基于量子粒子群优化算法的机器人运动学标定方法

基于量子粒子群优化算法,提出一种同样适用于串联机器人和并联机器人的运动学标定方法。利用闭环矢量链方法和Denavit-Hartenberg矩阵法,分别建立并联机器人和串联机器人的运动学误差模型,将运动学误差模型内的几何误差源作为相应的机构参数修正量。由于机器人运动学误差模型表现有较强的非线性,因此确定模型内的机构参数修正量为优化变量,将机器人运动学参数标定问题转化为非线性系统的优化问题。采用量子粒子群优化算法对优化问题进行求解,利用优化获得的参数修正量更新运动学模型,以达到提高机器人运动精度的目的。以五轴并联机床的平面约束机构为研究对象,通过试验验证该标定方法的标定效果,并与模糊插值标定方法进行比较分析,结果表明在较大的工作空间内基于量子粒子群优化的运动学标定方法更为有效。     

基于粒子群优化算法的工业机器人与外部轴标定

提出一种新的标定方法标定外部轴工作台与机器人工具间的坐标转换关系。该方法分为三步：首先,建立系统的数学模型,并根据模型标定机器人手腕与接触式距离传感器间的坐标转换关系,从而机器人和距离传感器组成机器人测量系统。然后,按预定程序移动检测目标,利用标定好的机器人测量系统测量并采集数据,初步标定出外部轴的转轴和俯仰两轴与机器人基础坐标系间的转换关系。最后,确定优化的目标函数,利用粒子群优化算法优化关键参数以提高系统的整体精度。试验结果验证了该标定方法的有效性。     

粒子群优化算法及其在结构优化设计中的应用

介绍了粒子群优化算法的原理和实现方法,分析了该算法的主要参数对搜索方向的影响。将粒子群优化算 法与遗传算法在优化过程和搜索技术方面进行了对比。利用粒子群优化算法与遗传算法分别对测试函数和桁架结 构优化设计问题进行求解,将两种算法的计算结果进行了对比。计算结果表明在满足相同的计算精度的前提下,粒 子群优化算法的效率更高,利用粒子群优化算法可求解机翼结构优化设计问题,因此,粒子群算法是一种有效的优 化方法,适用于大型复杂结构优化设计。     

基于粒子群-拟牛顿混合算法的管道机器人定位

针对管道机器人定位问题,通过磁偶极子理论建立了以极低频电磁脉冲为检测手段的定位模型,推导出了定位模型的非线性方程组.在此基础上设计了基于粒子群优化-拟牛顿混合算法用于定位方程组的求解,提高了管道机器人的定位精度,避免了粒子群优化算法局部精细搜索能力差和拟牛顿算法对初值敏感的不足.数值仿真与实验结果验证了管道机器人定位模型和数值算法的有效性和可行性,实验定位平均误差满足管道机器人工作中定位的需要,采用改进的混合算法后,平均定位误差在x、y、z三个方向上分别降低了4.19 cm、3.81 cm、4.65 cm,提高了定位精度.     

置换流水车间调度粒子群优化与局部搜索方法研究

采用粒子群优化算法求解置换流水车间调度问题,提出了一种基于工件次序和粒子位置的二维粒子编码方法.为提高粒子群算法的优化性能,在描述了面向置换流水车间调度问题的粒子邻域结构后,提出了三种基于粒子邻域操作的局部搜索方法,分别是基于互换操作、基于插入操作和基于逆序操作的局部搜索方法.计算结果说明,粒子群算法的优化性能好于遗传算法和NEH启发式算法.三种局部搜索算法均能有效地提高粒子群算法的优化性能,采用基于互换操作局部搜索的粒子群算法的优化性能要好于其它两种局部搜索算法.     

基于全局代价函数优化的立体标定方法

提出了一种基于全局代价函数的立体标定方法.以张正友的单日摄像机标定算法为基础,同时选择合适的径向畸变模型,将左右摄像机的内参数、摄像机与标定板之间的外参数、镜头畸变系数,以及两个摄像机之间的外参数标定相互融合,使用一种约束性更强的全局代价函数作为优化目标进行非线性优化,经过一次优化便可以得到立体视觉系统中的摄像机参数.与通常的立体标定方法相比,该方法在目标函数中引入了左右摄像机之间外参数保持不变这一约束条件,从而使得重投影残差更小、标定精度更高,并且整个算法具有更强的鲁棒性.对比实验结果证明,这种基于全局代价函数优化的标定方法具有精度高、标定结果稳定等优点.     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性，分析了其优化机理，并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中，利用遗传算法中的交叉操作作为粒子间的信息交换策略，利用遗传算法中的变异操作作为粒子的随机搜索策略，而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛，迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明，本算法可有效地求解作业车间调度问题，验证了广义粒子群优化模型的合理性。     

Maklink环境下机器人导航路径的蛙跳多种群粒子群优化

为了减少机器人导航路径长度和优化时间,提出了基于蛙跳多种群粒子群算法的路径规划方法。建立了机器人工作环境的Maklink模型,首先使用MS算法搜索出若干最短路径,然后提出了蛙跳多种群粒子群算法进行路径二次优化。将蛙跳算法的深度搜索思想引入到粒子群算法中,提出了多种群粒子群算法的分群方法、更新策略和合作机制,进而给出了基于蛙跳多种群粒子群算法的机器人导航路径优化方法。经过仿真验证,蛙跳多种群粒子群算法具有最佳的优化效果,最短路径长度比MSCPSO算法减少了3.82%,比PSO算法减少了5.46%;另外,蛙跳多种群粒子群算法的运行时间比MSCPSO算法减少了25.53%,比PSO算法减少了18.79%。     

混沌压缩非线性粒子群算法求解车间调度问题

针对大规模车间调度问题,提出了一种混沌压缩非线性粒子群算法。首先运用多种群策略增加粒子多样性,结合混沌策略和非线性策略改进惯性权重,以平衡全局和局部搜索能力,加快算法后期收敛速度;再引入压缩因子改进算法速度更新公式,加大算法前期搜索范围,以防止算法陷入局部最优;最后用6种车间作业经典算例分别对粒子群算法、遗传算法、灰狼算法和混沌压缩非线性粒子群算法进行检验。实验结果表明,该方法可以显著提升粒子群算法的收敛精度和速度,对于实际大规模车间调度问题适应性较好,能有效提高车间的生产效率。     

基于粒子群算法的摄像机标定过程优化

摄像机标定为机器视觉在物体位姿与姿态的测量过程中最重要一环,其映射物体三维空间与二维图像之间关系是一个复杂非线性最优化问题。为了更好地解决这一复杂优化问题,阐述了利用粒子群优化(PSO)算法计算摄像机标定过程的一种优化方法,重点描述了PSO算法的原理,单目视觉测量系统,以及基于CMOS摄像机的成像模型及其原理和算法。通过图像软件提取靶体模型上特征控制点,及摄像机标定算法建立了相应的计算公式。结合PSO算法优化像机外参,实验结果表明,PSO算法计算准确、速度快,具有很强的工程应用价值。     

Intelligent Optimization Methods for the Design of an Overhead Travelling Crane

In design optimization of crane metal structures, present approaches are based on simple models and mixed variables, which are difficult to use in practice and usually lead to failure of optimized results for rounding variables. Crane metal structure optimal design(CMSOD) belongs to a constrained nonlinear optimization problem with discrete variables. A novel algorithm combining ant colony algorithm with a mutation-based local search(ACAM) is developed and used for a real CMSOD for the first time. In the algorithm model, the encoded mode of continuous array elements is introduced. This not only avoids the need to round optimization design variables during mixed variable optimization, but also facilitates the construction of heuristic information, and the storage and update of the ant colony pheromone. Together with the proposed ACAM, a genetic algorithm(GA) and particle swarm optimization(PSO) are used to optimize the metal structure of a crane. The optimization results show that the convergence speed of ACAM is approximately 20% of that of the GA and around 11% of that of the PSO. The objective function value given by ACAM is 22.23% less than the practical design value, a reduction of 16.42% over the GA and 3.27% over the PSO. The developed ACAM is an effective intelligent method for CMSOD and superior to other methods.     

基于改进粒子群算法的隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出一种基于改进粒子群算法的隐式广义预测控制算法(IGPC)。粒子群算法(PSO)是一种基于群体的智能优化算法,解决受约束的优化问题具有精度高、收敛速度快等优点;为了避免粒子群算法陷入早熟,提高精度,引入细菌觅食算法中的自适应迁徙机制。在隐式广义预测控制的滚动优化环节引入改进粒子群算法,弥补了传统GPC在处理受约束控制问题上的缺陷。仿真结果表明了该方法的有效性和良好的控制性能。     

基于改进粒子群算法的供应商参与可靠性设计优化

研究供应商参与下的汽车产品子系统可靠性设计的优化问题,考虑供应商参与产品设计的可信度因素,建立以最大化系统的可靠度和供应商的可信度为优化目标的多目标数学规划模型。通过加权的方法把多目标优化模型转化为单目标非线性整数规划模型。采用粒子群(Particle swarm optimization,PSO)算法进行求解,提出适用于“零部件—供应商”关系的离散粒子编码方法。设计带有自适应动态惩罚项的适应度函数,把优化问题转化为无约束优化问题,并将粒子的搜索范围扩展到近可行解空间,进而较好地改进了算法的搜索速度和收敛性能。以某中级轿车传动系统零部件可靠性设计的优化问题为实例,进行仿真研究,应用质量功能展开和模糊评判的方法生成了零部件的权重和供应商可信度初始数据值,仿真结果验证了所提出PSO算法的实用性和有效性。     

基于粒子群算法的并联机器人运动学正解研究

并联机器人运动学正解问题由于涉及到求解非线性方程组问题而不易解决。在对粒子群算法研究的基础上,对其进行改进,以提高全局搜索能力。同时结合外点罚函数法,对并联机器人运动学正解问题重新进行建模,以便于使用粒子群算法进行求解。结合二者形成新的正解求解方法。最后使用该方法,以一台并联机器人为对象进行研究,获得了其运动学正解。     

改进粒子群优化算法在工程优化问题中的应用研究

粒子群优化（PSO）算法是一种群集智能方法，它通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。在对于粒子群群体构造和粒子多样性对收敛速度和精度影响的研究基础上提出了一种改进型粒子群优化算法。针对工程中的有约束的优化问题，将改进粒子群算法与函数法相结合进行求解。计算实例表明改进型粒子群优化算法大大改善了传统PSO算法的全局收敛性能，解的精度提高了很多。     

基于粒子群优化算法的小型足球机器人路径规划

为了解决足球机器人无法躲避动态障碍物和容易陷入局部极值的问题,在深入研究粒子群优化算法的基础上,提出了采用栅格法与粒子群优化算法相结合的路径规划算法。首先采用栅格法对小型足球机器人工作环境构造模型,再利用改进的粒子群优化算法进行最优路径搜索。该算法实现简单,收敛速度快,不易陷入局部极值,不仅能够满足足球机器人实时动态的路径规划要求,而且能满足不同环境下的路径规划要求。仿真实验表明,该方法可以很好地应用于足球机器人的路径规划中。     

CS-PSO算法在贝叶斯网络结构学习中的应用

针对传统的贝叶斯网络(Bayesian network, BN)结构学习算法运行效率低、算法易早熟、学习效果不理想等缺点,选取布谷鸟(Cuckoo search, CS)和粒子群(Particle swarm optimization, PSO)智能算法,结合BN结构特点,提出了一种CS-PSO的BN结构学习算法。首先,对CS算法从以下三个方面进行改进:利用最大支撑树来指导CS算法的初始化方向,利用解的适应度来调节解的寻优及舍弃过程,利用PSO算法来进行CS算法的位置更新。其次根据BN的结构特征,将CS-PSO算法应用于BN的结构学习。最后采用chest clinic、 credit和car diagnosis三种经典网络作为仿真模型,进行贪婪算法、 K2算法、 CS算法和CS-PSO算法的建模和仿真比较。结果表明, CS-PSO算法在BN的结构学习中,收敛速度快、收敛精度高且稳定性好,可以更快、更优地得到精确的贝叶斯网络结构模型。     

多工位装配序列粒子群优化算法

针对传统单工位装配序列求解上的不足,将粒子群算法应用于多工位多目标装配序列优化的求解,提出一种面向复杂多工位产品的装配序列优化方法。采用优先序列图(Assembly precedence graph,APG)来描述零件间的优先约束关系,构建优先关系矩阵、装配干涉矩阵、工位能力表和装配信息表,描述装配部件干涉及工位之间的关系;给出粒子群算法编码体系和装配关系算法模型表达方法;综合考虑装配操作成本、装配工具更换成本和装配夹装变更成本和运输成本的影响,提出有工程意义的适应度函数的表达式;根据APG生成随机的可行初始装配序列,并利用粒子群算法(Particle swarm algorithm,PSO)对装配序列和装配工位进行优化。以飞机起落架装配序列规划实例验证多工位粒子群装配序列优化算法有效性。     

自适应SA-PSO优化的威布尔混合分布参数估计方法及应用

针对采用传统参数估计方法得到的模型拟合误差较大的问题，建立多重威布尔混合分布参数估计的非线性最小二乘模型，并提出基于模拟退火（SA）思想的自适应粒子群（PSO）算法进行求解。在PSO算法优化过程中，采用自适应方法调整惯性权重和加速因子，加快其收敛速度；引入模拟退火机制，根据Metropolis准则确定最优粒子的取舍，改善其全局搜索能力。将该方法应用到某型柴油机喷油器失效分布的参数估计中，并与图解法、基于Levenberg-Marquardt的非线性最小二乘法、标准PSO算法、自适应PSO算法求解的结果进行比较，分析所提方法的优化性能及精度。结果表明，该方法能够有效提高多重威布尔混合分布模型参数估计的精度和效率。