改進免疫克隆選擇算法的多目標(biāo)軌跡優(yōu)化.pdf

1、針對機械臂的時間最短、軌跡最平滑、能量消耗最小等多目標(biāo)下的軌跡優(yōu)化問題，研究了工業(yè)機器人的逆運動學(xué)求解、軌跡規(guī)劃與優(yōu)化以及免疫克隆選擇算法的單目標(biāo)與多目標(biāo)優(yōu)化問題。提出一種利用改進的單目標(biāo)免疫克隆選擇算法對機器人逆運動學(xué)求解的方法，以及對改進的免疫克隆選擇多目標(biāo)算法進行性能分析對比，并將改進的多目標(biāo)算法應(yīng)用到軌跡優(yōu)化問題中。
　　論文首先闡述了機器人的軌跡規(guī)劃，詳細(xì)介紹了三次樣條曲線在軌跡規(guī)劃和優(yōu)化中的應(yīng)用。其次，在標(biāo)準(zhǔn)單目標(biāo)免疫

2、克隆選擇算法的基礎(chǔ)上進行改進，讓個體變異時根據(jù)自身情況和迭代代數(shù)確定變化大小的動態(tài)變異，并改進了算法中的消亡操作。然后，改進的多目標(biāo)免疫克隆選擇算法，采用Tent混沌序列初始化種群，提高初始化群體的多樣性和均勻性;引入自適應(yīng)變異，改善了算法的全局搜索能力和局部搜索能力;增加模擬二進制交叉操作，增強種群中個體之間的信息交流;采用遞減消亡操作，保證既能在迭代前期保持種群的多樣性，避免出現(xiàn)局部最優(yōu)，又能在迭代后期避免在最終解集中出現(xiàn)不可行解。

3、選用3個測試問題進行算法仿真，用兩個解集覆蓋率的方法分析所改進的多目標(biāo)算法的收斂性，用空間分布評價法來分析改進算法的最優(yōu)解的分布均勻性。實驗仿真表明，改進的多目標(biāo)算法具有較好的收斂性、分布均勻性和寬廣性。
　　最后，以PUMA560為仿真對象進行實驗仿真。將改進的單目標(biāo)算法，對PUMA560機器人進行逆運動學(xué)求解，改進的算法有效地提高求解問題的精度。用改進的多目標(biāo)免疫克隆選擇算法對軌跡進行多目標(biāo)優(yōu)化。將方法得出的結(jié)果與加權(quán)多目標(biāo)的