CN117291325A - 具有初始位置判断的单缸插销式伸缩路径模型和优化方法 - Google Patents

具有初始位置判断的单缸插销式伸缩路径模型和优化方法 Download PDF

Info

Publication number
CN117291325A
CN117291325A CN202311305727.6A CN202311305727A CN117291325A CN 117291325 A CN117291325 A CN 117291325A CN 202311305727 A CN202311305727 A CN 202311305727A CN 117291325 A CN117291325 A CN 117291325A
Authority
CN
China
Prior art keywords
arm
telescopic
path
travel
section
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.)
Pending
Application number
CN202311305727.6A
Other languages
English (en)
Inventor
毛艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Sdlube Science & Technology Co ltd
Original Assignee
Changsha Sdlube Science & Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Sdlube Science & Technology Co ltd filed Critical Changsha Sdlube Science & Technology Co ltd
Priority to CN202311305727.6A priority Critical patent/CN117291325A/zh
Publication of CN117291325A publication Critical patent/CN117291325A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及具有初始位置判断的单缸插销式伸缩路径模型和优化方法，属于单缸插销式多级顺序伸缩路径模型和优化方法，并具有初始位置判断功能。通过伸缩步数计算方法以及伸缩路径长度计算方法，构建了伸缩路径数学模型，并用带精英保存策略的进化算法求解单缸插销式顺序伸缩路径优化问题。优点是区分了缩臂与伸臂过程，较之前模型更为精细；且具有伸缩步数计算与路径长度计算两个优化目标，带精英保存的进化策略优化效果好，每次运行能找到几乎全部有效解和最优解，并且能减少进化算法循环次数，仅经历少量循环便能生成有效解和最优解，降低计算能耗，提高计算效率。

Description

具有初始位置判断的单缸插销式伸缩路径模型和优化方法
技术领域
本发明属于单缸插销式多级顺序伸缩路径模型和优化方法，并具有初始位置判断功能。
背景技术
单缸插销式多级顺序伸缩是以一节驱动油缸顺序推动多节伸缩臂，每节臂沿纵轴布置有数个销孔，而每节臂尾部臂销与其外部臂节的某个销孔锁定，从而使伸缩臂逐级伸长至需求的长度，汽车起重机伸缩臂是典型的单缸插销式多级顺序伸缩臂。
“单缸插销式伸缩机构”是指采用一根长油缸逐级推动臂节，并利用插销固定臂节实现吊臂伸缩的机构。“单缸插销式伸缩臂”是指吊臂具有一个固定臂节和若干伸缩臂节，所有臂节截面形状一致，仅尺寸不同，臂节按截面尺寸由大至小依次嵌套。“单缸插销式顺序伸缩”是指用一个伸缩油缸依次缩回或顶伸每个臂节至某个臂销孔位置，油缸行程只有一节臂长，由于油缸长度限制，单缸插销式伸缩臂更换臂长时需按顺序伸缩：首先执行缩臂，依次缩回第1节臂，第2节臂，……，至第n节臂；然后执行伸臂，依次伸出第n节臂，第n-1节臂，……，至第1节臂。由于缩臂需要n步，伸臂需要n-1步(缩和伸最末节臂可以合二为一)，一个完整的换臂过程需要2n-1步；而每1步缩或伸臂包含油缸找臂和臂节伸缩两部分运动，单缸插销式伸缩臂换臂步数越多，伸缩效率越低；换臂步数越少，伸缩效率越高。“伸缩路径优化”是指寻找一个缩臂极限位置组合x，使臂节从初始位置组合a按顺序逐一缩至缩臂极限位置组合x，然后从缩臂极限位置组合x按逆序逐一伸至目标位置组合b，使用的伸缩步数最少，油缸总行程最短。由上可知，顺序伸缩必须从缩第1节臂开始，现有路径优化模型和方法也基本遵循顺序伸缩原则从缩第1节臂开始，例如中国专利《单缸插销式多级顺序伸缩路径优化方法》
(ZL201611214032.7)(以下简称文献1)、中国专利《一种高效的单缸插销式多级顺序伸缩路径优化方法》(ZL201611214033.1)(以下简称文献2)、论文《基于Hopfield神经网络的单缸插销式伸缩臂伸缩路径优化》(吉林大学学报(工学版),2020,50(1):53-65.)(以下简称文献3)均未考虑油缸的起始位置，均默认伸缩从缩第1节臂开始。并且，文献1是一种排列组合算法，它从最末节臂开始对位置组合进行排列组合，文献2是一种渠流水阀算法，它从最末节臂开始对油缸行程是否满足进行纵向和横向判断，文献1和文献2是简化算法，对于复杂问题优化力度难以达到最大；文献3提出了该问题的数学模型，但数学模型未区分缩臂和伸臂过程，精细化不够。
上一次伸缩完毕，插销机构可能停留在任意臂节中，下一次伸缩开始前必须先将插销机构缩回至第1节臂中，再执行顺序伸缩，这样势必增加一次油缸找臂过程，相当于执行了半步伸缩。下次伸缩若能从油缸停留的当前臂节开始，且具有路径优化功能，则能最大限度优化伸缩路径，减少伸缩步数。因此，具有初始位置判断的伸缩路径优化是指：油缸所在当前臂节为伸缩起始臂节，在此限定下进行伸缩路径优化，可见需要提供具有初始位置判断的单缸插销式伸缩路径精确数学模型和伸缩路径优化方法。
发明内容
本发明提供一种具有初始位置判断的单缸插销式伸缩路径模型和优化方法，以解决之前模型不够精细，计算能耗高，计算效率低的问题。
本发明采取的技术方案是，建立具有初始位置判断的单缸插销式顺序伸缩路径优化的数学模型，其中单缸插销式伸缩臂具有n节伸缩臂，每节臂上具有m个臂销孔，销孔位置为[L(1),L(2),…,L(m)]，L(m)为行程化销孔位置，销孔位置编码为[1,2,…m]，单油缸最大行程为L＝L(m)，初始位置组合为[a1,a2,…,an]，目标位置组合为[b1,b2,…,bn]，缩臂极限位置组合是决策变量、为[x1,x2,…,xn]，a1…an,b1…bn,x1…xn∈(L(1),L(m))，α为油缸所在当前臂节；
包括下列步骤：
(1)行程约束判断如下：
步骤(11)：臂节初始位置组合为[a1,a2,…,an]，首先判断回缩臂节α，从油缸所在当前臂节α开始向前进行行程判断，约束方程见g1(x)，为臂节α之前所有臂节初始伸长量求和、且与臂节α回缩所需最大伸长量之和，g1(x)必须小于等于油缸最大行程L；
步骤(12)：判断回缩臂节α-1，从臂节α-1开始向前进行行程判断，约束方程见g2(x)，为臂节α-1之前所有臂节初始伸长量求和、且与臂节α-1回缩所需最大伸长量之和，g2(x)必须小于等于油缸最大行程L；
步骤(13)：以此类推，直至判断回缩臂节1，从臂节1开始向前进行行程判断，约束方程见gα(x)，为臂节1回缩所需最大伸长量，gα(x)必须小于等于油缸最大行程L；
ga(x)＝max(a1,x1)≤L
此时，前α节臂已能回缩到缩臂极限位置组合[x1,…,xα]，接下来回缩臂节α之后臂节；
步骤(14)：接着判断回缩臂节α+1，从臂节α+1开始往前进行行程判断，约束方程见gα+1(x)，为臂节α+1之前所有臂节缩臂极限伸长量求和、且与臂节α+1所需最大伸长量之和，gα+1(x)必须小于等于油缸最大行程L；
步骤(15)：逐个判断回缩臂节α+1之后臂节；以此类推，直至判断回缩臂节n，判断回缩臂节n，从臂节n开始往前进行行程判断，约束方程见gn(x)，为臂节n之前所有臂节缩臂极限伸长量求和、且与臂节n所需最大伸长量之和，gn(x)必须小于等于油缸最大行程L；
至此，所有n节臂已能回缩到缩臂极限位置组合[x1,…,xα,xα+1,…xn]，缩臂过程结束；
步骤(16)：伸臂时，首先判断伸出最末臂节，即臂节n，从臂节n开始向前进行行程判断，约束方程见h1(x)，为臂节n之前所有臂节缩臂极限伸长量求和、且与臂节n伸出所需最大伸长量之和，h1(x)必须小于等于油缸最大行程L；
步骤(17)：判断伸出臂节n-1，从臂节n-1开始向前进行行程判断，约束方程见h2(x)，为臂节n-1之前所有臂节缩臂极限伸长量求和、且与臂节n-1伸出所需最大伸长量之和，h2(x)必须小于等于油缸最大行程L；
步骤(18)：以此类推，直至判断伸出臂节1，从臂节1开始向前进行行程判断，约束方程见hn(x)；为臂节1伸出所需最大伸长量，hn(x)必须小于等于油缸最大行程L；
hn(x)＝max(b1,x1)≤L
至此，所有n节臂已能伸出到目标位置组合[b1,b2,…,bn]；
(2)目标函数优化如下：
步骤(19)：计算两个优化目标函数：路径长度与伸缩步数，伸缩步数目标函数优先级高于路径长度目标函数，路径长度等于缩臂路径长度与伸臂路径长度之和，其中，缩臂路径长度为n节伸缩臂从初始位置缩至缩臂极限位置的绝对值行程；伸臂路径长度为n节伸缩臂从缩臂极限位置伸至目标位置的绝对值行程，伸缩步数等于缩臂步数与伸臂步数之和，表示臂节初始位置与缩臂极限位置若相异则该臂节需缩臂，若相同则无需缩臂；同理，/>表示臂节目标位置与缩臂极限位置若相异则该臂节需伸臂，若相同则无需伸臂；相异的缩伸臂节数之和为总伸缩步数；
路径长度目标函数：
伸缩步数目标函数：
由步骤(11)-(18)中每个臂节对应的缩臂约束条件g1(x),g2(x),…,gn(x)，伸臂约束条件h1(x),h2(x),…,hn(x)，以及步骤(19)中目标函数fpath(x)和fsteps(x)，共同组成具有初始位置判断的单缸插销式顺序伸缩路径优化的数学模型。
采用带精英保存策略进化算法进行伸缩路径优化的方法，包括下列步骤：
步骤(21)：随机生成种群，进行种群初始化，设定最大进化代数Maxgen；如果进化代数小于最大进化代数Maxgen，则向下执行；若进化代数大于或等于最大进化代数Maxgen，则转至步骤(26)；
步骤(22)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
步骤(23)：更新种群：对个体进行适应度计算，按照选择算子将适应度大的个体选出，并进行交叉、变异、逆转等操作；
步骤(24)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
步骤(25)：更新种群：将可行个体、适应度较大个体、以及随机生成的新个体按一定比例构成新种群，进入下一轮循环；
步骤(26)：对精英种群与进化种群中的有效解进行路径行程与伸缩步数计算，路径行程与伸缩步数计算见步骤(19)，其中，伸缩步数最少，且路径行程最短的个体为最优个体，即最优解，若路径行程相等，则取伸缩步数最少的为最优解。
本发明的优点是提供一种具有初始位置判断的单缸插销式顺序伸缩路径的约束判断方法，通过伸缩步数计算方法以及伸缩路径长度计算方法，构建了伸缩路径数学模型，并用带精英保存策略的进化算法求解单缸插销式顺序伸缩路径优化问题。具有初始位置判断的单缸插销式顺序伸缩路径的约束判断方法涵盖了具有初始位置判断(从油缸所在当前臂节开始缩伸)和不具有初始位置判断(从臂1开始顺序缩伸)这两种工况，完备描述了此类问题的数学本质，并以此为基础构建出了数学模型，该数学模型区分了缩臂与伸臂过程，较之前模型更为精细；且具有伸缩步数计算与路径长度计算两个优化目标，是伸缩路径通用、完备数学模型。针对约束条件过多、且彼此制约、耦合的最优化问题，采用启发式算法优化时较难得到有效解，并且需要经历大量进化循环以产生有效解。而带精英保存的进化策略分成两步执行：第一步尽可能搜寻到全部有效解，第二步在有效解中筛出最优解。该方法优化效果很好，每次运行能找到几乎全部有效解和最优解，并且能减少进化算法循环次数，仅经历少量循环便能生成有效解和最优解，降低计算能耗，提高计算效率。
附图说明
图1是本发明带精英保存策略的路径优化进化算法流程图。
具体实施方式
建立具有初始位置判断的单缸插销式顺序伸缩路径优化的数学模型，其中单缸插销式伸缩臂具有n节伸缩臂，每节臂上具有m个臂销孔，销孔位置为[L(1),L(2),…,L(m)]，L(m)为行程化销孔位置，销孔位置编码为[1,2,…m]，单油缸最大行程为L＝L(m)，初始位置组合为[a1,a2,…,an]，目标位置组合为[b1,b2,…,bn]，缩臂极限位置组合是决策变量、为[x1,x2,…,xn]，a1…an,b1…bn,x1…xn∈(L(1),L(m))，α为油缸所在当前臂节；
包括下列步骤：
(1)行程约束判断如下：
步骤(11)：臂节初始位置组合为[a1,a2,…,an]，首先判断回缩臂节α，从油缸所在当前臂节α开始向前进行行程判断，约束方程见g1(x)，为臂节α之前所有臂节初始伸长量求和、且与臂节α回缩所需最大伸长量之和，g1(x)必须小于等于油缸最大行程L；
步骤(12)：判断回缩臂节α-1，从臂节α-1开始向前进行行程判断，约束方程见g2(x)，为臂节α-1之前所有臂节初始伸长量求和、且与臂节α-1回缩所需最大伸长量之和，g2(x)必须小于等于油缸最大行程L；
步骤(13)：以此类推，直至判断回缩臂节1，从臂节1开始向前进行行程判断，约束方程见gα(x)，为臂节1回缩所需最大伸长量，gα(x)必须小于等于油缸最大行程L；
gα(x)＝max(a1,x1)≤L
此时，前α节臂已能回缩到缩臂极限位置组合[x1,…,xα]，接下来回缩臂节α之后臂节；
步骤(14)：接着判断回缩臂节α+1，从臂节α+1开始往前进行行程判断，约束方程见gα+1(x)，为臂节α+1之前所有臂节缩臂极限伸长量求和、且与臂节α+1所需最大伸长量之和，gα+1(x)必须小于等于油缸最大行程L；
步骤(15)：逐个判断回缩臂节α+1之后臂节；以此类推，直至判断回缩臂节n，判断回缩臂节n，从臂节n开始往前进行行程判断，约束方程见gn(x)，为臂节n之前所有臂节缩臂极限伸长量求和、且与臂节n所需最大伸长量之和，gn(x)必须小于等于油缸最大行程L；
至此，所有n节臂已能回缩到缩臂极限位置组合[x1,…,xα,xα+1,…xn]，缩臂过程结束；
步骤(16)：伸臂时，首先判断伸出最末臂节，即臂节n，从臂节n开始向前进行行程判断，约束方程见h1(x)，为臂节n之前所有臂节缩臂极限伸长量求和、且与臂节n伸出所需最大伸长量之和，h1(x)必须小于等于油缸最大行程L；
步骤(17)：判断伸出臂节n-1，从臂节n-1开始向前进行行程判断，约束方程见h2(x)，为臂节n-1之前所有臂节缩臂极限伸长量求和、且与臂节n-1伸出所需最大伸长量之和，h2(x)必须小于等于油缸最大行程L；
步骤(18)：以此类推，直至判断伸出臂节1，从臂节1开始向前进行行程判断，约束方程见hn(x)；为臂节1伸出所需最大伸长量，hn(x)必须小于等于油缸最大行程L；
hn(x)＝max(b1,x1)≤L
至此，所有n节臂已能伸出到目标位置组合[b1,b2,…,bn]；
(2)目标函数优化如下：
步骤(19)：计算两个优化目标函数：路径长度与伸缩步数，伸缩步数目标函数优先级高于路径长度目标函数，路径长度等于缩臂路径长度与伸臂路径长度之和，其中，缩臂路径长度为n节伸缩臂从初始位置缩至缩臂极限位置的绝对值行程；伸臂路径长度为n节伸缩臂从缩臂极限位置伸至目标位置的绝对值行程，伸缩步数等于缩臂步数与伸臂步数之和，表示臂节初始位置与缩臂极限位置若相异则该臂节需缩臂，若相同则无需缩臂；同理，/>表示臂节目标位置与缩臂极限位置若相异则该臂节需伸臂，若相同则无需伸臂；相异的缩伸臂节数之和为总伸缩步数；
路径长度目标函数：
伸缩步数目标函数：
由步骤(11)-(18)中每个臂节对应的缩臂约束条件g1(x),g2(x),…,gn(x)，伸臂约束条件h1(x),h2(x),…,hn(x)，以及步骤(19)中目标函数fpath(x)和fsteps(x)，共同组成具有初始位置判断的单缸插销式顺序伸缩路径优化的数学模型。
采用带精英保存策略进化算法进行伸缩路径优化的方法，包括下列步骤：
步骤(21)：随机生成种群，进行种群初始化，设定最大进化代数Maxgen；如果进化代数小于最大进化代数Maxgen，则向下执行；若进化代数大于或等于最大进化代数Maxgen，则转至步骤(26)；
步骤(22)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
步骤(23)：更新种群：对个体进行适应度计算，按照选择算子将适应度大的个体选出，并进行交叉、变异、逆转等操作；
步骤(24)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
步骤(25)：更新种群：将可行个体、适应度较大个体、以及随机生成的新个体按一定比例构成新种群，进入下一轮循环；
步骤(26)：对精英种群与进化种群中的有效解进行路径行程与伸缩步数计算，路径行程与伸缩步数计算见步骤(19)，其中，伸缩步数最少，且路径行程最短的个体为最优个体，即最优解，若路径行程相等，则取伸缩步数最少的为最优解。
下边通过具体实例来进一步说明本发明。
一个多级伸缩臂，臂节数n＝7，臂节上销孔数m＝4，销孔位置编码D＝[1 2 3 4]对应销孔位置d＝[0 0.45 0.9 1]，单油缸最大行程L＝1，求取从初始臂长组合A＝[2 2 3 32 2 2](初始臂长位置组合a＝[0.45 0.45 0.9 0.9 0.45 0.45 0.45])，伸至目标臂长组合B＝[2 1 2 1 2 12](目标臂长位置组合b＝[0.45 0 0.45 0 0.45 0 0.45])，油缸当前在臂节2中，的有效路径X和最优路径X*。(注：为简明表达，在行程计算中采用位置组合，在路径排列中采用编码组合)。
步骤(21)：随机生成种群，种群数＝100，进行种群初始化，设定最大进化代数Maxgen＝10；如果进化代数小于最大进化代数Maxgen，则向下执行；若进化代数大于或等于最大进化代数Maxgen，则转至步骤(26)；
步骤(22)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
假设待判断个体为[1 1 1 1 2 1 2]，调用步骤(11)-(18)：
步骤(11)：臂节初始位置组合为a＝[0.45 0.45 0.9 0.9 0.45 0.45 0.45]，首先判断回缩臂节α＝2，从油缸所在当前臂节2开始向前进行行程判断，约束方程见g1(x)，为臂节2之前所有臂节初始伸长量求和，且与臂节2回缩所需最大伸长量之和，g1(x)必须小于等于油缸最大行程L；
步骤(12)-(13)：判断回缩臂节α-1，从臂节1开始向前进行行程判断，约束方程见g2(x)，为臂节1之前所有臂节初始伸长量求和，且与臂节1回缩所需最大伸长量之和，g2(x)必须小于等于油缸最大行程L；
g2(x)＝max(a1,x1)≤L
＝max(0.45,0)＝0.45≤1
此时，g1(x)和g2(x)约束均满足，前2节臂能回缩到缩臂极限行程[1,1]，接下来判断回缩臂节2之后臂节。
步骤(14)：判断回缩臂节α+1，从臂节3开始往前进行行程判断，约束方程见g3(x)，为臂节3之前所有臂节缩臂极限伸长量求和，且与臂节3所需最大伸长量之和，g3(x)必须小于等于油缸最大行程L；
步骤(15)：继续逐个判断回缩臂节3之后臂节；以此类推，直至判断回缩臂节7。判断回缩臂节7，从臂节7开始往前进行行程判断，约束方程见g7(x)，为臂节7之前所有臂节缩臂极限伸长量求和，且与臂节7所需最大伸长量之和，g7(x)必须小于等于油缸最大行程L；
至此，缩臂极限位置组合x＝[0,0,0,0,0.45,0,0.45]的约束g1(x)…g7(x)均满足，按照行程编码规则，所有7节臂均能回缩到缩臂极限组合X＝[1,1,1,1,2,1,2]，缩臂约束判断过程结束。
步骤(16)：伸臂时，首先判断伸出最末臂节、即臂节7，从臂节7开始向前进行行程判断，约束方程见h1(x)，为臂节7之前所有臂节缩臂极限伸长量求和，且与臂节7伸出所需最大伸长量之和，h1(x)必须小于等于油缸最大行程L；
步骤(17)：判断伸出臂节6，从臂节6开始向前进行行程判断，约束方程见h2(x)，为臂节6之前所有臂节缩臂极限伸长量求和，且与臂节6伸出所需最大伸长量之和，h2(x)必须小于等于油缸最大行程L；
步骤(18)：以此类推，直至判断伸出臂节1，从臂节1开始向前进行行程判断，约束方程见h7(x)；为臂节1伸出所需最大伸长量，h7(x)必须小于等于油缸最大行程L；
h7(x)＝max(b1,x1)≤L
＝max(0.45,0)＝0.45≤1
至此，所有伸臂约束均满足，7节臂均能伸出到目标位置组合b＝[0.45 0 0.45 00.45 00.45]，个体X＝[1,1,1,1,2,1,2]满足缩臂和伸臂全部约束条件，是有效解，放入精英种群保存。接着按上述过程判断种群中其它个体，若不满足缩臂、伸臂任一约束条件则留在进化种群，并向下执行。
步骤(23)：更新种群：对个体进行适应度计算，按照选择算子将适应度大的个体选出，并进行交叉、变异、逆转等操作；
步骤(24)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
步骤(25)：更新种群：将可行个体、适应度较大个体、以及随机生成的新个体按一定比例构成新种群，进入下一轮循环。若循环次数小于Maxgen，则跳回步骤(22)，否则向下执行。
步骤(26)：当循环次数达到Maxgen，对精英种群与进化种群中的有效解进行路径行程与伸缩步数计算，路径行程与伸缩步数计算见步骤(19)，其中，伸缩步数最少，且路径行程最短个体为最优解。
例如对个体X＝[1,1,1,1,2,1,2]计算路径长度与伸缩步数，调用步骤(19)：
步骤(19)单缸插销式多级顺序伸缩路径行程与伸缩步数计算，
该路径长度为4.05，伸缩步数为7步。并计算精英种群和进化种群中的其它有效解，得出相应路径长度与伸缩步数。
经历10次循环得出4条有效路径：缩臂极限组合X＝[1 1 1 1 2 1 2]，[1 1 1 1 11 2]，[1 1 1 1 1 2 2]，[1 1 1 2 1 1 2]；路径长度分别为：4.05，4.95，4.95，4.95；伸缩步数分别为：7步，9步，9步，10步。最短路径为：X*＝[1 1 1 1 2 1 2]；路径长度为4.05；伸缩步数为7步。具有初始位置判断的四条有效路径的伸缩步序如表1中第3、4、5、6列所示，其中下划线为求出的极限缩臂组合X。
表1：伸缩步序
具有初始位置判断的最优路径为X*＝[1 1 1 1 2 1 2]，步序如表1中第3列所示，由于油缸初始在臂节2中，第一步先将臂节2回缩，伸缩过程一共7步。
不具有初始位置判断的最优路径也为X*＝[1 1 1 1 2 1 2]，步序如表1中第2列所示，由于油缸初始在臂节2中，必须先退出臂节2，才能开始第一步——将臂节1回缩，而1步伸缩包括油缸找臂与臂伸缩两个部分，上述过程增加了一个油缸退出臂节2寻找臂节1的过程，因此，步数实际增加了0.5步，伸缩过程一共7.5步。
可见，具有初始位置判断的伸缩路径模型和进化算法能完备描述和解决单缸插销式伸缩路径优化问题，最大限度加深最优化效果。
本发明的保护范围并不局限于上述实施方式中的具体细节，在本发明的技术构思范围内，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其实用新型构思加以等同替换或改变，这些简单变型均属于本发明的保护范围。
例如，前α节臂回缩不需要顺序缩回，可以任意缩回；不管采用何种顺序缩回都在本发明保护范围内。
在步骤1的臂节回缩约束判断中，由于油缸当前位置在臂节α中，说明臂节α之前臂节的初始位置已满足油缸行程，前α节臂回缩不需要顺序缩回，可以任意缩回。假设先缩第1节臂，第2节臂，直至第α-1节臂，步骤(12)和(13)可修改如下：
步骤(12)：判断回缩臂节1，从油缸所在当前臂节1开始向前进行行程判断，约束方程见g2(x)，为臂节1回缩所需最大伸长量，g2(x)必须小于等于油缸最大行程L；
g2(x)＝max(a1,x1)≤L
步骤(13)：以此类推，直至判断回缩臂节α-1，从油缸所在当前臂节α-1开始向前进行行程判断，约束方程见gα(x)，为臂节1回缩所需最大伸长量，gα(x)必须小于等于油缸最大行程L；
具有初始位置判断的单缸插销式顺序伸缩路径的约束判断方法和数学模型是通用方法和模型，可以采用任何计算方法进行优化求解，不限于进化算法。例如既可采用神经网络、粒子群、蜂群、蚁群等智能算法优化，也可采用动态规划、枚举、排列组合等精确算法求解。不论采用何种计算方法优化求解，该具有初始位置判断的伸缩路径的约束判断方法和数学模型都应在本发明保护范围内。

Claims (2)

1.一种具有初始位置判断的单缸插销式伸缩路径模型，其特征在于，是通过如下步骤建立的：其中单缸插销式伸缩臂具有n节伸缩臂，每节臂上具有m个臂销孔，销孔位置为[L(1),L(2),…,L(m)]，L(m)为行程化销孔位置，销孔位置编码为[1,2,…m]，单油缸最大行程为L＝L(m)，初始位置组合为[a1,a2,…,an]，目标位置组合为[b1,b2,…,bn]，缩臂极限位置组合是决策变量、为[x1,x2,…,xn]，a1…an,b1…bn,x1…xn∈(L(1),L(m))，α为油缸所在当前臂节；
(1)行程约束判断如下：
步骤(11)：臂节初始位置组合为[a1,a2,…,an]，首先判断回缩臂节α，从油缸所在当前臂节α开始向前进行行程判断，约束方程见g1(x)，为臂节α之前所有臂节初始伸长量求和、且与臂节α回缩所需最大伸长量之和，g1(x)必须小于等于油缸最大行程L；
步骤(12)：判断回缩臂节α-1，从臂节α-1开始向前进行行程判断，约束方程见g2(x)，为臂节α-1之前所有臂节初始伸长量求和、且与臂节α-1回缩所需最大伸长量之和，g2(x)必须小于等于油缸最大行程L；
步骤(13)：以此类推，直至判断回缩臂节1，从臂节1开始向前进行行程判断，约束方程见gα(x)，为臂节1回缩所需最大伸长量，gα(x)必须小于等于油缸最大行程L；
ga(x)＝max(a1,x1)≤L
此时，前α节臂已能回缩到缩臂极限位置组合[x1,…,xα]，接下来回缩臂节α之后臂节；
步骤(14)：接着判断回缩臂节α+1，从臂节α+1开始往前进行行程判断，约束方程见gα+1(x)，为臂节α+1之前所有臂节缩臂极限伸长量求和、且与臂节α+1所需最大伸长量之和，gα+1(x)必须小于等于油缸最大行程L；
步骤(15)：逐个判断回缩臂节α+1之后臂节；以此类推，直至判断回缩臂节n，判断回缩臂节n，从臂节n开始往前进行行程判断，约束方程见gn(x)，为臂节n之前所有臂节缩臂极限伸长量求和、且与臂节n所需最大伸长量之和，gn(x)必须小于等于油缸最大行程L；
至此，所有n节臂已能回缩到缩臂极限位置组合[x1,…,xα,xα+1,…xn]，缩臂过程结束；
步骤(16)：伸臂时，首先判断伸出最末臂节，即臂节n，从臂节n开始向前进行行程判断，约束方程见h1(x)，为臂节n之前所有臂节缩臂极限伸长量求和、且与臂节n伸出所需最大伸长量之和，h1(x)必须小于等于油缸最大行程L；
步骤(17)：判断伸出臂节n-1，从臂节n-1开始向前进行行程判断，约束方程见h2(x)，为臂节n-1之前所有臂节缩臂极限伸长量求和、且与臂节n-1伸出所需最大伸长量之和，h2(x)必须小于等于油缸最大行程L；
步骤(18)：以此类推，直至判断伸出臂节1，从臂节1开始向前进行行程判断，约束方程见hn(x)；为臂节1伸出所需最大伸长量，hn(x)必须小于等于油缸最大行程L；
hn(x)＝max(b1,x1)≤L
至此，所有n节臂已能伸出到目标位置组合[b1,b2,…,bn]；
(2)目标函数优化如下：
步骤(19)：计算两个优化目标函数：路径长度与伸缩步数，伸缩步数目标函数优先级高于路径长度目标函数，路径长度等于缩臂路径长度与伸臂路径长度之和，其中，缩臂路径长度为n节伸缩臂从初始位置缩至缩臂极限位置的绝对值行程；伸臂路径长度为n节伸缩臂从缩臂极限位置伸至目标位置的绝对值行程，伸缩步数等于缩臂步数与伸臂步数之和，表示臂节初始位置与缩臂极限位置若相异则该臂节需缩臂，若相同则无需缩臂；同理，/>表示臂节目标位置与缩臂极限位置若相异则该臂节需伸臂，若相同则无需伸臂；相异的缩伸臂节数之和为总伸缩步数；
路径长度目标函数：
伸缩步数目标函数：
由步骤(11)-(18)中每个臂节对应的缩臂约束条件g1(x),g2(x),…,gn(x)，伸臂约束条件h1(x),h2(x),…,hn(x)，以及步骤(19)中目标函数fpath(x)和fsteps(x)，共同组成具有初始位置判断的单缸插销式顺序伸缩路径优化的数学模型。
2.如权利要求1所述的具有初始位置判断的单缸插销式伸缩路径模型的优化方法，其特征在于：采用带精英保存策略进化算法进行伸缩路径优化，包括下列步骤：
步骤(21)：随机生成种群，进行种群初始化，设定最大进化代数Maxgen；如果进化代数小于最大进化代数Maxgen，则向下执行；若进化代数大于或等于最大进化代数Maxgen，则转至步骤(26)；
步骤(22)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
步骤(23)：更新种群：对个体进行适应度计算，按照选择算子将适应度大的个体选出，并进行交叉、变异、逆转等操作；
步骤(24)：进行路径行程约束判断，路径行程约束判断见步骤(11)-(18)；若种群中有通过上述约束判断的个体，则进入精英种群保存，其它未通过的个体则保留在种群中，并继续向下执行；
步骤(25)：更新种群：将可行个体、适应度较大个体、以及随机生成的新个体按一定比例构成新种群，进入下一轮循环；
步骤(26)：对精英种群与进化种群中的有效解进行路径行程与伸缩步数计算，路径行程与伸缩步数计算见步骤(19)，其中，伸缩步数最少，且路径行程最短的个体为最优个体，即最优解，若路径行程相等，则取伸缩步数最少的为最优解。
CN202311305727.6A 2023-10-09 2023-10-09 具有初始位置判断的单缸插销式伸缩路径模型和优化方法 Pending CN117291325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311305727.6A CN117291325A (zh) 2023-10-09 2023-10-09 具有初始位置判断的单缸插销式伸缩路径模型和优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311305727.6A CN117291325A (zh) 2023-10-09 2023-10-09 具有初始位置判断的单缸插销式伸缩路径模型和优化方法

Publications (1)

Publication Number Publication Date
CN117291325A true CN117291325A (zh) 2023-12-26

Family

ID=89247774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311305727.6A Pending CN117291325A (zh) 2023-10-09 2023-10-09 具有初始位置判断的单缸插销式伸缩路径模型和优化方法

Country Status (1)

Country Link
CN (1) CN117291325A (zh)

Similar Documents

Publication Publication Date Title
RU2507146C2 (ru) Способ оптимизированного управления выдвижением/втягиванием одноцилиндровой шрифтовой телескопической стрелы и её система управления
Kaveh et al. Topology optimization of trusses using genetic algorithm, force method and graph theory
KR970700133A (ko) 신축 붐의 동작 방법 및 동작 시스템(improvements in and relating to telescopic booms)
CN106744386B (zh) 单缸插销式多级顺序伸缩路径优化方法
CN101923590A (zh) 一种高效的拉丁超立方试验设计方法
CN117291325A (zh) 具有初始位置判断的单缸插销式伸缩路径模型和优化方法
CN104340884A (zh) 单缸插销式伸缩臂的控制方法、设备、系统以及工程机械
CN113901611A (zh) 一种基于a*算法改进的塔机吊运路径规划方法及装置
Xiao et al. Simplified salp swarm algorithm
CN105760549B (zh) 基于属性图模型的近邻查询方法
CN202400760U (zh) 起重机的伸缩臂装置和起重机
CN106527151B (zh) 一种带负载六自由度空间机械臂的路径搜索方法
CN104129725B (zh) 一种单缸插销式伸缩臂、伸缩方法及起重机
CN105384091A (zh) 带有多级独立伸缩油缸的伸缩臂结构及起重机
CN106744389B (zh) 一种高效的单缸插销式多级顺序伸缩路径优化方法
CN205820754U (zh) 伸缩机构及臂式结构
CN113338367B (zh) 一种四连杆两油缸的滑移装载机单边动臂结构及提升方法
CN103164554B (zh) 一种确定超材料单元结构的方法
CN105465278A (zh) 一种平行互锁链式伸缩装置及进行伸缩的方法
JP2000337309A (ja) 多段伸びシリンダ
CN113086848A (zh) 一种地下连续墙钢筋笼双机吊装位姿智能引导方法及系统
JP5794683B2 (ja) 多段伸縮シリンダ
Martini Optimization and parametric modelling to support conceptual structural design
Lee et al. Multi-level Shape Optimization of Lower Arm by using TOPSIS and Computational Orthogonal Array
CN103669449B (zh) 连续墙抓斗

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