基于ADE-Newton算法的3-RPS并联机构位置正解分析

将智能算法和数值迭代法相结合,构造一种组合式算法——自适应差分进化算法-Newton迭代(Adaptive differential evolution and Newton iteration,ADE-Newton)算法。以3-RPS并联机构为研究对象,详细阐述利用ADE-Newton算法求并联机构位置正解的原理和步骤。为了验证ADENewton算法的有效性和通用性,给出3-RPS并联机构在不同驱动杆长条件下的数值算例。仿真结果表明,ADE-Newton算法能够以较高的效率求得不同驱动杆长条件下的全部高精度位置正解。还比较了ADE-Newton、人工蜂群、粒子群和差分进化算法求3-RPS并联机构位置正解的性能,比较结果显示,ADE-Newton算法的计算效率、收敛精度、稳健性以及可靠性高于对比算法。     

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。     

6-3型Stewart平台并联机构的运动学正解

针对6-3型Stewart平台并联机构运动学正解的问题,提出了一种新型的快速数值解法,该数值法能得到一个精确的惟一解。这种方法主要是利用了6-3型Stewart平台的运动学反解的一些特性,得到一个有关杆长的微变量与动平台的微变量之间的线性方程式。再通过叠加杆长的连续的微小变量,得到6-3型Stewart平台的运动学正解。最后以反解为已知条件,通过算例进行了验证。同时采用Mathematica符号软件来提高求解位姿的计算效率。     

6—3型Stewart平台并联机构的运动学正解

针对6—3型Stewart平台并联机构运动学正解的问题,提出了一种新型的快速数值解法,该数值法能得到一个精确的惟一解。该方法主要是利用了6—3型Stewart平台的运动学反解的一些特性,得到一个有关杆长的微变量与动平台的微变量之间的线性方程式。再通过叠加杆长的连续的微小变量,得到6—3型Stewart平台的运动学正解。最后以反解为已知条件,通过算例进行了验证。同时采用Mathematica符号软件来提高求解位姿的计算效率。     

仿生移动机器人并联机构运动学正解的鱼群算法求解

基于改进的人工鱼群算法,提出了并联机构运动学正解的求解方法。构建了仿生移动机器人处于支撑状态的并联机构模型,应用螺旋理论计算了该并联机构的空间机构自由度,构建了仿生移动机器人并联机构的运动学正解模型,利用鱼群算法对正解模型的约束方程组进行设计。对鱼群算法所用数学模型进行了构建,对改进后的人工鱼群行为进行了算法描述。仿真结果表明,该人工鱼群算法具有良好的寻优性能,满足仿生移动机器人并联机构正解模型的求解要求。     

11-6合体型Stewart并联机构位置正解的半解析算法

针对6自由度并联机构的正运动学无全解析解或全解析解推导困难的现状,提出1种11-6台体型Stewart冗余并联机构,并构建了1种区别于传统全解析法和数值法的半解析算法。首先,通过构建虚拟支链,将11支链构型转换成具有低耦合度的12支链的并联机构,并基于特征点的尺度关系,推导出转换机构的全解析解;然后,运用Newton-Raphson法,数值求解了6个杆长协调方程,并分析了72种情况下迭代次数与初值偏差的关系,据此得到求解不同支链时的最优方程。     

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。     

并联机构位置正解的自适应差分进化算法

根据杆长约束条件,建立求6自由度一般6-SPS并联机构位置正解的无约束优化模型,再应用差分进化(Differential evolution,DE)算法求解该问题。针对基本DE算法可能出现进化停滞或陷入局部极值区域的缺点,提出一种引入新个体的自适应策略,以增强算法全局优化性能。将引入新个体的自适应策略融入DE算法,并使用混合变异算子及基于三角函数扰动的缩放因子和交叉因子,形成自适应差分进化(Adaptive DE,ADE)算法。数值结果表明,对于一般6-SPS并联机构正运动学分析问题,ADE算法能以较少计算开销求出全部高精度位置正解。通过与基本DE算法、自适应变异粒子群算法和改进人工蜂群算法比较,验证了ADE算法的收敛精度和计算稳健性指标优于对比算法。     

基于BP神经网络技术的3-UPU型并联机构运动学正解的研究

基于运动螺旋理论分析了3-UPU型并联机构的自由度,建立了该机构运动学逆解的显性式。依据此逆解得到的49组数据,包括驱动参数及对应输出位姿参数作为训练样本,采用BP神经网络技术对样本进行训练,获得了运动学正解的神经网络模型。最后,用训练样本以外的5组样本对所获得的正解模型进行了检测。     

基于蚁群算法的机械优化设计

介绍了蚁群算法的原理、模型和算法实现过程。说明了蚁群算法应用于机械优化计算切实可行，为复杂的机械优化设计问题提供了新的思路和方法。     

基于单开链单元的2T-2R并联机构正运动学分析

提出了空间并联机构正运动学速度、加速度分析的一种新方法———序单开链(SOC)法。该方法依据机构的拓扑结构特征,采用相同的序单开链分解线路,建立了与机构位置分析模型相统一的机构速度、加速度分析模型,得到了维数恰等于机构耦合度的并联机构速度、加速度方程。以一种2T-2R并联机构为实例,给出了其速度、加速度分析。     

蚁群优化算法研究综述

介绍了蚁群优化算法的基本原理、流程和研究现状,重点评述了近年来蚁群优化算法在组合优化和连续优化两个领域的研究现状,并展望了这一领域的研究方向。     

蚁群算法的理论与应用

介绍了一种求解复杂组合优化问题的新的拟生态算法——蚁群算法。阐述了该算法的基本原理、几种改进蚁群算法以及蚁群算法在TSP问题、job-shop调度问题、大规模集成电路布线、电信网络路由等各种组合优化问题中的应用。     

蚁群算法在一维下料优化问题中的应用

研究了一维下料优化问题,建立了一维下料的双目标多约束数学优化模型,并给出了求解模型的蚁群算法的具体实现过程;针对模型的特殊性,提出了零件编码和将所有下料方式首尾连接转化为蚂蚁路径的方法,并讨论了初始化参数变量的选择问题。通过一维下料实例进行验证,计算结果表明,此算法可逼近理论最优解,收敛速度较快,理论上可以解决多规格大规模的一维下料优化问题。     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。     

基于蚁群算法的供应链物资配送系统优化

针对供应链物资配送系统的优化问题，提出了综合配送中心选择和配送路线优化，即在通过遗传算法选好配送中心的基础上，进一步通过蚁群算法（Ant Colony Algorithm）来优化配送路线。并重点讨论了蚁群算法对配送路线的优化。     

基于改进蚁群算法的Stewart平台奇异性分析

针对Stewart平台的奇异性分析,以雅可比矩阵行列式为目标函数,将奇异性分析问题转化为在并联机构可达工作空间内的连续优化问题。通过对基本蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的调整,构成了更加适用于连续优化问题求解的改进蚁群算法。采用该算法进行了Stewart平台的奇异性分析,结果证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度,从而为解决并联机构奇异性分析这一类问题提供了有价值的参考。     

一种4自由度并联机器人的位置正解分析

提出了一种新型4-RPTR并联机器人机构，该机构能实现空间的三维移动和绕Z轴的转动，是一种很有应用前景的机构。首先分析了机构的自由度，建立了机构的数学模型，运用连续法计算了机构位置正解，给出了数值算例并绘制了对应的三维机构装配简图。     

基于蚁群算法的复合材料结构件的返修计划问题

为解决目前生产中出现的复合材料结构件的质量缺陷问题,G公司设立了复合材料结构件返修工序.针对结构件返修计划问题,以最大化返修计划中的结构件数量为目标,同时兼顾公司出货计划延迟和WIP成本(在制品成本)增加的情况,建立了0-1整数规划模型,进而以蚁群算法为基础提出了2种伪随机选择规则.根据实际情况采用不同参数设计算例来验证算法的性能.结果表明在最大化返修结构件数量方面,算法一优于算法二,而在减小公司出货延迟和控制WIP成本方面,算法二优于算法一.