CN113761730A - 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 - Google Patents
基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 Download PDFInfo
- Publication number
- CN113761730A CN113761730A CN202110997523.8A CN202110997523A CN113761730A CN 113761730 A CN113761730 A CN 113761730A CN 202110997523 A CN202110997523 A CN 202110997523A CN 113761730 A CN113761730 A CN 113761730A
- Authority
- CN
- China
- Prior art keywords
- track
- generation
- chromosome
- population
- point
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241001122767 Theaceae Species 0.000 claims abstract description 24
- 238000009313 farming Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 4
- 238000003971 tillage Methods 0.000 claims abstract description 4
- 210000000349 chromosome Anatomy 0.000 claims description 55
- 230000035772 mutation Effects 0.000 claims description 47
- 108090000623 proteins and genes Proteins 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 32
- 239000000543 intermediate Substances 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 108700028369 Alleles Proteins 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 238000001308 synthesis method Methods 0.000 claims 4
- 238000005457 optimization Methods 0.000 abstract description 9
- 239000002689 soil Substances 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及到利用优化算法来解决茶园中耕机构的轨迹综合任务领域。技术方案是:一种基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法,依次包括以下步骤:第1步:选取耕作目标轨迹,对该轨迹进行离散化处理,得到若干综合目标轨迹点;第2步:利用机构学的知识表达出四杆中耕机构连杆轨迹发生点处(耕作刀具尖点)的位置函数;第3步:表达出轨迹综合任务的综合目标函数;第4步:利用Matlab结合所述第3步对所述改进的差分算法进行编程;第5步:运行程序,得到所求机构的尺寸参数,并通过仿真验证所设计机构在特定点处的发生轨迹。该方法应能大大提高利用优化法解决非计时多目标点轨迹综合机构问题的求解速度和精度。
Description
技术领域
本发明涉及到利用优化算法来解决茶园中耕机构的轨迹综合任务领域,具体是提供一种基于改进的差分算法的轨迹生成综合茶园四杆中耕机构的方法。
背景技术
树是深根植物,主根在深厚的土壤中,中耕能够减少表土水分含量,增加阳光辐射的吸收量,促进茶芽提早萌发,是茶园管理的重要环节。我国茶园多分布于丘陵山区,对茶园土壤的耕作主要采用小型锄铲式中耕机,锄铲式中耕机的核心工作部分为连杆式中耕机构,中耕机构的设计往往需要解决“已知锄铲铲尖位置耕作轨迹的多目标点非计时轨迹综合机构”的问题,常见解决机构综合问题的方法有解析法和优化法,而非计时轨迹综合机构问题中的待求参数极多,用传统的解析法解决该问题往往需要解决解非线程方程组的问题,且非线程方程组的维数随着目标综合点的增多而增大,高维非线性方程组的求解问题一直是工程技术界和应用数学界的难点之一,无法在保证综合精度的同时保证其解的可行性,故而可用优化法来解决多目标点的轨迹综合机构问题。目前利用优化法解决多目标点的轨迹综合机构问题常用遗传算法(GA)、粒子群算法(POS)及差分算法(DE),在目标函数设计变量比较多的情况下,GA和POS暴露出了其收敛精度较差和迭代速度较慢的缺点,而对于DE,其本身就相对来说最适用于解决高维目标函数的优化问题,如果对DE的某些流程进行改进,就可以获得更高的收敛速度和更精确的解。
发明内容
本发明的目的是克服上述背景技术中的不足,提供一种基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法,该方法应能大大提高利用优化法解决非计时多目标点轨迹综合机构问题的求解速度和精度,为茶园中耕机构的设计提供一种有效的方案。
本发明提供的技术方案是:
一种基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法(以平面四杆中耕机构为例进行说明),依次包括以下步骤:
第1步:选取耕作目标轨迹,对该轨迹进行离散化处理,得到若干综合目标轨迹点;
第2步:利用机构学的知识表达出四杆中耕机构连杆轨迹发生点处(耕作刀具尖点)的位置函数;
第3步:表达出轨迹综合任务的综合目标函数;
第4步:利用Matlab结合所述第3步对所述改进的差分算法进行编程;
第5步:运行程序,得到所求机构的尺寸参数,并通过仿真验证所设计机构在特定点处的发生轨迹。
所述第1步中,对于目标轨迹,可以结合农艺选取包括耕作刀具入土点、出土点等关键型值点在内的N个目标轨迹形状控制点作为离散化的目标综合轨迹。
所述第2步中,所述四杆中耕机构为平面四杆机构;
参照附图2,建立全局坐标系XOY,XrO2Yr为局部坐标系;r1、r2、r3、r4分别表示机架杆、输入杆、连杆和输出杆;θ0为机架杆与X轴之间的夹角,θ2为输入杆与机架杆之间的夹角(输入角),θ3为连杆和机架杆之间的夹角,θ4为输出杆与机架之间的夹角;(x0,y0)表示整转副O2点在全局坐标系XOY下的坐标;C点表示连杆上的任意一点,其位置由rcx和rcy确定,rcx⊥rcy;
平面四杆机构连杆任意位置C点的轨迹函数为:
式中,(CX,CY)表示C点在全局坐标系XOY下的坐标,(CXr,CYr)代表C点在局部坐标系XrO2Yr下的坐标,θ3和θ4可通过求解四杆机构矢量方程由θ2表示;
所述第3步中,以平面四杆机构连杆发生轨迹与期望轨迹点坐标间的偏差平方和作为综合目标函数:
式中,N代表目标轨迹点的个数,表示N个目标轨迹点的坐标;目标函数fobj中包含所有待求参数 代表输入杆旋转一整周的过程中在不同位置的输入角;表示输入杆旋转一整周的过程中,待综合机构连杆上的C点对应的发生轨迹点的坐标。
所述综合目标函数包括以下约束条件:
1)保证曲柄能够整周转动的格拉索夫条件:
[Max(r1,r2,r3,r4)+Min(r1,r2,r3,r4)]≤{Sum(r1,r2,r3,r4)-[Max(r1,r2,r3,r4)+Min(r1,r2,r3,r4)]}
2)输入角度θ2按次序增大或减小的顺序条件:
或者,
mod(a,b)为取余运算,表示a/b的余数,a,b为任意整数。
3)待求参数的范围。
将条件1)和2)作为惩罚函数插入到目标函数当中,条件3)在运行程序时进行调试选取,最终综合目标函数为:
式中,在解向量满足格拉索夫条件时,h1(X)取0,否则h1(X)取1;在解向量满足输入角度θ2按次序增大或减小的顺序条件时,h1(X)取0,否则h1(X)取1;M1和M2分别取一个足够大的值。
所述第4步编程的步骤为:
1)初始化:
其中,和分别表示第i条“染色体”的第j个基因xj,i取值范围的上界和下界;xi(0)表示种群中第0代的第i条“染色体”,xj,i(0)表示第0代的第i条“染色体”的第j个“基因”,NP表示种群大小(即向量的个数),D表示每条染色体上基因的个数(即向量的维数);rand(0,1)表示取0~1之间的随机数。
2)变异:DE通过差分策略实现个体变异,差分策略是随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成:
vi(g+1)=xr1(g)+F·(xr2(g)-xr3(g)),i≠r1≠r2≠r3
其中:
F=F0×2λ
上式中,F为变异算子,xi(g)表示第g代种群中第i条染色体,vi(g+1)表示第g代种群在变异后(变异中间体)的第i条“染色体”,G为最大进化代数;g为当前进化代数,F0为基本变异算子,常取0.2~0.6;
其中:
上式中,表示第g代种群的交叉算子,g∈(0,G),jrand为[1,2,…,D]的随机整数,xj,i(g)表示第g代种群第i条“染色体”的第j个“基因”,vj,i(g+1)表示第g代种群在变异后第i条“染色体”的第j个“基因”,uj,i(g+1)表示第g代种群在变异和交叉后第i条“染色体”的第j个“基因”,G为最大进化代数,g为当前进化代数,G0为初期最大进化代数,通常取G0=(0.2~0.3)G;Rc min一般取0.1~0.3,Rc max一般取0.7~0.9;
为了确保变异中间体vi(g+1)的每个“染色体”至少有一个“基因”遗传给下一代,第一个交叉操作的基因是随机取出vi(g+1)中的第jrand位“基因”作为交叉后“染色体”ui(g+1)的第jrand位等位“基因”。后续的交叉操作过程,则是通过交叉算子Rc来选取xi(g)还是vi(g+1)的等位基因作为ui(g+1)的等位基因;
4)边界条件的处理:在变异的和交叉的过程中,会出现某条染色体的某个基因点位值超出边界范围,此操作将超过边界的向量使用可行域中随机产生的参数向量代替:
u′j,i(g+1)表示第g代种群在变异、交叉和边界条件处理后第i条“染色体”的第j个“基因”。
5)选择:DE采用贪婪算法来选择进入下一代种群的个体:
xi(g+1)表示第g代种群在变异、交叉、边界条件处理和选择后(即第g+1代种群)第i条“染色体”的第j个“基因”,fobj(X)为目标函数。
6)重复上述细化步骤,迭代至目标函数值收敛;
本发明的有益效果是:
本发明所采用的利用改进的差分算法解决多目标点非计时轨迹综合机构的方法,在传统差分算法的基础上,分别对交叉算子采取迭代初期较小到迭代中后期逐渐变大、对变异算子采取迭代初期较大到迭代中后期逐渐变小的设计,大大提高了解决高维非计时多目标点轨迹综合机构问题的精度和速度,为茶园中耕机构的设计提供了一种更加高效的方案。
附图说明
图1是本发明所述差分算法的流程图。
图2是本发明所述的平面四杆机构简图。
图3是采用已有算法获得的轨迹综合结果。
图4是采用本发明所述改进的差分算法获得的轨迹综合结果。
图5是本发明所述的离散化目标综合轨迹点。
图6是采用本发明所述改进的差分算法获得的迭代曲线。
图7是本发明实施例采用所述改进的差分算法下综合所得的连杆机构。
图8是本发明实施例采用所述改进的差分算法下的轨迹综合结果。
具体实施方式
以下结合说明书附图所示实施例,对本发明作进一步说明
本发明包括以下步骤(松土轨迹综合茶园四杆中耕机构为例):
第1步:选取茶园中耕的目标轨迹,对该轨迹进行离散化处理
参照附图5,选取茶园中耕的目标轨迹,结合农艺选取包括耕作刀具入土点、出土点等关键型值点在内的16个目标轨迹形状控制点作为离散化的目标综合轨迹。
显然,这些目标综合轨迹形成的平面垂直于水平面。
第2步:利用机构学的知识表达出茶园中耕机构连杆轨迹发生点处(耕作刀具尖点)的位置函数
参照附图2,XOY为全局坐标系,XrO2Yr为局部坐标系;r1、r2、r3、r4分别表示机架杆、输入杆、连杆和输出杆;θ0为机架杆与X轴之间的夹角,θ2为输入杆与机架杆之间的夹角(输入角),θ3为连杆和机架杆之间的夹角,θ4为输出杆与机架之间的夹角;(x0,y0)表示整转副O2点在全局坐标系XOY下的坐标;C点表示连杆上的任意一点,其位置由rcx和rcy确定,rcx⊥rcy。
四杆中耕机构的连杆在任意位置C的轨迹函数为:
式中,(CX,CY)表示C点在全局坐标系XOY下的坐标,(CXr,CYr)代表C点在局部坐标系XrO2Yr下的坐标,θ3和θ4可通过求解四杆机构矢量方程由θ2表示。
第3步:表达出轨迹综合任务的综合目标函数
四杆中耕机构连杆发生轨迹与期望轨迹点坐标间的偏差平方和作为综合目标函数:
式中,N代表目标轨迹点的个数,表示N个目标轨迹点的坐标;目标函数fobj中包含所有待求参数 代表输入杆旋转一整周的过程中在不同位置的输入角;表示输入杆旋转一整周的过程中,待综合机构连杆上的C点对应的发生轨迹点的坐标。
所述综合目标函数包括以下约束条件:
1)保证曲柄能够整周转动的格拉索夫条件:
[Max(r1,r2,r3,r4)+Min(r1,r2,r3,r4)]≤{Sum(r1,r2,r3,r4)-[Max(r1,r2,r3,r4)+Min(r1,r2,r3,r4)]}
2)输入角度θ2按次序增大或减小的顺序条件:
或者,
mod(a,b)为取余运算,表示a/b的余数。a,b为任意整数。
3)待求参数的范围。
将条件1)和2)作为惩罚函数插入到目标函数当中,条件3)在运行程序时进行调试选取,最终综合目标函数为:
式中,在解向量满足格拉索夫条件时,h1(X)取0,否则h1(X)取1;在解向量满足输入角度θ2按次序增大或减小的顺序条件时,h1(X)取0,否则h1(X)取1;M1和M2分别取一个足够大的值。
第4步:参照附图1,利用Matlab对所述改进的差分算法进行编程
编程的步骤如下:
1)初始化:
其中,和分别表示第i条“染色体”的第j个基因xj,i取值范围的上界和下界;xi(0)表示种群中第0代的第i条“染色体”,xj,i(0)表示第0代的第i条“染色体”的第j个“基因”,NP表示种群大小(即向量的个数),D表示每条染色体上基因的个数(即向量的维数);rand(0,1)表示取0~1之间的随机数。
2)变异:
常规的处理方法如下:
DE通过差分策略实现个体变异,差分策略是随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成:
vi(g+1)=xr1(g)+F·(xr2(g)-xr3(g)),i≠r1≠r2≠r3
式中,F为变异算子,xi(g)表示第g代种群中第i条染色体,vi(g+1)表示第g代种群在变异后(变异中间体)的第i条“染色体”。
本发明改进后的处理方法是:
DE通过差分策略实现个体变异,差分策略是随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成:
vi(g+1)=xr1(g)+F·(xr2(g)-xr3(g)),i≠r1≠r2≠r3
其中:
F=F0×2λ
上式中,F为变异算子,xi(g)表示第g代种群中第i条染色体,vi(g+1)表示第g代种群在变异后(变异中间体)的第i条“染色体”,G为最大进化代数;g为当前进化代数,F0为基本变异算子,常取0.2~0.6;
3)交叉:
常规的处理方法如下:
其中,Rc为交叉算子,jrand为[1,2,…,D]的随机整数,xj,i(g)表示第g代种群第i条“染色体”的第j个“基因”,vj,i(g+1)表示第g代种群在变异后第i条“染色体”的第j个“基因”,uj,i(g+1)表示第g代种群在变异和交叉后第i条“染色体”的第j个“基因”。
本发明改进后的处理方法是:
其中:
上式中,表示第g代种群的交叉算子,g∈(0,G),jrand为[1,2,…,D]的随机整数,xj,i(g)表示第g代种群第i条“染色体”的第j个“基因”,vj,i(g+1)表示第g代种群在变异后第i条“染色体”的第j个“基因”,uj,i(g+1)表示第g代种群在变异和交叉后第i条“染色体”的第j个“基因”,G为最大进化代数,g为当前进化代数,G0为初期最大进化代数,通常取G0=(0.2~0.3)G;Rc min一般取0.1~0.3,Rc max一般取0.7~0.9;
为了确保变异中间体vi(g+1)的每个“染色体”至少有一个“基因”遗传给下一代,第一个交叉操作的基因是随机取出vi(g+1)中的第jrand位“基因”作为交叉后“染色体”ui(g+1)的第jrand位等位“基因”。后续的交叉操作过程,则是通过交叉算子Rc来选取xi(g)还是vi(g+1)的等位基因作为ui(g+1)的等位基因。
4)边界条件的处理:在变异的和交叉的过程中,会出现某条染色体的某个基因点位值超出边界范围,此操作将超过边界的向量使用可行域中随机产生的参数向量代替:
u′j,i(g+1)表示第g代种群在变异、交叉和边界条件处理后第i条“染色体”的第j个“基因”。
5)选择:DE采用贪婪算法来选择进入下一代种群的个体:
xi(g+1)表示第g代种群在变异、交叉、边界条件处理和选择后(即第g+1代种群)第i条“染色体”的第j个“基因”,fobj(X)为目标函数。
6)重复上述细化步骤,迭代至目标函数值收敛。
本发明对上述编程步骤中的变异(第2小步)和交叉(第3小步)操作进行了改进,改进思路如下:
(1)变异操作中变异算子F取值的改进:
在基本的差分进化算法中,变异算子F经常取常数,F取太大,有利于保持种群的多样性,全局搜索能力强,但收敛速度慢;F取太小,有利于加快收敛速度,但易陷入局部最优区域。
式中,G为最大进化代数;g为当前进化代数;F0为基本变异算子,常取0.2~0.6。
这样开始的时候变异算子为2F0,在迭代初期可以保持种群的多样性,防止局部收敛;随着迭代次数的增加,变异算子逐渐减小,最后减小到F0,以保证在迭代中后期进行高效精细的搜索。
(2)交叉操作中交叉算子Rc取值的改进
在基本的差分进化算法中,交叉算子Rc经常取常数,Rc取得越小,有利于保持种群的多样性和全局搜索能力,但收敛速度慢。Rc取得越大,有利于局部搜索和加速收敛速度,但易陷入局部最优区域。
故可以设计这样的交叉算子:
式中,G为最大进化代数,g为当前进化代数,G0为初期最大进化代数,通常取G0=(0.2~0.3)G;Rc min一般取0.1~0.3,Rc max一般取0.7~0.9。
这种设计下,在进化初期,Rc自Rc min递增至Rc max,在种群多样性较好的情况下快速搜索至全局最优区域但最优解的精度不够高;在进化中后期,Rc取较大的固定值Rc max,用较长时间在全局最优区域进行精细搜索,以便获得高精度解。
图6是在所述改进的差分进化算法下的迭代曲线,可见目标函数的值随着迭代次数的增大而减小,最终收敛。
第5步:运行程序,得到所求机构的尺寸参数,并通过仿真验证茶园中耕机构在耕作刀具尖点位置的轨迹。
对于上述松土轨迹综合茶园四杆中耕机构的任务,所述改进的差分进化算法下综合出的茶园四杆中耕机构如图7所示;
其中:
r3、rcx、rcy的值是由耕作刀具的尺寸决定,是已知量:
r3=300mm,rcx=786mm,rcy=108mm.
其余参数的值是综合所得结果:
r1=913.87mm,r2=146.54mm,r4=994.48mm,x0=843.25mm,
y0=639.59mm,θ0=169°.
附图8为综合所得四杆中耕机构C点(图7中耕作刀具的尖点)的耕作轨迹和期望轨迹点的对比图。
比较后可知:综合所得机构的轨迹与目标轨迹点之间的相对误差为0.28%。
对比实施例
现以一个经典的10轨迹点非计时轨迹综合四杆机构任务,来对所述改进的差分算法与其他算法进行对比:
实施例1:
目标轨迹点:
待求参数的范围:
依次包括以下步骤:
第1步:此案例下目标轨迹点已给定;
第2步:利用机构学的知识表达出四杆机构连杆轨迹发生点处的位置函数;
第3步:表达出轨迹综合任务的综合目标函数;
第4步:参照附图1,利用Matlab对所述改进的差分算法进行编程;
第5步:运行程序,得到所求机构的尺寸参数,验证所设计机构的连杆轨迹。
对于此轨迹综合任务的综合结果,附图4为所述改进差分算法综合所得机构的发生轨迹和期望轨迹点的对比图,所述改进的差分算法综合结果的绝对误差为0.0322。
参照图3,对于同样的轨迹综合任务,采用文献中所说的DE(基本差分算法)、PSO(粒子群算法)、GA(遗传算法)的绝对误差分别为1.952326、1.971004、2.281273;可见所述改进的差分算法极大的提高了轨迹综合任务的精度。
图3中的英文含义:
solved by Genetic Algorithm:利用遗传算法(GA)求解;
solved by Particle Swarm Optimization:利用粒子群算法(PSO)求解;
solved by Differential Evolution:利用基本的差分算法(DE)求解;
traced by 4 bar mechanism:四杆机构发生轨迹;
prescribed coupler points:期望轨迹点;
error:误差。
本文仅以平面四杆机构轨迹综合任务为例验证所述改进的差分算法,所述改进的差分算法同样可以利用在其他机构的非计时多目标点轨迹综合任务的实施例上,只需要在第2步中对相应待综合机构轨迹发生点进行机构学分析即可。
Claims (5)
1.一种基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法,依次包括以下步骤:
第1步:选取耕作目标轨迹,对该轨迹进行离散化处理,得到若干综合目标轨迹点。
第2步:利用机构学的知识表达出四杆中耕机构连杆轨迹发生点处即耕作刀具尖点的位置函数。
第3步:表达出轨迹综合任务的综合目标函数;
第4步:结合所述第3步对所述改进的差分算法进行编程;
第5步:运行程序,得到所求机构的尺寸参数,并通过仿真验证所设计机构在特定点处的发生轨迹。
4.根据权利要求3所述的基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法,其特征在于:所述第3步中,以平面四杆机构连杆发生轨迹与期望轨迹点间坐标偏差平方和作为综合目标函数:
式中,N代表目标轨迹点的个数,表示N个目标轨迹点的坐标;目标函数fobj中包含所有待求参数 代表输入杆旋转一整周的过程中在不同位置的输入角;表示输入杆旋转一整周的过程中,待综合机构连杆上的C点对应的发生轨迹点的坐标;
所述综合目标函数包括以下约束条件:
1)保证曲柄能够整周转动的格拉索夫条件:
[Max(r1,r2,r3,r4)+Min(r1,r2,r3,r4)]≤{Sum(r1,r2,r3,r4)-[Max(r1,r2,r3,r4)+Min(r1,r2,r3,r4)]}
2)输入角度θ2按次序增大或减小的顺序条件:
或者,
mod(a,b)为取余运算,表示a/b的余数,a,b为任意整数。
3)待求参数的范围。
将条件1)和2)作为惩罚函数插入到目标函数当中,条件3)在运行程序时进行调试选取,最终综合目标函数为:
式中,在解向量满足格拉索夫条件时,h1(X)取0,否则h1(X)取1;在解向量满足输入角度θ2按次序增大或减小的顺序条件时,h1(X)取0,否则h1(X)取1;M1和M2分别取一个足够大的值。
5.根据权利要求4所述的基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法,其特征在于:所述第4步编程的步骤为:
1)初始化:
其中,和分别表示第i条“染色体”的第j个基因xj,i取值范围的上界和下界;xi(0)表示种群中第0代的第i条“染色体”,xj,i(0)表示第0代的第i条“染色体”的第j个“基因”,NP表示种群大小(即向量的个数),D表示每条染色体上基因的个数(即向量的维数);rand(0,1)表示取0~1之间的随机数;
2)变异:DE通过差分策略实现个体变异,差分策略是随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成:
vi(g+1)=xr1(g)+F·(xr2(g)-xr3(g)),i≠r1≠r2≠r3
其中:
F=F0×2λ
上式中,F为变异算子,xi(g)表示第g代种群中第i条染色体,vi(g+1)表示第g代种群在变异后(变异中间体)的第i条“染色体”,G为最大进化代数;g为当前进化代数,F0为基本变异算子,常取0.2~0.6;
其中:
上式中,表示第g代种群的交叉算子,g∈(0,G),jrand为[1,2,…,D]的随机整数,xj,i(g)表示第g代种群第i条“染色体”的第j个“基因”,vj,i(g+1)表示第g代种群在变异后第i条“染色体”的第j个“基因”,uj,i(g+1)表示第g代种群在变异和交叉后第i条“染色体”的第j个“基因”,G为最大进化代数,g为当前进化代数,G0为初期最大进化代数,通常取G0=(0.2~0.3)G;Rcmin一般取0.1~0.3,Rcmax一般取0.7~0.9;
为了确保变异中间体vi(g+1)的每个“染色体”至少有一个“基因”遗传给下一代,第一个交叉操作的基因是随机取出vi(g+1)中的第jrand位“基因”作为交叉后“染色体”ui(g+1)的第jrand位等位“基因”。后续的交叉操作过程,则是通过交叉算子Rc来选取xi(g)还是vi(g+1)的等位基因作为ui(g+1)的等位基因;
4)边界条件的处理:在变异的和交叉的过程中,会出现某条染色体的某个基因点位值超出边界范围,此操作将超过边界的向量使用可行域中随机产生的参数向量代替:
u′j,i(g+1)表示第g代种群在变异、交叉和边界条件处理后第i条“染色体”的第j个“基因”。
5)选择:DE采用贪婪算法来选择进入下一代种群的个体:
xi(g+1)表示第g代种群在变异、交叉、边界条件处理和选择后(即第g+1代种群)第i条“染色体”的第j个“基因”,fobj(X)为目标函数。
6)重复上述细化步骤,迭代至目标函数值收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997523.8A CN113761730B (zh) | 2021-08-27 | 2021-08-27 | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997523.8A CN113761730B (zh) | 2021-08-27 | 2021-08-27 | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761730A true CN113761730A (zh) | 2021-12-07 |
CN113761730B CN113761730B (zh) | 2023-09-29 |
Family
ID=78791670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110997523.8A Active CN113761730B (zh) | 2021-08-27 | 2021-08-27 | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761730B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048638A (zh) * | 2022-01-11 | 2022-02-15 | 武汉科技大学 | 一种用于连杆机构轨迹综合的比较点获取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106482675A (zh) * | 2016-10-17 | 2017-03-08 | 武汉大学 | 一种机耕面积自动测算方法、装置及系统 |
WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
CN109154821A (zh) * | 2017-11-30 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 轨迹生成方法、装置和无人驾驶地面车辆 |
CN209055850U (zh) * | 2019-01-15 | 2019-07-02 | 成都市农林科学院 | 一种基于差分信号的农机轨迹控制系统 |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
CN111868566A (zh) * | 2019-10-11 | 2020-10-30 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于定位漂移测算模型的农机作业面积测算方法 |
CN112861654A (zh) * | 2021-01-20 | 2021-05-28 | 浙江理工大学 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
-
2021
- 2021-08-27 CN CN202110997523.8A patent/CN113761730B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106482675A (zh) * | 2016-10-17 | 2017-03-08 | 武汉大学 | 一种机耕面积自动测算方法、装置及系统 |
WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
CN109154821A (zh) * | 2017-11-30 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 轨迹生成方法、装置和无人驾驶地面车辆 |
CN209055850U (zh) * | 2019-01-15 | 2019-07-02 | 成都市农林科学院 | 一种基于差分信号的农机轨迹控制系统 |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
CN111868566A (zh) * | 2019-10-11 | 2020-10-30 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于定位漂移测算模型的农机作业面积测算方法 |
CN112861654A (zh) * | 2021-01-20 | 2021-05-28 | 浙江理工大学 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
Non-Patent Citations (6)
Title |
---|
LEI ZHANG: "Locating Famous Tea’s Picking Point Based on Shi-Tomasi Algorithm", 《COMPUTERS, MATERIALS AND CONTINUA》, pages 1109 - 1122 * |
XIONG ZHAO: "Research on design method of non-circular planetary gear train transplanting mechanism based on precise poses and trajector y optimization", 《ADVANCES IN MECHANICAL ENGINEERING》, pages 1 - 12 * |
YATAO LI: "In-fild tea shoot detection and 3D localization using an RGB-D camera", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, pages 1 - 12 * |
YONG YANG: "A high-accuracy tracking control for welding robot", 《2016 IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (CYBER)》, pages 146 - 151 * |
张雷: "基于ANSYS和ADAMS空间四连杆引纬机构的柔性动力学仿真", 《纺织学报》, pages 116 - 120 * |
徐永康: "基于MATLAB空间四连杆引纬机构运动仿真", 《轻工机械》, pages 17 - 21 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048638A (zh) * | 2022-01-11 | 2022-02-15 | 武汉科技大学 | 一种用于连杆机构轨迹综合的比较点获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113761730B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Crop traits enabling yield gains under more frequent extreme climatic events | |
Schütze et al. | Novel simulation-based algorithms for optimal open-loop and closed-loop scheduling of deficit irrigation systems | |
CN113761730B (zh) | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 | |
Liu et al. | Strategic tillage achieves lower carbon footprints with higher carbon accumulation and grain yield in a wheat-maize cropping system | |
Bhattacharyay et al. | Future of precision agriculture in India | |
Jin et al. | Energy assessment of different rice–wheat rotation systems | |
JP2019175246A (ja) | 農業計画作成装置、農業用機具、農業計画作成方法および農業計画作成用プログラム | |
Gorai et al. | Site specific nutrient management of an intensively cultivated farm using geostatistical approach | |
CN113792492B (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
McConkey et al. | Effect of tillage and cropping frequency on sustainable agriculture in the brown soil zone | |
Lejdel | Optimization of energy in smart farms using a genetic algorithm | |
Yang et al. | Nitrogen fertilization produces divergent effects on canopy structure between indica and japonica rice reflected in leaf to panicle ratio based on deep learning | |
Timene et al. | Design of a five-bar duckbill-type mechanism for sorghum transplanting | |
Wang et al. | Fertilization model for flue-cured tobacco (Nicotiana tabacum L.) in southwest China. | |
Gostev et al. | Normative-reference database structure for agricultural manufacturers support system and rational choice of cost-effective adaptive tichnologies for grain crops cultivation | |
Hijbeek et al. | Benchmarking crop nitrogen requirements, nitrogen-use efficiencies and associated greenhouse gas mitigation potential: Methodology exploration for cereal production in sub-Saharan Africa | |
CN117281016B (zh) | 基于无人机遥感的间作系统的灌溉决策方法、装置和系统 | |
Wang et al. | Design and development of decision support system for equipping farm machines | |
Tarasenko et al. | Surface treatment of soil in nursery gardens for growing seedlings of main forest forming species | |
Sharma et al. | Benefits and Limitations | |
Yuan et al. | Yield benefit and soil fertility improved by different fertilizer application placements and supplementary organic manure in Maize (Zea mays L.) | |
Baldock et al. | Consultants' Corner: Can We Build-up Carbon and Can We Sell It? | |
Aula et al. | Tillage practices affect soil fertility of a long‐term winter wheat–fallow rotation | |
Ahlawat et al. | Fuzzy expert system for greenhouse rose yield prediction | |
JESMA | 0^ SctCMce ht; 4^ nicedttMl |
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 |