基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法．利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络．针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路．利用改进的蚁群算法学习神经网络．为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点．应用实例表明了该方法的有效性。提高了机器人逆运动学求解的速度和精度．     

基于改进 PSO 算法的 6R 机器人逆运动学分析

对于有封闭解的 6R 机器人的逆运动学运算,虽然可采用解析解法、数值解法,但均需要庞大 的计算量。此外,对于机械臂逆向运动学问题,经典粒子群（PSO）算法的多次仿真实验中,存在不稳定问 题和易陷入局部最优与种群单一的问题。为此,提出一种改进的 PSO 算法：引入动态权重因子,利用动态 权重调整因子结合 CMA-ES 算法步长更新方法,平衡全局搜索和局部搜索能力;引入收缩学习因子,防止 在迭代过程中陷入局部最优。并以 REBot-V-6R 机器人为例,建立了机器人的正运动学模型,将机器人的逆 运动学求解问题转换为改进 PSO 算法的寻优问题,分别对机器人的位置误差与姿态误差进行仿真。通过将 仿真结果与经典 PSO 算法和遗传算法的仿真结果进行对比,得知在求解精度和求解稳定性方面,所提改进 算法的性能明显提升,因而验证了算法的可行性与有效性。     

一种多关节履带式机器人自主越障运动规划

为提高矿难搜索机器人的自主运动能力,建立了其翻越垂直障碍的运动学模型,并且对其翻越垂直障碍的能力进行了分析,提出了一种基于嵌套人工鱼群算法的机器人自主越障运动规划方法.采用三层四组人工鱼群算法削弱4个自变量之间的耦合作用,并且利用一种快速随机搜索方法缩小关节角度的搜索范围,从而实现了满足关节角度变化最小这一优化指标的机器人越障逆运动学求解的要求.MATLAB的仿真实验证明:该方法相对传统算法可以利用更少的人工鱼数目在较少的代数内有效地得到机器人越障中每一步骤的最优关节角度值,从而为机器人的控制提供依据.利用仿真结果对机器人进行了双单元模式的自主越障运动规划实验,实验结果表明机器人能够顺利实现越障.     

基于改进蚁群粒子群算法的移动机器人路径规划

全局静态地图下,针对蚁群算法规划机器人移动路径时存在计算时间长、搜索效率低,并且得到的优化路径转弯次数过多的问题,提出了一种改进蚁群粒子群算法：首先利用粒子群算法快速得到蚁群算法初始信息素,然后进行蚁群算法路径规划,对得到的路径采用惯性优化,对每个节点进行遍历,当 ２个节点间的路径上无障碍物时,将中间节点删除,转换为优化路径。仿真实验表明,该方法与传统蚁群算法及相关改进算法相比,能有效减少迭代次数、提高搜索效率、减少转弯次数、缩短路径长度,从而提高路径质量。     

使用蚁群优化和凝聚层次的混合聚类

为了获得全局最优的高质量层次聚类结果,针对智能蚁群优化算法改进凝聚层次聚类算法,以获得高质量的层次聚类结果,提出一种新的基于蚁群优化和凝聚层次聚类的混合聚类方法.该方法使用改进的凝聚层次聚类算法和新的目标函数生成聚类的系统树图,利用内部指标评估解决方案,用智能蚁群优化算法支持的信息素反馈和信息素挥发机制控制蚁群在解决方案空间中的搜索.由于使用了元启发式优化,加快了搜索过程,避免了局部最优.在加州大学欧文分校多个数据集上的实验结果表明,新方法具备一定的可行性.     

新型煤矿救援机器人的特殊运动逆运动学

针对新型煤矿救援机器人头部单元的特殊运动（位姿调整）,提出了一种基于空间分割和遗传算法相结合的新方法求解其逆运动学.该方法能以最小的转动代价实现期望的位姿,有利于保持机器人稳定.采用二次空间分割法,解决了遗传算法搜索空间大,难以收敛到全局最优解的问题.仿真实验结果表明,采用新的逆运动学算法得出的位姿误差较小,而且关节角...     

水轮机修复机器人运动学BP仿真算法

对于具有六个关节的工业机器人,运动学逆解可能存在多种解情况,而其中只有一组解最能适应机器人的工作要求.为了找到这样的一组解,在本文中利用MATLAB神经网络工具箱,创建了一种机器人运动学算法.该算法综合考虑了机器人关节空间的限位和工作空间的避障问题,以及机械手臂可能的形态,设计了一种前向神经网络结构,并应用MATLAB对其进行训练和仿真,达到了预期效果.     

基于蚁群算法优化RBF神经网络的汽温系统控制

针对火电厂主蒸汽温度模型不确定性的问题,提出一种智能复合控制方法.采用粒子群算法优化蚁群算法参数,将改进蚁群算法对径向基神经网络PID的权值进行优化,从而实现了对主蒸汽温度的动态控制.仿真结果表明,基于改进蚁群算法优化的径向基神经网络PID控制器使被控系统具有快速响应速度和很好的抗干扰性能,证明了该方法的有效性.     

基于改进的蚁群算法的教室管理优化问题

给出了教室管理问题的一种改进的蚁群优化方法.考虑教室容量、课间距离和单双周课程等因素,对抽象出的数据按优化方向排序,将教室管理问题简化为带权二部图的完备匹配问题; 然后运用基于超立方框架的最大最小蚁群算法进行求解.为有效减少搜索空间,该算法按照教室类型对二部图结点进行分块搜索.实验表明,与基本蚁群算法相比,该算法在解决教室管理优化问题上能得到较优解.     

水轮机修复专用机器人的位姿控制方法

为实现水轮机修复专用机器人的位姿控制，依据神经网络可以逼近任何非线性函数这一特性，采用融合遗传算法的神经网络建立机器人逆运动学模型，针对机器人的结构特点，改进了神经网络的输出训练样本，设计了用遗传算法学习神经网络权系数的软件实现方法，并提出了应用轨迹插补算法取得轨迹中间点位姿．运行结果表明，该方法可大大提高机器人的位姿控制准确度，并能快速地实现位姿控制．     

Robot inverse kinematics based on FCM and fuzzy-neural network

0　ＩＮＴＲＯＤＵＣＴＩＯＮＴｈｅｉｎｖｅｒｓｅｋｉｎｅｍａｔｉｃｓｉｓｏｎｅｏｆｔｈｅｃｒｕｃｉａｌｉｓｓｕｅｓｆｏｒｒｏｂｏｔｍａｎｉｐｕｌａｔｏｒａｎａｌｙｓｉｓａｎｄｃｏｎｔｒｏｌ .Ｕｓｕａｌｌｙ ,ｃｏｍｐｕｔ ｅｒ ｂａｓｅｄｒｏｂｏｔｓａｒｅｕｓｕａｌｌｙｓｅｒｖｏｅｄｉｎｔｈｅｊｏｉｎｔ ｖａｒｉａｂｌｅｓｐａｃｅ ,ｗｈｅｒｅａｓｏｂｊｅｃｔｓｔｏｂｅｍａｎｉｐｕｌａｔｅｄａｒｅｕｓｕａｌｌｙｅｘ ｐｒｅｓｓｅｄｉｎｔｈｅｗｏｒｌｄｃｏｏｒｄｉｎａｔｅｓｙｓｔｅｍ .Ｉｔｉｓｎｅｃｅｓｓ…     

Dynamic Control for Robot Manipulator Based on the Neural Network

ＤｙｎａｍｉｃＣｏｎｔｒｏｌｆｏｒＲｏｂｏｔＭａｎｉｐｕｌａｔｏｒＢａｓｅｄｏｎｔｈｅＮｅｕｒａｌＮｅｔｗｏｒｋＳＵＮＤｉｓｈｅｎｇ；ＳＯＮＧＳｈｉｎｍｉｎ（孙迪生）（宋新民）（ＲｏｂｏｔＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＨＩＴ，Ｈａｒｂｉｎ，１...     

采用蚁群算法模拟机器人寻路的仿真实验

蚁群算法是一种基于蚁群寻找食物这一现象,实现寻路优化的算法。通过在MATLAB中进行程序设计,实现了利用蚁群算法模拟自动寻路的计算,并进一步将程序应用于简易机器人的寻路模块,初步实现机器人的寻路优化功能。     

基于融合遗传原理的蚁群算法在配电网故障恢复中的应用

本文对配电网的故障恢复问题进行了研究,提出了结合实际的配电网故障恢复目标函数,在分析了遗传算法和蚁群算法的基础上,结合遗传算法和蚁群算法的各自优点,提出了一种将遗传算法融入到蚁群算法的新策略,利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力,构造了基于遗传算法的混合蚁群算法。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,避免了不成熟收敛,有效地提高了故障恢复的速度和精度。     

蚁群算法在多机器人协作中的应用

协作是多机器人系统的关键问题,对此提出一种基于蚁群算法的多机器人系统的协作算法。在已知机器人的工作位置、工作所需时间、各项工作的重要程度以及每个机器人对各项工作的擅长程度等前提下,利用蚁群算法选择最优协作方案,使机器人所走路径最短、用时最少、效率最高。仿真结果表明,该算法具有较好的优化求解能力.     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型．但算法有求解精度低、搜索速度慢、易于陷入极小的缺点．蚁群算法是一种新型的模拟进化算法，有正反馈、分布式计算、启发性收敛等特性．这些特性使得解题过程加快，易于实现分布式计算．将蚁群算法和神经网络相结合起来，实现了非线性模型的辨识问题及倒立摆的控制．仿真实验表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能．     

基于RBF和BP网络的机器人逆运动学求解

针对传统的求逆运动学方法相当复杂以及一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由1个RBF(Radial Basis Function)网络和2个BP(Back Propagation)网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的神经网络,对输出分别求正运动学解,计算误差,选择误差最小的作为系统的输出,其中BP网络运用LM(Levenberg-Marquardt)方法进行训练.仿真表明:该方法可以有效的解决运动学逆问题,避免了传统解法中的一些棘手问题.     

基于蚁群算法的行为识别特征优选方法

为了降低特征冗余,提高移动用户行为识别的准确率,提出一种基于蚁群算法的移动用户行为识别加速度信号特征优选方法。首先对样本数据进行预处理,根据特征对不同行为的分类敏感度进行初次优选,降低特征搜索空间的维度;然后利用蚁群算法结合神经网络分类器,以特征的分类准确度为评价准则对特征集合进行了二次优选。实验结果表明,该方法优选出的特征集具有较好的识别性能。     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型.但算法有求解精度低、搜索速度慢、易于陷入极小的缺点.蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性.这些特性使得解题过程加快,易于实现分布式计算.将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制.仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能.