基于遗传算法的机器人装配顺序规划的研究

装配顺序规划对于机器人自动装配的可行性和优化性方面起着重要作用。首先在装配工艺信息的表达、零件装配顺序的染色体表示、装配中约束的分类方法方面进行了研究，并提出将不同类型的约束在遗传算法的不同阶段予以考虑。针对装配零件顺序规划和优化中的具体要求，对遗传算法作了改进，在传统的遗传算法步骤中增加了一个静态约束检测步骤。仿真结果表明该方法是有效的，为机器人自动装配中的装配顺序的自动生成提供技术支持。     

采掘机器人作业过程的轨迹规划方法

以采掘机器人反铲装置为对象,对其作业过程的轨迹规划进行了研究,提出了基于驱动机构变量空间的轨迹规划方法,在自行设计研制的一个试验样机上进行了验证。与此同时,开发了一个三维动态仿真软件作为检验轨迹规划方法的并行手段。     

7-DOF核工业机器人的轨迹规划与仿真

为实现7-DOF核工业机器人在空间相贯焊缝探查作业过程中平稳、连续及控制的实时性，提出采用五次多项式函数进行轨迹插补，避免通过求解Jacobian逆矩阵实现从欧氏空间到关节空间轨迹规划结果的转换而涉及矩阵求逆等繁杂运算。该方法具有结构简单，运算量小，能够实时计算机器人运动的位移、速度与加速度，并生成运动轨迹。结合实际探查的空间相贯曲线，对各关节的运动轨迹进行了计算仿真，结果表明：该方法能够保证关节角度、角速度及角加速度的连续性，保证了机器人工作的平稳性，能够满足工作要求。     

助餐机器人轨迹规划研究

在真人使用一种助餐机器人样机进餐时餐勺位姿参数变化的基础上,用三次样条插值和三次多项式插值对机器人助餐全过程进行了轨迹规划。仿真证明规划的关节曲线光滑连续,保证机器人末端餐勺运动平稳、人性化,为机器人控制系统研究打下一定基础。     

基于遗传算法的RLV再入轨迹优化设计

飞行器再入轨迹优化是一类最优控制问题。传统的优化方法存在初始值敏感问题。利用小生境技术和精英方法改进适应值共享拥挤遗传算法,并将其用于RLV再入轨迹优化设计。以终端时间固定的空间最小控制能量再入轨迹和终端时间自由的平面最小热载再入轨迹为例,详细讨论了遗传算法用于再入轨迹优化设计所需要解决的一些关键问题。仿真结果表明提出的方法能够较快地搜索到全局最优解,对初始猜测值不敏感,能够方便用于RLV的再入轨迹方案选择和优化设计。     

基于遗传算法的腿式跳跃机器人上肢运动优化

针对腿式跳跃机器人,提出了最优跳跃性能下的上肢运动优化方法.上肢运动是刻画跳跃机器人性能的关键因素之一.以跳跃性能为优化目标,地面反力冲量作评价函数,关节力矩为优化变量,运用遗传算法,分析了上肢运动对跳跃性能的影响程度.仿真实验表明,该多约束任务下的运动优化方法是有效可行的.     

基于相关机会规划的多机器人觅食过程的参数优化

针对随机环境中以觅食为任务的多机器人系统,在建立其整体数学模型基础之上,利用随机规划中的相关机会规划对影响整体系统性能的两个重要参数进行了优化分析,并采用基于随机模拟的遗传算法得到了优化结果.仿真结果表明,利用该方法可以实现随机环境下的系统优化控制,从而可为多机器人系统的行为规则优化提供理论依据.     

基于遗传算法的空中加油航路规划

通过对空中加油航路规划进行建模,利用遗传算法进行优化计算,解决了关于包括总耗油量和受油机飞行航程在内的航路规划问题.针对模型中的非线性约束条件,引入自适应可变惩罚以及对部分变量采用过滤法,另外在选择、交叉、变异环节采用适应度选择法、启发式交叉法、非一致变异法,充分利用遗传算法的全局优化特性,解决了局部过早收敛等问题.实际算例中,分别针对基于航线和基于区域2种加油模式进行计算,比较2种模式的优缺点,得出了空中加油的最优策略,并验证了针对此类问题遗传优化算法的有效性.     

基于正交遗传算法的非线性两层规划问题解法

对于一类非线性两层规划问题,将下层规划分解成几个并列且独立的子问题。对于上层的每一个决策变量,求出下层各子问题的Karush-Kuhn-Tucker(K-K-T)稳定点,作为对上层决策的反应。针对上层问题,设计了自适应的正交遗传算法,并给出其全局收敛性证明。最后数值模拟验证了该算法的高效性及鲁棒性。     

飞行器轨迹优化应用遗传算法的参数化与约束处理方法研究

飞行器再入轨迹优化是一类最优控制问题。传统的优化方法存在初始值敏感问题。遗传算法具有较强的鲁棒性，对初值不敏感。但遗传算法是静态优化算法，不能直接用于动态系统的最优控制问题。为了设计染色体，需要将最优控制问题通过参数化方法转化为静态优化问题。为了设计合适的适应度函数，约束处理是飞行器轨迹进行遗传搜索时必需解决的问题。以可重复使用运载器再入轨迹优化为例，研究了各种参数化方法和罚函数方法的应用，探讨了飞行器轨迹优化中的染色体和适应度函数设计。仿真结果表明直接离散方法和动态罚函数法有较好的性能。     

Progress in reentry trajectory planning for hypersonic vehicle

The reentry trajectory planning for hypersonic vehicles is critical and challenging in the presence of numerous nonlinear equations of motion and path constraints, as well as guaranteed satisfaction of accuracy in meeting all the specified boundary conditions. In the last ten years, many researchers have investigated various strategies to generate a feasible or optimal constrained reentry trajectory for hypersonic vehicles. This paper briefly reviews the new research efforts to promote the capability of reentry trajectory planning. The progress of the onboard reentry trajectory planning, reentry trajectory optimization, and landing footprint is summarized. The main challenges of reentry trajectory planning for hypersonic vehicles are analyzed, focusing on the rapid reentry trajectory optimization, complex geographic constraints, and coop- erative strategies.     

基于精英族系遗传算法的AUV集群路径规划

针对传统路径规划算法仅能规划单一最短路径且不能调节路径宽度而难以适用于自主式水下航行器(autonomous underwater vehicle, AUV)集群航路规划的缺陷, 提出了精英族系遗传算法(elite family genetic algorithm, EFGA)。该算法将基因适应度加入适应度评价函数中, 同时在进化过程中标记精英个体作为多路径规划结果, 并在该算法基础上针对AUV集群路径规划问题设计了一种多智能体路径规划(multi-agent path planning, MAPP)方法。仿真结果表明, 该算法可以求解无冲突路径集合实现MAPP, 通过实现AUV集群的最优多路径航行方案减少集群的航行耗时, 且能够满足不同AUV编队规模对可调路径宽度的需求。     

基于MOEA/D-ARMS的无人机在线航迹规划

无人机(unmanned aerial vehicle, UAV)在线航迹规划是UAV协同控制关键技术之一, 在线航迹规划问题本质上是一种动态多目标优化问题。为了求解该问题, 提出了一种基于自适应应答机制选择的动态多目标进化算法(multi-objective evolutionary algorithon based on decomposition-adaptive reaction mechanism selection, MOEA/D-ARMS)。多种应答机制构成应答机制池, 以应答机制最近一次的整体表现赋予应答机制一定的奖励, 并采用基于概率的方法从应答机制池中选择应答机制。MOEA/D-ARMS分别在静态环境情况、突发威胁情况、突变威胁情况和偏好改变情况下进行仿真实验。仿真结果表明, MOEA/D-ARMS可有效求解UAV在线航迹规划问题。     

带有初始误差的机械手轨迹跟踪的快速迭代学习控制

针对具有非零初始误差的多关节机械手的轨迹跟踪控制问题,首先采用降阶变换的方式将原系统转化为低阶系统,再对低阶系统重新变换设计,该方法消除了Kawamura方法在学习过程中要求每次学习初态与期望初态一致或迭代初态固定的限制.然后提出一种新型快速迭代算法对变换后的机械手系统模型进行学习控制,充分利用了系统已存的有效信息,使系统的输出能尽快地收敛于期望轨迹.该算法相对于P型算法具有较快的跟踪收敛速度,相对于PD型算法计算过程简便易行,避免了微分运算给系统带来的不稳定影响.仿真结果表明了所提控制方案的有效性,提高了系统的实时性.     

一种基于复形调优遗传算法的多学科优化方法

建立良好的优化方法,是多学科设计优化（multidisciplinary design optimization, MDO）求解的关键和难点。结合具有全局搜索能力的遗传算法和局部收敛特性的复形调优算法的优势,建立了全局优化算法,并将全局优化算法应用于多学科可行（multidisciplinary feasible, MDF）方法的多学科分析模型求解,建立了两级优化MDF（double optimization MDF, DO-MDF）方法和单级优化MDF（single optimization MDF, SO-MDF）方法两种计算构架。以CASCADE系统产生的多学科问题求解为例,对比5种计算构架对MDO求解的优化结果,结果表明,DO-MDF、SO-MDF两种计算构架通过有效关联学科分析的前馈信息流表现出更好的计算能力。     

基于遗传算法的相位调制波形智能优化

随着智能化程度的提高,雷达发射信号更加复杂多变.为有效应对复杂的、未知的威胁信号,需要提升对抗系统智能对抗的能力,提出一种基于智能优化算法的对抗波形智能优化方法,并通过仿真实验对基于遗传算法的相位调制波形智能优化进行研究.不同优化参数、不同实施条件、不同雷达信号及信号变化条件下的实验结果表明,遗传算法能够以较少的迭代次...     

单交叉口多策略模糊控制算法与优化

大量研究表明,模糊交通信号控制算法在性能上明显优于传统方法,但现有研究大多采用单策略控制,在复杂多变的城市交通流条件下,难以充分发挥交叉口的通行能力.为此,在深入分析交通需求的基础上,提出了基于模糊理论的多策略模糊控制算法.同时,为克服用经验法确定多套模糊策略的困难与不足,还设计了基于遗传算法的模糊规则和隶属度函数优化方法.仿真结果表明,多策略模型优于单策略模型,更优于传统交通控制方法.     

基于混合优化算法的遗传算法参数设定研究

有限计算量条件下遗传算法的理论收敛条件难以完全满足,参数选择的恰当与否直接影响到算法性能的发挥。针对这一情况,在分析现有参数设定方法的基础上,将遗传算法参数设定问题描述为随机优化问题,并提出一种解决该问题的新的混合优化算法,即基于序优化的巢分区算法。该算法将序优化思想融入巢分区算法的局部搜索过程,大大提高了局部搜索效率,而巢分区的算法框架则保证了算法的全局收敛性。以典型旅行商问题为算例的仿真结果验证了该方法的高效性与可靠性。     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。