基于VPS-PSO算法的装配序列规划方法

针对装配序列规划问题的特点,提出一种求解装配序列规划问题的变种群策略-粒子群优化(Various Population Strategy-Particle Swarm Optimization,VPS-PSO)算法。针对粒子群算法容易陷入局部最优的缺点,采用变种群策略,缩短进化停滞时间,提高粒子群算法进化效率,增强算法的寻优能力。并结合装配几何可行性、装配过程连续性、装配工具改变次数3个评价指标构建适应度函数,实现多目标优化。以经编机成圈传动机构装配序列规划实例验证VPS-PSO算法比较PSO算法具有更好的全局搜索能力。     

基于改进灰狼优化算法的永磁同步电机参数辨识

针对永磁同步电机中参数辨识精度低与速度慢的问题,提出了一种基于改进灰狼优化算法的参数辨识方法。首先采用Tent映射反向学习策略对种群初始化,增强初始种群的多样性;其次,设计了一种非线性变化的收敛因子;最后,采用Levy飞行策略对算法寻优过程中位置更新方式进行变异操作,以提高算法跳出局部最优的能力,降低了算法误收敛的可能性。仿真实验表明,改进灰狼优化算法对永磁同步电机中的参数精确度更高,辨识速度更快。     

基于改进遗传算法的机翼装配序列智能规划

针对飞机机翼零件多、装配方式多样且关系复杂等问题,提出一种基于改进遗传算法的飞机机翼装配序列规划方法。该方法考虑到机翼装配过程中大量梁、肋等零部件具有曲面外形的特征,通过建立装配优先关系矩阵和非正交干涉矩阵作为装配的约束条件,增加装配方向,并在此基础上以装配过程中零件的重定向次数和装配工具的更换次数为优化目标,建立起装配过程规划的数学模型。然后通过矩阵模型优化初始种群,并通过改进遗传算法的交叉和变异模式对其进行求解。最后以机翼为实例验证,其结果表明改进后的方法提高了初始种群的质量,提高了算法的搜索速度,得到的装配序列符合实际的要求,验证了该方法的可行性。     

基于改进布谷鸟搜索算法的圆度误差评定

为提高圆度误差的评定准确性和收敛速度,提出了一种改进布谷鸟搜索算法,以求解圆度误差评定问题。该改进算法根据最小区域法和最小二乘法建立圆度误差模型及计算公式,引入轮盘赌选择方法,对传统布谷鸟搜索算法莱维飞行中的步长缩放因子及重新寻窝概率进行优化。按改进布谷鸟搜索算法对数据进行仿真实验,结果表明,改进布谷鸟搜索算法与现代先进算法评定精度相当,但其收敛速度快,所需参数少。改进布谷鸟搜索算法的评定精度和收敛速度都优于传统布谷鸟搜索算法。     

基于离散布谷鸟搜索算法的拆卸序列规划方法

文章提出一种基于离散布谷鸟搜索算法的拆卸序列规划性方法,该方法以赋权拆卸混合图模型为理论基础,并以此为基础建立了可拆卸条件。首先,建立离散布谷鸟搜索算法和拆卸序列规划之间的映射关系;其次,基于最优拆卸方向分层筛选顶点集合组成初始种群;再次,利用离散Levy飞行对鸟巢位置进行变换,利用离散巢寄生行为进行鸟巢的局部调整。在达到最大迭代次数后,对属性值比较好的几个鸟巢进行解码并判断可行性,最终得到最优可行拆卸序列。以管路模型为例,分别利用离散布谷鸟搜索算法、遗传蝙蝠算法和粒子群优化算法进行了拆卸序列规划。经过比较后发现,该方法求解出的拆卸序列质量较高。     

基于改进人工蜂群算法的无人机三维航迹规划

为应对无人机遇到的复杂任务状况,提高航迹规划效率,提出一种基于改进人工蜂群算法的无人机三维航迹规划方法。为降低无人机三维航迹规划的难度,将航迹规划数学模型通过简化建模转化为函数优化问题;为提高航迹优化效率,通过改进蜜源初始化方式、引入动态评价选择策略、引入Metropolis准则等方式对传统人工蜂群算法在该问题求解中的缺陷进行改进,通过MATLAB进行20次仿真实验,验证了改进人工蜂群算法在无人机三维航迹规划中的可行性和优化效率。     

基于混沌求偶萤火虫算法的移动机器人路径规划

针对传统萤火虫算法应用于移动机器人路径规划中存在陷入局部最优和搜索精度低的问题,提出一种基于混沌求偶萤火虫算法的移动机器人路径规划方法。设计一种混沌求偶荧火虫算法,该算法采用混沌映射策略初始化种群,优化种群分布不均和搜索范围不足问题;利用求偶学习策略指导雄性萤火虫向雌性萤火虫学习,提高算法的收敛速度和求解精度。建立移动机器人路径规划的环境仿真模型,应用混沌求偶萤火虫算法进行移动机器人路径规划仿真。仿真结果表明：混沌求偶萤火虫算法比传统萤火虫算法和粒子群算法在路径长度上分别减少了3.075%和2.428%,拥有更高的搜索精度和跳出局部最优的能力。     

改进的差分进化算法在约束优化问题中的应用

针对差分进化算法求解约束优化问题存在寻优精度差和收敛速度较慢的问题,提出一种改进的差分进化算法来求解约束优化问题.首先在初始化及进化过程中利用广义反向学习(GOBL)策略产生反向种群,提高搜索效率同时加快收敛速度;其次采用自适应权衡模型计算出个体的适应值并作排序处理;最后,改进的变异策略和个体选择机制执行变异操作提高多...     

基于子装配的装配序列规划方法研究

为了提高复杂机械产品装配序列规划的效率,提出了基于子装配的装配序列规划方法.建立了基于有向约束图的装配模型,并给出了基于子装配的装配序列规划系统框架,从而将产品装配序列规划问题转化为子装配的装配序列规划问题;给出了子装配的相关定义,并从稳定性和干涉性两个方面设计了子装配的识别方法;最后,给出了系统算法流程图,并通过电机车轴承箱装配实例验证了该算法的有效性.     

基于遗传算法的机器人路径规划的种群初始化改进

针对遗传算法应用于机器人路径规划问题时随机生成初始种群的盲目性,对初始化算法进行了改进。首先在起点和终点所在行之间的各栅格行中随机选择一个自由栅格以保证路径的无障碍性,由于这些栅格组成的路径不连续,故设计了中点连接法连接间断点,最后对路径进行简化以避免重复路径。将此算法与文献[8]的自适应遗传算法在相同环境下仿真,实验结果表明:改进种群初始化的遗传算法能有效提高解的质量,提高进化速度。     

改进GWO算法求解柔性作业车间调度问题

针对以最小化最大完工时间为目标的柔性作业车间调度问题,设计一种改进的邻域搜索灰狼算法。设计一种适于灰狼算法的基于工序和机器的双层编码方案,改进种群初始化策略、灰狼变异操作以及种群更新机制;通过两点交叉操作、插入操作以及PR操作,得到GWO算法的全局搜索邻域,提出设计禁忌搜索邻域以增强GWO算法的局部开发能力。最后将所提算法在已知算例上进行仿真实验,并与其他算法进行对比。实验结果验证了改进GWO算法具有一定的优越性。     

混合策略改进鲸鱼优化算法在圆柱度误差评定中的应用

机械零件的形位精度对其互换性以及功能质量具有极其重要的影响,其中圆柱度误差是评价回转类零件精度的一个重要指标。设计一种基于混合策略改进的鲸鱼优化算法,以提高圆柱度误差在评定过程中的精度和收敛速度。首先,在初始种群的生成中引入Tent混沌映射和非线性参数,以提高解的质量;其次,为了改善算法的局部搜索能力,在螺旋式位置更新阶段引入一个自适应权重系数;最后,在随机搜寻阶段引入莱维飞行从而提高全局搜索能力。通过采用不同优化算法的实验和结果对比分析,提出的算法在圆柱度误差评定精度和速度方面均有一定提升。     

基于改进乌燕鸥算法的移动机器人路径规划

为克服传统智能算法在解决复杂环境下移动机器人路径规划问题中存在的搜索效率慢和寻优精度低等不足,提出改进乌燕鸥优化算法（ISTOA）。以乌燕鸥算法（STOA）为基础,引入Circle混沌映射机制保证初始种群的质量,提升算法初期搜索效率。同时,提出旋转式翻筋斗搜索策略,对算法的扑食位置进行更新,提高了算法的局部寻优能力。在迁徙过程中,混合正弦控制非碰撞因子和自适应Lévy飞行策略平衡了算法的全局搜索和局部搜索。通过3种不同环境下移动机器人路径规划案例验证了改进乌燕鸥优化算法的有效性。结果表明：改进乌燕鸥优化算法可快速且稳定获得全局最优路径,整体寻优能力优于其他算法,有效地解决了移动机器人在复杂环境中的最优路径规划问题。     

基于改进人工蜂群算法的无人机航迹规划研究

为应对无人机遇到的复杂任务状况,快速寻找一条可行较优航迹,通过改进初始化蜜源方式、引入模拟退火算法的Metropolis准则、引入复合形法等对人工蜂群算法进行改进,提出了一种基于改进人工蜂群算法的无人机航迹规划方法。针对无人机航迹规划问题建立数学模型,采用该改进人工蜂群算法进行寻优,并通过MATLAB进行仿真验证。仿真实验结果表明,该改进人工蜂群算法有效提高了无人机航迹规划的鲁棒性、收敛速度和精度。     

基于改进蜂群算法的焊接机器人路径规划方法研究

针对焊接机器人的运动特点及焊接工作过程中焊枪的避障问题,提出基于改进人工蜂群算法的机器人避障焊接路径规划策略。首先针对传统人工蜂群算法存在的问题,将Lévy(莱维)分布引入到人工蜂群算法侦查蜂寻找新蜜源的过程中,代替其原有0～1之间的随机分布过程,形成了基于Lévy飞行的改进型人工蜂群算法,然后将其应用到焊接机器人的路径规划问题中,并进行了仿真实验。结果表明:改进后的方法能够得到最优的焊接避障路径,且寻优速度快、过程稳定。该方法可用于解决焊接机器人避障路径规划问题。     

基于改进多目标平衡优化器算法的点焊机器人路径规划

点焊机器人在工业领域内被广泛应用,合理的焊接顺序可以提高生产效率。为了实现点焊机器人的路径最优规划,针对点焊路径和工作时间建立多目标问题模型,提出一种融合改进快速非支配排序的多目标平衡优化器算法(DMONEO)。加入快速非支配排序,并采用生存评分策略替代拥挤度因子,可以更好地保持种群的多样性,防止DMONEO过早收敛。TSPLIB基准实验结果表明,DMONEO算法相比于其他算法性能表现更好。最后在实际点焊机器人的路径规划应用中进行仿真实验并与其他算法对比,结果表明提出的算法得到的优化效果更好,耗时更短。     

基于改进APF-RRT的6R机械臂避障路径规划

针对6R机械臂在复杂环境下进行避障路径规划时成功率低、效率低等问题,提出一种改进人工势场法（APF）与快速扩展随机树法（RRT）的融合算法。对于传统APF目标不可达问题,提出引入斥力调节因子优化斥力函数,使得机械臂靠近目标点时,障碍物对机械臂的斥力逐渐减小并顺利到达目标点;针对传统RRT算法随机性过强问题,提出目标导向策略进行优化,使得采样点有一定的概率向目标点扩展;当APF陷入局部最优时,采用改进RRT算法进行路径规划,当跳出局部最优时,切换为APF继续路径规划。仿真结果表明：改进APF-RRT算法能适应各种复杂环境,且相较于传统APF和RRT算法具有规划时间短、规划成功率高等优点,有效解决了APF目标不可达和局部最小值的问题。最后通过 JAKA 机器人实验平台进行实际环境实验,验证了改进APF-RRT融合算法的可行性。     

基于改进粒子群算法的六自由度机械臂时间最优轨迹规划

针对六自由度机械臂时间最优轨迹规划问题,提出一种基于改进粒子群算法的4-3-4混合多项式插值轨迹规划算法。算法采用自适应惯性权重,它能根据搜索过程的各个阶段采用相应大小的权重,有利于跳出局部最优陷阱,保持粒子群多样性;以非线性学习因子代替传统粒子群算法中固定的学习因子,有效提高算法的收敛速度和求解精度。通过MATLAB进行仿真验证,结果表明改进粒子群算法收敛速度提高46%,寻优精度提高38%,同时机械臂轨迹规划时间缩短了大约36%,充分地证明了该轨迹规划算法的可靠性和优越性。