机械臂空间轨迹的非支配扰动粒子群算法优化

为了减少机械臂工作时间同时减小机械臂的运动冲击,提出了基于非支配排序扰动粒子群算法的机械臂轨迹多目标优化方法。以那智MZ04机械臂为研究对象,对机械臂空间轨迹规划问题进行描述,并建立了时间最少、冲击最小的多目标优化模型。在粒子群算法中融入了扰动策略和非支配排序策略,扰动策略使粒子不再向固定的种群最优学习,而是向种群最优邻域学习,有效维持了粒子多样性并提高了算法优化能力;将非支配排序扰动粒子群算法应用于机械臂轨迹规划,其Pareto前沿解优于非支配排序粒子群算法。将非支配扰动粒子群算法和非支配粒子群算法的时间、冲击等权重解进行比较可以看出,非支配扰动粒子群算法规划路径的时间和冲击均优于非支配粒子群算法,且轨迹连续、平滑,运动轨迹参数在约束范围内,证明了非支配扰动粒子群算法在机械臂轨迹规划中的有效性。

一种改进的简化均值粒子群K-means聚类算法

针对粒子群优化算法容易陷入局部最优且K-means算法受聚类数及初始聚类中心的选取影响较大,提出了一种改进的简化均值粒子群K-means优化聚类算法(ISMPSO-AKM).一方面,在简化粒子群算法的基础上,加入邻域最优粒子,由个体最优位置、全局最优位置及邻域最优位置线性组合改进位置公式.另一方面,构造一种基于余弦函数和对数函数的惯性权重,实现对惯性权重的动态调整.此外,引入AKM聚类算法确定聚类数,动态获取初始中心,进一步提高算法的准确性.仿真实验表明,改进的ISMPSO-AKM算法具有更快的收敛速度,更高的求解精度及更稳定的聚类结果.