积式决策多目标规划及其新型粒子群寻优算法

针对冗余自由度机器人连续轨迹多目标逆解规划问题,分析了多目标决策方法的基本原理,提出并证明了积式决策方法的可行性,并提出商式外点罚函数法,以在积式决策模型框架下处理约束.积式决策优化模型具有复杂的局部极值点结构,需要求解器具有极强的全局极值点搜索能力.为此,设计了高斯巡游粒子群优化算法.以5组通用的无约束和约束最优化测试函数为对象,比较了本文提出的高斯巡游粒子群优化算法和标准粒子群优化算法的全局极值点搜索能力,分别求解100次,结果表明,本文所提算法的求解成功率高于标准粒子群算法.针对具备复杂局部极值点结构的7维优化测试函数,所提算法寻优成功率仍达80%,而标准粒子群算法的寻优成功率下降为0,证明了所提算法具备较强的寻优能力,尤其是在高维空间上,可应用于多自由度机器人路径规划问题求解.

基于积式决策的全方位移动双臂机器人连续轨迹任务多目标规划

OMDAR(全方位移动双臂机器人)的运动规划算法需要同时兼顾不同类型、量纲、幅值等多重优化目标.本文分析了受约束OMDAR系统的多目标运动规划任务的数学建模与求解方法.在积式决策多目标优化算法框架下,将OMDAR系统连续轨迹运动规划需求与相关约束建模为乘积形式单一优化目标函数,采用高斯巡游粒子群优化算法(GR-PSO),可靠有效地实现了问题的求解.同时,将GR-PSO算法与经典非线性优化SQP算法进行对比,以9重目标优化导引下的连续轨迹路径规划为实例,证明了GR-PSO算法的有效性与优势.