基于改进粒子群算法的机械臂轨迹规划研究

为提高机械臂的适用性和工作效率,针对机械臂关节空间时间最优轨迹规划问题,在研究传统的多项式插值轨迹规划方法基础上,结合改进的粒子群优化算法,通过动态调整学习因子,结合线性惯性权重,改善传统粒子群算法容易陷入局部最优的缺点,快速准确得到最优解;在机械臂工作空间中选取可到达的路径点,获取路径点处的关节角度,采用3-5-3分段插值多项式法规划机械臂的运动轨迹,同时利用改进粒子群算法优化轨迹的运行时间,得到平滑、连续且时间最优的运动轨迹曲线。Matlab仿真实验结果验证了该方法进行轨迹规划的可行性和有效性。     

自由漂浮空间机器人力矩最优轨迹规划算法

针对自由漂浮空间机器人的轨迹规划问题,提出一种基于粒子群优化算法的机械臂关节角驱动力矩最优轨迹规划算法.首先通过对自由漂浮空间机器人系统的动力学方程进行分析,给出了以机械臂关节角驱动力矩为目标函数的轨迹最优控制算法,并采用高阶多项式插值方法逼近机械臂关节角轨迹,结合粒子群优化算法对机械臂关节角轨迹进行优化求解.数值仿真表明,规划出的关节角轨迹平滑连续,在完成自由漂浮空间机器人姿态调整任务的同时,机械臂关节角驱动力矩降至最低.     

一种动态调节惯性权重的粒子群算法

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种动态调节惯性权重的粒子群算法.该算法对惯性权重引入随机因子并基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,平衡了算法的全局搜索与局部搜索能力,提高了算法的收敛精度.为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及动态调节惯性权重的粒子群算法在不同维度下进行测试比较.结果表明:提出的动态调节惯性权重的粒子群算法在寻优精度和成功率方面都有所提升,算法性能更具优越性.     

基于正态分布衰减惯性权重的粒子群优化算法

针对粒子群优化(particle swarm optimization,PSO)算法无法在提高收敛速度的同时避免早熟的缺陷,提出基于正态分布衰减惯性权重粒子群优化(normal distribution decay inertial weight particle swarm optimization,NDPSO)算法.以正态分布曲线作为惯性权重的衰减策略曲线,通过引入控制因子对粒子的位置进行改善,使得NDPSO算法能很好的在优化过程中平衡全局搜索和局部搜索能力.使用8个标准函数测试分别对粒子群优化(particle swarm optimization,PSO)、线性权重衰减粒子群优化(linear decay inertial weight particle swarm optimization,LDWPSO)、指数权重衰减粒子群优化(exponential decay weight particle swarm optimization,EXPPSO)、收缩因子粒子群优化(constriction factor particle swarm optimization,CFPSO)、高斯分布衰减惯性权重粒子群优化(Gaussian decay inertial weight particle swarm optimization,GDIWPSO)、基于动态加速度系数的粒子群优化(particle swarm optimization based on dynamic acceleration coefficients,PSO-DAC)、性权重自适应粒子群优化(inertia weight adaptive particle swarm optimization,简称PSO-LH)算法以及NDPSO算法进行仿真,分析他们的收敛速度和收敛精度.结果表明,NDPSO算法不管在单峰函数问题还是多峰函数问题上,总体性能都优于其他算法.     

随车吊机械臂运动学建模及逆运动学求解

根据随车吊机械臂各关节的运动特点,详细分析机械臂的运动学模型,采用齐次变换矩阵推导出系统的正运动学方程。针对随车吊机械臂逆运动学存在多解的问题,提出了一种基于改进收缩扩张因子的量子粒子群优化算法,并在算法中加入混沌搜索抑制"早熟"问题。仿真结果验证了机械臂逆解计算的有效性。     

基于动态模糊混沌粒子群算法的含电动汽车微电网多目标优化调度研究

提出一种基于动态模糊混沌粒子群算法的微电网多目标优化调度方法.利用动态目标函数与模糊理论解决多目标主观权值的缺陷,建立以运行维护成本、环境污染物成本为目标的微电网多目标调度模型.微电网多目标优化调度属于多变量、强非线性优化问题,针对传统粒子群算法求解时容易陷入局部最优等问题,在粒子初始化时,引入一种结合Chebyshev映射和Logistic映射的组合混沌映射,在粒子更新过程中,引入Logistic映射,从而增加粒子寻优的遍历性,加强算法全局优化能力.针对惯性权重在粒子群更新过程中的取值问题,采用迭代次数梯度改变惯性权重的策略.仿真结果证明了算法具有更高的收敛效率和更好的收敛效果.     

基于模拟退火PSO的电力系统无功优化

对粒子群优化算法方法进行改进,把模拟退火机制引入到粒子群优化算法方法中,提出了基于模拟退火粒子群优化PSOSA(PSO with Simulated Annealing)算法,通过适当选择种群大小、调整惯性权重系数ω和退火系数C,以温度的缓慢下降来控制粒子的寻优过程,提高了粒子群优化算法的全局收敛性,改善了粒子的局部搜索能力.建立了以网损最小为目标的电力系统无功优化模型.通过对IEEE-30系统的无功优化计算,结果表明,PSOSA算法具有更好的全局收敛性和良好的搜索能力.     

粒子群优化算法的改进与分析

介绍了基本粒子群优化算法及其原理,针对其易陷入局部极值和后期收敛速度慢的缺点,研究了基于惯性权重因子的改进粒子群优化算法。通过测试函数对固定惯性权重和时变惯性权重参数的选择进行了系统的实验,并且分析了种群规模与学习因子参数对粒子群算法优化性能的影响。     

粒子群优化算法惯性权重的一种动态调整策略

为了有效地调整粒子群优化算法的全局开拓和局部搜索能力,提出一种基于Logistic模型动态调整惯性权重的粒子群优化算法.该算法在初期保持较大的惯性权重,使其具有较大的全局开拓能力,在进化后期保持较小的惯性权重,有利于局部搜索,加速算法的收敛.通过标准测试函数的仿真实验表明：该调整策略优于线性递减的调整策略,且对于优化多峰值函数具有一定的优越性.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...