基于再励学习的被动动态步行机器人

为了研究仿人、能量高效的双足机器人步行,研制了由MACCEPA(mechanically adjustable compliance and controllable equilibrium position actuator)柔性驱动器驱动的半被动双足机器人,并实现了其动力学仿真系统.提出一种基于再励学习的步行控制方法.该方法首先采用Q-学习方法学习机器人在理想环境中的稳定步行步态及其控制策略,然后将此步态和控制策略作为模糊优胜学习方法的参考步态和参考控制策略并在线学习模糊网络的优胜值参数.仿真结果表明: 利用学习训练的结果控制柔性驱动器在步行相转换时的动作,机器人可以实现稳定动态步行.     

基于粒子群优化算法的双足机器人步态优化

分析了髋关节位置对双足机器人步行稳定性判据零力矩点(ZMP)的影响,以ZMP稳定裕度为参数构造目标函数,利用粒子群优化算法(PSO)对基于3次样条插值方法规划的双足机器人步态进行优化,从而得到ZMP稳定裕度大的平滑步态.仿真实验表明:该方法规划的步态实现了双足机器人稳定、协调地行走.     

基于MRDS仿人机器人仿真平台设计

为了辅助仿人机器人双足步行的步态实验研究,基于微软机器人开发工作室(MRDS),探讨了一种仿人机器人仿真平台的设计和实现.对虚拟环境中仿真机器人实体进行了建模,研究了面向服务思想下机器人应用程序的一般设计模式,实现了平台服务对机器人行为的并发协调控制.双足步态规划及基本视觉识别的测试表明,平台有效实现了仿人机器人多种基本行为的仿真,为步行及其他控制算法的研究及实验提供了支持和基础.     

双足机器人步态规划与运动仿真

把双足机器人步行过程划分为5个阶段,通过正逆解方法求得行走过程中的5个关键姿态,并对其进行插值,得到不同步态时各个关节的运动轨迹;利用该方法规划出双足机器人步行的3种步态,通过中间过渡姿态的引入实现了不同步态之间的平稳转换;在Webots仿真平台上实现NAO机器人3种步态行走及不同步态之间的转换,验证方法的可行性.     

多目标优化问题的差分进化算法研究

为保持所求得的多目标优化问题Pareto最优解的多样性,提出了一种精英保留和根据目标函数值进行排序的多目标优化差分进化算法.对排序策略中目标函数的选择方式进行了分析和比较,并提出了一种确定进化过程中求得的精英解是否进入Pareto最优解集的阈值确定方法.用多个经典测试函数进行了实验分析,并与NSGA-Ⅱ算法进行了比较.实验结果表明,该方法收敛到问题的Pareto前沿效果良好,能有效保持所求得的Pareto最优解的多样性.     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

两足步行机器人动态步行规划及仿真

根据双足步行机器人动态步行过程中必须满足的动态关系式，提出了动步态规划的两步规划法，从而既满足了机器人步行过程中的基本要求，又保证了系统能够实现动态协调运动.在此基础上，对无冲击步行机器人动态步行过程进行了规划和仿真.结果表明，两步规划法满足了动态步行的要求.     

基于分方向选择搜索的多目标进化算法

Pareto 解空间为分区域连续时,基于极大极小策略和确定权重的多目标进化算法在进化的每一代都会在无最优解的区域搜索解点.为解决此问题,文中提出了一种新的判断机制,根据每个权重在不同方向上选取的解点集来判断权重对应的Pareto有效解区域是否存在最优解点,并以此来调整搜索的区域;为了避免算法陷入局部收敛和种群早熟,提出...     

基于Pareto最优原理的混合动力汽车多目标优化

介绍了混合动力汽车（HEV）相关知识,建立了以最小化燃油消耗、HC+NOx排放量和CO排放量为目标的3目标优化模型,提出了基于Pareto最优原理的混合动力汽车多目标优化进化算法.该算法采用实数编码,以ADVISOR为HEV的仿真软件获得各候选方案目标值,基于Pareto支配性原理判定候选方案的优劣,并设计了可以调整待优化变量有效位的机制以保证优化所得的候选方案具有可实现性.针对不同车型的仿真实验结果表明,所提出的算法能够较好地解决混合动力汽车多目标优化问题,可以获得一组具有低燃油消耗与低污染物排放的Pareto最优解供决策者选择.     

适应非平整地面的双足机器人柔顺步态优化方法

为了实现双足机器人在不平整地面上的快速步行,提出一种基于优化的2D柔顺步态规划方法.基于腿部刚度和触地角,采用弹簧倒立摆模型建立机器人步行的参数化模型.考虑质心控制误差,提出一种适应位姿扰动的步态规划方法,允许机器人不必回到预设姿态就可以直接进入下一步态周期,使机器人更灵活.针对传统规划方法仅考虑质心在步态周期末端速度而导致的速度误差,提出一种速度补偿策略,控制整个步态周期速度,提高了连续步行的速度跟踪精度.将对腿部刚度和触地角的求解转化为优化问题,采用改进鲸鱼群算法进行求解,实现了对复杂环境的自适应.仿真结果表明:相较于传统方法,提出的方法可以实现更快速的步行,使机器人能在更复杂的地面上精确跟踪目标速度,连续平稳行走.     

关于多目标演化算法的策略分析

基于Pareto排序算法的多目标演化算法是多目标演化算法所采用的重要方法,本文叙述了多目标演化算法(MOEAs)的有关概念,在分析已有算法的一些性能和特征的基础上,结合演化算法的有关概念,重点基于Pareto排序算法分析了影响多目标演化算法性能的两大方面:求解过程中解集合的多样性、均匀性分布的保持与维护以及解的收敛性,分析了MOEAs设计中需要注意的策略问题以及今后研究的重点.     

Computer optimization of a minimal biped model discovers walking and running

Although people's legs are capable of a broad range of muscle-use and gait patterns, they generally prefer just two. They walk, swinging their body over a relatively straight leg with each step, or run, bouncing up off a bent leg between aerial phases. Walking feels easiest when going slowly, and running feels easiest when going faster. More unusual gaits seem more tiring. Perhaps this is because walking and running use the least energy. Addressing this classic conjecture with experiments requires comparing walking and running with many other strange and unpractised gaits. As an alternative, a basic understanding of gait choice might be obtained by calculating energy cost by using mechanics-based models. Here we use a minimal model that can describe walking and running as well as an infinite variety of other gaits. We use computer optimization to find which gaits are indeed energetically optimal for this model. At low speeds the optimization discovers the classic inverted-pendulum walk, at high speeds it discovers a bouncing run, even without springs, and at intermediate speeds it finds a new pendular-running gait that includes walking and running as extreme cases.     

步行动作的生物力学原理及其步态分析

步行是人类运动基本的方式,加强对步行动作的研究,有利于我们对人体运动规律的了解,有利于对人体运动障碍疾病的治疗和康复。在国内外相关研究成果的基础上,总结归纳出步行动作的一般生物力学原理和步态分析的一般方法,为进一步的步态研究奠定基础。     

一类特殊的动态多目标优化问题及其进化算法

给出了一类定义在离散时间(环境)空间上、自变量的维数随环境可发生改变的一类动态多目标优化问题(DDMOP)的新解法.该方法把DDMOP转化成了两个目标的动态多目标优化问题,在一种环境变化判断规则下提出了解DDMOP的一种新进化算法(DDMOEA).计算机仿真表明,新算法能有效跟踪并求出DDMOP在不同环境下数量较多、质量较好且分布均匀的Pareto最优解.     

求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。     

基于多目标混合进化算法的多台TCSC控制器协调设计

将多台可控串联补偿器(TCSC)之间的协调运行问题转化为多目标优化问题,详细介绍了一种基于进化规划和粒子群优的多目标混合进化算法(MOEPPSO),提出了基于MOEPPSO的协调控制器设计方法.采用多目标混合进化算法优化控制器参数,得到一组Pareto参数解集,为运行人员提供更丰富、准确的信息.在装有两台TCSC的IEEE典型四机两区域系统研究实例中,非线性时域仿真验证了所提方法的有效性.与单独设计控制器的方法相比较,所提方法能够更好地提高互联系统的稳定性.     

一种多项指标全提升的多目标优化演化算法

针对当前大部分多目标优化演化算法设计复杂、耗时巨大,以及取得的近似Pareto前沿点不够多、分布不均匀、覆盖不完整等问题,提出了一种新的基于粒子群和几何Pareto选择算法的多目标优化PSGPS算法.经过5个测试问题的实验结果表明:该算法使用较低的时间消耗,就能在前沿点个数、前沿点分布均匀性、覆盖完整度等性能指标上都优于当前流行的NSGA2,SPEA2和PESA等多目标优化演化算法.     

双足行走机器人步态轨迹规划

 通过对双足机器人行走过程中一些特殊点进行采样分析,对比人类自身行走步态的观察测量值,采用三次多项式插值来计算出双足行走机器人在行走过程中的行走轨迹,按人体比例设定参数,计算得出了1条比较光滑平稳的行走轨迹,使得机器人的行走姿态更像人类的行走.通过模拟测试,结果表明了用三次多项式插值方法是1种规划双足机器人行走步态的较好方法,而且得出的轨迹插值函数比较平滑.     

面向Pareto最优遗传算法的服务组合方法

为了解决Pareto遗传算法在每一次进化操作中都要构造当前进化群体最优解集而影响运行效率的问题,提出了一种面向Parfto最优遗传算法的服务组合方法,以实现Web服务组合的全局优化.用伪二叉树法则构造目标函数的Pareto最优集合,再进行Pareto最优解集排序,最后采用个体相似度计算来确定遗传算法的适应度函数,由此获得一组满足约束条件的Pareto最优解服务集合.实验验证表明,所提方法可以提高多目标遗传算法处理服务组合效率的问题,即使在服务规模较大的情况下,所获得的解与最优值的比率仍能接近90%的水平.