基于最小重力势能原理与遗传算法的服装排料算法

高效自动排料算法中布料利用率的提升对于企业具有重要的经济价值。但排料问题属于NP完全问题,难以在有限时间内找到问题的最优解。研究提出基于最小重力势能原理的排料算法,并将遗传算法应用到排料优化问题中,最终进行排料算法的对比验证。基于最小重力势能原理及遗传算法的排料算法优化减小了每次排料过程中的计算量,可在有限的时间内得到近似最优解。结果表明,所提出的自动排料算法在提高利用率方面具有较高的实用价值。

基于深度学习的工业机器人摩擦力补偿方法研究

非线性摩擦力极大影响了机器人的运动性能,摩擦力补偿问题是机器人运动控制中的共性问题。传统的线性和非线性摩擦力补偿模型在实际应用中效果并不理想,而神经网络模型具有固有的非线性特性,对于处理非线性摩擦力具有较大的优势。文章基于深度学习算法,将动力学模型中的非线性环节作为广义的摩擦力处理,根据转矩、速度、位置等相关量学习出系统的摩擦力模型,然后在规划力矩中加入一个大小相同、方向相反的力将摩擦力抵消,从而实现机器人关节摩擦力的补偿。通过构建摩擦力补偿实验平台,测试了机器人在不同路径下的力矩相对误差。研究结果表明基于深度学习的摩擦力补偿模型对于提高力矩精度具有重要作用。

服装样片裁剪空行程路径的优化算法

服装样片裁剪空行程路径是影响裁床裁剪效率的重要因素,裁剪路径优化有助于提高裁剪效率。针对裁剪空行程优化问题,先构建了裁剪空行程路径的数学模型,结合遗传算法和蚁群算法的优势,提出了遗传蚁群混合算法优化裁剪空行程。算法先利用遗传算法的快速搜索能力建立蚁群算法的初始信息素分布,然后采用蚁群算法求精确解,最后建立仿真实验验证混合算法的可行性,与基本遗传算法相比,混合算法具有较优的全局优化性能。