回顾步态优化基于进化计算

文摘

步态生成是非常重要的,因为它直接影响到腿式机器人的运动质量。这是一个约束优化问题,它容易有助于进化计算方法和解决方案。综述基于进化学的步态中使用的技术优化,包括为什么应该使用进化计算技术,应该如何组成,健身功能和遗传算子的选择和控制参数。这篇文章也指出进一步可能的改进进化步态优化的效率和质量,一些尚未解决的问题和未来相关研究的观点。

1。介绍

轮式机器人相比,腿式机器人通常不均匀和非结构化环境中拥有优越的机动性。这是因为他们可以使用离散立足点来克服障碍,爬楼梯,等等,而不是依靠一个连续支持表面。

步态是一个循环的周期运动腿的关节机器人,要求测序或协调腿获得可靠的运动。换句话说,步态是时间和空间关系的所有移动部件腿机器人(1]。腿式机器人的步态优化是非常重要的,因为它决定了最优位置,速度和加速度为每一个自由度(自由度)在任何时刻,和步态模式将直接影响机器人的动态稳定、和谐、能量耗散等。步态优化确定了腿式机器人的运动质量。

2。为什么进化计算适用于步态优化

2.1。步态生成Multiconstrained,多目标优化问题

步态生成包含流动性和稳定性,腿式机器人是一项非常有挑战性的工作,因为他们的系统的运动具有多个自由度和一个变量机械结构在运动。因此必须建立大量的参数。例如,54运动参数必须考虑只爱宝机器的行走步态(2]。获得自然和高效的腿式机器人的步态,两种策略排序或腿部运动的协调可以遵循。

第一战略假设人类或动物的步态是最优的,否则他们将无法生存竞争和达尔文的进化论提出的自然选择。这个假设已经被证明是准确的(3]。约束优化假说表明,步态参数选择优化的目标函数(最小化)运输成本(代谢成本/距离)施加的限制约束(4]。很多研究表明,人类和动物移动的方式最大限度地减少运动的代谢成本并验证,腿式机器人的步态合成是一个约束优化问题(5- - - - - -12]。

机器人模拟人类或动物行为(13]。因此,很自然地使用生物运动数据来控制机器人的步态。例如,人体运动捕获数据采用驱动仿人机器人(14]。然而,一些研究表明,生物运动数据不能直接使用腿机器人运动学和人类/动物之间的动态不一致性和腿式机器人。这意味着需要运动修正计算关节角轨迹时(14]。

第二种策略制定腿式机器人的步态生成问题作为一个约束优化问题。它生成最优步态周期通过减少一些性能指标,例如,运动速度,稳定标准,执行力,能源消耗,等等。腿式机器人的步态生成问题通常有几个目标,这些目标可能相互矛盾的(例如,速度和稳定性)。因此步态生成问题可以表示为一个multi-constrained和多目标优化问题15]。

这两种步态生成策略可能达到同样的目标不同的路线,因为他们实际上解决步态综合问题作为multi-constrained多目标优化问题。一旦创建一个数据库的预先计算的最优步态,机器人可以覆盖整个区间的预先计算的最优步态插值,从而实现实时平滑的运动。

2.2。进化计算适用于步态优化问题

腿式机器人的动力学方程高阶高度耦合和非线性运动,和腿式机器人的步态优化需要搜索一组参数在一个高度不规则,多维空间。因此,标准梯度搜索优化方法不用于腿系统自由度高2,16,17]。

进化计算(EC),包括遗传算法(GA),遗传规划(GP),进化编程(EP)和进化策略(ES),是一种自然选择腿式机器人的步态优化。

首先,电子商务使用优化方法基于达尔文的自然进化论。根据这一理论,生命形式的运动机制是由于自然选择和个人和自然环境之间的相互作用。这使得电子商务的使用一个自然的选择,因为它是生物启发和生物可以生成合理的解决方案18]。

其次,从计算的角度来看,电子商务也适合腿式机器人的步态优化(2,18,19),因为下面的:(一)步态优化问题可以有多个标准,多个约束条件,以及多个设计变量,和电子商务已被证明有效的这些大型维度,多目标、约束条件的优化问题。(b)EC被视为强大的搜索和优化问题,目标函数是用来解决困难问题当地信息,如连续性、可微性,等等不可用,即使它是非常重要的对于步态优化,步态优化的目标函数可能非常复杂,很难获取本地信息。(c)由于复杂性和高自由度的机械结构,很难获得精确的动态模型的腿机器人(20.]。电子商务将是有效的,该方法抗噪声评价函数和优化提供了一个模范自由的方法,只需要环境来提高性能的反馈当在线部署进化是一个真正的机器人。(d)EC具有较强的全局搜索能力,也是对初始种群。因此电子商务降低了被困在一个局部最小值的风险寻找一个真正的最佳解决方案。(e)电子商务可以很容易地并行化。因为腿式机器人的步态优化通常是一个大规模的问题,目标函数和约束往往是复杂的,进化优化的过程可能非常耗时,因为高计算成本的EC由于迭代评估候选解决方案。因此,有利于使用并行的实现电子商务获得EC-based步态的效率和提高解决方案的质量优化。

3所示。如何进化的最优步态

3.1。各种形式的电子商务模型采用步态优化

步态优化基于电子商务是电子商务过程和步态优化问题的组合。EC-based步态优化的一般框图如图1。这提供了一个第一眼在电子商务的应用技术,腿式机器人的步态优化。

采取了很多的电子商务模型来解决步态优化问题。最常的步态研究包括两足动物的步态,四足动物,和昆虫机器人走路,跑步,谈判倾斜的表面,和上下楼梯21- - - - - -26]。

遗传算法(GA)是步态优化工具,是最常用的,和一些修改可以推出适合步态优化的具体问题25,27,28]。例如,插值和推断运营商[29日)、两点交叉高斯变异,重叠2),采用精英策略。显式健身共享机制(30.)也被用来防止过早收敛到理想的极端。这种物种形成技术将人口划分为固定数量的物种,其中每个物种包含相似的个体,并且可以迫使类似的同一物种的成员“共享”一个代表分数,从而惩罚物种与大量的个人和允许新物种形成,即使他们不执行以及其他,大,物种(30.]。

适应性能够自适应地改变交叉和变异概率的介绍了GA平衡全局和本地开发和勘探的进展进化优化。例如,使用自适应GA优化仿人机器人的步态升序和降序楼梯通过搜索最优轨迹参数混合多项式(31日]。

自适应机制也可能适用于控制突变率[2]。这种方法的地方辐射(辐射水平随时间)的地区,一大群人聚集在同一地点在这个领域大大增加突变率,导致所有的个体变异在下一代和分散到其他地区的空间。据报道,这种机制可用于控制遗传算法,使遗传算法的学习行为更加健壮的对噪声参数评价防止过早收敛到理想的极端。

遗传规划(GP) [32)和语法进化(GE)常用于进化机器人的步态。

仿真结果获得使用GP的爱宝四足动物Webots环境报告比得到更好的使用简单的基于遗传方法(17]。在这种方法中,步态定义使用关节角轨迹而不是爪子减少搜索空间轨迹的优化。精英档案机制(像)是用来防止过早收敛性和提高医生的搜索功能。像可以保留精英个体处于初期阶段,流成在以后的阶段。通过这种方式,遗传物质从精英个体在早期用于刷新一个进化收敛状态和创建一个角色尽可能保持多样性。

通用电气是一个最受欢迎的形式的基于语法的全科医生。通用电气的优点在于,它允许用户方便地指定和修改语法,而忽略的任务设计特定的遗传搜索运营商。因此可以使用通用优化已有的运动数据或生成新颖的动作。使用傅立叶步态对染色体进行编码和动态相似性原则作为约束,通用电气是用来优化步态在动画重新定位目标的问题。它成功修改一个动物的步态周期数据到一个不同的动物的步态周期数据在计算机模拟动物的运动33]。同样的方法也可以用来优化行走的步态马从兽医马出版成一个基于物理模型(34]。

ES也用来解决步态优化问题(35,36),并取得了一些令人鼓舞的结果。

使用手工调整步态作为种子,物理机器人的双足步态直接进化的ES方法与参数突变和结构性突变。数以百计的评估后均获得显著改善功能,但可行两足步态行走的速度提高了约65%相比,手写的步态(37]。

时空优化和协方差矩阵的混合方法适应进化策略(CMA-ES)提出了生成的步法和形态有腿的动物运动(38]。它有效地生成动态运动步态的两足动物,四足动物,以及一个假想five-legged生物通过仿真。报告产生的步态和形态逼真,表现出许多定性特征中看到真实的动物。这种混合方法将高维空间的效率和处理一般的能力约束处理nondifferentiable变量的时空优化能力,避免许多CMA的局部最小值。

除了传统的电子商务及其变化,一些相对较新的类型的电子商务也被应用于步态优化研究。

分布估计算法(eda)是基于概率模型的进化算法,更换运营商的变异和交叉使用的气体。EDA的主要优势在于知识问题之前获得可用于设置初始概率模型,和全球搜索空间的统计信息可以通过EDA中直接提取修改概率模型和有前途的解决方案。这可以减少搜索空间在更短的时间间隔和获得良好的解决方案。因为这个原因EDA已被用于研究步态优化问题(15,39,40]。例如,EDA已应用于优化爱宝机器人的步态。适应度函数基于机器人采用的直接评价,并显著改善之前的步态实现在一个训练周期短(41]。

在某些情况下的步态优化、步态的性能不能直接测量或计算基于某些功能。在这种情况下人类偏好、直觉、情感、和其他心理方面可以引入到目标系统。交互式进化计算(IEC)是一种进化计算适应度函数可以被用户所取代。IEC的突出优点是它可以反映用户偏好和允许最小的优化解决方案的必需知识的问题域(42]。

上演了进化,进化的结果数量的阶段,也被提出了步态优化(20.,42,43]。这种方法采用分而治之的策略。通过引入一组举办的管理挑战,它减少了搜索空间,从而提高了EC的收敛速度并获得快速进化的行为对一个给定的目标。

多目标多约束的问题往往是解决多个目标和约束结合到单个标量使用加权系数的客观问题。要做到这一点,需要一些问题特定的信息,目标的相对重要性应该决定和约束。在步态优化的复杂的问题,很难提前知道这个信息。此外,没有合理的依据为这些竞争或冲突的标准确定适当的权重,形成目标函数,将可能失去意义的组合noncommensurable目标(44]。因此,越来越多的步态优化问题使用定制的多目标EC过程参数化和优化(45),例如,帕累托进化算法(46)和Nondominated排序遗传算法与健身共享方法(44),得到帕累托最优步态,一组nondominated或一系列步态,满足不同的目标函数。这些方法表现出良好的性能44,46- - - - - -48]。

3.2。步态表示和染色体编码

腿式机器人的步态可能代表在三维空间30.,49在关节空间]或[17,20.,50]。

为了控制一个腿式机器人的运动,需要生成所有关节的轨迹。因此,步态通常是由一系列关键姿势(州)从一个完整的步态周期中提取51),而这些关键姿势之间的阶段是一个多项式来近似函数,例如,3日,4日或5日阶多项式。这些多项式函数采用,因为他们可以确保关节轨迹顺利与一阶和二阶导数的连续性。一阶导数的连续性保证了平滑的速度,而第二个订单保证平滑加速度或关节力矩的要求20.]。因此,机器人将看起来自然的步态。

要是脚放置指定这些关键姿势,一旦脚轨迹生成,那么应使用逆运动学将脚的轨迹转化为生成所需的关节角脚放置特定步态曲线(17,20.,30.,47,52- - - - - -54]。

使机器人最优从其当前位置/立场转向目标位置/立场,其他参数除了腿关节的轨迹也应该被认为是(47,55),例如,描述身体的位置和姿态参数,如何在步行机器人的重量变化,无论多少手臂摆动,等等。

关节角在这些州,多项式的系数,一些上面提到的其他参数是由EC(优化的设计变量18,39,56,57]。这些设计变量,当视为基因和安排在一个数组,构成染色体的EC (16]。

各种各样的染色体编码方法,包括(格雷码表示43],实数编码[57浮点数),混合编码,二进制数(1),被采纳,但是最常用的编码是真正的编码方法。这是由于困难与二进制表示在处理连续搜索空间大尺寸(44]。

3.3。组合健身功能

电子商务是一个家庭的目标函数优化算法。目标/健身功能代表了环境问题和决定个人如何解决问题。因此,建设一个适应度函数对EC的正确功能非常重要,和研究人员应该适当地定义这些目标函数根据任务完成,这样每个人就可以正确有效地评估的实际行为。

大量的标准可以用来为步态优化构建电子商务的健身功能,目前大多数研究主要强调只有一个或以下几方面的一部分1]。(一)最大速度。步态应该帮助机器人达到最大速度,所以机器人的运动速度是一个基本的性能指标(47,51,55,58]。(b)最低能源消耗。标准最常用于步态优化最小能量消耗(MCE) [1,20.,39,40,44,46,56,57,59- - - - - -66年)作为一种节能运动模式结果在一个更自然的行走运动。事实上,多国评价两足机器人的步态是类似于人类。多国评价标准的另一个优点是,应该减少能源消耗,以最大限度地利用电池操作时间。(c)最小转矩变化。最小转矩变化的标准(MTC)是基于平滑扭矩水平(44,46,57,59,60]。这可能会导致一个更稳定的运动由于加速度平滑改变链接。(d)稳定。为了使机器人移动的环境中,避免跌倒,它必须有一个稳定的步态。稳定是最重要的约束,通常是用于步态优化。可以静态或动态稳定。静态稳定可以验证通过重心指数(18,59),而动态稳定性往往是验证通过zero-moment-point (ZMP) [1,14,16,20.,39,40,46,47,57,60,67年),一个重要的角色在步态优化,特别是两足动物的步态。如果机器人必须关注如何恢复平衡,而不是不断地试图保持动态平衡,脚位置估计量(消防工程)可以采用(68年]。(e)几何约束。这样可以确保机器人步态的可行性从物理结构(1,14,40,58,67年,69年]。当机器人通过障碍物或爬楼梯,步态不应该导致机器人及其环境之间的碰撞。机器人行走时,摆动肢体必须起飞地面一步周期的开始和结束时必须回到它。(f)平稳过渡的约束。有一个连续的周期运动,最初的姿势和速度应该是相同的那些最后的步骤44,56,62年,69年]。仿人机器人,臀部的水平位移在单引号和双支撑阶段也必须是连续的。当步行机器人摆动腿与地面接触(脚跟罢工),影响的效果应该是最小化,这样不影响机器人的运动稳定性(1,14,40,57,58]。

更多的标准可以被添加到在步态生成和优化,实现其他实际需求和约束可以制定平等和不平等。这些标准将作为基于进化论步态优化目标函数。

有两种方法可以进化机器人的步态,即在线和脱机进化演变。在线进化演变步态直接在一个真正的机器人(32,43,47,49,51,70年,71年),而离线方法发展步态在模拟器18,59,72年]。在离线的情况下进化,解决方案是使用上述目标函数评价。对于在线进化,健身不得直接计算,相反,它将决定基于测量,也就是说,要测试的解决方案,让机器人走路染色体编码的参数,和健身为每个单独的评估使用机器人的传感器(数码相机、红外传感器、和陀螺)或由用户直接评价30.,42]。

3.4。EC的遗传算子和控制参数

为了使电子商务正常工作,一组控制参数和一些遗传算子,例如,应预先定义的选择、交叉和变异。(一)选择。选择执行,以便更好的个人选择育种和生存。有相当多的方法来选择个人遗传操作。最常用的方法是轮盘赌的过程(16,47),分配一个更高概率的选择一个人如果健身决心是更好的。锦标赛选择是另一种常用的选择过程。二进制锦标赛从人口中随机选择两个个体在每个时间和选择健康的(42]。其他比赛算法同时选择个人作为父母和其他特定的人所取代(32,49]。父(s)是健身、较高的个人(s)和最低的个人健身被父的后代(年代)。通常采用精英策略。这可以保证适者个人总是会保留到下一代。(b)交叉。交叉将两个人的基因组成一个新的。一个参数通常是用来控制如何交叉算子可以应用,它可以鼓励通过增加概率。通常情况下,。所有常用的交叉操作,例如,简单的交叉,两点交叉,多点交叉,算术交叉,启发式交叉和均匀交叉,可用于步态优化(2,16,18,20.,30.,32,42- - - - - -44,56,67年,69年,73年]。为交叉也可以使用其他方法。例如,内插和外推运营商[29日),以及四元数Guaranteed-Uniform-Crossover复合技术,和Guaranteed-Average Guaranteed-Big-Creep, Guaranteed-Little-Creep曾47]。(c)突变。突变的基因引入了扰动个体,从而创建一个新的。参数影响个体变异的数量,以及每个染色体突变基因的数量。执行变异概率非常低,通常,。所有常用的变异操作,例如,统一的突变,非均匀变异,边界突变,和高斯变异,可用于步态优化(2,16,18,20.,29日,32,42- - - - - -44,67年,69年,73年]。(d)人口规模。基因串的数量保持在同一时间可能会有所不同从10到800年根据文献[2,16,18,20.,32,42- - - - - -44,47,51,56,67年,69年,71年,73年]。一个更大的人口增加了评价时间对于每一个时代,而较小的人口规模可能无法提供足够的变异,导致算法收敛于当地极端更多必要的。因此,人口规模应该谨慎决定根据问题的大小或困难,而且计算效率和多样性之间达成妥协的解决方案。这就是为什么Chernova建议30的人口规模是一个不错的选择2];然而Eperješi报道,相同大小的人口很快失去了大部分的遗传物质和收敛到局部最小值42]。(e)初始种群。可以随机产生初始种群在两个方面。生成初始种群的变异使用手写的步态作为种子(29日,51),另一个生成的初始种群均匀分布在给定的搜索范围(32,49,50,71年]。(f)最大代标准。电子商务将迭代应用遗传操作,直到某个终止条件满足。典型的终止受雇于EC标准包括:实现一个预定义的迭代,总数达到最大迭代次数没有改进,甚至更复杂的机制基于局部最优估计的概率。最大的一代是最经常采用终止判据在步态优化。最大的值代30到5000次迭代(之间可能会有所不同16,18,20.,44,47,51,56,58,67年,69年,73年]。这也应该仔细确定问题的复杂性和难度。由于EC的随机性质,每进化优化实验可能需要重复多次确定全球最佳状态(18]。

3.5。进化的步态优化的效果和效率

几乎所有的研究中,无论是模拟还是物理实验,表明电子商务取得了良好的结果。进化的优点步态优化包括以下。(我)关节力矩和链接的加速度变化平稳,最后运动的机器人非常光滑,和脚与地面的影响是最小的。因此,best-evolved步态由该方法优于最好的手工开发步态的能力更直和更快的移动,同时更灵活和可靠的2,18,32,44,49- - - - - -51,57,71年,74年]。(2)最优运动的能源消耗大幅减少(44,56,57]。最优步态模式是自然的和非常类似于人类44,59,73年),和电池驱动机器人可以延长他们的操作时间。(3)EC可以自主,更有效地寻找高性能的步态参数不同表面条件和不同的机器人平台相比,使用手工方法(2,50]。此外,EC-based方法能够匹配最好的之前所知爱宝步态甚至在几小时内从一个随机的人口(2]。多目标进化能找到最佳的仿人机器人步态具有完全不同的特征有效地在一个模拟运行(44]。

4所示。比较EC与其他全局优化方法

除了基于进化学的优化技术,其他的全局优化方法,采用一种非隐喻也被用于步态优化。这些也搜索全局最优的成本函数不使用给定成本函数的微分信息。

粒子群优化(PSO)可以用来优化连续稳定和运动模式(步态)的仿人机器人关节角的控制信号产生的截断傅里叶级数(TFS) [75年,76年]。据报道,PSO优化TFS显著更快,比遗传算法生成直和更快的人形运动因为PSO绕过一个局部最小值,遗传算法在[76年]。作者因此得出结论,算法比遗传算法作为步态优化问题的学习方法在不确定的环境中。

我们认为GA未必不如PSO在步态优化,即使在一个不确定的环境,如在这个实验中。这是因为在这个实验中使用的算法是自适应算法,具有动态可调非线性惯性参数的重量控制之间的平衡全局和本地勘探。较大的惯性权重促进全球搜索,而较小的惯性权重可以促进本地搜索(77年]。GA受雇于这个实验只是一个典型范例与轮盘赌选择、交叉和变异的固定利率。这可能是为什么算法可以加快搜索并执行这个实验比GA。

EC当然可以使用同样的机制来提高其效率。例如,自适应遗传算法可以自适应地改变交叉和变异概率的过程中进化。在西文,步长或突变的力量往往是由自适应进化(窗口),和单独的步骤大小为每个坐标或坐标之间的相关性是由自适应或由协方差矩阵也适应(CMA-ES) [38]。

自适应PSO用于优化向前最快的四足机器人的步态爱宝与整个学习过程在物理上运行自动机器人(78年]。从随机生成的参数代替手工调整参数,获得高性能的几套步态参数,这些步态被报道是有史以来最快的前锋步态为相同的机器人开发平台。

并行算法应用于大规模的人体运动问题,实验结果表明,算法是基于表现的梯度算法(19]。据报道,基于单个运行梯度非线性最小二乘算法产生一个更好的解决方案比使用全球PSO 10分。因此作者不推荐使用PSO算法解决大规模的人类运动优化问题具有约束或竞争条款的成本函数。

这个实验的结果可能是一个幸运的例外。大规模的步态优化问题的目标函数与数以百计的设计变量无疑会大大多通道和风景一定很崎岖。因此基于一个梯度算法肯定会陷入局部最小值,以及电子商务的全局搜索能力是绝对必要的减少这种风险。我们同意作者的建议下,全球地方PSO混合算法可能是必要的和其他全球优化器来有效地解决大规模的人体运动问题。

我们看到了从文学,蚁群优化(ACO)尚未使用领域的步态优化虽然这也是一个著名的群体智慧metaheuristic (SI)类似于PSO和被广泛用于解决很多类型的优化问题。

单变量动态编码算法搜索(uDEAS)也被应用于两足动物的步态优化问题模型走楼梯上下。仿真结果表明,uDEAS优于自适应GA与17个年代与126年代平均运行时间和一个略小的最佳成本最小值79年]。作者认为这个结果的有效性描述轨迹的混合多项式uDEAS。

问题表征方法和基因型编码方法直接确定大小和搜索空间的特点和结果直接影响电子商务的效率优化。因此,我们建议研究人员应注意两个问题表示方法和基因型研究EC-based步态优化问题时的编码方法。例如,据报道,TFS是个不错的步态表示方法,可以生成合适的角轨迹控制双足运动。这是因为它不需要逆运动学,和稳定的步态与不同的步长和步生成频率很容易通过改变只有一个参数的值在助教76年]。

尽管一些之间的性能比较EC和其他非全局优化方法已被报道,没有进行系统的比较研究。这样的系统比较研究可能是不必要的或不可行,因为我们经常寻找一套满意的解决方案,而不是一个绝对全局最优的解决方案。机器人平台和步态优化的目标函数将在每种情况下,不同的基准,因此很难找到一个机器人和一组基准目标函数优化。

EC和SI的方法都是基于迭代算法,即使他们采用不同的隐喻。因此他们共享相同的优点和缺点在步态优化,例如,一个类似的全球和高维搜索功能,多目标优化能力,以及大量的控制参数需要调整。一件事可以肯定的是,EC说,和SI的方法被证明好腿式机器人的步态优化工具,和应该做进一步的研究来改善自己的表现领域的步态优化。

5。为未来的研究结论和观点

最重要的结论可以从上面提到的文献是EC确实能够实现良好的性能在步态优化,这个方向的研究是非常令人鼓舞的。然而,很明显,我们尚未充分利用电子商务,和一些问题仍然需要解决EC-based步态优化。

要解决这些问题,我们建议未来的研究应该关注以下问题。

5.1。EC方法研究步态优化领域

最明显的一个问题在EC-based步态优化计算效率。进化方法通常需要维护人口的候选解决方案和迭代大量代。因此可能非常耗时的评估每个候选人步态尤其是当实验进行物理机器人超过数天而需要不断手动监督(32]。

尽管许多研究人员优化使用EC腿式机器人的步态,他们主要从其他优化应用程序移植欧共体与一些修改。为了解决正常步态优化问题,有必要研究EC-based算法特别适合解决步态优化问题,也就是说,研究电子商务,可以进化机器人的步态与高水平的效率和质量。

一些研究者已经注意到的必要性研究步态优化小生境EC模式,操作符和参数,并在这方面做了一些工作。例如,使用插值和推断运营商,而不是跨界已经发现减少人口的大小(29日),这是一个机器人应用程序的最重要的元素,因为优化所需的时间可能会大大减少。参数调优的想法和一个全球性的本土的使用全球优化混合算法解决大规模步态优化问题也被建议在19,38]。一些零碎的信息也被建立在设计空间的特征的步态优化问题,例如,可能导致的罚款条款约束的最小的目标函数位于狭窄的“通道”,和设计空间的形状可能很难找到全球最低不使用梯度信息,等等(19]。这可能有利于EC设计方法。

问题表征方法和基因型编码方法也应该学习,因为他们可以导致不同的电子商务的效率。例如,两个不同的步态定义方法,有限状态机根据机器人的关节角的腿,和一个Elman的递归神经网络进行了研究80年,神经控制器的性能优越的报道(更稳定,更好的位移)模拟不规则表面上腿式机器人导航。TFS也被报道是一个很好的步态表示方法和被上面提到的76年]。

另一个方法,可以显著提高EC的步态优化效率提出了(81年]。该方法利用通用计算图形处理单元(GPGPU)生产硬件加速模拟富达没有显著损失,它取得了结果数量级的速度比纯软件仿真(10-50-fold增加速度已经报道)。

我们相信EC-based步态优化研究应继续在这个方向。的特点,应该研究步态优化的搜索空间。这是由目标函数和约束。不同的应用程序的腿式机器人可以有不同的目标函数和约束条件,以及不同的组合目标函数和约束可以有不同的搜索空间特征。基于特征信息的搜索空间,一些基准测试函数应该设计和分类在一定程度上反映步态的特点优化目标函数。这些基准测试函数将促进研究相应的电子商务模式,电子商务的遗传算子和控制参数设置,为足机器人步态优化的研究人员提供一套高性能的优化工具,适用“开箱即用”的19]。特别是,我们建议EC混合与本地搜索和气体,可以学习链接可能在步态优化起着重要的作用。前将EC的全局搜索能力与局部搜索算子的局部优化能力,而后者可以进化优化代码序列通过学习基因之间的联系,因此加强EC在解决复杂的搜索能力,大规模的步态优化的问题。

5.2。研究电子商务的目标函数

目标函数在电子商务中起着至关重要的作用。它作为判断环境是否在模拟解决方案由染色体进化是好还是坏。因此指导搜索方向。上面提到的健身功能的研究都不同。这些都是依赖于每个研究者的深入了解问题的性质,每个机器人模型的性质不同或平台,和每个机器人的性能要求。

当步态优化目标函数,构建一个折衷解决方案的质量和速度的进化。一个复杂目标函数包括更多的性能指标,当然,导致良好的解决方案,但它也可以大大增加搜索空间的大小,因此评价的计算成本以及进化的持续时间。需要大量的经验和技术组合目标函数(和处罚的重量)。因此,它将有利于构造一组通用指南选择评价功能,尤其是对一个典型的应用场景或为一个特殊的机器人平台43]。

5.3。桥接的现实差距

EC-based步态优化的另一个重要的问题是,步态进化仿真通常不产生同样的行为一旦转移到一个真实的机器人,因为仿真时总是包含一些简化建模现实世界。这就是所谓的现实的差距进化机器人领域的问题。它是人工智能的一个分支关心自主机器人的自动生成74年),当然包括腿式机器人的步态生成。虽然进化步态直接在真正的机器人是一个有吸引力的目标有一定的优势,这也是非常耗时的需要用户干预。

一个可能的方案解决的问题现实差距现在在步态优化整合离线和在线进化的现实差距。

了进化这个目的(可能是一个好的方法32,42,43,82年,83年]。这种方法发展的步态仿真首先步态可能得到一个初步评价更快,然后仿真结果转移到物理机器人进化过程在哪里继续真正的机器人。通过这种方式,电子商务的效率和质量的解决方案可以显著提高。一般的多级过程,最大限度地减少真实和现实差距模拟机器人对致动器的行为及其与环境的交互,据报道已经转移到不同的腿机器人(83年]。

另一个值得考虑的方法回到现实的算法(74年]。这个方法使用一个共同进化的建设,允许连续机器人的行为与模拟器适应适应交叉。它能够解决实际机器人步态优化问题使用更少的比大多数当前现有的评估方法。用于步态优化爱宝,声称是第一个工作模拟步态的成功和不断转移到现实74年]。

总之,很多工作仍有待完成。腿式机器人的步态优化进化是一种很有前途的研究领域,可以预期和未来的鼓励和有趣的结果。

确认

这项工作是人才培养的基础支持下的北京市政府授予20071 d0501500196。作者感激地感谢匿名审稿人的宝贵评论本文的早期草案和北京大学的Mark Jonikas广泛的编辑的技术援助。

引用

p . l . Chen Yang h·陈,和郭x, z . Liu“两足机器人的步态优化基于mix-encoding遗传算法”第二届IEEE会议工业电子产品和应用程序(ICIEA ' 07)2007年5月,页1623 - 1626。视图:出版商的网站|谷歌学术搜索
Chernova和m .维罗索,“进化的方法为四足机器人步态学习,”《IEEE / RSJ智能机器人和系统国际会议(——“04)2004年10月,页2562 - 2567。视图:谷歌学术搜索
m . Srinivasan和a·瑞纳,”计算机优化最小的两足动物模型发现走路和跑步,”自然,卷439,不。7072年,第75 - 72页,2006年。视图:出版商的网站|谷歌学术搜索
j·e·a·伯特伦和a·瑞纳”,约束优化预测的多个speed-frequency走关系,“理论生物学杂志》上,卷209,不。4、445 - 453年,2001页。视图:出版商的网站|谷歌学术搜索
r·m·亚历山大“优化和步态运动的脊椎动物,”生理上的评论,卷69,不。4、1199 - 1227年,1989页。视图:谷歌学术搜索
r·m·亚历山大“最佳行走技术对四足动物和两足动物,”动物学杂志》卷,192年,第117 - 97页,1980年。视图:谷歌学术搜索
r·m·亚历山大,“人类走路和跑步的能量和优化:2000雷蒙德珍珠纪念演讲,”美国人类生物学》杂志上,14卷,不。5,641 - 648年,2002页。视图:出版商的网站|谷歌学术搜索
数字,r·m·亚历山大,“设计”自然,卷412,不。6847,591年,页2001。视图:出版商的网站|谷歌学术搜索
j·e·a·伯特伦”约束优化人类行走:成本最小化和步态可塑性,”《实验生物学》杂志上,卷208,不。6,979 - 991年,2005页。视图:出版商的网站|谷歌学术搜索
a·k·古特曼b·雅可比m . t .屠夫和j·e·a·伯特伦“人类跑步,约束优化”《实验生物学》杂志上,卷209,不。4、622 - 632年,2006页。视图:出版商的网站|谷歌学术搜索
d·f·霍伊特和c·r·泰勒”步态和运动能量的马。”自然,卷292,不。5820年,第240 - 239页,1981年。视图:谷歌学术搜索
f . Saibene”,人类运动的机制,最大限度地减少能量消耗,”欧洲临床营养学杂志》上,44卷,不。1,第71 - 65页,1990。视图:谷歌学术搜索
j·杨,b .香港、美国朴和黄问:“一个有效的策略基于进化的点球和目标保持足足球机器人行走步态,”信息技术杂志》第六卷,没有。8,1120 - 1129年,2007页。视图:谷歌学术搜索
c .周p . k .悦,j .倪,S.-B。Chan“动态稳定的仿人机器人步态规划爬斜坡表面,”程序的机器人,IEEE会议上自动化和机电一体化新加坡,页341 - 346年,2004年12月。视图:谷歌学术搜索
l .胡锦涛和c .周”EDA-Based优化和学习方法的两足动物步态生成”机器人焊接、智能和自动化,T.-J。冰斗湖et al .,艾德,卷,362课堂讲稿在控制和信息科学施普林格,页541 - 549年,柏林,德国,2007年。视图:出版商的网站|谷歌学术搜索
Shrivastava m ., a·杜塔,a . Saxena”轨迹生成使用GA 8自由度双足机器人变形唯一的脚,”《智能和机器人系统:理论和应用程序卷,49号1,第84 - 67页,2007。视图:出版商的网站|谷歌学术搜索
k . Seo s Hyun,“基于遗传编程的自动步态生成四足机器人,”学报第十届基因与进化计算会议(GECCO 08年)2008年7月,页293 - 294。视图:谷歌学术搜索
m·r·海纳和f·s·奥索里奥”,基于物理的模拟机器人的步态控制代使用遗传算法”第二届国际联合会议在人工Intelligence-IBERAMIA-SBIA进步j . s . Sichman et al .,艾德,卷,4140在计算机科学的课堂讲稿,页562 - 571,小溪Preto,巴西,2006年10月。视图:谷歌学术搜索
我。Koh, j . a . Reinbolt公元乔治,r·t·Haftka和b·j·弗雷格”并行的全局优化大规模人体运动的局限性问题,“医学工程学和物理学没有,卷。31日。5,515 - 521年,2009页。视图:出版商的网站|谷歌学术搜索
z z唐、c .周和太阳,“人形步行步态优化使用基于遗传神经网络,”学报第一自然计算国际会议(ICNC ' 05)k, l . Wang Chen和y s . Ong Eds。卷,3611在计算机科学的课堂讲稿2005年8月,页252 - 261。视图:谷歌学术搜索
t .荒川和t .福田,“自然运动轨迹生成的两足动物运动机器人通过能源优化,使用遗传算法”《IEEE国际会议系统,人与控制论1996年10月,页1495 - 1500。视图:谷歌学术搜索
c·保罗和j·c·邦加德,”了与众不同的道路:形态优化的双足机器人运动”《IEEE / RSJ智能机器人和系统国际会议(——“01),1卷,页226 - 232,毛伊岛,夏威夷,美国,2001年10月。视图:谷歌学术搜索
j·佩特森,h . Sandholt和m . Wahde“灵活的进化方法生成和实现人形机器人的行为”学报IEEE-RAS国际会议上的人形机器人2001年11月,页279 - 286。视图:谷歌学术搜索
k·沃尔夫,j·佩特森,a . Heralić和m . Wahde”中枢模式发生器的构造演化两足行走在3 d仿真”学报IEEE国际会议系统,人与控制论(SMC 06年),1卷,页227 - 234,台北,台湾,2007年10月。视图:出版商的网站|谷歌学术搜索
p . r . Vundavilli和d . k . Pratihar“软computing-based为一个动态平衡的双足机器人步态规划谈判倾斜的表面,“应用软计算杂志,9卷,不。1,第208 - 191页,2009。视图:出版商的网站|谷歌学术搜索
m·f·席尔瓦·r·s·巴博萨,j . A.T. Machado”发展的遗传算法优化的昆虫机器人参数”应用国际会议的程序应用仿真和模型(ASM ' 09)82年,页77 - 2009年西班牙马洛卡帕尔马。视图:谷歌学术搜索
g倾斜、诉普拉拉德和p·d·前“遗传算法最优双足行走步态综合考虑权衡稳定裕度和速度,”Robotica,27卷,不。3、355 - 365年,2009页。视图:出版商的网站|谷歌学术搜索
m·r·海纳和f·s·奥索里奥”,将遗传算法应用于基于物理的模拟机器人的步态控制,”《IEEE国会进化计算(CEC 06年)2006年7月,页1823 - 1830。视图:谷歌学术搜索
t .通信学院,“进化gait-optimization使用基于本体感受的适应度函数,”“机器人足球世界杯”研讨会施普林格,页310 - 322年,葡萄牙里斯本。视图:谷歌学术搜索
n·科尔和p .石头,“机器学习快速长了四只脚的运动,”19国家会议上人工智能(AAAI ' 04),页611 - 616年,旧金山,加州,美国,2004年7月。视图:谷歌学术搜索
m . e . Kim金,J.-W。金,“最优轨迹生成走楼梯上下两足机器人使用遗传算法(GA)”FIRA RoboWorld国会童建桦。金正日et al .,艾德,卷,5744在计算机科学的课堂讲稿2009年8月,页103 - 111。视图:出版商的网站|谷歌学术搜索
k·沃尔夫和p . Nordin“进化学习从第一原理的两足动物走在一个模拟的人形机器人,”http://fy.chalmers.se/ ~沃尔夫/ WN_gecco03.pdf。视图:谷歌学术搜索
j·e·墨菲,h·卡尔和m . O ' neill“语法演变为步态重新定位目标,”Eurographics英国计算机图形学理论与实践研讨会中' 08),第162 - 159页,曼彻斯特,英国,2008年6月。视图:谷歌学术搜索
j·e·墨菲·m·奥尼尔和h·卡尔,“马步态优化,探索语法进化”遗传编程(第12届欧洲会议EuroGP ' 09)卷,5481在计算机科学的课堂讲稿施普林格,页183 - 194年,2009年。视图:出版商的网站|谷歌学术搜索
m . Hebbel r . Kosse尼斯迪克和w,“建模和学习双足机器人行走步态,”《仿人足球机器人IEEE-RAS国际研讨会会议人形机器人,2006年,页40-48、热那亚、意大利。视图:谷歌学术搜索
m . Hebbel尼斯迪克·w·d·Fisseler,“学习在高维空间:快速全向长了四只脚的运动,”第十届国际研讨会举办的学报》上,g . Lakemeyer et al ., Ed,卷,4434在计算机科学的课堂讲稿不莱梅,页314 - 321年,德国,2007年6月。视图:谷歌学术搜索
k·沃尔夫,d·桑德伯格和m . Wahde”进化优化物理机器人的双足步态”《IEEE国会进化计算(CEC ' 08)2008年6月,页440 - 445。视图:出版商的网站|谷歌学术搜索
k . Wampler和z . Popovi最优步态和动物运动形式”,ACM交易图片,28卷,不。3、第六十条、8页,2009。视图:出版商的网站|谷歌学术搜索
l, c .周和z的太阳,“两足动物步态优化使用基于样条函数的概率模型,”诉讼的IEEE机器人与自动化国际会议上,页830 - 835,奥兰多,佛罗里达州,美国,2006年5月。视图:出版商的网站|谷歌学术搜索
c .周l . Hu c . a . a . Acosta和p . k .曰,“仿人足球步态生成和优化使用概率分布模型,”《仿人足球机器人IEEE-RAS国际研讨会会议人形机器人,页49-55、热那亚、意大利,2006年12月。视图:谷歌学术搜索
j . i Alonso-Barba j·a·布莱恩j·m·普埃尔塔和Garcia-Varea,“在爱宝机器人步态优化使用分布估计算法,”《第八届国际会议上混合智能系统(08年)2008年9月,页150 - 155。视图:出版商的网站|谷歌学术搜索
j . Eperješi“爱宝机器人的步态优化基于交互式进化计算,”学报第六届国际研讨会上应用机器智能和信息学(萨米' 08)2008年1月,页236 - 240。视图:出版商的网站|谷歌学术搜索
a . h . m . a . Lewis Fagg, g . a . Bekey“遗传算法在昆虫机器人步态合成”最近的趋势在移动机器人诉郑,艾德,页317 - 331,世界科学、河流边,新泽西,美国,1994年。视图:谷歌学术搜索
g . Capi y Nasu、m . Yamano和k . Mitobe”多准则优化人形机器人运动的一代”类人机器人,a·c·德冰镇球场,Ed,页157 - 170,先进的机器人系统国际和I-Tech,维也纳,奥地利,2007年。视图:谷歌学术搜索
Bi, h . Min,问:刘,x,“多目标优化的基于遗传算法的类人机器人爬楼梯,”《IEEE信息与自动化国际会议上(ICIA ' 09)珠海,页66 - 71年,中国,2009。视图:出版商的网站|谷歌学术搜索
g . Capi、m .横田和k . Mitobe”一种新的仿人机器人步态生成基于多目标优化,”《IEEE / ASME国际会议上先进的智能机电一体化(目标05),1卷,页450 - 454,蒙特利,加州,美国,2005年7月。视图:谷歌学术搜索
d . Golubovic和h·胡”参数优化进化算法的在线步态代的四足机器人,”《IEEE国际会议上工业技术(ICIT ' 03)1卷,第226 - 221页,2003年12月。视图:谷歌学术搜索
x z彭、黄问:赵,t·肖和k·李,“在线轨迹生成基于离线轨迹的双足人形,”学报IEEE机器人和仿生学国际会议上(ROBIO ' 04)沈阳,页752 - 756年,中国,2004年8月。视图:谷歌学术搜索
g·s·霍恩比,m . Fujita s Takamura t .山本和o . Hanagata“自治的进化与索尼四足机器人步态,”《遗传与进化计算会议摩根考夫曼,页1297 - 1304年,圣马特奥市加州,美国,1999年。视图:谷歌学术搜索
问:小王,c .荣、g .谢和l .王”SharPKUngfu团队的协作定位和步态优化”,机器人足球艾德,利马,页549 - 574,Itech教育和出版,维也纳,奥地利,2007年。视图:谷歌学术搜索
k·沃尔夫,d·桑德伯格和m . Wahde”进化优化物理机器人的双足步态”《IEEE国会进化计算(CEC ' 08)2008年6月,页440 - 445。视图:出版商的网站|谷歌学术搜索
g·s·霍恩比,s . Takamura t .山本和m . Fujita“自主演化的动态和两个四足机器人步态,”IEEE机器人,21卷,不。3、402 - 410年,2005页。视图:出版商的网站|谷歌学术搜索
w·陈,“测程法校准和步态优化技术。代表,计算机科学与工程学院,新南威尔士大学,2005年,http://www.cse.unsw.edu.au/网站/ 2005 / reports05 / RobocupThesis2005_weiming.pdf举办的。视图:谷歌学术搜索
t . Mericli h·l .类似c . Mericli k . Kaplan和b·侯赛因Cerberus 05团队报告,”http://robot.cmpe.boun.edu.tr/ cerberus / wiki /上传/下载/ Cerberus2005-TR.pdf。视图:谷歌学术搜索
c . Niehaus t Roefer, t·劳厄”在仿人机器人步态优化使用粒子群优化,“http://www.informatik.uni - bremen.de/kogrob/papers/humanoids niehaus -等等- 07. - pdf。视图:谷歌学术搜索
j . h .公园和m . Choi”一代的最优使用遗传算法对双足机器人步态轨迹,“JSME国际杂志,C系列卷,47号2、715 - 721年,2004页。视图:出版商的网站|谷歌学术搜索
g . Capi金子,k . Mitobe l . Barolli y Nasu,”一个移动关节双足机器人的最优轨迹生成使用遗传算法,”机器人和自治系统,38卷,不。2、119 - 128年,2002页。视图:出版商的网站|谷歌学术搜索
i卖家,洛杉矶丹尼斯,W.-J。王,r·h·克朗普顿”评估替代使用进化机器人步态的策略,”解剖学杂志,卷204,不。5,343 - 351年,2004页。视图:出版商的网站|谷歌学术搜索
美国球迷和m .太阳”步态参数优化和实时为人形机器人轨迹规划,”诉讼第三智能计算国际会议(ICIC ' 07),D.-S。黄、l . Heutte和m . Loog Eds。卷,4682在计算机科学的课堂讲稿,35-46,2007页。视图:谷歌学术搜索
g . Capi y Nasu, l . Barolli k . Mitobe m . Yamano k .武田,“一个新的步态优化方法基于遗传算法的双足行走机器人和一个神经网络实现,”日本信息处理社会(IPSJ)杂志上,43卷,不。4、1039 - 1049年,2002页。视图:谷歌学术搜索
t .荒川和t .福田,“自然运动代足移动机器人使用分层遗传算法组成的轨迹生成方法,EP层,”诉讼的IEEE机器人与自动化国际会议的举行(“国际机器人与自动化会议”97)1997年4月,页211 - 216。视图:谷歌学术搜索
g . Capi y Nasu, l . Barolli k . Mitobe和m . Yamano“实时生成的类人机器人最优步态楼上使用智能算法,”工业机器人,28卷,不。6,489 - 497年,2001页。视图:出版商的网站|谷歌学术搜索
g . Capi金子,k . Mitobe l . Barolli y Nasu,”一个移动关节双足机器人的最优轨迹生成使用遗传算法,”机器人和自治系统,38卷,不。2、119 - 128年,2002页。视图:出版商的网站|谷歌学术搜索
y长谷川、t .荒川和t .福田“双足机器人运动轨迹的一代,”机电一体化,10卷,不。1 - 2、67 - 89年,2000页。视图:出版商的网站|谷歌学术搜索
g .生产技术和m .横田”最优多仿人机器人步态synthesis-an进化方法,”国际期刊的创新计算、信息和控制,卷2,不。6,1249 - 1258年,2006页。视图:谷歌学术搜索
M.-Y。程和c。林,“两足动物运动的控制设计,遗传算法”《机器人系统,14卷,不。5,365 - 373年,1997页。视图:谷歌学术搜索
x、z锣”,本文参考步态规划和优化一个稳定的双足行走,”《IEEE国际研讨会工业电子产品(ISIE 08年)2008年7月,页1400 - 1405。视图:出版商的网站|谷歌学术搜索
d·l·怀特岛、e·g·库比卡和d . w . l .王”介绍脚的位置估计量:一个动态测量两足机器人的平衡,”计算和非线性动力学杂志》上,3卷,不。1,2008。视图:出版商的网站|谷歌学术搜索
k . s .全、o . Kwon和j . h .公园”的最优轨迹生成基于遗传算法的双足机器人步行楼梯,”《IEEE / RSJ智能机器人和系统国际会议(——“04)2004年10月,页2837 - 2842。视图:谷歌学术搜索
g·s·霍恩比,s . Takamura j . Yokono o . Hanagata t .山本和m . Fujita“进化与欧宝,健壮的步态”诉讼的IEEE机器人与自动化国际会议上' 00)举行(“国际机器人与自动化会议”2000年4月,页3040 - 3045。视图:谷歌学术搜索
k·沃尔夫和p . Nordin“进化的有效的步态自治两足机器人利用视觉反馈,”http://fy.chalmers.se/沃尔夫/论文/ WN_gecco01.pdf。视图:谷歌学术搜索
m·伊顿和t . j . Davitt“自动进化的双足运动模拟和许多自由度仿人机器人,”学报》第11届国际研讨会上人工生命和机器人技术,第23 - 25页,别府,日本,2006年。视图:谷歌学术搜索
美国哈,y汉,h·哈恩,“自适应一代的双足机器人步态模式基于人类的步态模式分析,“国际机械系统科学与工程杂志》上,1卷,不。2、80 - 85年,2007页。视图:谷歌学术搜索
j . c . Zagal和j . Ruiz-Del-Solar“进化机器人技术,结合模拟和现实”《智能和机器人系统:理论和应用程序,50卷,不。1,第19 - 39页中,2007。视图:出版商的网站|谷歌学术搜索
两名男子的n . a . Khorsandian a Abdolmaleki, b . Jozi”一个优化步态发生器基于傅里叶级数对快速、强劲的两足动物运动涉及手臂摆动,”《IEEE国际会议自动化和物流(ICAL ' 09)沈阳,页2018 - 2023年,中国,2009年8月。视图:出版商的网站|谷歌学术搜索
两名男子的n s Aslani o . m . Nezami和s . Shiry”进化的双足行走使用傅里叶级数截断和粒子群优化,”《13日举办的国际研讨会卷,5949在计算机科学的课堂讲稿奥地利格拉茨,页344 - 354,,2010。视图:出版商的网站|谷歌学术搜索
娇,z丽安,顾x”动态惯性权重粒子群优化算法”,混乱,孤波和分形,37卷,不。3、698 - 705年,2008页。视图:出版商的网站|谷歌学术搜索
c .荣王,y黄g .谢和l .王”自主使用粒子群优化高速四足步态的进化,”《12年举办国际研讨会(08年)举办的l . Iocchi et al .,艾德,5399卷在计算机科学的课堂讲稿苏州,页259 - 270年,中国,2009年7月。视图:出版商的网站|谷歌学术搜索
E.-S。金,黄永发。金,J.-W。金,“一代的最优轨迹升序和降序基于uDEAS人形的楼梯,”《IEEE国际会议上模糊系统,页660 - 665,济州岛,韩国,2009年8月。视图:出版商的网站|谷歌学术搜索
m·r·海纳和f·s·奥索里奥”,发展形态和物理现实的模拟机器人的步态,”24届ACM学报》研讨会上应用计算(SAC ' 09),页1161 - 1165,檀香山,夏威夷,美国,2009年3月。视图:出版商的网站|谷歌学术搜索
j . Rieffel f·桑德斯,s Nadimpalli et al .,“发展软机器人运动的物理运算引擎,”学报》第十一届年会的同伴遗传和进化计算会议,第2504 - 2499页,2009年。视图:谷歌学术搜索
l .杨C.-M。咀嚼、t . Zielinska, a n。粪便,”一个统一的两足动物步态发生器与离线优化和在线可调参数,“Robotica,25卷,不。5,549 - 565年,2007页。视图:出版商的网站|谷歌学术搜索
t·劳厄和m . Hebbel”动态仿真机器人,自动参数优化”《12年举办国际研讨会(08年)举办的卷,5399在计算机科学的课堂讲稿苏州,页121 - 132年,中国,2009年7月。视图:出版商的网站|谷歌学术搜索

应用计算智能和软计算

进化计算的理论和应用

文摘