基于Hopfield神经网络的单缸插销式伸缩臂伸缩路径优化

提出了单缸插销式伸缩臂伸缩路径优化问题,采用Hopfield神经网络构建了数学模型。由于能量方程中的约束项罚参数λ和目标项罚参数γ的确定往往相互矛盾:当λ占优时,能量方程更多朝向满足约束方向收敛,得到的有效解往往不是高质量解;当γ占优时,则可能收敛到无效解。为此,提出了λ为向上梯度递增、γ为向下梯度递减的曲线形式;对于λ和γ的增量确定,提出了一种基于约束边界偏差控制的PID自适应增量法,通过对约束边界偏差的PID控制使有效解的生成可控。实验结果表明:路径优化后伸缩效率能提升10%~30%。神经网络模型优化效果较好,几乎能100%收敛到有效解,同时由于PID控制使解聚集到约束边界,最优解生成率也较高,接近50%。