一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法技术

本发明专利技术公开了一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法，包括步骤：1)初始化阶段，利用混沌映射初始化食物源群体并将整个群体划分成多个相互独立的子群并行演化；2)雇佣蜂阶段，引入控制参数调整雇佣蜂搜索新食物源时的搜索步伐与参数更改频率；3)基于适应度值计算出每个食物源的被选概率；4)观察蜂阶段，观察蜂以轮盘赌法选择一个食物源进行跟踪；5)侦查蜂阶段，侦查蜂搜索新的食物源替换掉花蜜匮乏的食物源；6)信息交流阶段，一个子群的较差食物源替换成另外一个子群的较优食物源。本发明专利技术方法改善了基本人工蜂群算法在求解机械臂逆运动学问题时的性能，具有较快的收敛速度和较强的全局搜索能力。

A method for solving inverse kinematics of robot manipulators based on parallel chaotic bee colony algorithm

The invention discloses a method to solve inverse kinematics of manipulator based on parallel chaos artificial bee colony algorithm comprises the steps of: 1) the initialization phase, the chaotic map is initialized and the whole group food source group is divided into several independent subgroups of parallel evolution; 2) employed bee stage, search and parameter control parameter adjustment pace of employment a bee searches new food source when introducing change frequency; 3) the fitness value is calculated for each food source is selected based on probability; 4) were observed in bee bee stage, roulette method for tracking a food source; 5) investigation investigation bee bee stage, search for new food sources to replace the lack of nectar the source of food; 6) the exchange of information, poor food source is a subgroup of a sub group to replace the optimal food source. The method of the invention improves the performance of the basic artificial bee colony algorithm in solving the inverse kinematics problem of the manipulator, and has fast convergence speed and strong global searching ability.

【技术实现步骤摘要】
一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法
本专利技术涉及机器人逆运动学的
，尤其是指一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法。
技术介绍
已知机械臂末端执行器的期望位姿，要求计算出满足期望要求的关节角，这类问题被称为机械臂的逆运动学问题。求解机械臂逆运动学的方法分成两大类：封闭解法和数值解法。封闭解法求解速度快，容易确定所有可能解，但适用范围小,只有结构参数很特殊的机械臂才存在封闭解(解析解)。数值解法适用范围广，但其迭代性质导致求解速度慢，无法满足实时控制的要求。所以寻找一种通用、高效的求解逆运动学问题的数值解法具有重要的实际意义。近年来，群智能算法被广泛应用于逆运动学问题中，例如粒子群算法、和声算法、人工蜂群算法等，这些算法能够在合理的时间内得出较好的数值解。人工蜂群算法(ArtificialBeeColonyAlgorithm,ABC)是2005年由Karaboga等提出来的一种新颖的启发式搜索算法，是集群智能的一个具体应用。它模仿蜂群觅食的行为，通过人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，具有较快的收敛速度。该算法由于控制参数较少、易于实现和优良的求解性能受到关注并广泛应用于各种实际优化问题中。在ABC算法中，搜索新食物源时参数改动的频率不变，即仅更改当前食物源的一个参数产生新食物源，导致算法收敛速度较慢。同时，搜索步伐也不变，即参数只在固定范围内被改动，算法无法根据运行情况灵活调整步伐，易陷入局部最优。为此，Karaboga等人提出了一种改进的人工蜂群算法，该算法引入更改率MR(modifiedRate(ModifiedRate)和缩放因子SF(scalingfactor)对参数更改的频率和搜索步伐施加影响。初始食物源群体的分布对基于群体的搜索算法是至关重要的，在没有任何先验知识的情况下，随机地生成初始群体是最普遍的一种方法，然而该方法并不能帮助搜索算法高效地获取领域知识，致使全局搜索能力不佳。为此，Sharma等提出一种使用Halton点集生成初始食物源的新算法，称为H-ABC。受混沌系统的启发，Alatas等提出一种使用混沌映射优化初始食物源分布的人工蜂群算法，称为CABC(ChaoticABC)。为了缩减人工蜂群算法求解复杂优化问题的时间，提升收敛速度，Luo等向ABC算法中融入并行化计算的思想并提出一种子群间的交流机制。以上这些改进人工蜂群算法虽然改善了ABC算法的收敛速度和全局搜索能力，但相比其他群智能算法，例如粒子群算法，仍然在收敛速度或全局搜索能力上有差距，无法满足机械臂实时控制的要求。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法CPABC(ChaoticandParallelizedArtificialBeeColony)，该方法考虑了在求解逆运动学问题时具有较快收敛速度和较强全局搜索能力的要求，克服了ABC算法及其改进算法并不能很好地满足机械臂实时控制并求得较优逆解的问题。为实现上述目的，本专利技术所提供的技术方案为：一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法，包括以下步骤：1)初始化阶段：利用混沌映射初始化食物源群体并将整个群体划分成多个相互独立的子群并行演化；2)雇佣蜂阶段：引入控制参数调整雇佣蜂搜索新食物源时的搜索步伐与参数更改频率；3)基于适应度值计算出每个食物源的被选概率；4)观察蜂阶段：观察蜂以轮盘赌法选择一个食物源进行跟踪；5)侦查蜂阶段：侦查蜂搜索新的食物源替换掉花蜜匮乏的食物源；6)信息交流阶段：一个子群的较差食物源替换成另外一个子群的较优食物源。在步骤1)中，所述的初始化阶段，具体如下：混沌是非线性系统中特有并普遍存在的一种现象，看似混乱却有精致的内在结构。随机性、遍历性和规律性是混沌最典型的特点，使其能按照自身的某一规律不重复地遍历给定范围内的所有状态。将混沌思想引入到人工蜂群算法中，可在一定程度上防止算法陷入局部最优并加快收敛速度。其中，采用如下的一维Logistic映射初始化食物源：Xn+1＝μXn(1-Xn)n＝0,1,...,K式中，Xn∈(0,1)，μ为Logistic参数，K是混沌序列的迭代次数。生成第i个初始食物源mi的过程如下：a)设置混沌序列的迭代次数K。b)随机生成混沌序列的初始向量ch0＝(ch01,ch02,...,ch0D)，其中D为食物源的参数数量(解空间的维数)。c)根据混沌方程循环迭代K次，产生混沌向量chK＝(chK1,chK2,...,chKD)。d)产生初始食物源mi＝(mi1,mi2,...,miD)，其中：mij＝mjmin+chKj(mjmax-mjmin),i＝1,2,...,SNj＝1,2,...D其中，mij表示第i个食物源的第j个参数，mjmax和mjmin分别代表第j个参数的最大与最小值，SN代表食物源数量，D代表解空间的维数。同时，每一个食物源都有一个被初始化为0的计数器trial表示尝试搜索的次数。初始食物源会在随后的阶段被雇佣蜂、观察蜂、侦查蜂循环迭代地探索，直至达到最大迭代次数MCN并得到最佳食物源。每一个食物源只能由一个雇佣蜂或观察蜂负责采集，即雇佣蜂、观察蜂和食物源三者的数量相等。将初始食物源群体划分成P个子群，每个子群单独地演化。各子群每迭代R次就相互交流信息。当所有子群都演化完毕后，对比各子群中最佳食物源并得到整个群体的最佳食物源。在步骤2)中，所述的雇佣蜂阶段，具体如下：新算法引入控制参数更改率MR(modifiedrate)，雇佣蜂围绕食物源mi搜索新食物源vi时，针对mi的第j个参数生成随机数Rij∈(0,1)，Rij与MR比较后按下式生成vij：式中，mk是随机选择的第k(k不等于i)个食物源，Фij表示参数的更改频率，在ABC中是区间[-1,1]之间的随机数，而在新算法中是区间[-SF,SF]之间的随机数。缩放因子SF(scalingfactor)是新算法引入的另外一个控制参数，它在算法运行前设定好并在搜索过程中按照Rechenberg1/5突变规则自动调整，依据该规则设定的调整公式如下：式中，Фm表示m次迭代搜索后的较优食物源与总食物源的数量比值，如果Фm小于1/5，SF减小使算法的开发能力提高。如果Фm大于1/5，SF增大使算法的搜索能力提高。雇佣蜂依据代价函数对新食物源vi的质量进行评价，如果vi的质量高于mi，则vi取代mi，trial被重置为0。如果vi的质量小于等于mi，trial累加1。如果vij超过了第j个参数的取值范围，则重新设定vij为合理范围内的有效值。然后，按照如下公式得出新食物源vi的适应度值fitnessi：式中，costi表示第i个食物源的质量。在步骤3)中，所述的基于适应度值计算出每个食物源的被选概率，具体如下：雇佣蜂将食物源的适应度值带回蜂巢与观察蜂共享。算法基于适应度值计算出第i个食物源的被选概率pi，公式如下：在步骤4)中，所述的观察蜂阶段，具体如下：观察蜂根据被选概率pi以轮盘赌选择法对较优食物源进行跟踪，跟踪过程中观察蜂执行和雇佣蜂阶段相同的任务。所有观察蜂执行完毕后，记录下当前迭代次数下适应度值最高的食物源。在步骤本文档来自技高网...

【技术保护点】
一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法，其特征在于，包括以下步骤：1)初始化阶段：利用混沌映射初始化食物源群体并将整个群体划分成多个相互独立的子群并行演化；2)雇佣蜂阶段：引入控制参数调整雇佣蜂搜索新食物源时的搜索步伐与参数更改频率；3)基于适应度值计算出每个食物源的被选概率；4)观察蜂阶段：观察蜂以轮盘赌法选择一个食物源进行跟踪；5)侦查蜂阶段：侦查蜂搜索新的食物源替换掉花蜜匮乏的食物源；6)信息交流阶段：一个子群的较差食物源替换成另外一个子群的较优食物源。

【技术特征摘要】
1.一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法，其特征在于，包括以下步骤：1)初始化阶段：利用混沌映射初始化食物源群体并将整个群体划分成多个相互独立的子群并行演化；2)雇佣蜂阶段：引入控制参数调整雇佣蜂搜索新食物源时的搜索步伐与参数更改频率；3)基于适应度值计算出每个食物源的被选概率；4)观察蜂阶段：观察蜂以轮盘赌法选择一个食物源进行跟踪；5)侦查蜂阶段：侦查蜂搜索新的食物源替换掉花蜜匮乏的食物源；6)信息交流阶段：一个子群的较差食物源替换成另外一个子群的较优食物源。2.根据权利要求1所述的一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法，其特征在于，在步骤1)中，所述的初始化阶段，具体如下：混沌是非线性系统中特有并普遍存在的一种现象，看似混乱却有精致的内在结构；随机性、遍历性和规律性是混沌最典型的特点，使其能按照自身的某一规律不重复地遍历给定范围内的所有状态；将混沌思想引入到人工蜂群算法中，能在一定程度上防止算法陷入局部最优并加快收敛速度；其中，采用如下的一维Logistic映射初始化食物源：Xn+1＝μXn(1-Xn)n＝0,1,...,K式中，Xn∈(0,1)，μ为Logistic参数，K是混沌序列的迭代次数；生成第i个初始食物源mi的过程如下：a)设置混沌序列的迭代次数K；b)随机生成混沌序列的初始向量ch0＝(ch01,ch02,...,ch0D)，其中D为食物源的参数数量即解空间的维数；c)根据混沌方程循环迭代K次，产生混沌向量chK＝(chK1,chK2,...,chKD)；d)产生初始食物源mi＝(mi1,mi2,...,miD)，其中：mij＝mjmin+chKj(mjmax-mjmin),i＝1,2,...,SNj＝1,2,...D其中，mij表示第i个食物源的第j个参数，mjmax和mjmin分别代表第j个参数的最大与最小值，SN代表食物源数量，D代表解空间的维数；同时，每一个食物源都有一个被初始化为0的计数器trial表示尝试搜索的次数；初始食物源会在随后的阶段被雇佣蜂、观察蜂、侦查蜂循环迭代地探索，直至达到最大迭代次数MCN并得到最佳食物源；每一个食物源只能由一个雇佣蜂或观察蜂负责采集，即雇佣蜂、观察蜂和食物源三者的数量相等；将初始食物源群体划分成P个子群，每个子群单独地演化；各子群每迭代R次就相互交流信息；当所有子群都演化完毕后，对比各子群中最佳食物源并得到整个群体的最佳食物源。3.根据权利要求1所述的一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法，其特征在于，在步骤2)中，所述的雇佣蜂阶段，具体如下：新算法引入控制参数更改率MR，雇佣蜂围绕食物源mi搜索新食物源vi时，针对mi的第j个参数生成随机数Rij∈(0,1)，Rij与MR比较后按下式生成vij：式中，mk是随机...

【专利技术属性】
技术研发人员：张立，肖南峰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44