基于空间收缩技术的约束多目标进化算法

约束多目标进化算法在求解不可行域较大的优化问题时对不可行域的合理探索不仅有助于种群快速收敛于可行区域内的最优解,还能减少无潜力不可行域对算法性能的影响.因此,提出一种基于空间收缩技术的约束多目标进化算法(CMOEA-SST).首先,提出自适应精英保留策略对PPS算法的Pull阶段初始种群进行改进,增加Pull阶段初始种群的多样性和可行性;其次,在进化过程中采用空间收缩技术逐渐缩小搜索空间,减少无潜力不可行域对算法性能的影响,使算法在兼顾收敛性和多样性的同时提高收敛精度.为验证所提算法性能,将该算法与四个代表性算法C-MOEA/D、ToP、C-TAEA、PPS在LIRCMOP系列测试问题上进行仿真对比.实验结果表明,CMOEA-SST在处理不可行域较大约束优化问题时具有更好的收敛性和多样性.     

基于空间收缩技术的约束多目标进化算法

约束多目标进化算法在求解不可行域较大的优化问题时对不可行域的合理探索不仅有助于种群快速收敛于可行区域内的最优解,还能减少无潜力不可行域对算法性能的影响.因此,提出一种基于空间收缩技术的约束多目标进化算法(CMOEA-SST).首先,提出自适应精英保留策略对PPS算法的Pull阶段初始种群进行改进,增加Pull阶段初始种群的多样性和可行性;其次,在进化过程中采用空间收缩技术逐渐缩小搜索空间,减少无潜力不可行域对算法性能的影响,使算法在兼顾收敛性和多样性的同时提高收敛精度.为验证所提算法性能,将该算法与四个代表性算法C-MOEA/D、ToP、C-TAEA、PPS在LIRCMOP系列测试问题上进行仿真对比.实验结果表明,CMOEA-SST在处理不可行域较大约束优化问题时具有更好的收敛性和多样性.     

基于变异算子和邻域值自适应的MOEA/D算法

基于分解的多目标进化算法（MOEA/D）在解决多目标问题时，具有简单有效的特点。但多数MOEA/D采用固定的控制参数，导致全局搜索能力差，难以平衡收敛性和多样性。针对以上问题提出一种基于变异算子和邻域值自适应的多目标优化算法。该算法根据种群中个体适应度值的分散或集中程度进行判断，并据此对变异算子进行自适应的调节，从而增强算法的全局搜索能力；根据进化所处的阶段以及个体适应度值的集中程度，自适应地调节邻域值大小，保证每个个体在不同的进化代数都有一个邻域值大小；在子问题邻域中，统计子问题对应个体的被支配数，通过判断被支配数是否超过设定的上限，来决定是否将Pareto支配关系也作为邻域内判断个体好坏的准则之一。将提出的算法与传统的MOEA/D在标准测试问题上进行对比。实验结果表明，提出的算法求得的解集具有更好的收敛性和多样性，在求解性能上具有一定的优势。     

面向位控机器人的视觉/力觉混合控制

提出一种视觉引导的面向位控机器人的力/位混合控制策略.结合视觉传感器的测量特点,对未知环境边缘进行估计获得位控和力控方向,根据位控和力控方向在线对机器人终端的运动轨迹进行规划,并采用阻抗控制规律使机器人获得较好的柔顺性.在该算法中应用一个参考比例因子调节参考轨迹,根据反馈的接触力信息通过模糊推理确定参考比例因子的大小,从而使生成的参考轨迹适应未知环境刚度的变化.在小视场条件下(26.4 mm×26.4 mm)跟踪速度达到15 mm/s,并且具有较高的力控制精度.     

机器人打毛刺系统模型参考自适应控制

研究了一种模型参考自适应的方法来用于机器人除毛刺。在此设计中，引入前馈和反馈来控制砂轮的位置和砂轮与工件的接触力。应用此控制器可以使机器人去除未建模工件的毛刺。在每个操作点上，我们用一个二阶线性模型来逼近原始的非线性模型。仿真结果验证了本文所提出方案的有效性。     

基于BP神经网络的机器人容错控制

提出一种基于神经网络的机器人故障检测系统结构,给出在线学习逼近机器人标称模型的故障检测方法。控制系统可运行于两种工作模式：系统正常时,采用常规计算力矩控制器;有故障发生时,引入补偿控制来削弱故障影响,保障系统的正常运行。对机器人的仿真控制结果表明,设计的控制策略在机器人发生故障时,不仅能够继续完成预定工作任务而且还保证了跟踪精度,表明了该方案的有效性。     

未知环境下机器人力/位自适应模糊控制

机器人力控制是机器人研究的一个热点和难点。在未知环境中为实现精确的接触力控制,需要力控制器能够适应环境的变化。提出一种基于神经网络训练模糊控制规则的自适应模糊控制器应用于机器人的力控制中来适应机器人末端接触环境的变化,首先用递推最小二乘算法根据机器人对未知环境的动态响应来在线估计环境参数,然后选择一个合适的模糊控制规则调整因子对力控向量进行控制。仿真试验研究表明所设计的控制器是可行和有效的。     

自动化专业实践教学改革的思考与探索

针对如何培养和提高自动化专业本科生工程实践能力和创新能力的议题,结合自动化专业人才培养目标的要求,从自动化专业实践教学改革的角度,对实践教学新体系进行了探索,总结出以理论验证性实验为基础、以自选设计性实践为主干、以技能应用综合性实践为重点的三个教学层次的完善的体系结构,阐述了三个层次之间的紧密关系,详细探讨了自选设计性实践的特点,并介绍了我校自动化专业开展自选设计性实践的做法,以期能够把握住实践教学改革的关键环节,为培养社会需要的自动化专业应用型人才进行了有益的尝试。     

半实物网络控制系统仿真平台设计

网络控制系统(NCS)是一种新型计算机控制系统,通过工业网络实现控制单元之间的数据交换,但这也给控制系统带来了时延等问题。采用德国费斯托过程控制装置中的液位控制单元为实物被控对象,以校园局域网为通信介质,基于OPC协议,以西门子S7-300 PLC作为OPC服务器,将MATLAB作为OPC客户端,最终开发出一种基于OPC技术的实体对象与MATLAB结合的半实物NCS实验系统,为高级控制算法的研究和验证提供了一个良好的实验平台。     

两阶段三存档集约束优化算法(TSDA)

针对约束优化算法采用相同的进化策略处理位于Pareto边缘的解与函数值较差的解,使得寻优结果较差,提出一种两阶段三存档集约束优化算法.该算法分为两个阶段.第一阶段:根据ε(t)值将种群分为3个存档集,即非支配解存档集、支配解存档集以及非支配可行解存档集.非支配解存档集进行混合策略的双重寻优,既避免了算法陷入局部最优,又使得靠近前沿的解加速收敛;支配解存档集则注重于全局搜索,从而有利于算法搜索到更优可行解.非支配解存档集和支配解存档集使用不同的优化策略进行进化,提高了算法的寻优能力.第二阶段:在第一阶段达到设定的代数时,将各代保留到非支配可行解存档集中的个体进行快速非支配排序,选出的N个优秀个体则为最优解.最后,将提出的算法与其他约束多目标进化算法在3种经典约束测试函数上进行对比,仿真结果表明,所提出算法在不同类约束条件下的寻优能力均具有优势.