基于人工蜂群-自适应遗传算法的仓储机器人路径规划

为了规划出一条更加节能的拣选路径,针对基本遗传算法的性能依赖于初始种群的质量、遗传算子的选择、交叉和变异操作,提出一种适用于仓储机器人路径规划的人工蜂群-自适应遗传算法。首先通过人工蜂群算法初始化种群以增强种群多样性;将路径长度、转弯次数和机器人运行能耗作为适应度函数的评价指标;然后基于三角函数设计自适应策略调整的交叉、变异算子以提高算法的收敛速度。仿真实验表明,在20×20大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少5.22%;而在40×40大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少9.08%。最后实验表明,采用本文提出的人工蜂群-自适应遗传算法规划的能耗减少7.64%,且规划的路径更平滑,更加适用于仓储机器人的路径规划。     

基于改进遗传算法的自由曲面测量路径优化

为提高三坐标测量机对自由加工曲面的测点检测效率,针对传统遗传算法收敛速度慢且易陷入局部最优解的问题,引入自适应调节机制,从种群个体的适应度分布情况与个体适应度值两个方面实现交叉与变异概率的自适应参数调节,提高了算法效率,降低了早熟概率;采用贪婪交叉算子与贪婪倒位变异算子,加快了算法的收敛速度。实验结果表明,改进的遗传算法能够更高效且优质地完成自由曲面测量路径优化。     

自动导向小车与加工设备多目标集成调度的聚类遗传算法

针对AGV与加工设备的集成调度问题,在考虑AGV无冲突路径规划的情况下,建立了以最大完工时间、AGV运行时间及机器总负荷为优化目标的调度优化模型,提出一种基于时间窗和Dijk-stra算法的多目标自适应聚类遗传算法.根据算法在不同迭代时期的特点,提出一种包含自适应个体交叉概率的交叉重组策略;设计了自适应种群变异概率;引...     

基于改进自适应遗传算法的网格任务调度算法

针对网格环境动态多变性的特点,对网格环境任务调度中的遗传算法进行研究,提出一种改进的自适应遗传算法.通过对影响遗传算法行为和性能的关键参数交叉概率与变异概率进行分析,提出利用自适应思想以及表征调度性能的种群适应度对交叉概率和变异概率合理选取的自适应遗传算法,使交叉概率和变异概率能随种群适应度自动调节、改变.试验结果表明,改进的自适应遗传算法能使网格任务调度具有较好的种群自适应度,从而表明该方法的有效性.     

改进遗传算法在移动机器人路径规划中的应用研究

针对基本遗传算法解决移动机器人路径规划问题存在收敛速度慢等不足,对遗传算法进行了改进,提出了一种改进自适应遗传算法。根据进化过程中个体适应度值的大小自动调节交叉概率和变异概率,从而使算法能够跳出局部最优解,克服早熟的缺点。同时采用栅格法对机器人工作空间进行建模。对移动机器人路径规划进行仿真实验,对比结果表明:该改进的遗传算法是有效可行的,能够有效的提高机器人路径规划的质量。     

基于改进遗传算法的多直角贴装机器人路径协同规划

针对多直角机器人在大型复合结构板上协同贴片的问题,采用加入碰撞惩罚、分组进化、部分匹配交叉和自适应变异的改进遗传算法进行协同路径规划。利用MATLAB对3个直角贴装机器人进行了协同路径规划仿真实验,仿真结果表明：改进遗传算法规划出的路径更短、收敛速度更快,且无碰撞情况发生。     

生产车间布局多目标优化及其仿真分析

生产车间设备布局设计是一个组合优化问题,具有非线性、NP-hard等特性。基于车间布局的总物料搬运成本最小和车间面积利用率最大的设计原则,建立生产车间的多目标优化模型。求解该问题时,应用了自适应交叉和变异策略,即对交叉、变异算子进行非线性设计,使交叉率和变异率随种群中个体适应度值的变化而变化。实验结果表明,自适应遗传算法具有搜索速度更快、收敛精度更高等优点,适合在实际生产中应用。     

遗传参数自适应调整算法及其在液压动力系统优化控制中的应用

针对固定参数的遗传算法容易陷入过早收敛,进入局部最优状态等问题,建立了交叉概率及变异概率的模糊逻辑控制器以实现遗传算法策略性参数的自适应调整,从而提高优化算法的收敛速度及获得全局解的能力。运用常规优化方法及改进优化算法对永磁电机驱动的液压系统流量进行优化控制和对比,仿真和实验结果表明：采用遗传参数自适应调整算法优化控制器,可使系统在典型工况下,保持良好的控制性能,并且具有高于常规优化方法的控制精度和鲁棒性。     

基于多种群遗传算法的一般机器人逆运动学求解

几何结构不满足Pieper准则的机器人被称为一般机器人,其逆运动学运算不能采用封闭解法,而采用数值解法又需要庞大的计算量,且存在奇异位置无法求解的问题。为此,将多种群遗传算法应用于运动学逆解运算,提出一种适用于一般机器人的高精度并行求逆算法。为避免机器人位姿收敛精度不同,该算法将目标函数分解为位置和姿态函数,同时引入适应度函数权值系数来平衡两函数收敛速度;为避免局部收敛,该算法采用多点交叉和均匀交叉相结合的交叉算子,并逐步增大均匀交叉概率来抑制短子串偏差,使搜索趋于稳健;为提高收敛速度,该算法采用动态变异率的变异算子,以及种群替代和个体替代相结合的移民算子来克服全局收敛的盲目性。以封闭解法和数值解法无法求逆的6R一般机械臂为对象,开展与单种群遗传算法的对比试验,结果表明:该算法可在避免局部收敛的基础上保证算法稳定性,且能够大幅提升收敛精度和速度。     

自适应遗传算法在数控伺服系统控制参数优化中的应用

PID参数整定是一个多参数组合优化的问题,针对目前常用的工程整定法无法在全局范围内对PID参数进行组合优化,只能从系统的单项性能指标出发进行整定,而标准的遗传算法又容易出现过早收敛等问题,为此,提出了基于改进的自适应遗传算法的PID参数整定方法。这种方法能够随适应度值自动改变交叉概率和变异概率,这种方法既能够确保算法的收敛,也能够很好的保证种群的多样性。将该方法应用于数控伺服系统,控制效果良好,最后将Ziegler-Nichols算法与自适应遗传算法整定的PID控制系统的动态响应性能作了对比分析,仿真试验结果证明了基于自适应遗传算法的PID参数整定方法的优越性。