0563 0.1292 0.0744 0.0351 0.1767 Hepatitis 0.2551 0.3123 0.4532 0.4156 0.4174 0.2549 Forest Types 0.1256 0.1953 0.5817 0.5841 0.2799 0.1742 Dermatology 0.0221 0.0384 0.4647 0.0367 0.0614 0.6913 Ionosphere 0.0334 0.0681 0.3547 0.3508 0.0505 0.3561 Divorce Predictors 0.0113 0.0226 0.2088 0.0262 0.0226 0.3269 Urban Land Cover 0.3012 0.4443 0.5807 0.8244 0.6257 0.6422 SCADI 0.1316 0.1607 0.4573 0.1607 0.1647 0.5844 Arrhythmia 0.2564 0.2603 0.2801 0.2699 0.2766 0.2823 LSVT Voice 0.3349 0.3350 0.3357 0.3349 0.3352 0.3352 Detect Malacious 0.0048 0.0104 0.1777 0.0129 0.0124 0.1855 Parkinson＇s Disease 0.2628 0.2838 0.3936 0.4676 0.2817 0.2872
下载: 导出CSV
表 5 各算法适应度函数标准差
Table 5 The standard deviation of fitness of each algorithm
数据集 STOA-GA STOA GA PSO EPO SHO Iris 0.0042 0.0067 0.0322 0.1 0.0067 0.0089 Immunotherapy 0.0206 0.1031 0.1821 0.2032 0.1988 0.0976 Tic-Tac-Toe 0.0067 0.0127 0.0148 0.0286 0.0174 0.0053 Wine 0.0101 0.0153 0.0218 0.0279 0.0101 0.0129 Zoo 0.0077 0.01 0.0272 0.0301 0.0089 0.0103 Hepatitis 0.0288 0.0429 0.2157 0.2891 0.1038 0.0302 Forest Types 0.0177 0.0282 0.0139 0 0.0234 0.0356 Dermatology 0.0133 0.0211 0.3036 0.0167 0.0314 0.3781 Ionosphere 0 0.0038 0.0287 0.0107 0.0183 0.0046 Divorce Predictors 0.0067 0.0133 0.1367 0.0083 0.0087 0.1492 Urban Land Cover 0.1044 0.1253 0.2517 0.1021 0.2089 0.2182 SCADI 0.0681 0.1372 0.1879 0.0706 0.1041 0.1645 Arrhythmia 0.1267 0.1146 0.1028 0.1382 0.1256 0.1474 LSVT Voice 0.0010 0 0.0012 0 0.0017 0.0039 Detect Malacious 0 0.0024 0.0147 0.0037 0 0.0183 Parkinson＇s Disease 0.0923 0.1032 0.1373 0.2104 0.1342 0.1567
下载: 导出CSV
表 6 各算法特异性(%)
Table 6 The specificity of each algorithm (%)
数据集 DT NB KNN SVM 本文方法 Ionosphere 89.64 79.67 96.03 93.84 97.67 Tic-Tac-Toe 90.56 84.32 99.43 98.54 100 Hepatitis 72.17 60.51 78.34 74.23 77.34 Immunotherapy 80.89 76.55 86.56 84.99 90.76 Divorce Predictors 91.32 85.33 98.76 93.67 100
下载: 导出CSV
表 8 各算法精确度(%)
Table 8 The accuracy of each algorithm (%)
数据集 DT NB KNN SVM 本文方法 Ionosphere 89.23 78.15 93.47 92.18 96.87 Tic-Tac-Toe 89.63 83.92 97.14 95.26 100 Hepatitis 72.04 57.43 77.54 72.31 75.19 Immunotherapy 79.65 74.69 85.71 82.97 90.00 Divorce Predictors 90.18 84.22 97.91 92.36 100
下载: 导出CSV
表 7 各算法敏感性(%)
Table 7 The sensitivity of each algorithm (%)
数据集 DT NB KNN SVM 本文方法 Ionosphere 88.67 76.37 91.78 90.13 95.48 Tic-Tac-Toe 87.13 83.67 95.43 93.27 99.54 Hepatitis 71.96 55.82 76.71 69.38 73.11 Immunotherapy 79.34 73.13 84.52 80.26 89.05 Divorce Predictors 89.03 84.01 95.39 91.67 98.75
下载: 导出CSV
表 9 乳腺癌数据集特征信息
Table 9 The breast cancer data set feature information
序号 英文简称 说明 1 Age 年龄, [10, 99]岁, 每10岁为1个区间, 共9个区间 2 Menopause 绝经期, 分为未绝经、40岁之后绝经、40岁之前绝经 3 Tumor-size 肿瘤大小, [0, 59]mm, 每5为1个区间, 共12个区间 4 Inv-nodes 淋巴结个数, [0, 39], 每3个为1个区间, 共13个区间 5 Node-caps 结节冒有无 6 Deg-malig 肿瘤恶性程度, 分为1、2、3三种, 3恶性程度最高 7 Breast 分为左和右两部分 8 Breast-quad 分为左上、左下、右上、右下4个区域 9 Irradiat 是否有放射性治疗经历
下载: 导出CSV
表 10 STOA-GA算法的10次实验运行结果
Table 10 The results of 10 experiments of STOA-GA
序号 分类准确
率 (%)选择特征
个数适应度值 时间 (s) 特异性
(%)敏感性
(%)1 97.62 5 0.0291 64.08 97.87 96.83 2 97.56 4 0.0286 63.83 97.75 96.12 3 96.74 5 0.0378 35.57 97.98 91.53 4 97.48 5 0.0305 64.15 98.64 96.05 5 98.21 4 0.0222 62.09 98.51 97.66 6 97.56 4 0.0286 60.49 97.87 96.83 7 97.66 5 0.0287 64.71 97.80 97.45 8 97.98 4 0.0244 62.01 98.03 97.89 9 96.28 5 0.0424 64.71 98.37 91.31 10 98.03 4 0.0239 68.29 98.37 97.76
下载: 导出CSV
表 11 10次实验均入选的特征
Table 11 The selected feature of 10 experiments
序号 特征 3 肿瘤大小 4 淋巴结个数 5 结节冒有无 6 肿瘤恶性程度
下载: 导出CSV
-
[1] 于洪, 何德牛, 王国胤, 李劼, 谢永芳. 大数据智能决策. 自动化学报, 2020, 46(5): 878-896YU Hong, HE De-Niu, WANG Guo-Yin, LI Jie, XIE Yong-Fang. Big Data for Intelligent Decision Making. Acta Automatica Sinica, 2020, 46(5): 878-896 [2] 贾涛, 韩萌, 王少峰, 杜诗语, 申明尧. 数据流决策树分类方法综述. 南京师大学报(自然科学版), 2019, 42(04): 49-60Jia Tao, Han Meng, Wang Shao-Feng, Du Shi-Yu, Shen Ming-Yao. Survey of decision tree classification methods over data streams. Journal of Nanjing Normal University (Natural Science Edition), 2019, 42(04): 49-60 [3] 崔良中, 郭福亮, 宋建新. 基于Map/Reduce的朴素贝叶斯数据分类算法研究. 海军工程大学学报, 2019, 31(04): 7-10 doi: 10.7495/j.issn.1009-3486.2019.04.002Cui Liang-Zhong, Guo Fu-Liang, Song Jian-Xin. Research on native Bayesian data classification algorithm based on Map/Reduce. Journal of Naval University of Engineering, 2019, 31(04): 7-10 doi: 10.7495/j.issn.1009-3486.2019.04.002 [4] 王景文, 李伟, 李永彬. 基于KNN的中医胃疼病患者分类研究 电脑与信息技术, 2019, 27(05): 40-43 doi: 10.3969/j.issn.1005-1228.2019.05.012Wang Jing-Wen, Li Wei, Li Yong-Bin. The research on classification of patients with stomachache in traditional Chinese medicine based on KNN. Computer and Information Technology, 2019, 27(05): 40-43 doi: 10.3969/j.issn.1005-1228.2019.05.012 [5] 丁世涛, 卢军, 洪鸿辉, 黄傲, 郭致远. 基于SVM的文本多选择分类系统的设计与实现. 计算机与数字工程, 2020, 48(01): 147-152 doi: 10.3969/j.issn.1672-9722.2020.01.027Ding Shi-Tao, Lu Jun, Hong Hong-Hui, Huang Ao, Guo Zhi-Yuan. Design and Implementation of Chinese web page multiple choice classification system based on support vector machine. Computer and Digital Engineering, 2020, 48(01): 147-152 doi: 10.3969/j.issn.1672-9722.2020.01.027 [6] Chapelle O, Vapnik V, Bousquet O, Mukherjee S. Choosing multiple parameters for support vector machines. Machine Learning, 2002, 46(1-3): 131-159 [7] 刘昌平, 范明钮, 王光卫, 马素丽. 基于梯度算法的支持向量机参数优化方法. 控制与决策. 2008, 23(11): 1291-1295 doi: 10.3321/j.issn:1001-0920.2008.11.019Liu Chang-Ping, Fan Ming-Yu, Wang Guang-Wei, Ma Su-Li. Optimizing parameters of support vector machine based on gradient algorithm. Contro l and Decision, 2008, 23(11): 1291-1295 doi: 10.3321/j.issn:1001-0920.2008.11.019 [8] 刘东平, 单甘霖, 张岐龙, 段修生. 基于改进遗传算法的支持向量机参数优化. 网络新媒体技术. 2010, 31(5): 11-15 doi: 10.3969/j.issn.2095-347X.2010.05.003Liu Dong-Ping, Shan Gan-Lin, Zhang Qi-Long, Duan Xiu-Sheng. Parameters optimization of support vector machine based on improved genetic algorithm. Microcomputer Applications, 2010, 31(5): 11-15 doi: 10.3969/j.issn.2095-347X.2010.05.003 [9] 王振武, 孙佳骏, 尹成峰. 改进粒子群算法优化的支持向量机及其应用. 哈尔滨工程大学学报, 2016, 37(12): 1728-1733Wang Zhen-Wu, Sun Jia-Jun, Yin Cheng-Feng. A support vector machine based on an improved particle swarm optimization algorithm and its application. Journal of Harbin Engineering University, 2016, 37(12): 1728-1733 [10] 石勇, 李佩佳, 汪华东. L2损失大规模线性非平行支持向量顺序回归模型. 自动化学报, 2019, 45(03): 505-517Shi Yong, Li Pei-Jia, Wang Hua-Dong. L2-loss large-scale linear nonparallel support vector ordinal regression. Acta Automatica Sinica, 2019, 45(03): 505-517 [11] Yu X, Chu Y, Jiang F, Guo Y, Gong D W. SVMs Classification Based Two-side Cross Domain Collaborative Filtering by inferring intrinsic user and item features. Knowledge-Based Systems, 2018, 141: 80-91 doi: 10.1016/j.knosys.2017.11.010 [12] Zhang Y, Gong D W, Cheng J. Multi-Objective Particle Swarm Optimization Approach for Cost-Based Feature Selection in Classification. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2017, 14(1): 64-75 doi: 10.1109/TCBB.2015.2476796 [13] Zhang Y, Song X F, Gong D W. A return-cost-based binary firefly algorithm for feature selection, Information Sciences, 2017, 418–419: 561-574 [14] 张文杰, 蒋烈辉. 一种基于遗传算法优化的大数据特征选择方法. 计算机应用研究, 2020, 37(01): 50-52+56Zhang Wen-Jie, Jiang Lie-Hui. Using genetic algorithm for feature selection optimization on big data processing. Application Research of Computers, 2020, 37(01): 50-52+56 [15] 李炜, 巢秀琴. 改进的粒子群算法优化的特征选择方法. 计算机科学与探索, 2019, 13(06): 990-1004Li Wei, Chao Xiu-Qin. Improved particle swarm optimization method for feature selection. Journal of Frontiers of Computer Science and Technology, 2019, 13(06): 990-1004 [16] Jia H M, Li J D, Song W L, Peng X X, Lang C B, Li Y. Spotted hyena optimization algorithm with simulated annealing for feature selection. IEEE ACCESS, 2019, 7: 71943-71962 doi: 10.1109/ACCESS.2019.2919991 [17] Baliarsingh S K, Ding W, Vipsita S, Bakshi S. A memetic algorithm using emperor penguin and social engineering optimization for medical data classification. Applied Soft Computing, 2019, 85: 1568-4946 [18] Zhang Y, Wang Q, Gong D W, Song X F. Nonnegative Laplacian embedding guided subspace learning for unsupervised feature selection. Pattern Recognition, 2019, 93: 337-352 doi: 10.1016/j.patcog.2019.04.020 [19] 齐子元, 房立清, 张英堂. 特征选择与支持向量机参数同步优化研究. 振动. 测试与诊断, 2010, 30(02): 111-114+205Qi Zi-Yuan, Fang Li-Qing, Zhang Ying-Tang, Synchro-Optimization of Feature Selection and Parameters of Support Vector Machine. Journal of Vibration, Measurement& Diagnosis, 2010, 30(02): 111-114+205 [20] 沈永良, 宋杰, 万志超. 基于改进烟花算法的SVM特征选择和参数优. 微电子学与计算机, 2018, 35(01): 21-25Shen Yong-Liang, Song Jie, Wan Zhi-Chao. Improved Fireworks Algorithm for Support Vector Machine Feature Selection and Parameters Optimization. Microelectronics & Computer, 2018, 35(01): 21-25 [21] Ibrahim A, Ala’ M A, Hossam F, Mohammad A H, Seyedali M, Heba S. Simultaneous feature selection and support vector machine optimization using the grasshopper optimization algorithm. Cognitive Computation, 2018, 10(3): 478-495 doi: 10.1007/s12559-017-9542-9 [22] 肖辉辉, 万常选, 段艳明, 谭黔林. 基于引力搜索机制的花朵授粉算法. 自动化学报, 2017, 43(4): 576-594Xiao Hui-Hui, Wan Chang-Xuan, Duan Yan-Ming, Tan Qian-Lin. Flower pollination algorithm based on gravity search mechanism. Acta Automatica Sinica, 2017, 43(4): 576-594 [23] Fraser A S. Simulation of Genetic Systems by Automatic Digital Computers Ⅱ. Effects of Linkage on Rates of Advance under Selection. Australian Journal of Biological Sciences, 1957, 10(4): 492-500 doi: 10.1071/BI9570492 [24] 马炫, 李星, 唐荣俊, 刘庆. 一种求解符号回归问题的粒子群优化算法. 自动化学报, 2020, 46(8): 1714-1726Ma Xuan, Li Xing, Tang Rong-Jun, Liu Qing. A particle swarm optimization approach for symbolic regression. Acta Automatica Sinica, 2020, 46(8): 1714-1726 [25] Mirjalili S, Lewis A. The whale optimization algorithm. Advances in Engineering Software, 2016, 95(1): 51-67 [26] Wolpert D H, Macready W G. No free lunch theorems for optimization. IEEE Trans on Evolutionary Computation, 1997, 1(1): 67-82 doi: 10.1109/4235.585893 [27] 唐晓娜, 张和生. 一种混合粒子群优化遗传算法的高分影像特征优化方法. 遥感信息, 2019, 34(06): 113-118 doi: 10.3969/j.issn.1000-3177.2019.06.018Tang Xiao-Na, Zhang He-Sheng. A hybrid particle swarm optimization genetic algorithm for high score image feature optimization. Remote Sensing Information, 2019, 34(06): 113-118 doi: 10.3969/j.issn.1000-3177.2019.06.018 [28] 卓雪雪, 苑红星, 朱苍璐, 钱鹏. 蚁群遗传混合算法在求解旅行商问题上的应用. 价值工程, 2020, 39(02): 188-193Zhuo Xue-Xue, Yuan Hong-Xing, Zhu Cang-Lu, Qian Peng. The application of ant colony and genetic hybrid algorithm on TSP. Value Engineering, 2020, 39(02): 188-193 [29] Dhiman G, Kaur A. STOA: A bio-inspired based optimization algorithm for industrial engineering problems. Engineering Applications of Artificial Intelligence, 2019, 82: 148-174 doi: 10.1016/j.engappai.2019.03.021 [30] Tamura K, Yasuda K. The Spiral Optimization Algorithm: Convergence Conditions and Settings. IEEE Transactions on Systems, Man & Cybernetics, 2017, 1−16 [31] Guo P, Wang X, Han Y. The enhanced genetic algorithms for the optimization design. In: Proceedings of the 2010 3rd International Conference on Biomedical Engineering and Informatics, Yantai, China: 2010. 2990−2994 [32] Junghans L, Darde N. Hybrid single objective genetic algorithm coupled with the simulated annealing optimization method for building optimization. Energy and Buildings, 2015, 86: 651-662 doi: 10.1016/j.enbuild.2014.10.039 [33] Jia H M, Li Y, Lang C B, Peng X X, Sun K J, Li J D. Hybrid grasshopper optimization algorithm and differential evolution for global optimization. Journal of Intelligent & Fuzzy Systems, 2019, 37(5): 1-12 [34] Cortes C, Vapnik V. Support-vector networks. Machine learning, 1995, 20: 273-297 [35] Cai Zhi-ling, Zhu W. Feature selection for multi-label classification using neighborhood preservation. IEEE/CAA Journal of Automatica Sinica, 2018, 5(1): 320-330 doi: 10.1109/JAS.2017.7510781 [36] Dash M, Liu H, Feature selection for classificarion. Intelligent Data Analysis, 1997, 1: 131-156. doi: 10.3233/IDA-1997-1302 [37] 孙亮, 韩崇昭, 沈建京, 戴宁. 集成特征选择的广义粗集方法与多分类器融合. 自动化学报, 2008, 34(3): 298-304Sun Liang, Han Chong-Zhao, Shen Jian-Jing, Dai Ning. Generalized rough set method for ensemble feature selection and multiple classifier fusion. Acta Automatica Sinica, 2008, 34(3): 298-304 [38] 林达坤, 黄世国, 林燕红, 洪铭淋. 基于差分进化和森林优化混合的特征选择. 小型微型计算机系统, 2019, 40(6): 1210-1214Lin Da-Kun, Huang Shi-Guo, Lin Yan-Hong, Hong Ming-Lin. Feature selection based on hybrid differential evolution and forest optimization. Journal of Chinese Computer Systems, 2019, 40(6): 1210-1214 [39] 丁胜, 张进, 李波. 改进的MEA进行特征选择及SVM参数同步优化. 计算机工程与应用, 2017, 53(08): 120-125+179Ding Sheng, Zhang Jin, Li Bo. Improved MEA for feature selection and SVM parameters optimization. Computer Engineering and Applications, 2017, 53(08): 120-125+179. [40] Blake C, UCI Repository of Machine Learning Databases. [Online], available: http://www.ics.uci.edu/?mlearn/MLRepository.html, July 5, 2020 [41] Emary E, Zawbaa H M, Hassanien A E. Binary ant lion approaches for feature selection, Neurocomputing, 2016, 213: 54-65 doi: 10.1016/j.neucom.2016.03.101 期刊类型引用(32)
1. 付华，许桐，邵靖宇. 基于水波进化和动态莱维飞行的爬行动物搜索算法. 控制与决策. 2024(01): 59-68 . 
百度学术2. 于淼，胡敬轩，张寿志，魏静静，孙建群，吴屹潇. 基于PMU梯度动态偏差的新型电力系统快速稳定性. 上海交通大学学报. 2024(01): 40-49 . 百度学术3. 张新英，李彬，吴媛媛. 针对恶意软件检测的特征选择与SVM协同优化. 计算机工程与设计. 2024(02): 467-476 . 百度学术4. 夏煌智，陈丽敏，毛雪迪，祁富. 嵌入翻筋斗策略的自适应秃鹰搜索算法及其应用. 计算机与现代化. 2024(02): 7-14 . 百度学术5. 杜一龙，贾鹤鸣，李政邦，张津瑞，卢程浩. 融合动态小孔成像的鲸鱼优化算法. 龙岩学院学报. 2024(02): 20-28 . 百度学术6. 宋美佳，贾鹤鸣，林志兴，刘庆鑫. 融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法. 智能系统学报. 2024(03): 738-748 . 百度学术7. 尚秋峰，郭家兴，黄达. 基于BS-1DCNN的海缆振动信号识别. 智能系统学报. 2024(04): 874-884 . 百度学术8. 丁鑫，郭云川，张长胜，钱斌，张家洪，胡蓉. 递进式融合多策略的改进哈里斯鹰优化算法. 小型微型计算机系统. 2024(09): 2126-2136 . 百度学术9. 孙珂琪，陈永峰. Lévy飞行的正余弦乌燕鸥混合算法及应用. 机械设计与制造. 2023(01): 212-217 . 百度学术10. 贾鹤鸣，刘庆鑫，刘宇翔，王爽，吴迪. 融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法. 智能系统学报. 2023(01): 104-116 . 百度学术11. 张家帅，蒋章雷，刘秀丽，吴国新. 基于STOA-VMD结合相关峭度及2.5维谱的行星齿轮箱磨损故障诊断. 北京信息科技大学学报(自然科学版). 2023(01): 56-61+69 . 百度学术12. 王国柱，周强，陈慧波. 多策略改进的乌燕鸥算法及应用. 机械设计与制造. 2023(03): 28-34 . 百度学术13. 李守玉，何庆. 改进海洋捕食者算法的特征选择. 计算机工程与应用. 2023(11): 168-179 . 百度学术14. 雒珊，李娟娟. Lévy飞行和热交换的混沌乌燕鸥算法及应用. 机械设计与制造. 2023(06): 20-26 . 百度学术15. 陈莎莎. 基于改进乌燕鸥算法的移动音乐机器人路径规划. 机械制造与自动化. 2023(03): 197-202 . 百度学术16. 贾鹤鸣，力尚龙，陈丽珍，刘庆鑫，吴迪，郑荣. 基于混沌宿主切换机制的?鱼优化算法. 计算机应用. 2023(06): 1759-1767 . 百度学术17. 吴迪，贾鹤鸣，刘庆鑫，齐琦，王爽. 融合经验反思机制的教与学优化算法. 智能系统学报. 2023(03): 629-641 . 百度学术18. 李伟彦，董宝良，王凯，廉兰平. 基于金豺优化算法的云计算资源调度研究. 电子设计工程. 2023(15): 41-45 . 百度学术19. 刘庆鑫，齐琦，贾鹤鸣，李霓. 混合改进策略的阿奎拉鹰优化算法. 山东大学学报(工学版). 2023(04): 93-103 . 百度学术20. 李光泉，刘欣宇，王龙飞，邵鹏. 基于多机制优化螺旋飞行特征的乌燕鸥算法. 科学技术与工程. 2023(26): 11299-11308 . 百度学术21. 王逸豪，黄敬英，范勤勤. 基于因果模型和多模态多目标优化的两阶段特征选择方法. 陕西师范大学学报(自然科学版). 2023(05): 25-34 . 百度学术22. 文昌盛，贾鹤鸣，饶洪华，王琢，苏媛媛. 融合随机反向学习蜜獾算法的无人机三维路径规划. 武夷学院学报. 2023(09): 7-13 . 百度学术23. 赵小强，强睿儒. 基于改进的哈里斯鹰优化算法的特征选择. 兰州理工大学学报. 2023(05): 93-101 . 百度学术24. 贾鹤鸣，卢程浩，吴迪，李政邦. 基于改进的教与学优化算法的船舶实时路径规划. 船舶工程. 2023(07): 115-123 . 百度学术25. 郭辉，付接递，李振东，严岩，李虓. 基于改进鲸鱼算法优化SVM参数和特征选择. 吉林大学学报(工学版). 2023(10): 2952-2963 . 百度学术26. 肖永江，于永进，张桂林. 基于改进乌燕鸥算法的分布式电源优化配置. 电力系统保护与控制. 2022(03): 148-155 . 百度学术27. 贾鹤鸣，刘宇翔，刘庆鑫，王爽，郑荣. 融合随机反向学习的黏菌与算术混合优化算法. 计算机科学与探索. 2022(05): 1182-1192 . 百度学术28. 谢娟英，吴肇中，郑清泉，王明钊. 一种改进的特征子集区分度评价准则. 自动化学报. 2022(05): 1292-1306 . 本站查看29. 乔夏君，薛薇，王浩，许亮. 混沌乌燕鸥算法优化发动机参数自整定PID控制. 计算机测量与控制. 2022(06): 132-137 . 百度学术30. 张婉莹，冷欣，贾鹤鸣. 采用改进黑猩猩优化算法的特征选择. 三明学院学报. 2022(03): 37-45 . 百度学术31. 贾鹤鸣，张棕淇，姜子超，冯榆淇. 基于混合身份搜索黏菌优化的模糊C-均值聚类算法. 智能系统学报. 2022(05): 999-1011 . 百度学术32. 汤占军，孙润发. 基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断. 电机与控制应用. 2021(12): 66-70 . 百度学术其他类型引用(19)
-
下载:
计量
- 文章访问数: 2003
- HTML全文浏览量: 606
- PDF下载量: 229
- 被引次数: 51
