13、机器人进化算法与人工蜂群算法性能优化研究

机器人进化算法与人工蜂群算法性能优化研究

在机器人进化算法和优化算法的研究领域，有两项重要的研究成果值得关注。一项是关于机器人在线进化算法的对比研究，另一项是通过种群增长和局部搜索改进人工蜂群算法的性能。

机器人在线进化算法对比研究

在机器人在线进化算法的研究中，研究人员对(μ + 1) ON - LINE板载封装算法与EVAG的分布式和混合实现进行了比较。他们通过模拟实验，使用自动参数调整来评估每种算法在最佳参数设置下的性能。

1. 可调参数

REVAC调整的参数及可调范围如下表所示：
| 参数 | 可调范围 |
| — | — |
| τ（每个候选者的评估时间步长） | 300 – 600 |
| μ（封装和混合方案的种群大小） | 3 – 15 |
| σinitial（初始突变步长） | 0.1 – 10.0 |
| ρ（重新评估率） | 0.0 – 1.0 |
| 交叉率 | 0.0 – 1.0 |
| 突变率 | 0.0 – 1.0 |
| 新闻广播项TTL（基于新闻广播的EVAG变体） | 3 – 20 |
| 新闻广播缓存大小（基于新闻广播的EVAG变体） | 2 – 组大小 |

2. 不同组大小的实验结果

研究人员对组大小为4、16、36和400的情况进行了实验，结果如下：
- 4个机器人的场景 ：混合算法明显优于封装方案，但与分布式方案相比没有显著优势。分布式和封装方案之间的差异不显著，泛交和新闻广播变体之间的差异也不显著。所有四种EVAG变体在前