Resumen

Para lograr un ajuste rápido y preciso de los peces robóticos, este artículo propone un modelo de predicción de estado basado en la máquina de aprendizaje extremo optimizada por el algoritmo de enjambre de partículas. El modelo propuesto puede seleccionar acciones deseadas para los peces robóticos de acuerdo con estados predichos de manera precisa, ajustando la posición o empujando la pelota definida aquí. Específicamente, la máquina de aprendizaje extremo (ELM, por sus siglas en inglés) se utiliza para predecir el estado de los peces robóticos, a partir de las observaciones del entorno circundante actual. Dado que las salidas en ELM varían con los parámetros inicializados al azar, el algoritmo de optimización de enjambre de partículas (PSO, por sus siglas en inglés) mejora aún más la precisión y robustez de ELM al optimizar los parámetros iniciales. Los resultados empíricos en la plataforma de simulación URWPGSim2D indican que el pez

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Modelo propuesto; Pez robótico; Máquina de aprendizaje extremo; Algoritmo de enjambre de partículas; Predicción de estado; Estrategia de acción
• Keywords:Proposed model; Robotic fish; Extreme learning machine; Particle swarm algorithm; State prediction; Action strategy