Алгоритм оптимизатора равновесия слизевика для обратной кинематики 7

Научные отчеты, том 12, Номер статьи: 9421 (2022) Цитировать эту статью

1438 Доступов

6 цитат

Подробности о метриках

Для эффективного решения обратной кинематики (ИК) сложных манипуляторов предложен алгоритм гибридного оптимизатора слизевика (EOSMA). Во-первых, оператор обновления концентрации оптимизатора равновесия используется для управления анизотропным поиском алгоритма слизевиков для повышения эффективности поиска. Затем жадная стратегия используется для обновления индивидуального и глобального исторического оптимального значения для ускорения сходимости алгоритма. Наконец, к EOSMA добавляется оператор мутации случайной разности, чтобы увеличить вероятность выхода из локального оптимума. На этой основе предлагается многоцелевая EOSMA (MOEOSMA). Затем ЭОСМА и МОЭОСМА применяются к ИК манипулятора с 7 степенями свободы в двух сценариях и сравниваются с 15 однокритериальными и 9 многокритериальными алгоритмами. Результаты показывают, что EOSMA имеет более высокую точность и более короткое время вычислений, чем предыдущие исследования. В двух сценариях средняя точность сходимости EOSMA составляет 10e−17 и 10e−18, а среднее время решения — 0,05 с и 0,36 с соответственно.

Задача обратной кинематики (ИК) заключается в определении угла сустава на основе положения и положения рабочего органа1 манипулятора. То есть цель состоит в том, чтобы точно перевести рабочий орган в желаемое положение и позу2. Это одна из наиболее фундаментальных проблем в робототехнике, которая играет важную роль в управлении движением робота, планировании траектории и динамическом анализе3. Однако ИК резервных манипуляторов представляет собой сложную проблему из-за нелинейных уравнений4. Традиционные методы решения обратной кинематики в основном включают аналитический метод и численный итерационный метод5,6. Задача ИК имеет аналитическое решение для манипулятора, соответствующего стандарту Пайпера. Однако с увеличением типов манипуляторов многие манипуляторы не соответствуют стандарту Пайпера, например, последовательно-параллельные манипуляторы с тросовым приводом7 и сверхрезервированные последовательные манипуляторы8. ИК резервных манипуляторов может иметь множество групповых решений. Тем не менее, традиционными методами трудно получить удовлетворительные решения, а производительность в реальном времени низкая. В результате решать ИК сложного манипулятора предпочтительнее метаэвристический подход9. Метаэвристический алгоритм — это случайный метод, который является успешной альтернативой точным методам решения практических задач оптимизации10,11. К преимуществам метаэвристики относятся простота принципа, простота реализации, независимость от задачи и безградиентность12. Многие метаэвристические алгоритмы, в том числе оптимизация роя частиц (PSO)9, алгоритм светлячка (FA)13, алгоритм искусственной пчелиной семьи (ABC)14 и другие, эффективно применяются для ИК роботов-манипуляторов. Хотя эти алгоритмы достигли превосходной точности сходимости, они часто не учитывают положение конечного эффектора, что снижает сложность проблемы ИК и несовместимо с большинством практических приложений.

Алгоритм слизевиков (SMA) — это уникальный метаэвристический алгоритм, разработанный Ли и др.15 в 2020 году. Благодаря своей способности имитировать своеобразное колебательное поведение слизевиков при поиске пищи и замечательным характеристикам, SMA эффективно применяется в самых разных целях. поля менее чем за два года. Например, Абдель-Бассет и др.16 и Эвис и др.17 применили улучшенный SMA для решения проблем выбора признаков; Абдель-Бассет и др.18, Найк и др.19 и Чжао и др.20 использовали гибридный и улучшенный SMA для решения проблемы сегментации изображений (ISP); Эль-Фергани21, Кумар и др.22, Лю и др.23, Мостафа и др.24 и Юсри и др.25 использовали гибридный и улучшенный SMA для оценки параметров солнечных фотоэлектрических элементов соответственно; Агарвал и Бхарти26 применили улучшенный SMA для планирования кратчайшего пути без столкновений мобильных роботов; Ризк-Аллах и др.27 предложили SMA с усилением хаоса и оппозиции (CO-SMA) для минимизации энергетических затрат ветряных турбин на больших высотах; Хасан и др.28 применили улучшенную SMA (ISMA) для эффективного решения проблемы экономики и диспетчеризации выбросов (EED) с одной и двойной целью; Абдоллахзаде и др.29 предложили бинарную SMA для решения проблемы рюкзака 0–1; Зубайди и др.30 объединили SMA и искусственную нейронную сеть (ИНС) для прогнозирования спроса на воду в городах; Чен и Лю31 объединили кластеризацию K-средних и хаотическую SMA с регрессией опорных векторов, чтобы получить более высокую точность прогнозирования; Экинчи и др.32 применили SMA к конструкции стабилизатора энергосистемы (PSSD); Wazery et al.33 объединили SMA и K-ближайшего соседа для системы классификации заболеваний и диагностики; Вэй и др.34 предложили улучшенную SMA в энергосистемах для оптимального распределения реактивной мощности; Премкумар и др.35 и Хусейн и др.36 разработали многоцелевую SMA (MOSMA) для решения сложных многоцелевых задач инженерного проектирования в реальном мире; Ю и др.37 предложили улучшенную SMA (WQSMA), которая повысила надежность исходной SMA за счет использования квантового вращения (QRG) и оператора водного цикла. Houssein и др.38 предложили гибридный алгоритм SMA и адаптивной управляемой дифференциальной эволюции (AGDE), который представляет собой хорошее сочетание эксплуатационных возможностей SMA и исследовательских возможностей AGDE.