基于免疫蚁群优化算法的仓储任务调度北大核心

针对仓储机器人群的多目标任务分配问题,以最小距离成本为目标,建立了仓储机器人群调度方案的数学模型。以免疫算法为基础,提出了一种免疫蚁群优化算法。通过融合、改进免疫算法和蚁群算法,弥补了免疫算法因冗余信息多导致的迭代时间长、收敛速度慢以及蚁群算法初期信息素积累时间较长,速度慢的缺陷,提高了算法的效率。再多次进行对比实验,从算法运行时间,机器人群的距离成本角度验证了改进算法的可行性。     

基于改进蚁群算法的多机器人任务分配

研究了多机器人系统的任务分配方法,多机器人多任务分配是一个NP问题.针对多机器人系统在动态环境下自主任务分配问题,综合考虑任务约束及机器人的执行任务能力,采用了一种改进的蚁群算法,解决多机器人系统全局最优任务分配问题.通过对基本蚁群算法和改进的算法的仿真,验证了改进的算法实现了全局近似最优的任务分配.     

基于蚁群算法的多Agent合同网协议的刀具调度

刀具调度问题是机械加工过程中一个复杂的系统问题.基于此运用蚁群算法的基本原理,结合蚁群算法的响应阈值模型和合同网协议的理论来优化刀具调度"曲径",详细的阐述了蚁群算法多信息素原理在合同网协议的工作过程,并结合实际应用增加管理Agent重要决策因素--任务完成预测代价,建立了蚁群算法在多Agent合同网协议的刀具调度的基本模型;运用算法模型对多Agent刀具调度的过程进行全面有效的分析计算和各指标值的优化,实现调度结果的逐步优化,得出最理想调度策略.最后通过实例分析各指标参数优化,计算验证了蚁群算法的多Agent合同网协议的刀具调度的简便性、可行性、科学性.     

求解双边装配线第二类平衡问题的一种蚁群算法

双边装配线在任务分配过程中,除考虑任务先后关系约束外还需兼顾任务操作方位约束及任务操作的并行性要求。针对双边装配线第二类平衡问题提出了数学模型并构建了一种蚁群算法。此算法采用蚁群综合搜索规则、启发式任务分配规则构造一个可行解,对最优解的搜索过程提出了可行的规划方案。最后,通过为某型装载机的实例提出多组较好的平衡方案,验证了此算法的有效性。     

多模式下模具柔性作业车间调度问题研究

针对模具柔性作业车间优化调度问题,考虑了多模式对任务工期的影响,构建了以提前/拖期惩罚代价最小为目标函数的优化模型,提出了一种混合蚁群算法对问题进行求解,利用蚁群算法确定模具零件各道工序的加工中心和加工模式,由模具部件优先级确定各个加工中心上相应模具零件加工的先后顺序,最后通过算例说明算法的有效性。     

改进蚁群算法的柔性作业车间调度问题研究北大核心

为提高传统蚁群算法求解柔性作业车间调度问题的效率,提出了一种改进蚁群算法。首先,均匀分布蚂蚁的初始位置;其次,多种方法结合进行机器选择,并按照改进的工序选择方式选择下一步即将遍历的工序;最后,采用带精英策略的蚁群算法结合最大最小蚂蚁系统的信息素更新方式,既赋予较优路径以额外的信息素,同时又对路径上的信息素进行限定、从而避免算法“早熟”,进而提高解的质量。通过三个柔性作业车间调度实例进行仿真分析和与其他算法的对比,结果表明改进蚁群算法在求解柔性作业车间调度问题具有较好的优化效果和求解效率。     

基于改进多步长蚁群算法的机器人路径规划

针对移动机器人路径规划时蚁群算法稳定性不足且易陷入局部极值的问题,提出一种改进多步长蚁群算法,改进了基本蚁群算法中只能单步位移且方向固定的移动模式,从而减少路径的转向次数且缩短路径长度。针对移动机器人实际工作时可能遇到的环境坡度大的情形,在启发函数中加入高度因素,提升算法环境适应能力。采用自适应挥发机制,加快算法收敛速度及效率。结果表明：在具有变化高度的环境中,与基本蚁群算法相比,改进多步长蚁群算法规划出的路径更平缓且距离更短,更适合移动机器人工作情景。     

基于改进蚁群算法的AGV多目标路径规划

为了有效保证物流仓储环境下AGV运行的高安全、低能耗等目标,设计了一种基于改进蚁群算法的AGV多目标路径规划算法。首先,基于物流仓储环境对AGV作业需求综合分析,选取路径长度、转角和、危险率和避障等待时间等因素作为路径规划的子目标,并采用熵权法确定各子目标的权值,建立AGV多目标规划模型;其次,改进蚁群下一栅格选取方式避免顶点碰撞,并在蚁群算法中引入非支配排序算法改进信息素给予机制,使蚁群寻路时受多个子目标共同引导,将蚁群算法扩展到多个目标函数优化。仿真结果表明,所设计算法实现了AGV合理、安全、有效的多目标路径规划。     

基于双蚁群算法的双机器人路径规划方法

针对双机器人协同作业时的路径规划问题，在蚁群算法的基础上提出一种双蚁群路径规划方法。通过轮候选择机制，使2个不同的蚂蚁群能合作完成所有的作业任务。在蚁群迭代过程中，利用同种群蚂蚁之间信息素的正反馈作用，优化蚁群的移动路径；利用不同种群蚁群之间信息素的负反馈作用，降低2个蚁群之间的冲突,找到2台机器人的最优移动路径。仿真结果表明：该算法具有收敛性，能同时实现双机器人的任务分配和路径规划，且路径规划结果优于现有的双机器人路径规划算法。     

一种求解柔性作业车间调度问题的混合智能算法

提出了一种将蚁群算法、遗传算法和粒子群算法优化融合的混合智能算法,并将其应用于解决多目标柔性作业车间调度问题.采用蚁群算法寻径生成初始群体,利用遗传算法进行调度路径的优化,利用粒子群算法对蚁群算法中的信息素进行优化,优势互补.最后通过仿真实例验证了该算法的可行性和有效性.     

基于机器视觉的Baxter机器人抓取算法研究

针对传统机器人结构化示教抓取无法满足智能制造生产过程中实际抓取需求的问题,对机器人在非结构化场景下的多目标灵活抓取进行了研究,在分析了传统机器人抓取检测方法的基础上以智能协作式机器人Baxter作为操作对象,融合机器视觉技术提出了一种基于改进的Canny边缘检测和Hough变换的机器人抓取检测分类算法,并最终实现了机器人的目标抓取。通过实验证明,该算法能够有效提升Baxter机器人在完成抓取任务过程中的精准性和鲁棒性,该研究对智能制造环境下的机器人灵活抓取任务实现有着重要的案例参考意义。     

基于改进蚁群算法的移动机器人路径规划

在考虑传统蚁群算法搜索路径时存在找到收敛速度慢、拐点多且不能动态避障等问题，提出一种基于拉普拉斯分布与动态窗口融合的蚁群算法来解决机器人路径规划。首先，在启发信息中加入当前节点、下一节点以及目标节点信息，并加入动态调节因子，使得启发信息在前期引导性强，信息素在迭代后期引导性强；其次，在蚁群算法信息素更新中引入拉普拉斯分布调节信息素的挥发，加快收敛速度；对蚁群算法得到的路径进行双向冗余节点删除，提高路径平滑度，最后，将改进的蚁群算法与改进动态窗口算法融合，使机器人安全到达终点。仿真表明，在相同地图环境中，蚁群算法与基本蚁群算法相比较路径长度相比减少了26.3%,路径拐点减少了77.7%,更适用于复杂环境。     

pL级微量胶液转移分配过程的路径规划方法研究

针对pL级微量胶液转移分配过程中,移液针重复行程较多、作业效率低下的问题,通过机器视觉和改进后的遗传-蚁群算法精准快速地规划路径,提高微量胶液转移分配的效率。搭建了包括机器视觉系统、胶液分配系统和驱动控制系统在内的胶液转移实验平台。通过对采集图像的既定点位进行模板匹配得到相应位置信息,基于位置信息进行路径规划实验并将此算法与常见算法进行比较,观察其能否精确、快速地规划微量胶液转移分配的路径。实验结果表明：通过机器视觉和改进后的遗传-蚁群算法,移液针转移后形成的胶滴体积达到pL级,胶滴平均直径为68.6 μm,且准确落在既定点位上,其工作行程缩短了67.9%,作业时间大幅度降低,可有效提高pL级微量胶液转移分配的工作效率。     

基于特征分层拓扑排序和改进蚁群算法的工艺路线研究

针对工艺路线决策中多约束问题,提出了一种基于特征分层拓扑排序和改进蚁群算法的优化方法。首先分析零件的特征关系,其次将特征包含的工序元分层拓扑排序并建立加工资源最优模型,最后改进蚁群算法信息素更新规则并对工艺路线进行设计和实例验证。结果表明:与普通蚁群算法相比,采用基于特征分层拓扑排序和改进蚁群算法得到的工艺路线,满足加工顺序约束和加工资源约束,具有良好的收敛性、可靠性。     

面向人机协作中的安全物理交互仿真分析

以协作机器人Baxter为研究对象,面向人机协作中安全物理交互问题,提出利用Simscape Multibody工具箱建立协作机器人Baxter与人进行物理交互的仿真环境.针对人机协作任务中的安全物理交互问题,建立线性弹簧-阻尼系统用于模拟和计算人机协同任务过程中的接触力;利用计算力矩控制器和机器人逆动力学前馈实现机器...     

自适应蚁群算法在Job Shop调度问题中的研究

研究了Job Shop调度问题,分析了蚁群算法(ACA)与最大最小蚁群系统(MMAS)算法在解决Job Shop调度问题中的不足,提出了一种解决Job Shop调度问题的自适应蚁群算法(SACA)。此算法根据蚂蚁群体寻找路径的阶段性,使用了参数在各阶段自适应变化的策略和关键工序块邻域搜索策略,加快了蚁群算法的收敛速度,避免了早熟现象和陷入局部最优调度解,提高了蚁群算法的灵活性和鲁棒性。通过仿真实验验证了自适应蚁群算法在解决Job Shop调度问题中的性能优于蚁群算法和MMAS算法。     

基于混合蚁群算法的AGV路径规划

针对传统蚁群算法在求解自动导引运输车(Automated Guided Vehicle,AGV)路径规划时存在搜索效率低且易陷入局部最优的问题,提出了一种运用于AGV路径规划的混合蚁群算法。首先,利用可视图法建立研究问题的环境模型,在此基础上利用A~*算法规划出一条较优路径作为初始路径;其次,对蚁群算法信息素更新方式以及节点转移概率公式中的启发函数加以改进来提高算法的求解精度,在初始路径的基础上运用改进后的蚁群算法求出最优路径;最后,将混合蚁群算法应用于实际案例,通过与传统蚁群算法的搜索结果加以对比,验证了混合蚁群算法的有效性。     

基于蚁群算法的无人机协助分发数据算法

基于无人机(unmanned aerial vehicle,UAV)协作通信已成为满足下一代蜂窝用户需求的有效技术,但是UAV的有限能量供给限制UAV的应用.因此提出基于蚁群算法的UAV协助分发数据(ant colony algorithm-based unmanned aerial vehicle assist da...     

改进引导因子的精英蚁群算法航迹规划研究

针对基本蚁群算法在无人机自主航迹规划过程中容易陷入局部最优解的不足,采用对引导因子进行改进的精英蚁群算法来研究二维空间环境下无人机的全局航迹规划问题。首先选择栅格法对空间进行划分,建立静态障碍物地图并构建启发因子;其次,通过加入改进引导因子的精英蚁群算法寻找到达目标点距离最短的航迹;最后通过仿真实验对比改进引导因子的精英蚁群算法与基本蚁群算法和最大最小蚁群算法搜索的航迹优劣。     

基于层次地图模型的改进蚁群路径规划北大核心

针对大规模环境中蚁群算法存在搜索空间大、易陷入局部最优等问题,设计了一种基于层次地图模型的改进蚁群算法。首先,基于K-means聚类算法进行地图预处理并构造了由底层与高层地图构成的层次地图模型,依据当前区域精细搜索、远处区域粗略搜索的策略获取非完整路径,使高层路径为路径搜索方向提供指引;其次,将层次地图中的路径搜索策略引入蚁群算法的状态转移过程中,由此减小蚁群算法的搜索空间,同时改进了所设计蚁群算法的启发函数,提升路径平滑度;最后,仿真结果表明改进后的蚁群算法避免了传统蚁群算法易陷入局部最优的问题,在大规模环境中有较好可行性与有效性。