CN110440822A - 基于黏菌-蚁群融合算法的汽车焊点路径规划方法 - Google Patents
基于黏菌-蚁群融合算法的汽车焊点路径规划方法 Download PDFInfo
- Publication number
- CN110440822A CN110440822A CN201910737947.3A CN201910737947A CN110440822A CN 110440822 A CN110440822 A CN 110440822A CN 201910737947 A CN201910737947 A CN 201910737947A CN 110440822 A CN110440822 A CN 110440822A
- Authority
- CN
- China
- Prior art keywords
- path
- pipeline
- point
- solder joint
- algorithm
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于黏菌‑蚁群融合算法的汽车焊点路径规划方法,该方法利用黏菌算法对要进行路径规划的焊点进行路径寻优,得到管道模型,再根据管道模型筛选出优质管道,从而得到固定点对集合,然后再采用蚁群算法对要进行路径规划的焊点进行路径寻优,得到第一条路径,在寻优的过程中,按照优质管道固定选择规则确定蚁群算法将要访问的下一个路径点;对蚁群算法进行循环迭代,直至满足设定的迭代次数后,结束迭代,得到全部的路径;根据全部路径确定最优路径。本发明利用固定点对集合可以简化数据集,减少蚁群算法的访问点的数量,有效提高算法收敛速度,同时在一定程度上减少了蚁群算法陷入局部最优的概率,增加了蚁群算法最优路径的选择概率。
Description
技术领域
本发明涉及汽车控制加工技术领域,特别是涉及一种基于黏菌-蚁群融合算法的汽车焊点路径规划方法。
背景技术
现今汽车产业飞速发展,需求量逐年增长,同时为满足消费者外观与性能上的需求,汽车生产周期逐渐变短,提高生产效率尤为重要。由于汽车车身焊点多达3000-5000个,超过三分之二以上的焊点都由机器人来完成,庞大且不规律的焊点分布,致使合理规划焊接路径成为提高效率的关键因素。传统路径规划方法中应用较多的是蚁群算法,且取得了很好效果,但无论是算法本身还是其改进算法,都仍然存在算法易陷入局部最优解、收敛速度慢的不足,导致汽车生产效率不能得到进一步的提高。
发明内容
基于此,有必要针对现有技术中利用蚁群算法进行焊点路径规划时存在的易陷入局部最优解、收敛速度慢,导致汽车生产效率不能得到进一步提高的问题,提供一种基于黏菌-蚁群融合算法的汽车焊点路径规划方法,该方法本发明使用“优质管道”固定选择规则的黏菌-蚁群融合算法,构思合理、设想新颖,可通过降低访问点的点数有效提高算法收敛速度,同时可有效调高算法的寻优能力,使路径规划更接近最优结果,适于汽车焊点轨迹规划及相关路径寻优问题的应用。
为解决上述问题,本发明采取如下的技术方案:
一种基于黏菌-蚁群融合算法的汽车焊点路径规划方法,包括以下步骤:
步骤S1:采用黏菌算法对要进行路径规划的焊点进行路径寻优,得到管道模型;
步骤S2:根据管道模型筛选出路径寻优过程中的优质管道,并将每一个优质管道的两端点作为一个点对,得到由各个优质管道对应的点对组成的固定点对集合;
步骤S3:采用蚁群算法对要进行路径规划的焊点进行路径寻优,得到第一条路径;在采用蚁群算法进行路径寻优的过程中,按照优质管道固定选择规则确定蚁群算法将要访问的下一个路径点,其中优质管道固定选择规则为:判断蚁群算法选择的当前路径点是否在固定点对集合中,若是,则将当前路径点在固定点对集合中的对应点作为蚁群算法将要访问的下一个路径点;若否,则按照状态转移概率选择蚁群算法将要访问的下一个路径点;
步骤S4:对步骤S3中的蚁群算法进行循环迭代,直至满足设定的迭代次数后,结束迭代,得到全部的路径;
步骤S5:将全部的路径中路径长度最小的路径作为路径规划后焊点的最优路径。
与现有技术相比,本发明具有以下有益效果:
(1)本发明利用黏菌算法首先对要进行路径规划的焊点进行路径寻优,得到管道模型,再根据管道模型筛选出优质管道,从而得到固定点对集合,利用固定点对集合可以简化数据集,减少蚁群算法的访问点的数量,降低点度,从而提高蚁群算法收敛速度;
(2)由于本发明将黏菌算法得出的优质路径提前选择出一部分,所以在一定程度上减少了蚁群算法陷入局部最优的概率,增加了蚁群算法最优路径的选择概率;
(3)本发明利用黏菌算法与蚁群算法相融合的算法对汽车焊点进行路径寻优,蚁群算法能够弥补黏菌算法系统性不强所带来的不完善与不稳定性,黏菌算法在一定程度上加快了蚁群算法的收敛速度,因此本发明进一步提高了汽车焊点最优路径的规划效率,进而有利于提高汽车的生产效率。
附图说明
图1为本发明基于黏菌-蚁群融合算法的汽车焊点路径规划方法其中一个实施例的流程图;
图2为本发明基于黏菌-蚁群融合算法的汽车焊点路径规划方法其中一个实施例中路径寻优的示意图。
具体实施方式
本发明提供了一种基于黏菌-蚁群融合算法的汽车焊点路径规划方法,该方法基于一种新的优质管道固定选择的算法即黏菌-蚁群融合算法实现,方法的具体内容是:首先,通过黏菌算法的“重点管道重点培养”方法得到信息素流量大的优质管道;然后,将选择出来的优质管道两端点作为固定点对,得到固定点对集合;再然后,将固定点对集合对应的这些固定路径段应用到蚁群算法中,完成蚁群算法寻优过程中部分路径点的定向选择(即固定点对中的某点被选中后,下一点直接被确定),从而实现黏菌-蚁群算法的融合,达到对汽车焊装线焊点的路径合理规划的目的,实现焊点的高效焊接。下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中,如图1所示,本发明公开一种基于黏菌-蚁群融合算法的汽车焊点路径规划方法,该方法包括步骤S1~步骤S5。
在步骤S1中,采用黏菌算法对要进行路径规划的焊点进行路径寻优,得到管道模型。在该步骤中,采用黏菌算法所抽象出的“重点管道重点培养”方法对要进行路径规划的焊点进行路径寻优,得到了管道模型,管道模型反映了有效的管道流量分布情况。
步骤S1具体包括以下步骤:
步骤S1.1:完成变量初始化,计算全部焊点中每两个焊点(分别为记为焊点i和焊点j)间距离Lij,即焊点i和焊点j对应的管道(i,j)的长度,计算公式为:
式(1)中,xi、xj分别代表同一平面内焊点i、焊点j的x轴坐标,yi、yj分别代表焊点i、焊点j的y轴坐标;
步骤S1.2:计算各个焊点抽象出的压强值,具体计算方法是:
以任意一个焊点作为基准点,设置基准点的压强值为零;
以基准点作为入口点或者出口点,根据基尔霍夫定律计算其余各个焊点的压强值,计算公式为:
式(2)中,Dij为管道(i,j)段的传导性,Lij为管道(i,j)段的长度,pi为焊点i的压强值,pj为焊点j的压强值,I0为流入初始入口点的总流量。
假设以焊点j=2作为基准点,焊点j=2的压强值为p2=0,根据公式(2)即可具体求出其余各个焊点的压强值。
步骤S1.3:根据每两个焊点对应的管道的长度、各个焊点的压强值和各个管道的传导性计算各个管道的流量值,计算各个管道的流量值时利用相应两个焊点之间的压差、对应管道的传导性以及对应管道的长度之间的关系求解的,计算公式为:
式(3)中,Qij为管道(i,j)段的流量值;
步骤S1.4:对各个管道的传导性进行更新,在该步骤中,完成传导性的更新的计算公式为:
将式(4)转化为迭代公式为:
式(5)中,Dij(n)为第n次迭代时的管道(i,j)段的传导性,Dij(n+1)为第n+1次迭代时的管道(i,j)段的传导性,Qij(n)为第n次迭代时的管道(i,j)段的流量值;
步骤S1.5:判断各个管道的更新后的传导性是否满足迭代终止条件,若是,则结束迭代,得到各个管道的最终流量值;若否,则返回步骤S1.2;其中,迭代终止条件为各个管道的更新后的传导性与步骤S1.3中对应管道的传导性之差的绝对值小于或者等于阈值δ,如式(6)所示:
|Dij(n+1)-Dij(n)|≤δ (6)
步骤S1.6:根据各个管道的最终流量值,确定管道模型,即根据最终的管道流量情况,选择出流量大的管道,具体采用以下步骤实现:
步骤S1.6.1:以任意一个焊点作为当前点;
步骤S1.6.2:将当前点所在管道中最终流量值最大的管道对应的另一个焊点作为最佳选择点,将当前点到最佳选择点对应的管道计入管道模型;
步骤S1.6.3:以最佳选择点作为当前点,返回步骤S1.6.2,直至最佳选择点遍历全部焊点。
假设当前焊点为焊点i,焊点i所在管道中最终流量值最大的管道对应的另一个焊点作为最佳选择点(next点),根据式(7)选择管道:
Qinext=max{|Qi1|,|Qi2|,……,|Qim|} (7)
式(7)中,Qinext代表焊点i到next点的管道流量值,m为焊点总数。
完成一次管道选择后,以next点作为下一选择过程的当前焊点,然后按照公式(7)进入下一次选择循环中,并将各个焊点i依次计入Lbest中,其中Lbest为得到的管道模型。
在步骤S2中,根据管道模型筛选出路径寻优过程中的优质管道,并将每一个优质管道的两端点作为一个点对,得到由各个优质管道对应的点对组成的固定点对集合。
根据管道模型筛选出管道流量值较大的、管道距离较短的管道作为优质管道,即根据管道模型筛选出路径寻优过程中的优质管道的过程具体包括以下步骤:
以管道模型中的任意一个管道作为目标管道,判断目标管道是否满足选择条件,若是,则将目标管道确定为优质管道;其中选择条件为:目标管道的流量值大于流量值阈值且目标管道的长度小于长度阈值;
将目标管道遍历管道模型中的全部管道后,得到路径寻优过程中的全部的优质管道。
得到路径寻优过程中的全部的优质管道后,将每一个优质管道的两端点作为一个点对,得到由各个优质管道对应的点对组成的固定点对集合LAB,固定点对集合LAB的选择公式为:
LAB={(i,j)|Qij>Qη,Lij<Lη,i∈Lbest(u),j∈Lbest(u+1),u∈[1,n)} (8)
式(8)中,Qη、Lη分别为管道流量值与管道长度的阈值,i为Lbest中第u个值,j为Lbest中第u+1个值。
在全部优质管道中抽象出的固定点对集合,相当于可完成自动匹配的两组具有映射关系的两组集合A、B。由于在管道两个端点都有被选中与被映射的情况,所以固定点对集合LAB中集合A、B属于双向对应映射关系,因此,一旦出现多个固定管道相连时,就会出现多点相连情况,即访问点在集合A、B组成的交集AB中。因此,应该将集合AB中这些交集点剔除掉,直接放入禁忌表中,作为已被算法固定位置的访问点,防止这些管道中间交集点被蚁群算法依照状态选择概率被选中,影响优质管道固定选择规则。因此在步骤S2之后、步骤S3之前还包括初始化蚁群算法的各初始量,同时要对固定点对集合LAB做出相关处理的步骤,该步骤具体包括以下内容:
首先,初始化蚁群算法中的各个初始量,蚁群算法共有以下6个初始量参数,分别为蚂蚁数量值m(在蚂蚁访问点数量规模适度情况下,蚂蚁数量值m尽量和路径点值相同)、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素释放总量Q和最大迭代次数n。
其次,对固定点对集合进行交集点剔除,即将集合A、B组成的交集AB中交集点剔除掉,并将剔除的交集点直接放入禁忌表中,作为已被蚁群算法固定位置的路径点。
在步骤S3中,采用蚁群算法对要进行路径规划的焊点进行路径寻优,得到第一条路径;在采用蚁群算法进行路径寻优的过程中,按照优质管道固定选择规则确定蚁群算法将要访问的下一个路径点,其中优质管道固定选择规则为:判断蚁群算法选择的当前路径点是否在固定点对集合中,若是,则将当前路径点在固定点对集合中的对应点作为蚁群算法将要访问的下一个路径点;若否,则按照状态转移概率选择蚁群算法将要访问的下一个路径点。
具体地,在采用蚁群算法进行路径寻优的过程中,按照优质管道固定选择规则确定蚁群算法将要访问的下一个路径点,其中优质管道固定选择规则具体为:判断蚁群算法选择的当前路径点是否在固定点对集合LAB中,若当前路径点在固定点对集合LAB中,则放弃原有蚁群算法寻优方式,将当前路径点在固定点对集合LAB中的对应点(即对应的点对中的另一个点)作为蚁群算法将要访问的下一个路径点;若当前路径点不在固定点对集合LAB中,则按照状态转移概率选择蚁群算法将要访问的下一个路径点。其中,待选择的下一路径点,应该为未被选择过的点,未被选择过的点集为Lallowed。
优质管道固定选择规则用公式表示为:
式(9)中,j代表下一个路径点,i代表当前路径点,当下一个路径点j属于Lallowed时且当前路径点i属于固定点对集合LAB时,下一个路径点j取当前路径点i在固定点对集合LAB中的对应点;当下一个路径点j属于Lallowed时且当前路径点i属于固定点对集合LAB时,下一个路径点j取状态概率最大值所对应的路径点。
蚁群算法路径寻优过程中,从当前路径点到下一路径点的选择规则是依据状态转移概率,状态转移概率计算公式为:
ηij=1/Lij (11)
式(10)中,为当前路径点i的第k只蚂蚁选择下一路径点j的状态转移概率,τij(t)为t时刻当前路径点i到下一路径点j路径上的信息素浓度,α、β分别为权重系数,Lallowed表示所有未进行访问点的集合,ηij表示从当前路径点i到下一路径点j的期望度。
当蚂蚁完成所有访问点的访问,按照信息素更新公式进行信息素更新,信息素更新公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij(t) (12)
式(12)中,ρ代表信息素的挥发率系数,0<ρ<1;
式(14)中,Lk为t时刻第k只蚂蚁走完全程的路径总长,式(14)为全局信息素更新方式。
在完成当前路径点到下一个路径点的选择之后,判断是否完成所有路径点的访问,若否,则以下一个路径点作为当前路径点,再次按照蚁群算法进行下一个路径点的选择,即通过不断的循环,直至所有路径点都按照公式(9)-(14)完成被访问工作,得到第一条路径Length(1)。
在步骤S4中,对步骤S3中的蚁群算法进行循环迭代,直至满足设定的迭代次数后,结束迭代,得到全部的路径Length:
Length={Length(1),Length(2),…,Length(Nc_max)} (16)
式(16)中,Nc为当前蚂蚁算法所在循环次数,Nc_max为最大迭代次数。
最后,在步骤S5中,将全部的路径Length中路径长度最小的路径作为路径规划后焊点的最优路径,最优路径Lengthbest的选择公式为:
Lengthbest=min{Length} (17)
如图2所示,空心圆形点为路径寻优的起始点,实心圆形点为路径寻优的终止点,空心三角形点为焊点,实心三角形点为黏菌算法选择出来的其中一个优质管道对应的两个端点,即一个点对,黑色粗实线为选择的固定管道,黑色细实线为蚁群算法路径寻优的部分可能选择的路径,黑色虚线为蚁群算法路径寻优可能选择的路径,即优质管道固定选择方法所节约下的路径,因此由图2可知,本发明能够有效减少蚁群算法的访问点的数量,降低点度,从而提高蚁群算法收敛速度。
本发明通过设计优质管道固定选择的黏菌-蚁群融合算法,可达到的有益效果如下:
(1)本发明利用黏菌算法首先对要进行路径规划的焊点进行路径寻优,得到管道模型,再根据管道模型筛选出优质管道,从而得到固定点对集合,利用固定点对集合可以简化数据集,减少蚁群算法的访问点的数量,降低点度,从而提高蚁群算法收敛速度;
(2)由于本发明将黏菌算法得出的优质路径提前选择出一部分,所以在一定程度上减少了蚁群算法陷入局部最优的概率,增加了蚁群算法最优路径的选择概率;
(3)本发明利用黏菌算法与蚁群算法相融合的算法对汽车焊点进行路径寻优,蚁群算法能够弥补黏菌算法系统性不强所带来的不完善与不稳定性,黏菌算法在一定程度上加快了蚁群算法的收敛速度,因此本发明进一步提高了汽车焊点最优路径的规划效率,进而有利于提高汽车的生产效率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于黏菌-蚁群融合算法的汽车焊点路径规划方法,其特征在于,包括以下步骤:
步骤S1:采用黏菌算法对要进行路径规划的焊点进行路径寻优,得到管道模型;
步骤S2:根据管道模型筛选出路径寻优过程中的优质管道,并将每一个优质管道的两端点作为一个点对,得到由各个优质管道对应的点对组成的固定点对集合;
步骤S3:采用蚁群算法对要进行路径规划的焊点进行路径寻优,得到第一条路径;在采用蚁群算法进行路径寻优的过程中,按照优质管道固定选择规则确定蚁群算法将要访问的下一个路径点,其中优质管道固定选择规则为:判断蚁群算法选择的当前路径点是否在固定点对集合中,若是,则将当前路径点在固定点对集合中的对应点作为蚁群算法将要访问的下一个路径点;若否,则按照状态转移概率选择蚁群算法将要访问的下一个路径点;
步骤S4:对步骤S3中的蚁群算法进行循环迭代,直至满足设定的迭代次数后,结束迭代,得到全部的路径;
步骤S5:将全部的路径中路径长度最小的路径作为路径规划后焊点的最优路径。
2.根据权利要求1所述的基于黏菌-蚁群融合算法的汽车焊点路径规划方法,其特征在于,所述步骤S1具体包括以下步骤:
步骤S1.1:完成变量初始化,计算全部焊点中每两个焊点对应的管道的长度;
步骤S1.2:计算各个焊点的压强值;
步骤S1.3:根据每两个焊点对应的管道的长度、各个焊点的压强值和各个管道的传导性计算各个管道的流量值;
步骤S1.4:对各个管道的传导性进行更新;
步骤S1.5:判断各个管道的更新后的传导性是否满足迭代终止条件,若是,则结束迭代,得到各个管道的最终流量值;若否,则返回步骤S1.2;其中,迭代终止条件为各个管道的更新后的传导性与步骤S1.3中对应管道的传导性之差的绝对值小于或者等于阈值;
步骤S1.6:根据各个管道的最终流量值,确定管道模型。
3.根据权利要求2所述的基于黏菌-蚁群融合算法的汽车焊点路径规划方法,其特征在于,所述步骤S1.2具体包括以下步骤:
以任意一个焊点作为基准点,设置基准点的压强值为零;
以基准点作为入口点或者出口点,根据基尔霍夫定律计算其余各个焊点的压强值。
4.根据权利要求2所述的基于黏菌-蚁群融合算法的汽车焊点路径规划方法,其特征在于,所述步骤S1.6具体包括以下步骤:
步骤S1.6.1:以任意一个焊点作为当前点;
步骤S1.6.2:将当前点所在管道中最终流量值最大的管道对应的另一个焊点作为最佳选择点,将当前点到最佳选择点对应的管道计入管道模型;
步骤S1.6.3:以最佳选择点作为当前点,返回步骤S1.6.2,直至最佳选择点遍历全部焊点。
5.根据权利要求1或2所述的基于黏菌-蚁群融合算法的汽车焊点路径规划方法,其特征在于,根据管道模型筛选出路径寻优过程中的优质管道的过程具体包括以下步骤:
以管道模型中的任意一个管道作为目标管道,判断目标管道是否满足选择条件,若是,则将目标管道确定为优质管道;其中选择条件为:目标管道的流量值大于流量值阈值且目标管道的长度小于长度阈值;
将目标管道遍历管道模型中的全部管道后,得到路径寻优过程中的全部的优质管道。
6.根据权利要求1或2所述的基于黏菌-蚁群融合算法的汽车焊点路径规划方法,其特征在于,在所述步骤S2之后、所述步骤S3之前,还包括以下步骤:
初始化蚁群算法中的各个初始量;
对固定点对集合进行交集点剔除,并将剔除的交集点放入禁忌表中,作为已被蚁群算法固定位置的路径点。
7.根据权利要求6所述的基于黏菌-蚁群融合算法的汽车焊点路径规划方法,其特征在于,
初始量包括蚂蚁数量值、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量和最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910737947.3A CN110440822B (zh) | 2019-08-12 | 2019-08-12 | 基于黏菌-蚁群融合算法的汽车焊点路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910737947.3A CN110440822B (zh) | 2019-08-12 | 2019-08-12 | 基于黏菌-蚁群融合算法的汽车焊点路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110440822A true CN110440822A (zh) | 2019-11-12 |
CN110440822B CN110440822B (zh) | 2021-03-23 |
Family
ID=68434483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910737947.3A Active CN110440822B (zh) | 2019-08-12 | 2019-08-12 | 基于黏菌-蚁群融合算法的汽车焊点路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110440822B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110802598A (zh) * | 2019-11-26 | 2020-02-18 | 广东技术师范大学 | 基于多蚁群迭代寻优算法的焊接机器人路径规划方法 |
CN111545955A (zh) * | 2020-04-20 | 2020-08-18 | 华南理工大学 | 一种门板焊点识别与焊接路径规划方法 |
CN113703391A (zh) * | 2021-08-11 | 2021-11-26 | 广东省科学院智能制造研究所 | 一种基于随机信息素优化精英蚁群算法的加工路径规划方法 |
CN113743005A (zh) * | 2021-08-24 | 2021-12-03 | 三峡大学 | 基于黏菌觅食行为的迷宫问题仿生求解方法 |
CN114063623A (zh) * | 2022-01-11 | 2022-02-18 | 中国人民解放军陆军装甲兵学院 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766333A (zh) * | 2015-04-20 | 2015-07-08 | 吉林大学 | 基于立体视觉的车门点焊机器人路径校正方法 |
CN105718716A (zh) * | 2015-12-28 | 2016-06-29 | 西南大学 | 基于多头绒泡菌的蚁群信息素更新方法 |
CN106355091A (zh) * | 2016-08-26 | 2017-01-25 | 西南大学 | 基于生物智能的传播源定位方法 |
CN106563900A (zh) * | 2016-11-16 | 2017-04-19 | 华南理工大学 | 一种汽车内外饰件最优焊接轨迹的方法 |
CN107390684A (zh) * | 2017-07-14 | 2017-11-24 | 华南理工大学 | 一种多机器人协同的汽车零配件焊接最优路径规划方法 |
-
2019
- 2019-08-12 CN CN201910737947.3A patent/CN110440822B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766333A (zh) * | 2015-04-20 | 2015-07-08 | 吉林大学 | 基于立体视觉的车门点焊机器人路径校正方法 |
CN105718716A (zh) * | 2015-12-28 | 2016-06-29 | 西南大学 | 基于多头绒泡菌的蚁群信息素更新方法 |
CN106355091A (zh) * | 2016-08-26 | 2017-01-25 | 西南大学 | 基于生物智能的传播源定位方法 |
CN106563900A (zh) * | 2016-11-16 | 2017-04-19 | 华南理工大学 | 一种汽车内外饰件最优焊接轨迹的方法 |
CN107390684A (zh) * | 2017-07-14 | 2017-11-24 | 华南理工大学 | 一种多机器人协同的汽车零配件焊接最优路径规划方法 |
Non-Patent Citations (6)
Title |
---|
YUXIN LIU, ET AL: "Solving NP-Hard Problems with Physarum-Based Ant Colony System", 《IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》 * |
ZILI ZHANG1,ET AL: "Multi-Objective Ant Colony Optimization Based on the Physarum-Inspired Mathematical Model for Bi-Objective Traveling Salesman Problems", 《PLOS ONE》 * |
刘玉欣等: "基于多头绒泡菌网络模型的蚁群算法优化", 《西 南 大 学 学 报 》 * |
卢雨潇: "基于多头绒泡菌模型的优化蚁群算法及其在旅行商问题中的运用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
宫百香,张洪博: "基于蚁群算法的点焊机器人工作站路径规划", 《电焊机》 * |
林巨广等: "蚁群算法在白车身底板焊接路径规划中的应用", 《焊 接 学 报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110802598A (zh) * | 2019-11-26 | 2020-02-18 | 广东技术师范大学 | 基于多蚁群迭代寻优算法的焊接机器人路径规划方法 |
CN111545955A (zh) * | 2020-04-20 | 2020-08-18 | 华南理工大学 | 一种门板焊点识别与焊接路径规划方法 |
CN113703391A (zh) * | 2021-08-11 | 2021-11-26 | 广东省科学院智能制造研究所 | 一种基于随机信息素优化精英蚁群算法的加工路径规划方法 |
CN113743005A (zh) * | 2021-08-24 | 2021-12-03 | 三峡大学 | 基于黏菌觅食行为的迷宫问题仿生求解方法 |
CN113743005B (zh) * | 2021-08-24 | 2023-08-25 | 三峡大学 | 基于黏菌觅食行为的迷宫问题仿生求解方法 |
CN114063623A (zh) * | 2022-01-11 | 2022-02-18 | 中国人民解放军陆军装甲兵学院 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
CN114063623B (zh) * | 2022-01-11 | 2022-03-29 | 中国人民解放军陆军装甲兵学院 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110440822B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110440822A (zh) | 基于黏菌-蚁群融合算法的汽车焊点路径规划方法 | |
CN109116841B (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
CN106776963B (zh) | 轻量化的bim大数据在线可视化方法和系统 | |
CN104462155B (zh) | 一种兴趣点父子关系的建立方法及装置 | |
CN105701204A (zh) | 基于道路网的电子地图兴趣点的提取方法及显示方法 | |
CN106228819B (zh) | 一种多交叉口的交通信号优化控制方法及装置 | |
CN113485429B (zh) | 空地协同交通巡检的路径优化方法和装置 | |
CN110972152B (zh) | 一种考虑信号阻隔效应的城市空间5g基站选址优化方法 | |
CN109443364A (zh) | 基于a*算法的路径规划方法 | |
CN110223345A (zh) | 基于点云的配电线路作业对象位姿估计方法 | |
CN108364069A (zh) | 一种基于遗传算法的机器人焊接路径规划方法 | |
CN109886468A (zh) | 基于改进的自适应遗传算法的充电站规划方法 | |
CN108803621A (zh) | 一种钢轨焊缝修磨机器人路径规划方法 | |
CN112114584A (zh) | 一种球形两栖机器人的全局路径规划方法 | |
CN104392064B (zh) | 一种中观尺度下缓解热岛效应的优化城市形态设计方法 | |
CN111310257A (zh) | 一种bim环境下的区域建筑能耗预测方法 | |
CN112348867A (zh) | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 | |
CN104361185A (zh) | 电缆虚拟设计用布线空间自动生成方法 | |
CN114877905A (zh) | 一种双向动态生长的Informed-RRT*路径规划方法 | |
CN115019510A (zh) | 一种基于动态自适应生成对抗网络的交通数据修复方法 | |
CN107846366A (zh) | 一种规则匹配方法和装置 | |
CN109214656A (zh) | 一种用于城市公交网络的节点重要性评估方法 | |
CN109086528B (zh) | 在civil3d中按排序规则自动命名网状道路的方法 | |
CN103986667B (zh) | 选择数据包分类算法的方法和装置 | |
CN108965016A (zh) | 一种虚拟网络的映射方法及装置 |
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 |