机械臂多目标最优轨迹的自适应惩罚MOEA/D规划

为了减少机械臂的工作时间和工作过程中的冲击量,提出了基于自适应惩罚MOEA/D算法的时间-冲击多目标规划方法。介绍了PUMA560机械臂结构,并建立了机械臂的连杆坐标系。建立了以减小机械臂工作时间和冲击为综合目标的优化模型,并分析了5次多项式插值函数。通过编码和建立适应度函数,将轨迹规划问题转化为最优基因搜索问题。根据邻域内解的密度设置了自适应惩罚因子,提出了机械臂轨迹的自适应惩罚MOEA/D规划方法。经仿真验证,自适应惩罚MOEA/D算法搜索的Pareto前沿解质量高于标准MOEA/D算法、文献[10]新型MOEA/D算法。且经过优化,机械臂工作时间减少了7.68%,冲击减少了17.32%。实验结果表明,自适应惩罚MOEA/D算法在机械臂轨迹规划中具有优越性。

基于自适应MOEA/D的柔性车间多目标联合优化调度

为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床、多个加工任务、多道工序的柔性车间调度问题进行了描述并建立了优化模型。给出了基于MOEA/D算法的柔性车间调度方法,针对常值惩罚因子无法满足不同邻域对收敛性和染色体多样性不同调整需求的问题,提出了能够随邻域染色体密度自适应调整的惩罚因子,并制定了基于自适应惩罚MOEA/D算法的柔性车间调度流程。在具有8个机床、8个工件共28道工序的生产调度实验中,自适应MOEA/D算法搜索的Pareto前沿解能够支配标准MOEA/D和改进NSGA-Ⅱ算法的Pareto前沿解;在等权重最优解的生产实验中,自适应MOEA/D算法调度方案的完工时间、机器负荷、交货延期时间、车间能耗均小于标准MOEA/D算法和改进NSGA-Ⅱ算法。实验结果证明了自适应惩罚MOEA/D算法在柔性车间调度中的有效性和优越性。

求解非线性规划问题的一种新的通用演化算法

提出了一种新的求解非线性规划问题的算法。它是在郭涛算法的基础上提出来的 ,新算法的主要特点是引入了变维子空间 ,加入了子空间搜索过程和规范化约束条件 ,采用了自适应惩罚因子以及增加了处理带等式约束的实数规划、整数规划、0 - 1规划和混合整数规划问题的功能 ,使之成为一种真正坚韧的求解非线性规划 (NLP)问题的通用算法。数值实验表明 ,新算法不仅是一种坚韧而又通用的算法 ,而且与已有算法的计算结果相比 ,其性能也最优。

面向高层地物的异源高分遥感影像配准方法

由于传感器成像通常存在较大差异,异源高分辨率遥感影像配准面临着更加突出的局部变形问题。特别是城市中高层地物的相对视差偏移更加显著,从而在空间变换中产生严重的非线性误差。为此,提出了一种面向高层地物的异源高分遥感影像配准方法。首先,通过开展阴影检测并结合影像分割,实现对高层地物的筛选。在此基础之上,提出了一种基于相位一致性的阈值自适应特征点提取策略,以提升高层地物中特征点数量与特征点整体分布均匀性。其次,通过引入阴影面积加权特征向量距离,以排除阴影对同名点对匹配干扰。最后,针对同名点对设计了一种变换误差自适应惩罚因子,以降低高层地物上空间变化差异对映射方程的影响权重。通过对多组异源高分遥感影像的配准实验表明,所提出方法的总体配准精度和均方根误差分别可达88.9%和1.481。