Preview

Мехатроника, автоматизация, управление

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Механизмы самообучения в мультиагентных робототехнических группировках на основе эволюционного леса деревьев классификации

https://doi.org/10.17587/mau.18.159-165

Полный текст:

Аннотация

Рассматриваются различные подходы к решению задач самообучения интеллектуальных автономных роботов с использованием методов построения деревьев и лесов классификации для поиска скрытых закономерностей при анализе массивов сенсорных данных, аккумулирующих опыт работы в условиях неопределенности. Обоснована перспективность применения метода построения лесов классификации для организации процессов самообучения в мультиагентных робототехнических системах (МАРС). Развивается новый подход к реализации самообучения в МАРС, основанный на сочетании методов построения лесов классификации и эволюционных вычислений. Показано, что метод эволюционного леса деревьев классификации может служить конструктивной базой для создания интеллектуальных автономных самообучающихся роботов, совместно функционирующих в составе мультагентной группировки и способных не только самостоятельно накапливать собственные знания, но и обмениваться ими с приобщением к собственному опыту. Приводятся результаты моделирования, подтверждающие эффективность предложенного подхода.

Об авторах

В. М. Лохин
Московский технологический университет МИРЭА
Россия


С. В. Манько
Московский технологический университет МИРЭА
Россия


С. А. Диане
Московский технологический университет МИРЭА
Россия


А. С. Панин
Московский технологический университет МИРЭА
Россия


Р. И. Александрова
Московский технологический университет МИРЭА
Россия


Список литературы

1. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Крюченков Е. Н., Кучерский Р. В., Диане С. А. Мультиагентные робототехнические системы: примеры и перспективы применения // Мехатроника, автоматизация, управление. 2012. № 2. С. 22-32.

2. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П. Принципы построения и проблемы разработки мультиагентных робототехнических систем // Мехатроника, автоматизация, управление. 2012. № 3. С. 11-16.

3. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Крюченков Е. Н., Кучерский Р. В., Худак Ю. И. Модели и алгоритмы планирования действий и распределения заданий в мультиагентных робототехнических системах // Мехатроника, автоматизация, управление. 2012. № 5. C. 44-50.

4. Лохин В. М., Манько С. В., Романов М. П., Диане С. А. Способы представления знаний и особенности функционирования мультиагентных робототехнических систем // Мехатроника, автоматизация, управление. 2014. № 1. C. 36-39.

5. Лохин В. М., Манько С. В., Романов М. П., Диане С. А.К., Трипольский П. Э., Карпов С. А. Модели и алгоритмы оценки численности состава мультиагентных робототехнических систем // Мехатроника, автоматизация, управление № 3, 2014.

6. Лохин В. М., Манько С. В., Романов М. П., Александрова Р. И., Диане С. А. К. Принципы построения и программно-алгоритмическое обеспечение человеко-машинного интерфейса для автономных роботов и мультиагентных робототехнических систем // Мехатроника, автоматизация, управление. 2016. № 9. C. 606-614.

7. Лохин В. М., Манько С. В., Александрова Р. И., Диане С. А. К., Панин А. С. Механизмы интеллектуальных обратных связей, обработки знаний и самообучения в системах управления автономными роботами и мультиагентными робото-техническими группировками // Мехатроника, автоматизация, управление. 2015. № 8. С. 545-555.

8. Lior Rokach, Oded Maimon. Data mining with decision trees: theory and applications. World Scientific Pub Co Inc., 2008.

9. XindongWu, Vipin Kumar, J. Ross Quinlan, Joydeep Ghosh, Qiang Yang, Hiroshi Motoda, Geoffrey J. McLachlan, Angus Ng, Bing Liu, Philip S. Yu, Zhi-Hua Zhou, Michael Steinbach, David J. Hand, Dan Steinberg. Top 10 algorithms in data mining // Knowl. Inf. Syst. 2008. N. 14 (1). P. 1-37.

10. Leo Breiman. Random Forests. Machine Learning, October 2001. Vol. 45, Iss. 1. P. 5-32.

11. Melanie Mitchell. An Introduction to Genetic Algorithms. Cambridge MA: MIT Press, 1996.

12. Blum A., Kalai A., Langford J. Beating the hold-out: bounds for K-fold and progressive cross-validation // Proc. of the 10th Annual Conference on Computational Theory. 1999. P. 203-208.

13. Stentz A. Optimal and Efficient Path Planning for Partially-Known Environments // Proc. of the International Conference on Robotics and Automation. May 1994. P. 3310-3317.

14. Stentz A. The Focussed D* Algorithm for Real-Time Replanning // Proc. of the International Joint Conference on Artificial Intelligence. August 1995. P. 1652-1659.


Для цитирования:


Лохин В.М., Манько С.В., Диане С.А., Панин А.С., Александрова Р.И. Механизмы самообучения в мультиагентных робототехнических группировках на основе эволюционного леса деревьев классификации. Мехатроника, автоматизация, управление. 2017;18(3):159-165. https://doi.org/10.17587/mau.18.159-165

For citation:


Lokhin V.M., Manko S.V., Diane S.A., Panin A.S., Alexandrova R.I. Self-Learning Mechanisms in the Multi-robot Systems Based on the Evolution Forests and Classification Trees. Mekhatronika, Avtomatizatsiya, Upravlenie. 2017;18(3):159-165. (In Russ.) https://doi.org/10.17587/mau.18.159-165

Просмотров: 44


ISSN 1684-6427 (Print)
ISSN 2619-1253 (Online)