随着机器人应用领域的拓展,多机器人系统协作搜索目标的研究在资源勘探、军事侦察、反恐排雷、灾后搜索与救援等方面具有广阔的应用前景。目前,对移动机器人的智能化控制要求越来越高,而智能优化算法的自组织机制能自适应地与多机器人系统相匹配,将智能优化算法应用于多机器人协作搜索具有较明显的优势。本文针对障碍物和目标位置无先验信息的未知环境,深入研究了基于智能优化算法的多机器人目标搜索问题。具体研究工作与贡献总结如下:(1)针对未知环境下多机器人静态单目标搜索问题,提出了一种基于粒子群优化与果蝇优化算法的多群混合算法。首先,引入自适应惯性权重改进粒子群优化算法,提出了多群自适应系数的改进果蝇算法,为改进的粒子群优化算法寻找下一个最优的机器人位置提供了更好的选择机制。其次,采用的多群策略扩大了搜索范围,提高了机器人搜索的多样性,有效地避免了早熟收敛和陷入局部最优。此外,当机器人陷入局部最优状态时,引入多尺度协同变异逃逸机制可以提高机器人的逃逸能力和避障能力,提高机器人的搜索速度和搜索成功率。从实验结果可以看出,该算法在迭代次数、成功率和效率等方面优于两种对比算法(自适应机器人粒子群优化算法、机器人粒子群优化算法),特别是在多群机器人和较大规模的环境中优势更加明显。(2)针对未知环境下多机器人静态单目标搜索问题,提出了一种自适应机器人蝙蝠算法。首先,该算法采用自适应惯性权重策略,有助于提高机器人搜索的多样性,为逃离局部最优提供了一种有效的机制。其次,引入多普勒效应来改进频率公式,使得机器人在移动时得到自适应补偿,有助于避免早熟收敛。此外,由于目标在环境中的位置是未知的,在所提出的算法中引入了多群策略后,能进一步提高机器人搜索的多样性,扩大了机器人的搜索范围,使机器人能够比现有算法更快地找到目标。所提出的算法作为机器人的控制机制,帮助机器人避开障碍物,完成未知环境下的多机器人目标搜索任务。实验结果验证了该算法的性能明显优于两种对比算法(机器人蝙蝠算法、自适应机器人粒子群优化算法),具有迭代次数少、成功率高、效率高等优点,而且其搜索轨迹更加平滑。(3)针对未知环境下多机器人静态和动态单目标搜索问题,提出了一种未知环境下自适应机器人灰狼优化算法。首先,引入最优学习策略将灰狼优化算法的位置更新公式进行改进,使得算法更加符合机器人的实际移动情况,搜索机器人能实现一步步向目标(猎物)移动。其次,所提算法采用自适应惯性权重,通过增大“聚集度”或降低“进化速度”,使其惯性权重的影响增大,有助于保持机器人搜索的多样性,较好地解决了早熟收敛问题。此外,所提出的算法采用了自适应速度调整策略并引入了逃逸机制来解决因目标的逃跑而造成搜索机器人容易陷入局部最优的问题。所提出的自适应机器人灰狼优化算法与前两章所提出的单目标搜索算法(基于粒子群优化与果蝇优化算法的多群混合算法,自适应机器人蝙蝠算法)进行了实验验证与比较,基于粒子群优化与果蝇优化算法的多群混合算法和自适应机器人蝙蝠算法在迭代次数、成功率和效率等方面都具有较好的性能,但两者的性能表现相近,而自适应机器人灰狼优化算法在迭代次数、成功率、效率等方面都表现出了比前两种单目标搜索算法较为明显的优势,能较好的完成静态和动态目标搜索,但机器人的搜索轨迹没有前两种比较算法平滑。(4)针对未知环境下多机器人系统的多目标动态任务分配和协作搜索问题,提出了一种结合动态窗口法的改进自组织映射神经网络方法。首先,对自组织映射神经网络进行了改进,在每个竞争神经元上建立一个锁定机制,改善其自组织行为存在的缺陷,避免了机器人出现振荡和悬停的情况。其次,利用自适应动态窗口法更新每个机器人的自组织映射神经网络竞争神经元的权重,在障碍物位置信息未知的情况下实现避障,优化了机器人的运动轨迹并能避免速度跳跃。此外,当目标和障碍物位置发生变化时,该方法可以实时地重新分配任务和规划搜索路径,并能在未知的动态环境中完成对动态多目标的搜索。仿真实验结果表明,该方法迭代次数较少,具有较高的成功率和效率,并且具有良好的鲁棒性,能较好地完成多目标动态任务分配和协作搜索。(5)针对多机器人搜索未知环境需通过传感器获取环境地图信息问题,提出了基于快速鲁棒特征的多机器人栅格地图拼接方法。该方法通过对机器人运动坐标系进行刚体变换,将栅格地图拼接问题用图像配准的最小化问题来表示并建立数学模型。首先利用一种改进的快速鲁棒特征算法从待拼接地图中提取特征,其次,利用随机抽样一致算法剔除误匹配得到初始拼接参数,并将拼接参数作为迭代最近点算法的初值来求解目标函数。实验结果表明该方法能对多机器人建立的栅格地图实现可靠拼接,鲁棒性好且精度高,拼接速度快,可应用于多机器人目标搜索进一步提高目标搜索的性能。