平面并联机构位置正解的改进粒子群算法

根据杆长约束条件,给出了求解3-RPR平面并联机构位置正解的无约束优化模型.针对标准粒子群算法容易陷入局部极值、进化后期收敛速度慢等缺点,提出了一种基于新的差异度评价指标的改进粒子群算法--自适应变异粒子群算法.采用自适应变异粒子群算法求并联机构位置正解中的优化问题.数值实例表明,改进粒子群算法能求出全部装配构型,且收敛速度较快、精度较高.     

6-SPS并联机构位置正解的改进粒子群算法

对6-SPS并联机构的运动学正解进行研究,得出6-SPS并联机构运动学正解的数学模型为一个非线性方程组.将所得的非线性方程组转化为无约束优化问题,并使用粒子群算法对其求解.针对并联机构运动学正解问题的多解性,提出改进的共享适应度粒子群算法.最后,用一个实例证明该方法是行之有效的.     

应用粒子群算法的3-RPS并联机器人机构位置正解

根据杆长约束条件,给出求解3-RPS并联机器人机构位置正解的无约束优化模型,并应用粒子群算法求解此优化问题。该算法具有控制参数少,全局优化能力较强等优点。数字实例表明,对于并联机构位置正解问题,粒子群算法收敛速度较快,精度较高。     

改进粒子群算法在并联机构位置正解中的应用

由于并联机构位置正解的求解较为复杂,利用了粒子群算法PSO优化此问题,并通过一种基于解空间划分的方法改善了粒子群算法,该算法具有控制参数少、全局优化能力强等特点,解决了传统粒子群算法中早期容易陷入局部极值、后期收敛速度慢等问题。对3-TPT并联机构的运动学正解进行研究,推导出并联机构位置正解的无约束优化模型,利用优化的粒子群算法进行模拟。实验表明,该方法提高了粒子群的整体搜索能力,在自适应的状态下,粒子群算法的收敛较快,精度较高。该研究为并联结构最优化设计及性能分析提供了一定的理论依据。     

平面并联机构位置正解的粒子群复形法

根据杆长约束条件,给出了求解3-RPR平面并联机构位置正解的无约束优化模型.结合复形法与粒子群的优点,提出了机构综合方程无约束优化求解的粒子群复形法.该方法克服了牛顿法初值不易选择的问题,同时也克服了复形法和粒子群算法易陷入局部极值而导致方程组的解精度不足的问题.平面并联机构数值实例表明文中提出的方法能求出全部装配构型.该方法具有全局搜索性,收敛速度较快、精度较高.可以满意地求出对未知数具有敏感性的非线性方程组的解.     

基于改进粒子群算法的6-PTRT并联机器人运动学研究

以6-PTRT并联机器人为研究对象,根据其结构特点及构件间的约束关系,建立该机构的位置逆解模型,进一步求出各个滑块的运动规律。然后对该并联机构进行分析,采用坐标变换法建立该机构的位置正解数学模型,并利用改进的粒子群算法进行求解,将位置正解问题转化为有约束的多元非线性方程的寻优问题,从而验证该数学模型正确。此方法高效、易收敛、不依赖初值,为6-PTRT并联机器人的轨迹规划及控制提供了理论基础。     

基于PSO-Newton的并联机构位置正解研究

并联机构位置正解可以转化为非线性方程组问题,针对这类问题的复杂性和多解性,提出将共享适应度粒子群算法和Newton迭代法相结合的求解非线性方程组的新方法——PSO-Newton算法。该方法使用共享适应度机制引导算法寻找全部最优值,以全局最优值为初始点进行Newton迭代,极大提高了算法的收敛速度,变异算子的引入保证个体多样性有助于提高全局寻优性能。最后将该算法应用于2PR2SPS并联机器人机构位置正解问题,结果表明该算法效果良好,是一种快速求解并联机构位置正解的新算法。     

基于改进粒子群算法的平面并联机构工作空间边界求解

提出了一种利用改进的粒子群优化算法(MPSO)确定平面并联机构工作空间边界的新方法。制定一个通用目标函数,在平面并联机构达到其极限点时给出最佳值。通过使用改进的粒子群优化算法找到这些点,可以构造出并联机械臂的工作空间边界。为了验证该方法的有效性,以3RRR平面并联机构为例,利用MPSO方法最优化求解,得到工作空间边界的映射;同时,研究了初始位置对工作空间搜索的影响。结果表明,初始点的选择是求解工作空间边界的关键,与离散化方法相比,MPSO搜索过程高效,所得工作空间边界点准确。     

基于粒子群算法的并联机器人运动学正解研究

并联机器人运动学正解问题由于涉及到求解非线性方程组问题而不易解决。在对粒子群算法研究的基础上,对其进行改进,以提高全局搜索能力。同时结合外点罚函数法,对并联机器人运动学正解问题重新进行建模,以便于使用粒子群算法进行求解。结合二者形成新的正解求解方法。最后使用该方法,以一台并联机器人为对象进行研究,获得了其运动学正解。     

基于粒子群算法的6-DOF并联坐标测量机测量建模

为了求解6-DOF并联坐标测量机的位置正解（测量模型）,克服数值解法求解并联机构位置正解时解的精度易受初值的影响,建立了无约束的优化模型,并使用粒子群算法对此模型进行优化。依据并联机构的位置反解模型,给出求解6-DOF并联坐标测量机位置正解的无约束优化模型,并应用粒子群算法对该优化问题进行求解,由此可将复杂的并联坐标测量机测量建模问题转换为优化问题,从而求得位置正解。仿真结果表明：80个粒子大约经过55次的迭代运算后,收敛精度可达到0.5μm,平均运行时间约为3s。粒子群算法应用于并联坐标测量机测量建模与求解,可获得较高的计算速度和计算精度。     

An improved particle swarm optimization algorithm for reliability problems

An improved particle swarm optimization (IPSO) algorithm is proposed to solve reliability problems in this paper. The IPSO designs two position updating strategies: In the early iterations, each particle flies and searches according to its own best experience with a large probability; in the late iterations, each particle flies and searches according to the fling experience of the most successful particle with a large probability. In addition, the IPSO introduces a mutation operator after position updating, which can not only prevent the IPSO from trapping into the local optimum, but also enhances its space developing ability. Experimental results show that the proposed algorithm has stronger convergence and stability than the other four particle swarm optimization algorithms on solving reliability problems, and that the solutions obtained by the IPSO are better than the previously reported best-known solutions in the recent literature.     

基于改进粒子群的虹膜定位算法

提出了一种改进的粒子群优化算法（IPSO）来解决虹膜定位问题。该算法采用两种速度更新策略来增强种群多样性并提高算法自身的收敛速度,并提出一种变异操作以阻止IPSO陷入局部最优。对虹膜内进行边缘定位时,通过搜索6条直线与虹膜内边缘的交点来获得12个边缘点;另外建立了与这12个点有关的目标函数,并用IPSO来优化该函数。根据IPSO在该函数上的应用,找到一个最合适的圆来拟合虹膜内边缘。进行虹膜外定位时,设计了一个模板来提取虹膜外边界,然后从外边界中选择12个边缘点,并同样使用IPSO找到一个最合适的圆来拟合虹膜外边缘。为了验证基于改进粒子群优化算法的虹膜定位方法（ILA-IPSO）的性能,从中国科学院自动化研究所的数据库中选择了不同个体的108幅虹膜图像。实验结果表明,ILA-IPSO算法要好于其它两种方法,该算法利用最少的定位时间获得了最高的成功率。     

一种基于改进的粒子群优化算法的神经网络PID控制器

针对多输入多输出(MIMO)复杂过程控制中控制性能偏慢等问题,对神经网络PID控制器以及PID控制理论物理机制之间的相互作用进行了研究。对神经元PID控制器隐层和输出层之间的初始权值进行了归纳,提出了一种粒子群优化算法,提高了PSO算法的收缩因子以保证优化的收敛性,并进行了Matlab仿真。研究结果表明,所提出的神经网络PID控制器的改进粒子群算法优化,在高耦合效应的复杂MIMO对象中具有良好的精度以及快速响应的特性。     

基于改进粒子群算法的PID参数整定

粒子群算法是一种基于群智能的全局寻优方法,方法简单,易于实现,寻优效果好。PID控制因其算法简单、鲁棒性好、可靠性高而被广泛应用于工业控制过程。该文提出了一种改进的PSO算法以提高其优化性能,通过典型测试函数的实验证明了该改进的PSO算法具有较好的优化性能。最后,将改进后的PSO算法应用到PID参数整定中,通过MATLAB仿真证明了该方法的可行性和优越性。     

基于改进粒子群算法的PID参数整定

提出一种改进的粒子群算法,算法中对粒子的进化方程进行了改进,以此来增加种群间信息的共享。通过典型函数的测试,验证了改进粒子群算法具有较好的优化性能。将改进后的算法应用到PID参数整定中,通过MATLAB仿真证明了该方法的可行性和优越性。     

基于改进粒子群算法的起重机箱形主梁优化设计

针对具有约束条件的起重机主梁优化设计的问题,提出了基于约束规则的粒子群算法。该算法能够在整个可行解空间进行寻优,有效避免了陷入局部最优。计算实例表明：该算法在解决此类问题时,较之传统算法具有更好的优化效果,且效果明显。     

基于粒子群算法的并行多机调度问题研究

将港口拖轮作业调度问题描述为一类带特殊工艺约束的并行多机调度问题,采用粒子群算法求解该类调度问题,提出了一种2维粒子表示方法,通过对粒子位置向量进行排序生成有效调度,并采用粒子位置向量多次交换的局部搜索方法来提高算法的搜索效率。最后,通过计算验证了混合粒子群算法的有效性。     

并行机调度问题粒子群优化研究

采用粒子群算法优化并行机调度问题,提出了基于机器和粒子位置取整的粒子编码方法和基于工件和粒子位置次序的粒子编码方法,并给出了两种不同粒子编码方法所对应的粒子群算法的步骤.通过对两个并行机算例的计算说明,基于两种不同编码方法的粒子群算法都能有效地对并行机调度问题进行优化,其中,基于工件和粒子位置次序的粒子编码所对应粒子群算法的优化性能要好些.     

一种基于微粒群优化算法的冗余机械手轨迹规划法

针对冗余机械手应用遗传算法(或免疫遗传算法)的轨迹规划所存在的不足,提出了基于微粒群优化算法的冗余机械手轨迹规划方法。利用此算法对寻优过程进行仿真研究,所得结果令人满意,与遗传算法相比,微粒群算法简单、容易,且收敛速度快。此方法能够有效地进行机械手轨迹规划,从而能够为充分发挥冗余度的作用为改善机械手运动提供新的思路。