空间冗余机械臂路径规划方法研究

针对空间站遥操作7DOF冗余机械臂路径规划的安全性、可靠性问题,提出了基于臂型角逆运动学的优化A*路径规划算法.本文根据臂型角参数化完善了逆运动学方法,得到了32组完备逆解集,增加了路径规划时逆解选择的灵活性;通过臂型角搜索和最小奇异值优化A*路径规划算法,提高机械臂避障、避奇异能力,机械臂操作的灵活性和路径的安全可靠性;同时根据路径优化策略,有效平滑了路径,减少了机械臂的磨损.仿真结果说明了该方法的有效性.     

基于改进RRT-Connect算法的机械臂抓取路径规划

本文针对机械臂在目标抓取过程中存在路径长、搜索效率低等问题,提出一种改进RRT-Connect(双树快速随机扩展连接树)路径规划策略.首先,为了降低传统RRT-Connect路径搜索的随机性,增加目标偏执策略,同时引进极致贪婪函数,提高其收敛速度.其次,利用Dijkstra算法进行路径优化,得到最小路径,再引用B样条函数对此路径进行平滑处理.最后,将改进RRT-Connect和Dijkstra算法相融合,对三维机械臂进行仿真研究.仿真结果表明,本文提出的规划算法对串联机械臂的实际使用具有参考价值.     

改进RRT-人工势场法的机械臂堆垛运动方法

快速拓展随机树算法(RRT)在机械臂路径规划中存在随机性强、搜索效率低、规划路径长等问题,不能在货柜堆垛场景中取得相对最优的光滑路径.对此,该文提出了一种改进RRT-人工势场法混合算法进行货柜堆垛机械臂运动规划.首先,对传统快速拓展随机树算法进行改进,在传统快速拓展随机树算法的全局搜索的基础上引入目标搜索,增强了随机树...     

基于遗传算法的机械臂实时避障路径规划研究

针对模块化机械臂在运行时可能与工作空间中的障碍物发生碰撞的问题, 提出一种基于遗传算法的避障路径规划算法。首先采用D-H(Denavit-Hartenberg)表示法对机械臂进行建模, 并进行运动学和动力学分析, 建立机械臂运动学和动力学方程。在此基础上, 利用遗传算法分别在单/多个障碍物工作环境中, 以运动的时间、移动的空间距离和轨迹长度作为优化指标, 实现机械臂避障路径规划的优化。通过仿真验证了基于遗传算法的机械臂避障路径规划算法的有效性与可行性, 该算法提高了运行中的机械臂有效避开工作空间中障碍物的效率。     

基于改进灰狼算法的机械臂力矩最优轨迹研究

针对求解机械臂关节驱动力矩最小化问题，提出一种改进灰狼算法（GWO）对机械臂关节驱动力矩进行优化。首先，以五次多项式对机械臂进行轨迹插值，以机械臂各关节的角度、角速度、角加速度为约束条件，以各关节最小驱动力矩均值和为目标函数，建立了I力矩最优轨迹规划问题的数学模型；其次，为提高传统灰狼算法(GWO)的性能，提出了一种基于非线性控制参数策略的改进灰狼算法，用GWO对I机械臂运行轨迹进行优化求解，得到机械臂关节力矩均值和最小的运行路径，并与GWO、粒子群算法（PSO）进行对比。仿真实验表明，GWO收敛时间更短，所得最优力矩和更小，且规划出的机械臂各关节角度、速度曲线光滑、加速度曲线连续，验证了该力矩优化方法的有效性。     

改进的快速扩展随机树路径规划算法

针对快速扩展随机树(RRT)路径规划算法缺乏稳定性和偏离最优解的问题,提出了一基于RRT的偏向性路径搜索算法(m-RRT).m-RRT采用生成随机点向量组的形式对随机点选取策略进行了优化,改善快速扩展随机树的不确定性,减少不必要的扩展,而加快向目标位置搜索的速度,且得到的路径优于RRT算法的结果.通过其在二维平面路径规划和三维机械臂路径规划的测试,表明其具有一定的应用价值.     

基于改进RRT算法的机械臂路径规划

针对快速探索随机树(RRT)路径规划算法缺乏导向性和规划空间增大时算法时间复杂度高的问题,提出一种目标概率偏置与步长控制的改进RRT算法(I-RRT)。I-RRT结合目标概率偏置,以一定概率使采样点偏置为目标点,提高路径规划的导向性,并引入步长控制优化算法,提高运算效率,优化路径。在MATLAB平台建立了算法的仿真实验,结果表明:I-RRT的导向性与算法时间复杂度均优于经典的RRT算法;并在ROS平台上搭建了六自由度机械臂的避障规划与控制实验,实验验证了该算法的有效性。     

基于PSO的空间机械臂轨迹规划技术研究

研究机器人的机械臂轨迹优化问题,空间机器人系统的机械臂和基座之间存在动力学耦合,基座姿态稳定性容易受到机械臂运动的反作用干扰.为了使空间机器人系统的姿态稳定性不受的影响,提出了一种基于PSO(粒子群优化算法)的参数化5-3-5轨迹规划方法.利用PSO的优化能力找到合适的参数组合,进行关节空间轨迹规划.通过对比实验,运用动力学仿真对方法的有效性进行了验证.仿真结果表明,方法规划出的轨迹运动光滑,且按段轨迹运动机械臂对基座姿态的扰动符合预期要求,证明规划轨迹的有效性.     

模拟退火遗传算法在机械臂路径规划中的应用

为研究机械臂的路径规划问题,将传统的退火算法与遗传算法相结合,提出了一种改进的模拟退火遗传算法.该算法不仅能自适应改变遗传过程中的交叉概率和变异概率,还加入了局部退火操作,对每代子种群进行退火处理以克服路径规划过程中陷入局部最优的问题.此外,引入整体退火观念,在整个进化过程中,随着温度的降低,不断拉伸适应度函数提高算法效率.将该算法应用于实验室自主研制的七自由度轻型冗余机械臂上,以时间冲击最优为目标进行轨迹规划.实验表明,该算法可以在保证各项约束的条件下获得最优路径.     

冗余自由度协作机器人运动规划研究

针对传统快速探索随机树(Rapidly Exploring Random Tree,RRT)路径规划算法在新枝点扩展上缺乏目标性和时间复杂度高的问题,以具有偏置构型的7自由度冗余机器人Rethink Sawyer为研究对象,利用引力势函数,对新枝点的扩展进行调节,提出了具有导向性的变步长双向RRT扩展算法完成协作机器人运动规划.采用阻尼最小二乘Newton-Raphson方法对Sawyer机器人逆运动学进行数值求解.通过机械臂运动学模型和运动规划算法仿真、ROS平台的运动规划实验,验证了改进RRT算法进行路径规划的正确性,在操作过程中有效地避免了与约束框架碰撞,降低了机械臂运动规划的时间复杂度.     

基于SA-PSO的多态路径测试数据生成方法

目前测试数据生成方法多数未考虑到面向对象软件的多态特性,无法运用生成的测试数据对程序的多态信息进行充分的测试。根据多态路径测试数据生成的要求,提出了一种应用模拟退火—粒子群优化(simulated annealing-particle swarm optimization,SA-PSO)混合算法在多态路径测试中生成测试数据的方法,并通过多态性实例对基本粒子群算法、遗传算法、PSO-GA（particle swarm optimization-genetic algorithm）和SA-PSO算法在相同条件     

机械臂最优运动规划问题的混合求解

提出一种基于GA和SQP求解机械臂最优运动规划问题的混合算法．首先采用B样条函数逼近关节运动轨迹，将最优控制问题转化为有约束的非线性规划问题，然后引入基于种群的GA算法，给出全局最优解的初始估计；最后利用序列二次规划(SQP)得到高精度全局最优解．仿真结果表明该方法优于单纯的GA或SQP方法。     

NSGA-Ⅱ在蛇形机器人中的优化与控制

研究蛇形机器人蜿蜒运动步态的优化与控制问题。结合摩擦力模型,并分析蛇形机器人运动步态模型,根据基于闭环反馈的控制系统结构运用PID控制器对其步态进行跟踪控制,在此基础上采用基于非支配排序遗传算法(NSGA-Ⅱ)对步态进行优化,该优化方法实现对闭环反馈跟踪控制系统的参数优化。仿真结果表明,NSGA-Ⅱ算法能达到变量优化目的,在功率和速度之间寻找最优值,对于解决蛇形机器人运动步态多目标优化问题是可行有效的。     

一种加权距离连续K中心选址问题求解方法

K中心选址作为一种经典问题,学者们提出了很多好的解决方法,但是对于加权距离连续K中心选址问题的研究一直没有很好的进展.本文针对连续K中心选址问题,以最小加权距离作为优化目标提出改进的粒子群优化算法(SA-PSO).本文将模拟退火机制引入PSO算法并且加入惯性权重等策略对算法进行改进,使得该算法可以更快收敛于全局最优.仿真实验结果表明,SA-PSO算法相比于GA算法和K-means算法,具有更强的稳定性,收敛速度更快,并且优化得到的加权距离更小.     

融合环境信息和运动约束的改进A*算法研究

标准A*算法存在着无法考虑移动机器人运动特性及处理后的路径不利于移动机器人运动等问题。针对这一问题提出了一种新改进A*算法,通过环境信息引入障碍物权重系数来改进算法的启发函数并进行全局路径规划;优化搜索节点的选取方式和设定障碍物与路径之间的安全距离;基于对移动机器人的运动特性的考虑优化其路径,并在不同环境地图中与其他算法进行仿真实验对比分析。相关实验表明：基于新改进A*算法规划的路径始终与障碍物保持一定的安全距离;改进A*算法在时间上相比标准A*算法平均减少了80%,路径长度平均减少了2%,路径转角平均降低了82%。改进后算法相比其他算法在时间、搜索节点以及平滑度上有很大的改进,融合机器人环境信息和运动特性的规划路径算法可为移动机器人的路径规划提供一种新的方法。     

基于模拟退火算法的粒子群优化算法在容器调度中的应用

随着互联网产业的发展,虚拟机创建速度慢、不易扩展、灵活性不足等缺点越来越凸显,容器技术的出现为这些问题提出了一种新的解决思路;而现有的调度算法仅考虑容器云集群中工作节点的内存、CPU等物理资源,没有考虑对容器云调度后的镜像分发过程有明显影响的网络负载率,导致容器调度任务等待时间过长,造成数据中心的资源浪费;鉴于粒子群优化算法在局部开采能力和全局探测方面有较强的优势,提出了一种基于模拟退火算法的粒子群优化算法(SA-PSO,simulated annealing particle swarm optimization algorithm)的容器调度算法,通过使用模拟退火优化粒子群算法使其在算法初期跳出局部最优情况,提升算法性能;在Kubernetes平台实验过程中,SA-PSO调度算法相比Kubernetes的BalancedQosPriority算法,提升了整体节点资源利用率,显著减少任务最少等待时间;同时与标准PSO算法以及动态惯性权重PSO算法进行对比,不仅收敛能力有显著提升,并且相较标准PSO算法全局最优节点命中率提升近60％.     

BP-MPSO混合算法在机器人空间路径中的应用

在对PUMA机器人空间路径进行BP算法环境建模与目标建模的基础上,针对传统粒子群优化（PSO）算法搜索空间有限、容易陷入局部最优点的缺陷,提出了一种改进的粒子群优化（MPSO）算法。该算法引入了基于全局信息反馈的重新初始化过程机制,并对PUMA机器人空间路径进行了优化。仿真实验表明,该算法的应用不仅降低了求解逆运动方程的难度,还能得到全局最优解。显著地提高了PUMA机器人空间路径优化的效率。     

基于参数化最优的仿人机器人倒地运动控制

针对仿人机器人的倒地运动控制,用经典的参数化优化方法求得最优控制函数的一个近似解．然后, 利用参数化控制及强化技术,基于几个分段的常数去逼近最优解,再将最优控制问题转化为一系列参数优化问题． 利用该方法提出了仿人机器人倒地优化控制算法,并与遗传算法进行了比较．最后,通过仿真对算法进行了验证．     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

云环境下基于SLA的优化资源分配研究

针对云计算环境下如何高效分配资源,实现资源供应者利润最大化这一难题,提出了一种基于服务级别协议（SLA）的动态云资源分配策略。该策略通过将SLA中的计算力、网络带宽、数据存储等属性作为优化参数,构造了一种服务请求与资源的映射模型,同时设计相应的效用函数,并结合改进的与模拟退火算法相融合的混合粒子群算法（SA-PSO）,实现云环境下的优化资源分配。实验分析结果表明,基于SLA参数的SA-PSO算法具有更好的全局最优值,在给定虚拟资源相同情况下,调用该算法完成用户任务实现的利润更高。