मल्टी-रोबोट मल्टी-टारगेट ट्रैकिंग परिदृश्यों में स्टोकास्टिक ऑप्टिमाइजेशन रणनीतियों की तुलना

सार यह पत्र स्टोकास्टिक ऑप्टिमाइजेशन रणनीतियों का एक तुलनात्मक अध्ययन करता है ताकि मल्टी-रोबोट सिस्टम एक अज्ञात संख्या के लक्ष्यों की खोज कर सकें और उन्हें ट्रैक कर सकें। प्रत्येक रोबोट एक शोर वाले सेंसर से लैस है, जिसमें सीमित फील्ड ऑफ व्यू (FoV) है। रोबोट्स संभाव्यता परिकल्पना घनत्व (PHD) फिल्टर के एक वितरणित संस्करण का उपयोग करते हैं ताकि लक्ष्यों की संख्या और राज्यों का अनुमान लगाया जा सके। यह ऑनलाइन लक्ष्य अनुमान विभिन्न खोज रणनीतियों द्वारा प्रत्येक रोबोट के लिए क्रियाएँ चुनने के लिए उपयोग किया जाता है। हम लॉयड के एल्गोरिदम, वितरणित खोज के लिए एक पारंपरिक विधि, की तुलना चार स्टोकास्टिक ऑप्टिमाइजेशन तकनीकों से करते हैं: पार्टिकल स्वार्म ऑप्टिमाइजेशन (PSO), सिम्युलेटेड एनीलिंग (SA), एंटी कॉलोनी ऑप्टिमाइजेशन (ACO), और आर्टिफिशियल इम्यून सिस्टम (AIS)। प्रत्येक विधि को एक एकल वैश्विक ऑप्टिमम खोजने के पारंपरिक मामले से सभी स्थानीय अधिकतम (लक्ष्यों) का स्थान ढूंढने के लिए अनुकूलित किया गया है। हम विस्तृत सिमुलेशनों के माध्यम से यह प्रदर्शित करते हैं कि ये तकनीकें खोज क्षेत्र का बेहतर कवरेज और बेसलाइन लॉयड के एल्गोरिदम की तुलना में अधिक सटीक लक्ष्य स्थानीयकरण प्रदान करती हैं। हम प्रत्येक विधि की ताकत और सीमाओं पर भी चर्चा करते हैं, जो प्रैक्टिशनर्स को विशिष्ट परिचालन कारकों, जैसे कि मल्टी-रोबोट सिस्टम में संचार लोड के आधार पर सबसे उपयुक्त रणनीति के चयन में सहायता करते हैं।