CN109542103A - 一种基于烟花粒子群算法的机器人焊接路径规划方法 - Google Patents
一种基于烟花粒子群算法的机器人焊接路径规划方法 Download PDFInfo
- Publication number
- CN109542103A CN109542103A CN201811590379.0A CN201811590379A CN109542103A CN 109542103 A CN109542103 A CN 109542103A CN 201811590379 A CN201811590379 A CN 201811590379A CN 109542103 A CN109542103 A CN 109542103A
- Authority
- CN
- China
- Prior art keywords
- fireworks
- population
- algorithm
- spark
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 80
- 239000002245 particle Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003466 welding Methods 0.000 title claims abstract description 35
- 238000004880 explosion Methods 0.000 claims abstract description 17
- 230000035772 mutation Effects 0.000 claims abstract description 17
- 229910000679 solder Inorganic materials 0.000 claims description 23
- 239000002360 explosive Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 abstract description 3
- 230000004048 modification Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 7
- 241000271566 Aves Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 241000131894 Lampyris noctiluca Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种基于烟花粒子群算法的机器人焊接路径规划方法,属于机器人焊接控制技术领域。所述方法采用贪心算法初始种群所有的路径解和参数,根据粒子群算子更新所有种群个体的速度与位置,将粒子群的个体被看作是烟花算法的烟花,通过修改爆炸算子与高斯变异算子产生火花,采用精英‑轮盘赌策略选择烟花种群,利用双种群策略重新组建种群,最后更新个体历史最优解和全局最优解,得到最优的焊接路径。本方法通过将粒子群算法与烟花算法结合,既增强了粒子群的种群多样性,又使得烟花算法个体间有了信息交互,获得最优的焊接路径,且有效性和可行性高。
Description
技术领域
本发明涉及一种机器人焊接路径规划方法,特别涉及一种基于烟花粒子群算法的机器人焊接路径规划方法,属于机器人焊接控制技术领域。
背景技术
在装备制造领域中,利用机器人进行智能化焊接控制是目前被广泛运用的技术手段。为提高机器人焊接效率,运用计算机控制技术最优化设计焊接路径,是该领域技术人员研究的重要任务目标之一。
旅行商问题(Traveling Salesman Problem,TSP)是组合优化中一个典型的非确定性多项式困难问题,其实质是一种求最短路径规划的问题,同时也是运筹学和理论计算机科学中非常重要的问题。由于其在交通运输路线、印刷电路钻孔,以及机器人焊接路径规划等领域内有着广泛的应用,与实际生活密切相关。随着人工智能的迅速发展,越来越多的智能优化算法诞生并且被普遍使用,智能优化算法为解决TSP问题开辟了新的途径。
启发于社会性动物群体,群体智能正是通过模拟这些自然界中社会性动物的自组织行为而产生的一种高效求解复杂困难问题的新兴计算智能方法,并且已经引起了人们的高度关注。近几十年来,受各种生物群体和自然现象的激发,学者已经提出众多相关群体智能算法,诸如蚁群算法、粒子群算法、鱼群算法、蜂群算法、萤火虫算法、布谷鸟算法、蝙蝠算法,以及基于非生物群体的水滴算法、烟花算法等。算法中群体个体之间通过直接或间接的相互协作,从整体上表现出了复杂的智能行为,并且具有随机性、自适应性、鲁棒性、并行性等显著特点,这些优点有效地促进其求解问题的能力,成为解决复杂困难问题的重要工具。
粒子群算法(Particle Swarm Optimization,PSO)是1995年由美国电气工程师Russell Eberhart和社会心理学家James Kennedy共同提出。粒子群算法是一种基于群体智能的全局随机搜索算法,其思想灵感来源于他们模仿自然界鸟群的觅食行为,使鸟群利用其种群优势,通过集体协作搜索全局空间最优解。粒子群算法自提出后至今,因其算法简单、易于实现、参数少,且拥有深刻的智能背景,使得粒子群算法已在多个学科和工程领域得到了广泛应用。然而,粒子群算法在搜索能力强、收敛速度快的同时,由于搜索过程中种群多样性下降,存在着容易陷入局部极值的缺点。
自二十一世纪以来,一系列新型的群体智能优化算法陆续被提出。其中,烟花算法(Fireworks Algorithm,FWA)是2010年由Tan和Zhu根据烟花爆炸产生火花这一自然现象的观察提出的算法。该算法通过模拟烟花爆炸的方式来进行多点同时爆炸式搜索,它在求解复杂优化问题中表现出了非常优良的性能和很高的效率,已经逐渐获得业界的高度关注和跟踪研究。由于烟花算法独特的爆炸搜索机制,使其拥有丰富的种群多样性与很强的全局搜索能力,但同时,该算法收敛较慢,非常耗时。
发明内容
本发明的目的是为了优化提高机器人焊接路径规划效率,提出一种基于烟花粒子群算法的机器人焊接路径规划方法。所述方法,通过将粒子群算法与烟花算法结合,既增强了粒子群的种群多样性,又使得烟花算法个体间有了信息交互,进而促进了算法的寻优效率,获取更优的焊接路径。
本发明方法包括以下步骤:
步骤S1:采用贪心算法,初始化种群所有的路径解和所有的控制参数。
步骤S2:根据粒子群算子,更新所有种群个体的速度与位置,然后进行迭代。
步骤S3:将粒子群的个体看作烟花算法的烟花,通过修改爆炸算子与高斯变异算子产生火花。
步骤S4:采用精英-轮盘赌策略,选择烟花种群。
步骤S5:利用双种群策略,重新组建种群。
步骤S6:对于总种群,更新个体历史最优解和全局最优解,并进行下一次迭代,直至得到最优焊接路径。
有益效果
本发明与现有技术相比,通过采用贪心算法初始化种群及所有参数,将粒子群算法与烟花算法结合,既增强了粒子群的种群多样性,又使烟花算法个体间有了信息交互,从而促进了寻优效率,能够获取更优的焊接路径。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图与实施例,对本发明方法做进一步详细说明。
一种基于烟花粒子群算法的机器人焊接路径规划方法,如图1所示,包括以下步骤:
步骤S1:采用贪心算法,初始化种群所有的路径解和所有的控制参数。
具体方法如下:
步骤S1.1:随机选择一个焊点,作为焊接机器人所在的位置Pwelding,并加入已访问焊点的序列;
步骤S1.2:搜索所有未加入已访问序列的焊点,找到距离当前焊接机器人所在位置Pwelding最近的焊点Pnext,将其添加至已访问序列并作为当前焊接机器人所在的位置。重复上述搜索,直至所有的焊点都加入已访问序列,得到一个初步优化的个体。
重复步骤S1.1-S1.2,最终得到M条初始焊接路径。
步骤S2:根据粒子群算子更新所有种群个体的速度与位置,然后进行迭代。
具体方法如下:
将一段N个焊点的访问序列看作问题的一个解,即粒子的位置,如[2,1,5,4,3],用一系列交换顺序表示粒子的速度V:
其中,ik∈{1,2,...,N}、jk∈{1,2,...,N},N为焊点总数;交换顺序(ik,jk)表示将焊点ik和jk互换位置;||v||表示交换序列的长度,即交换序顺序的个数。此处,对粒子群的运算规则进行重新定义:
位置-位置:给定两个位置(路径)A和B,则操作A-B得到的是一个交换序列,表示位置B经过怎样的交换顺序变为位置A;
系数*速度:此处的系数是一个参数,其范围是[0,1],表示速度(交换序列)中每个交换顺序被保留的概率;
速度+速度:表示两个交换序列合并;
位置+速度:表示粒子经过一个交换序列得到一个新的位置(焊点访问序列)。
由于离散变量运算的特殊性,对粒子的运动方程做了改进,即取消了原有的惯性项ω。因为在连续优化中,速度的定义使粒子在位置上的运动是一步到位的,因此其在离散问题中的表达意义不大,且随着迭代次数的增加,速度的交换序列越来越大,对于大规模的焊点路径优化问题,算法会因为速度的冗余而变得异常耗时,因此,提出简化粒子群运动方程如下:
其中,表示第t次迭代第i个粒子的速度;c1、c2是[0,1]之间的随机数;表示基本交换序中所有交换子以概率c1保留,表示基本交换序中所有交换子以概率c2保留。
步骤S3:将粒子群的个体看作是烟花算法的烟花,通过修改爆炸算子与高斯变异算子,产生火花。
步骤S3.1:计算每个烟花产生火花的数量和爆炸幅度。
其中,计算每个烟花产生火花的数量方法如下:
其中,si表示第i个烟花产生的火花数量;f(xi)代表第i个的烟花的函数值;m是常数,ymax=max(f(xi));ε为一个极小的常数,避免分母为0。
计算烟花爆炸幅度的方法如下:
根据标准的烟花算法的爆炸幅度,最佳的烟花爆炸半径通常较小,甚至接近于0,在实际优化搜索中并没有发挥其局部搜索的能力。为了避免降低算法的性能,引入最小半径检查策略,使得:
其中,Ai表示第i个烟花的爆炸半径,计算公式如下:
其中,表示控制最大爆炸幅度的常数,ymin=min(f(xi)),ε为一个极小的常数,避免分母为0。
步骤S3.2:产生爆炸火花。
在具体模拟烟花爆炸的过程中,该步遵循烟花算法的爆炸思想,保留传统烟花算法的框架。对于适应度好的烟花,利用2-opt局部搜索启发式算法加强其附近的搜索;对于适应度差的烟花,对其应用遗传算法的交叉算子与变异算子进行全局搜索。所述适度性是指遍历路径的长度,路径长度越短,适应度越好。通过局部搜索与全局搜索,共同实现爆炸火花的产生过程。所述2-opt算法实现如下:
步骤S3.2.1,假设要优化的当前路径(例如[1,2,3,4,5,6])是最短路径Lmin。
步骤S3.2.2,随机选择路径中两个焊点并反转两个焊点之间的子路径,获得新的路径Lnew。例如,如果随机选择两个焊点2和焊点4,则新路径为[1,4,3,2,5,6]。
步骤S3.2.3,如果Lnew小于Lmin,则将新路径Lnew设置为最短路径Lmin,然后转到步骤S3.2.2;否则,放弃Lnew,直接转到步骤S3.2.2。
出于时间复杂度的考虑,2-opt算法在达到设定的最大循环次数时停止迭代。最大循环次数优选设置为10。
步骤S3.3:进行高斯变异操作,产生高斯火花。
生成爆炸火花之后,烟花算法将烟花进行高斯变异操作产生高斯火花,且从烟花爆炸的所有火花中选择部分(优选不少于70%)比例的火花,产生高斯变异火花。这些变异火花相较烟花种子而言有更好的适应度,使用它们中的个体进行变异具有更好的全局搜索能力。另外,种群的多样性得到进一步增强。
在标准烟花算法的优化过程中,随机产生的高斯数接近0时,将导致很多高斯变异火花的位置接近原点,后来的增强烟花算法规避了这个问题,将增强烟花算法的高斯变异的过程离散化:
其中,xi表示第i个火花;e表示一个高斯分布的随机变量,其均值为0,方差为1,i∈[1,numG],numG是高斯火花总数,xbest是当代烟花(当前迭代的烟花种群)以及所有烟花中适应度最优的个体位置信息。(xbest-xi)表示xi到xbest的一个交换序列,记为vk,当e>1时,vk以概率e的概率保留;当e<1时,e=k+e',k是自然数,e'介于0和1之间,
步骤S4:采用精英-轮盘赌策略,选择烟花种群。
首先,从爆炸火花与高斯变异火花中选择适应度最好的火花进入烟花种群,即精英保持策略;所述适度性是指遍历路径的长度,路径长度越短,适应度越好。
然后,采用轮盘赌选择方式,从剩余火花中选择(FWnum-1)个个体合并组成烟花算法种群,FWnum表示烟花种群个体数目。
步骤S5:将离散粒子群算法和离散烟花算法结合,利用双种群策略,重新组建种群。
首先,对种群中所有的个体进行排序,选择适应度较大的粒子作为粒子种群;
然后,将这些粒子看作烟花算法的种子,以有助于粒子群跳出局部最优;
最后,将粒子种群和烟花种群共同组成新的种群进入下一代。假设Pnum是粒子群个体数,FWnum表示烟花种群个体数目,种群规模为M,则粒子群和烟花的个体数量计算如下:
Pnum=M-FWnum (12)
其中,Pnum是粒子群个体数,FWnum表示烟花种群个体数,M为种群规模,FWmax与FWmin分别是烟花种群规划的最大值和最小值,Imax表示最大迭代次数,t为当前迭代数,round表示取整,r为正整数。
步骤S6:对于总种群,更新个体历史最优解和全局最优解,并进行下一次迭代,直至得到最优的焊接路径。
作为具体示例,表1展示了本发明方法的具体实现流程,具体为:
表1
Claims (8)
1.一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,包括以下步骤:
步骤S1:采用贪心算法,初始化种群所有的路径解和所有的控制参数;
步骤S2:根据粒子群算子更新所有种群个体的速度与位置,然后进行迭代;
步骤S3:将粒子群的个体看作是烟花算法的烟花,通过修改爆炸算子与高斯变异算子,产生火花;
步骤S3.1:计算每个烟花产生火花的数量和爆炸幅度;
其中,计算每个烟花产生火花的数量方法如下:
其中,si表示第i个烟花产生的火花数量;f(xi)代表第i个烟花的函数值;m是常数,ymax=max(f(xi));ε为一个极小的常数,避免分母为0;
计算烟花爆炸幅度的方法如下:
引入最小半径检查策略,使得:
其中,Ai表示第i个烟花的爆炸半径,计算公式如下:
其中,表示控制最大爆炸幅度的常数,ymin=min(f(xi));ε为一个极小的常数,避免分母为0;
步骤S3.2:产生爆炸火花;
对于适应度好的烟花,利用2-opt局部搜索启发式算法加强其附近的搜索;对于适应度差的烟花,对其应用遗传算法的交叉算子与变异算子进行全局搜索;通过局部搜索与全局搜索,共同实现爆炸火花的产生过程;
所述适度性是指遍历路径的长度,路径长度越短,适应度越好;
步骤S3.3:进行高斯变异操作,产生高斯火花;
生成爆炸火花之后,烟花算法将烟花进行高斯变异操作产生高斯火花,且从烟花爆炸的所有火花中选择部分火花,产生高斯变异火花;
烟花算法的高斯变异过程离散化如下:
其中,xi表示第i个火花;e表示一个高斯分布的随机变量,其均值为0,方差为1,i∈[1,numG],numG是高斯火花总数;xbest是当代烟花以及所有烟花中适应度最优的个体位置信息;(xbest-xi)表示xi到xbest的一个交换序列,记为vk,当e>1时,vk以概率e的概率保留,当e<1时,e=k+e',k是自然数,e'介于0和1之间,
步骤S4:采用精英-轮盘赌策略,选择烟花种群;
步骤S5:将离散粒子群算法和离散烟花算法结合,利用双种群策略,重新组建种群;
步骤S6:对于总种群,更新个体历史最优解和全局最优解,并进行下一次迭代,直至得到最优的焊接路径。
2.如权利要求1所述的一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,所述步骤S1,包括以下步骤:
步骤S1.1:随机选择一个焊点,作为焊接机器人所在的位置Pwelding,并加入已访问焊点的序列;
步骤S1.2:搜索所有未加入已访问序列的焊点,找到距离当前焊接机器人所在位置Pwelding最近的焊点Pnext,将其添加至已访问序列并作为当前焊接机器人所在的位置;重复搜索,直至所有的焊点都加入已访问序列,得到一个初步优化的个体;
重复步骤S1.1至S1.2,最终得到M条初始焊接路径。
3.如权利要求1所述的一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,所述步骤S2,包括以下步骤:
将一段N个焊点的访问序列看作问题的一个解,即粒子的位置,如[2,1,5,4,3],用一系列交换顺序表示粒子的速度V:
其中,ik∈{1,2,...,N}、jk∈{1,2,...,N},N为焊点总数;交换顺序(ik,jk)表示将焊点ik和jk互换位置;||v||表示交换序列的长度,即交换序顺序的个数;此处,对粒子群的运算规则进行重新定义:
位置-位置:给定两个位置A和B,则操作A-B得到的是一个交换序列,表示位置B经过怎样的交换顺序变为位置A;
系数*速度:此处的系数是一个参数,其范围是[0,1],表示速度中每个交换顺序被保留的概率;
速度+速度:表示两个交换序列合并;
位置+速度:表示粒子经过一个交换序列得到一个新的位置;
简化粒子群运动方程如下:
其中,表示第t次迭代第i个粒子的速度;c1、c2是[0,1]之间的随机数;表示基本交换序中所有交换子以概率c1保留,表示基本交换序中所有交换子以概率c2保留。
4.如权利要求1所述的一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,所述步骤S3.2中2-opt算法实现如下:
步骤S3.2.1,假设要优化的当前路径是最短路径Lmin;
步骤S3.2.2,随机选择路径中两个焊点并反转两个焊点之间的子路径,获得新的路径Lnew;
步骤S3.2.3,如果Lnew小于Lmin,则将新路径Lnew设置为最短路径Lmin,然后转到步骤S3.2.2;否则,放弃Lnew,直接转到步骤S3.2.2;
2-opt算法在达到设定的最大循环次数时停止迭代。
5.如权利要求4所述的一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,最大循环次数为10次。
6.如权利要求1所述的一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,所述步骤S4,包括以下步骤:
首先,从爆炸火花与高斯变异火花中选择适应度最好的火花进入烟花种群,即精英保持策略;所述适度性是指遍历路径的长度,路径长度越短,适应度越好;
然后,采用轮盘赌选择方式,从剩余火花中选择FWnum-1个个体合并组成烟花算法种群,FWnum表示烟花种群个体数目。
7.如权利要求1所述的一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,所述步骤S5,包括以下步骤:
首先,对种群中所有的个体进行排序,选择适应度较大的粒子作为粒子种群;
然后,将这些粒子看作烟花算法的种子,以有助于粒子群跳出局部最优;
最后,将粒子种群和烟花种群共同组成新的种群进入下一代;假设Pnum是粒子群个体数,FWnum表示烟花种群个体数目,种群规模为M,则粒子群和烟花的个体数量计算如下:
Pnum=M-FWnum (9)
其中,Pnum是粒子群个体数,FWnum表示烟花种群个体数,M为种群规模,FWmax与FWmin分别是烟花种群规划的最大值和最小值,Imax表示最大迭代次数,t为当前迭代数,round表示取整,r为正整数。
8.如权利要求1所述的一种基于烟花粒子群算法的机器人焊接路径规划方法,其特征在于,所述步骤S3.3中,从烟花爆炸的所有火花中选择不少于70%比例的火花,产生高斯变异火花。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590379.0A CN109542103B (zh) | 2018-12-25 | 2018-12-25 | 一种基于烟花粒子群算法的机器人焊接路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590379.0A CN109542103B (zh) | 2018-12-25 | 2018-12-25 | 一种基于烟花粒子群算法的机器人焊接路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109542103A true CN109542103A (zh) | 2019-03-29 |
CN109542103B CN109542103B (zh) | 2019-12-20 |
Family
ID=65858081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811590379.0A Active CN109542103B (zh) | 2018-12-25 | 2018-12-25 | 一种基于烟花粒子群算法的机器人焊接路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109542103B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162060A (zh) * | 2019-06-06 | 2019-08-23 | 北京理工大学 | 一种基于改进烟花爆炸算法的机器人路径规划方法 |
CN110298517A (zh) * | 2019-07-04 | 2019-10-01 | 广东工业大学 | 一种基于并行计算的物流运输调度方法、装置及设备 |
CN110361017A (zh) * | 2019-07-19 | 2019-10-22 | 西南科技大学 | 一种基于栅格法的扫地机器人全遍历路径规划方法 |
CN110471419A (zh) * | 2019-08-23 | 2019-11-19 | 北京工业大学 | 一种基于差分进化烟花算法的多机器人协同路径规划方法 |
CN110610017A (zh) * | 2019-07-16 | 2019-12-24 | 安徽理工大学 | 一种基于改进烟花算法的开采沉陷预计参数求解方法 |
CN110657816A (zh) * | 2019-09-20 | 2020-01-07 | 上海海事大学 | 一种基于烟花算法的带硬时间窗的车辆路径问题规划方法 |
CN110836670A (zh) * | 2019-11-14 | 2020-02-25 | 北京工业大学 | 一种求解无人机约束航路规划的混合烟花粒子群协同方法 |
CN110853010A (zh) * | 2019-11-11 | 2020-02-28 | 江苏君英天达人工智能研究院有限公司 | 基于fwa和sm的高速铁路线缆检测方法 |
CN111385980A (zh) * | 2020-05-19 | 2020-07-07 | 桂林智慧产业园有限公司 | 一种基于粒子群的pcb板贴片方法 |
CN111523636A (zh) * | 2020-04-14 | 2020-08-11 | 上海海事大学 | 一种提高无标度网络弹性的优化方法 |
CN111930121A (zh) * | 2020-08-10 | 2020-11-13 | 哈尔滨工程大学 | 一种室内移动机器人的混合路径规划方法 |
CN112257297A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 一种基于改进烟花算法的焊接车间综合调度方法 |
CN112446548A (zh) * | 2020-12-04 | 2021-03-05 | 电子科技大学中山学院 | 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 |
CN112822747A (zh) * | 2021-03-02 | 2021-05-18 | 吉林大学 | 一种无线传感网中基于遗传算法和蚁群算法的路由选择策略 |
CN112884116A (zh) * | 2021-02-03 | 2021-06-01 | 同济大学 | 基于精英子集引导向量烟花算法的多智能体搜索方法 |
CN113009821A (zh) * | 2021-02-10 | 2021-06-22 | 上海海事大学 | 一种基于信息素初始分配和动态更新的蚁群算法优化方法 |
CN113156940A (zh) * | 2021-03-03 | 2021-07-23 | 河北工业职业技术学院 | 基于好奇心-贪婪奖励函数的机器人路径规划的方法 |
CN113297785A (zh) * | 2021-04-27 | 2021-08-24 | 河南工业大学 | 基于优化烟花算法的医疗物资应急调度优化方法 |
CN113505975A (zh) * | 2021-06-18 | 2021-10-15 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
CN115145225A (zh) * | 2022-06-23 | 2022-10-04 | 福州大学 | 一种基于烟花算法的异形海绵切割路径优化方法 |
CN117349126A (zh) * | 2023-12-05 | 2024-01-05 | 国网辽宁省电力有限公司大连供电公司 | 一种基于大数据的实时信息网络日志分析方法及系统 |
CN117688968A (zh) * | 2024-02-04 | 2024-03-12 | 中国铁建电气化局集团有限公司 | 一种基于粒子群算法的有轨电车车辆布局方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093399A1 (en) * | 2002-11-12 | 2004-05-13 | Alcatel | Fast reconfiguration of network elements |
CN102880060A (zh) * | 2012-10-25 | 2013-01-16 | 北京理工大学 | 再入飞行器自适应指数时变滑模姿态控制方法 |
CN105242676A (zh) * | 2015-07-15 | 2016-01-13 | 北京理工大学 | 一种有限时间收敛时变滑模姿态控制方法 |
CN106776469A (zh) * | 2017-03-17 | 2017-05-31 | 沈阳航空航天大学 | 一种基于模拟退火与高斯扰动的烟花算法 |
CN106910201A (zh) * | 2017-02-28 | 2017-06-30 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
-
2018
- 2018-12-25 CN CN201811590379.0A patent/CN109542103B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093399A1 (en) * | 2002-11-12 | 2004-05-13 | Alcatel | Fast reconfiguration of network elements |
CN102880060A (zh) * | 2012-10-25 | 2013-01-16 | 北京理工大学 | 再入飞行器自适应指数时变滑模姿态控制方法 |
CN105242676A (zh) * | 2015-07-15 | 2016-01-13 | 北京理工大学 | 一种有限时间收敛时变滑模姿态控制方法 |
CN106910201A (zh) * | 2017-02-28 | 2017-06-30 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
CN106776469A (zh) * | 2017-03-17 | 2017-05-31 | 沈阳航空航天大学 | 一种基于模拟退火与高斯扰动的烟花算法 |
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162060A (zh) * | 2019-06-06 | 2019-08-23 | 北京理工大学 | 一种基于改进烟花爆炸算法的机器人路径规划方法 |
CN110298517A (zh) * | 2019-07-04 | 2019-10-01 | 广东工业大学 | 一种基于并行计算的物流运输调度方法、装置及设备 |
CN110610017A (zh) * | 2019-07-16 | 2019-12-24 | 安徽理工大学 | 一种基于改进烟花算法的开采沉陷预计参数求解方法 |
CN110610017B (zh) * | 2019-07-16 | 2021-10-29 | 安徽理工大学 | 一种基于改进烟花算法的开采沉陷预计参数求解方法 |
CN110361017A (zh) * | 2019-07-19 | 2019-10-22 | 西南科技大学 | 一种基于栅格法的扫地机器人全遍历路径规划方法 |
CN110361017B (zh) * | 2019-07-19 | 2022-02-11 | 西南科技大学 | 一种基于栅格法的扫地机器人全遍历路径规划方法 |
CN110471419A (zh) * | 2019-08-23 | 2019-11-19 | 北京工业大学 | 一种基于差分进化烟花算法的多机器人协同路径规划方法 |
CN110657816A (zh) * | 2019-09-20 | 2020-01-07 | 上海海事大学 | 一种基于烟花算法的带硬时间窗的车辆路径问题规划方法 |
CN110657816B (zh) * | 2019-09-20 | 2021-06-15 | 上海海事大学 | 一种基于烟花算法的带硬时间窗的车辆路径问题规划方法 |
CN110853010B (zh) * | 2019-11-11 | 2022-05-13 | 江苏君英天达人工智能研究院有限公司 | 基于fwa和sm的高速铁路线缆检测方法 |
CN110853010A (zh) * | 2019-11-11 | 2020-02-28 | 江苏君英天达人工智能研究院有限公司 | 基于fwa和sm的高速铁路线缆检测方法 |
CN110836670A (zh) * | 2019-11-14 | 2020-02-25 | 北京工业大学 | 一种求解无人机约束航路规划的混合烟花粒子群协同方法 |
CN110836670B (zh) * | 2019-11-14 | 2021-08-20 | 北京工业大学 | 一种求解无人机约束航路规划的混合烟花粒子群协同方法 |
CN111523636A (zh) * | 2020-04-14 | 2020-08-11 | 上海海事大学 | 一种提高无标度网络弹性的优化方法 |
CN111523636B (zh) * | 2020-04-14 | 2023-02-24 | 上海海事大学 | 一种提高无标度网络弹性的优化方法 |
CN111385980B (zh) * | 2020-05-19 | 2022-06-14 | 桂林智慧产业园有限公司 | 一种基于粒子群的pcb板贴片方法 |
CN111385980A (zh) * | 2020-05-19 | 2020-07-07 | 桂林智慧产业园有限公司 | 一种基于粒子群的pcb板贴片方法 |
CN111930121A (zh) * | 2020-08-10 | 2020-11-13 | 哈尔滨工程大学 | 一种室内移动机器人的混合路径规划方法 |
CN112257297A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 一种基于改进烟花算法的焊接车间综合调度方法 |
CN112446548A (zh) * | 2020-12-04 | 2021-03-05 | 电子科技大学中山学院 | 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 |
CN112884116B (zh) * | 2021-02-03 | 2022-09-13 | 同济大学 | 基于精英子集引导向量烟花算法的多智能体搜索方法 |
CN112884116A (zh) * | 2021-02-03 | 2021-06-01 | 同济大学 | 基于精英子集引导向量烟花算法的多智能体搜索方法 |
CN113009821A (zh) * | 2021-02-10 | 2021-06-22 | 上海海事大学 | 一种基于信息素初始分配和动态更新的蚁群算法优化方法 |
CN112822747A (zh) * | 2021-03-02 | 2021-05-18 | 吉林大学 | 一种无线传感网中基于遗传算法和蚁群算法的路由选择策略 |
CN112822747B (zh) * | 2021-03-02 | 2022-09-30 | 吉林大学 | 一种基于遗传算法和蚁群算法的路由选择策略的方法 |
CN113156940A (zh) * | 2021-03-03 | 2021-07-23 | 河北工业职业技术学院 | 基于好奇心-贪婪奖励函数的机器人路径规划的方法 |
CN113297785A (zh) * | 2021-04-27 | 2021-08-24 | 河南工业大学 | 基于优化烟花算法的医疗物资应急调度优化方法 |
CN113505975A (zh) * | 2021-06-18 | 2021-10-15 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
CN113505975B (zh) * | 2021-06-18 | 2024-04-09 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
CN115145225A (zh) * | 2022-06-23 | 2022-10-04 | 福州大学 | 一种基于烟花算法的异形海绵切割路径优化方法 |
CN117349126A (zh) * | 2023-12-05 | 2024-01-05 | 国网辽宁省电力有限公司大连供电公司 | 一种基于大数据的实时信息网络日志分析方法及系统 |
CN117349126B (zh) * | 2023-12-05 | 2024-02-09 | 国网辽宁省电力有限公司大连供电公司 | 一种基于大数据的实时信息网络日志分析方法及系统 |
CN117688968A (zh) * | 2024-02-04 | 2024-03-12 | 中国铁建电气化局集团有限公司 | 一种基于粒子群算法的有轨电车车辆布局方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109542103B (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109542103A (zh) | 一种基于烟花粒子群算法的机器人焊接路径规划方法 | |
Deepak et al. | Assembly sequence planning using soft computing methods: a review | |
Shim et al. | A hybrid estimation of distribution algorithm with decomposition for solving the multiobjective multiple traveling salesman problem | |
Lamini et al. | Genetic algorithm based approach for autonomous mobile robot path planning | |
CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
CN109241291A (zh) | 基于深度强化学习的知识图谱最优路径查询系统及其方法 | |
CN109271320B (zh) | 一种上位多目标测试用例优先级排序方法 | |
Wu et al. | Multi-UAV task allocation based on improved genetic algorithm | |
Wu et al. | An Improved Teaching‐Learning‐Based Optimization Algorithm with Reinforcement Learning Strategy for Solving Optimization Problems | |
Gao et al. | An improved clonal selection algorithm and its application to traveling salesman problems | |
CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
CN108803332A (zh) | 基于改进生物地理学的路径规划方法 | |
Tang et al. | Multi-task particle swarm optimization with dynamic neighbor and level-based inter-task learning | |
Huang et al. | Modellight: Model-based meta-reinforcement learning for traffic signal control | |
CN108596339A (zh) | 一种构建子种群和子问题的多目标优化遗传算法 | |
Xiao-Ting et al. | Flight path planning based on an improved genetic algorithm | |
Zhao et al. | Learning transformer-based cooperation for networked traffic signal control | |
CN116258357B (zh) | 一种基于多基因遗传算法的异构无人机协同目标分配方法 | |
Alajlan et al. | Global robot path planning using GA for large grid maps: Modelling performance and experimentation | |
Khosla et al. | A comparison of computational efforts between particle swarm optimization and genetic algorithm for identification of fuzzy models | |
CN116307328A (zh) | 一种旅行商问题的贪婪求解方法 | |
Chen et al. | Q‐EANet: Implicit social modeling for trajectory prediction via experience‐anchored queries | |
Nayak et al. | Comparison of liaison concatenation method with simulated annealing for assembly sequence generation problems | |
Xu et al. | An improved immune evolutionary algorithm for multimodal function optimization | |
Revanna et al. | Ant colony optimization with simulated annealing algorithm for google maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |