Evoluční algoritmy pro řízení heterogenních robotických swarmů
Evolutionary Algorithms for the Control of Heterogeneous Robotic Swarms
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/100980Identifikátory
SIS: 180920
Kolekce
- Kvalifikační práce [10690]
Autor
Vedoucí práce
Oponent práce
Balcar, Štěpán
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Programování a softwarové systémy
Katedra / ústav / klinika
Katedra teoretické informatiky a matematické logiky
Datum obhajoby
22. 6. 2018
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Velmi dobře
Klíčová slova (česky)
hetorogenní robotická hejna, evoluční algoritmy, evoluční strategie, diferenciální evoluceKlíčová slova (anglicky)
heterogeneous robotic swarm, evolutionary algorithms, evolution strategies, differential evolutionRobotická hejna se často díky svým dobrým vlastnostem používají při řešení rozličných úkolů. Řada prací zabývající se touto problematikou používá pro optimalizaci řízení robotických hejn evoluční algoritmy, ovšem z pravidla hejna tvoří pouze homogenní jedinci. Tato práce se zaměřuje na použití evolučních algoritmů v případě heterogenních robotických hejn. Pro nalezení optimalizující metody byla implementována simulace 2D prostředí, které umožňuje tvorbu vlastních scénářů pro robotická hejna a také umožňuje použití na řešení těchto scénářů evolučních algoritmů. Navržená metoda podúkolů používající diferenciální evoluci a evoluční strategie byla otestována ve třech rozličných scénářích.
Robotic swarms are often used for solving different tasks. Many articles are focused on generating robot controllers for swarm behaviour using evolutionary algorithms. Most of them are nevertheless considering only homogenous robots. The goal of this thesis is to use evolutionary algorithms for behaviours of heterogeneous robotic swarms. A 2D simulation was implemented to explore swarm controller optimization methods with the ability to create custom scenarios for robotic swarms. We tested differential evolution and evolution strategies on three different scenarios.