一、遗传蚂蚁算法在几何约束求解中的应用(论文文献综述)
张松灿[1](2021)在《基于蚁群算法的移动机器人路径规划研究》文中研究指明移动机器人的自主导航能力对其广泛应用具有决定作用,而良好的路径规划技术是自主导航的基础。机器人的工作环境复杂多变,不仅存在静态障碍,还存在一些运行状态未知的动态障碍,在规划任务开始前无法获取全部环境信息。传统的路径规划算法在面对复杂环境时存在效率低、稳定性及适应能力差等不足,难以满足实际需求。蚁群算法具有正反馈机制、分布式计算及鲁棒性强等优势,候选解构建过程与路径规划过程相似,无需先验知识即可找到最短觅食路径,与路径规划目标相似,因此,蚁群算法成为最常用路径规划方法之一。针对蚁群算法在静态环境路径规划中存在收敛速度慢、协同不足、适应性弱等不足,在优化过程中还存在种群多样性与收敛速度的矛盾,从算法结构、参数优化及规划路径特征等方面提出针对性的改进策略,增强算法的优化性能,加快算法收敛度,提高算法适应能力。针对现有局部路径规划方法侧重于避障,无法保证路径的最优等问题,提出将全局规划信息和局部规划相结合的动态路径规划方法。主要研究内容如下:(1)自适应改进蚁群算法的路径规划。为解决基本蚁群算法在路径规划时存在收敛速度慢、易陷入局部极值等不足,提出基于种群信息熵的自适应改进蚁群算法。利用种群信息熵度量算法优化过程的多样性特征;依据种群信息熵自动调整算法参数的自适应策略;在全局信息素更新规则中,增加了迭代最优解的信息素项,并根据种群信息熵自动调整迭代最优解的信息素更新强度;提出信息素扩散模型以增强蚂蚁间的协作能力;非均匀信息素初始化策略能减少算法运行前期的盲目性搜索,加速算法收敛。仿真实验表明所提算法收敛速度快,适应性好,优化性能强。(2)单种群自适应异构蚁群算法的路径规划。针对多种群蚁群算法结构复杂、优化速度慢及适应性不足等问题,提出一种结构简单的单种群自适应个体异构蚁群算法。为提高初始蚁群的质量,首次迭代时仅以启发信息来构建候选解;非首次迭代时每只蚂蚁使用各自的控制参数构建候选解,增强种群的多样性;信息交换与参数突变操作不仅能发挥最优蚂蚁的引导作用,而且有助于算法在更大的参数空间探索更优的算法参数;基于种群信息熵的自适应信息交换周期策略,提高了算法的适应能力。仿真结果验证了算法的适应性、有效性及优越性。(3)融合改进蚁群算法和几何优化的路径规划方法。提出改进蚁群算法和几何局部优化相混合的路径规划方法。改进蚁群算法主要包括信息素初始化策略,带惩罚机制的动态权重信息素更新策略。根据蚁群算法规划路径的几何特征与运动约束条件,设计了局部优化方法,对每次迭代得到的最优路径进行几何优化。同时将优化后的路径作为新路径也进行信息素更新与扩散,显着提升了规划效率。实验结果表明所提出的算法具收敛速度快、优化能力强与适应能力好等优点。(4)动态环境的路径规划方法。针对动态环境路径规划的需求与特点,提出两阶段动态路径规划方法。第一阶段依据全局环境信息,利用改进蚁群算法规划出全局最优路径,并作为第二阶段的参考路径。第二阶段为路径跟踪与局部再规划阶段。当机器人沿着所最优路径行走时,实时更新其视野内的局部地图,进行碰撞预测与避碰,协调控制策略完成路径跟踪与避障。仿真实验表明算法能有效避开环境中的动态障碍,获取无碰最优或次优路径,规划性能与规划效率优于蚁群算法再规划方法。最后对全文进行总结,对未来的一些研究内容进行了展望。
赵俊宇[2](2020)在《基于轨迹规划和改进蚁群调度的机器人柔性生产线节能技术研究》文中认为国际能源危机的来临、国家政策的导向促使节能问题成为制造业关注的重点问题。随着智能工厂的发展,机器人柔性生产线将会在未来逐渐成为制造工厂中的生产主力军,同时也是制造工厂的主要能耗者。可以预见,机器人柔性生产线节能技术具有重要的研究意义。本文基于工业机器人轨迹规划和柔性生产线调度,开展机器人柔性生产线节能技术研究。所提出的节能技术均在真实工业机器人与柔性生产线进行了应用实验,具有一定的应用价值。主要研究工作包括:(1)基于平行多层感知器的近似动力学辨识。针对实际制造环境中工业机器人动力学参数未知的问题,同时得到拉格朗日形式的动力学辨识结果,提出了基于平行多层感知器的近似动力学模型。基于二阶梯度算法进行模型训练,以保证模型收敛效果。实验表明:所提出的近似动力学辨识方法,其辨识效果优于理论辨识法与智能辨识法,并且能够得到拉格朗日形式的动力学模型,有效应用于真实工业机器人。(2)基于凸优化的时间-能耗最优轨迹规划。为了保证轨迹规划的求解稳定性与轨迹的节能效果,基于凸优化求解工业机器人的时间-能耗最优轨迹规划模型。轨迹规划模型通过凸优化的重构与离散变换,转化为有限离散优化变量的凸优化问题并求解节能轨迹。实验表明:所提出的基于凸优化的轨迹规划,能够保证轨迹规划结果的全局最优性,其节能效果与稳定性优于参数化轨迹规划。(3)基于改进蚁群算法的柔性生产线调度搜索策略。引入集成工艺规划与调度对柔性生产线节能问题进行建模,提出了基于改进蚁群的调度搜索策略,解决现有启发式搜索策略在搜索过程中,由于缺乏生产线整体能耗信息而过早地陷入局部最优的问题。实验表明:基于改进蚁群的调度搜索策略的求解效果与稳定性优于其他启发式搜索策略。基于集成工艺规划与调度求解框架结合改进蚁群调度搜索策略应用,能够有效降低5-10%的空调内机组装生产线能耗。
陈昕叶[3](2020)在《动态环境下多机器人协同搜救任务分配方法研究》文中提出随着国家工业化和智能化的发展,无人车、无人机等智能机器人凭借着高性能、高灵活性、高精度、在危险区域执行任务不造成人员伤亡等特点,被广泛应用于各种抢险救灾现场、侦查打击等现场、以及日常的危险监视领域。其中,自主决策、协同任务分配技术作为机器人系统中至关重要的部分,吸引着众多学者展开大量的研究。灾后工作中最主要的任务是搜索任务与救援任务,二者的执行需要不同的资源类型,一般由不同的团队各自完成,而救援任务的分配与执行依赖于搜索任务对其的发现。首先,搜救工作的最终目标为提升救援效率,对两种任务的分配进行整体统筹优化是提升救援效率的关键,需要对二者根据统一的目标建模,并设计可以对整体统筹优化的任务分配模式;其次,真实环境的任务分配问题往往需要对多个优化目标进行优化,需要考虑如何高效的求解多目标优化问题;再次,灾后搜索与救援普遍在通信不稳定以及动态的环境下进行,其任务具有动态性和不确定性的特点,因此提高机器人系统的自主决策能力、适应环境变化的能力尤为重要。本文考虑以多机器人协同执行灾后的搜索与救援任务为背景,围绕其中涉及的任务分配问题的数学建模、体系结构构建和算法设计开展研究,主要研究内容如下:1)研究多机器人搜索与救援的任务模式。建立了多机器人搜索和救援任务分配的组合优化数学模型,设计了多机器人协同搜索与救援的任务分配模式,并建立了多机器人协同搜索与救援任务分配的分布式体系结构。针对现有的对搜索与救援场景下的多机器人任务分配的研究大多数仅单独考虑搜索任务分配或救援任务分配的问题,基于搜救行动的统一目标,对救援任务分配及搜索任务分配问题进行分析与建模。根据所做的分析与建模,设计了一种多机器人协同搜索与救援的任务分配模式,联合采用集中式的多机器人搜索任务分配方法、分布式的在线搜索任务分配方法与分布式的在线救援任务分配方法,进行搜索与救援的任务分配。最后,根据该任务分配模式建立了多机器人协同搜索与救援任务分配的分布式体系结构。2)研究集中式的多机器人搜索任务分配问题,提出了一种新算法:基于双目标多蚁群优化的文化基因算法。针对现有的对集中式的多机器人任务分配的研究大部分只对单目标(机器人行驶总距离或任务完成时间等)进行优化,以及现有的多目标优化方法计算复杂求解效率低的问题,所提出的算法对多蚁群优化算法进行了简化,降低了其计算复杂度;集成序列变邻域下降过程对多蚁群优化得到的最优解进行局部搜索,提高了算法的求解质量;设计了一种新颖的限制邻域的局部优化方法,提高了局部搜索的计算效率。仿真实验结果表明:所提出的算法与其它求解集中式的机器人搜索任务分配问题的算法相比,对双目标的优化提升了约20%,相比其他多目标优化方法的运算时间减少了约60%。3)研究动态环境下分布式的多机器人在线搜索任务分配问题,提出了一种新策略:基于动态图划分的贝叶斯学习策略。针对传统的为多机器人搜索路线规划的算法中容易陷入局部最优、难以适应动态环境下机器人状态变化、通信环境不稳定等问题,设计了一种新颖的分布式的动态图划分方法,利用图划分约束机器人的决策范围,克服了在线算法全局优化能力低、对通信环境稳定性要求高的问题;利用基于奖励的学习方法动态调整图划分,克服了传统基于图划分的方法无法适应动态环境变化的能力;利用改进的贝叶斯模型根据当前系统状态优化机器人的具体搜索路线,提高了算法的持续优化能力。仿真实验结果表明:所提出的能够在动态环境中为机器人规划稳定、高效的搜索路线,使机器人计算搜索路线的收敛速度相比其它在线算法提升约30%,在不同通信丢包率下机器人之间的冲突相比其它算法显着降低,获得的搜索路线质量相比其它算法显着提升。4)研究动态环境下分布式的多机器人救援任务分配问题,提出了一种新方法:基于集群优先的机器人动态分组的任务分配的方法。针对现有的分布式任务分配方法易于陷入局部最优,难以快速响应任务信息、机器人状态、通信网络状态等动态变化,从而无法及时获得高质量的解的问题,对当前常用于求解分布式任务分配问题的基于共识的拍卖算法进行改进。对算法的任务选择阶段进行改进,设计了一个集群优先策略,将任务对应机器人划分任务集群,区分不同机器人的对任务选择的优先级,通过减少机器人之间的选择冲突,提高了算法的收敛效率。基于该策略,设计了一个基于概率选择的任务选择方法,克服了该类算法容易陷入局部最优的问题。对共识阶段进行改进,设计了一种机器人动态分组的方法,解决了当前算法难以快速响应任务动态变化和无法避免在通信不稳定时在机器人之间产生任务冲突的问题。仿真实验结果表明:所提出的改进方法求解有截止时间的任务分配问题,相比原算法提升了约50%的收敛速度,及约20%的任务分配数量,并可以满足在机器人损毁、新增、新任务频繁新增等动态环境变化的情况对算法快速适应动态环境的能力的要求。5)基于所设计的多机器人协同搜索与救援的任务分配模式,及分布式体系结构,搭建了基于无人机的多机器人搜索与救援任务分配应用原型系统。在真实环境中对本文研究的多机器人协同搜索与救援任务分配模式及任务分配算法进行了实际的测试,实验结果验证了系统设计的可行性与正确性,表明本文研究满足实际搜救现场非确定性、动态环境的任务需求,具有一定应用价值。
曹伟[4](2020)在《服装缝制流水线编排系统研究与实现》文中认为随着控制技术朝着复杂计算机网络控制方向发展,控制设计人员不能只解决底层的实时控制问题,还要解决上层辅助制造所带来的综合自动化问题。本文对某订单型制衣企业服装缝制流水线的编排优化问题进行了研究,针对目前普遍没有研究到的多缝制流水线工序工位编排优化问题和多缝制流水线工人编排优化问题,进行了建模与求解。在此基础上,开发了一套具有决策支持功能的服装缝制流水线编排系统,以加快缝制流水线的组织速度、提高多条缝制流水线的整体平衡程度和服装的生产效率。首先,调研了某订单型制衣企业缝制流水线的概况,分析了用户的基本需求,确定了系统的主要目标与主要功能。其次,针对目前人们只研究单缝制流水线工序工位编排优化问题的现状,创新性地对设备资源共享的多缝制流水线工序工位编排优化问题进行了研究。为了评价多缝制流水线工序工位编排方案的优劣,定义了流水线的“整体平衡率”,并以此为优化目标,建立了数学模型。然后选择了四种常用的智能优化算法对模型进行求解,通过对实例的应用,确定了遗传算法为最适合的算法。相对于人工编排,算法编排不仅能够使流水线取得更高的整体平衡率,而且大大缩短了工序工位的编排时间,表明本文所提出的方法能够为工序工位的编排提供决策支持功能。再次,针对目前缺乏人力资源共享的多缝制流水线工人编排优化问题研究的现状,创新性地对该问题进行了研究。为了较为精确地描述工人的技能值,提出了“作业用时率”的概念,并基于此建立了数学模型。然后采用遗传算法对模型进行求解,并针对算法中存在的问题进行了改进,通过对实例的应用,验证了改进的有效性。相对于人工编排,算法编排不仅能够使工人的分配更为合理,而且大大缩短了工人的编排时间,表明本文所提出的方法能够为工人的编排提供决策支持功能。最后,以Python为系统开发语言、My SQL为数据库管理系统、Django为后端开发框架、Bootstrap为前端开发框架实现了系统的开发,同时对系统进行了部署与测试,测试结果表明,系统能够实现预期的功能。
韩增亮[5](2019)在《自动导引车系统中的路径规划方法研究》文中指出自动引导车辆(Automated Guided Vehicle,AGV)是用于物流自动化和运输自动化的搬运设备。以自动引导车辆为背景,本文研究了AGV的栅格地图环境建模方法、基于几何约束A*算法的全局路径规划、基于模糊虚拟目标APF算法的局部路径规划和基于双路径约束遗传算法的多AGV车辆调度。具体内容叙述如下。本文从四个方面对AGV的路径规划问题进行深入研究,主要工作包括:1.地图构建方法方面。阐述了四种地图构建算法,分别为拓扑地图法、可视地图法、栅格地图法和自由空间法。基于分区路径搜索思想,通过栅格地图法解决AGV环境地图预处理问题,生成初始环境栅格地图。2.全局路径规划方面。基于删除路径冗余节点与无效拐点方法,提出一种基于几何约束的A*算法实现AGV全局路径规划。通过与传统A*算法和RRT算法的仿真对比,验证了基于几何约束的A*算法在AGV全局路径规划问题中的有效性与可行性。3.局部路径规划方面。提出了一种基于模糊虚拟目标的APF算法,通过改进引力斥力函数与构建模糊逻辑虚拟目标的方式,实现AGV局部路径规划。通过与传统人工势场算法进行仿真实验对比,验证了基于模糊虚拟目标的APF算法在AGV局部路径规划问题中的有效性与可行性。4.AGV车辆调度方面。为实现多AGV车辆调度路径规划,提出一种基于双路径约束的遗传算法。通过采用三交换交叉启发式算子、交叉变异等方式优化传统算法,对算法施加最小化所有AGV的总路径距离和最小化每辆AGV路径距离的双路径约束,使得AGV在配送调度中获得最佳的最短总路径距离。通过仿真实验验证了基于双路径约束的遗传算法在解决多AGV车辆调度问题的可行性与有效性。
吴亮然[6](2019)在《大规模物流区域协同配送与车辆路径优化研究》文中进行了进一步梳理物流配送作为企业商务交易的核心环节,不仅仅保障了商务活动的顺利完成,同时也是企业盈利和服务质量好坏的关键因素。此外,城市物流配送的优劣,直接影响到城市的交通状况和环境污染问题。近年来,随着互联网技术的发展和电子商务的兴起,使得传统的物流配送方式正在向着大规模、多区域、智能化的方向发展。在达到配送目的的同时,如何有效的提升配送效率、客户体验和控制成本等指标成为亟待解决的问题。然而,目前传统的物流配送方法,难以对大规模城市物流进行有效的求解。本文主要以“步步高”连锁超市的大规模物流配送为研究对象,主要研究内容包括:1.针对单物流中心大规模的物流配送中遗传算法进化速度慢,容易陷入局部最优解的问题,建立了考虑车辆容量和最大行驶里程的车辆路径问题的数学模型,并设计了一种混合遗传算法进行求解。该方法采用贪婪算法进行种群的初始化,在经历选择、交叉和变异后对每代中的最优个体进行爬山操作。实验选取“步步高”商业物流管理系统中提供的实际配送数据,在不同实验下的计算结果显示:本文所提出的方法在配送里程上均优于其他参比方法,在算法的收敛性上分析,本文提出的方法有效的加快了算法的进化速度,同时避免了种群出现“早熟”的现象。2.针对单物流中心大规模多区域物流配送中存在的车辆路径规划不合理、装载率不高的问题,提出了一种基于道路网拓扑的区域协同配送方法。首先,基于空间方向关系模型中的锥形模型,设计了一种基于固定点的区域间相对方向关系模型,加之区域间距离关系,构建了配送区域邻接关系表。然后,将配送区域抽象为车辆配送线路上的区域节点,依据一次实际配送任务中的区域信息和区域邻接关系表,生成车辆途径配送区域的初始线路,并对具有相邻关系的线路进行线路间区域节点的调整,从而形成最终的车辆途径配送区域的配送线路。最后,在车辆配送线路的基础上,依据配送区域内订单的分布情况以及单一区域扫描-遗传算法,设计了区域协同配送方法。相比于独立配送方式,区域协同配送方式能够有效的提升车辆装载率、减少配送里程。对于混合遗传算法,本文实现了在加快算法收敛速度的同时,提升了求解的质量。对于区域协同配送方法,本文充分考虑了区域间的空间位置关系,打破了传统分区配送中不同区域内资源相互割裂的情况,实现了车辆的跨区域配送。
田乔[7](2019)在《对角矩阵求解的并行性技术研究》文中指出科学计算伴随着计算机的发展在众多应用领域得到了广泛的应用,同时,多核处理器的普及有力地推进了并行计算在科学计算中的主导地位。对角矩阵求解是并行计算应用的一个重要方面,诸如计算机图形学、流体力学、泊松方程求解、三次样条曲线、萃取精馏塔以及大气模式等很多领域都涉及对角矩阵求解的科学计算问题。但现实中,科学计算应用的实际运行性能与期望性能的差距与日俱增,尤其大数据时代的到来让这一问题变得更加重要与紧迫,同时也促进了并行计算的进一步应用与发展。论文重点研究和优化了对角矩阵求解的并行性效率问题。首先,从算法的应用层面,以SPIKE2算法为主体框架,通过对SPIKE算法进行优化并结合Pivot算法提出一种并行求解对角矩阵的T-ISPA算法。该算法在保证提高求解效率的同时兼顾了计算结果的数值稳定性与内存数据布局转换机制的优化问题;针对严格对角占优矩阵,在T-ISPA并行求解算法的基础上提出了扩展算法SPIKE2-Thomas和SPIKE2-CR算法。其次,面对应用更为广泛的多对角矩阵的求解问题,为消除广义共轭余差算法在计算过程中的数据相关性,减少同步次数和降低并行进程间的通信开销,提出了具有自启动功能的IGCR算法。将该算法应用到几何多重网格光滑迭代过程中,对各向异性网格又进行了强耦合聚合处理,提出了具有强耦合几何多重网格的SCMC算法。通过设计的MPI多进程并行方案,提高了IGCR算法和SCMC算法中矩阵向量乘以及内积的并行进程处理能力。第三,为了进一步支持应用程序的执行效率,本文又从提高计算资源并行性的角度出发,在应用程序到计算资源的映射过程中,提出了HPMC进程调度算法。该算法依据低阶对角矩阵所对应的DAG图,以传统的表调度算法为理论基础,在异构多核处理器硬件运行环境下,通过进程聚簇技术提升了进程调度优先级的筛选机制,在进程映射到多核的过程中引入了进程复制方法,减少了进程间的通信时间。最后通过实验测试,表明HPMC进程调度算法相比于HEFT算法和CPOP算法能用更少的时间完成进程到多核的映射与执行,较好地支撑了需要高度并行的矩阵求解问题。最后,针对HPMC进程调度算法的性能受进程数大小的影响存在时滞现象,提出了一种基于改进烟花算法的高阶对角矩阵并行调度算法PSIFWA。PSIFWA算法首先通过设计烟花的位置编码,将连续空间映射到离散空间;然后通过改进高斯变异过程,设置自适应高斯变异维数以保证种群多样性,从而达到加快算法收敛速度的目的。最后为降低算法的时间复杂度,缩短找到最优进程调度序列所用时间,采用基于适应度值的锦标赛选择策略,避免了基于欧氏距离的轮盘赌选择策略时间开销过大的弊端。实验验证了在密集进程运行环境下,PSIFWA算法比HPMC算法、基本烟花算法、遗传算法及粒子群算法都有较好的时间性能,它能在较少的迭代次数内找到最优解,收敛速度更快,在进程数增大时仍能保持良好的寻优速度和求解精度。
邱鸿泽[8](2018)在《基于自适应大邻域搜索算法的武器-目标分配问题研究》文中进行了进一步梳理武器-目标分配(Weapon Target Assignment,WTA)是防空导弹武器系统的重要一环,直接影响其作战效能,甚至影响战斗的胜败。本文在已有研究成果的基础上对基于自适应大邻域搜索算法(Adaptive Large Neighborhood Search,ALNS)求解WTA问题进行了研究。首先,分析了WTA问题的研究现状以及解决WTA问题常用的智能优化算法,并从不同角度对WTA问题进行分类,重点研究了静态WTA问题和动态WTA问题。针对战场环境动态变化的问题,提出了基于拦截几何的在线WTA模型。在确定WTA问题的数学模型基础上,根据防空导弹武器系统的问题实际,对经典的优化算法进行改进和设计。同时,在分析现有求解NP难问题优化算法的优缺点的基础上,提出采用ALNS算法对WTA问题进行求解,针对WTA问题的特点,设计了3种破坏算子和3种修复算子,并通过自适应层对算子进行选择,提高了算法的搜索效率。针对随机性影响算子性能评价的问题,对ALNS算法的自适应层进行了改进,并采用模拟退火算法以一定概率接受劣解。这样在保证算法稳定性,提高算法搜索效率的同时,扩大了算法的搜索空间。最后,通过仿真实验,验证了ALNS算法的可行性与有效性。与传统的蚁群算法和粒子群算法对比结果表明,改进后的ALNS算法在求解防空导弹武器系统的WTA时求解精度高,收敛速度快,时间性能优越的特点。
魏巍[9](2013)在《虚拟装配关键技术及其仿真应用的研究》文中指出虚拟装配基于虚拟现实技术,在虚拟空间中构建产品的虚拟样机,使操作者身临其境的对产品设计的合理性和规范性、装配的可行性和难易度等因素开展可感知的验证研究。这对提高产品的研发速度,降低装配测试和培训成本,具有重要意义。然而,当前大多虚拟装配系统中,缺少公差等工程语义信息和装配规划辅助信息,造成系统普遍存在“仿而不真”和“装配无序”的现象,无法大规模推广实用。本文针对虚拟装配中的关键技术进行研究,并以某型号船用发动机为应用背景,仿真验证了所提的各项研究内容。研究带公差信息的零部件模型构建与公差信息可视化的方法。在传统零部件模型层次结构基础上,提出了公差信息层和工程辅助信息层结构定义,给出了模型各层次间信息的提取和映射方法。论述了零部件静态公差和动态公差的表述方式和应用范围,给出了静态公差与零部件的随动变换计算方法。研究带公差信息的零部件模型问的碰撞检测方法。提出了基于体分解的空间层次包围体表达方法,给出了压缩包围体冗余空间的算法。结合空间剖分技术,对装配局部空间进行剖分遍历,快速检测发生包围盒重叠区域。给出碰撞穿透深度的计算方法,依据此深度值与零部件公差范围进行比对,从而产生不同的碰撞响应策略。研究了零部件模型约束定位和多约束动态管理的方法。给出了模型间约束与几何元素的对应关系,约束几何元素间的距离及角度计算方法,约束识别的准则,及自由度归约与冗余约束检测的方法。给出了三类复合约束的定位方法,提出了约束动态管理的方法。研究了智能装配序列规划与装配仿真相结合的方法。提出了基于蚁群和遗传混合算法求解序列规划的方法。采用最佳融合策略,动态的调度两种算法的执行。提出了综合装配成本的概念,在计算中将装配中的工具变更,方向改变以及自定义装配因素考虑在内。给出了最优序列与装配仿真系统相结合的方法,将仿真装配中产生的问题作为装配准则,反馈给寻优算法,对其后续计算产生影响。
杨东梅[10](2010)在《基于智能计算的虚拟装配工艺规划及相关技术研究》文中指出虚拟装配技术为制造业带来了全新的设计理念,从本质上将传统制造从设计到生产的不断修改、多次试制的过程中解脱出来。装配工艺规划是虚拟装配最核心的部分,本文侧重基于智能计算的虚拟装配工艺规划进行深入研究,主要包括两部分:装配序列规划和装配路径规划。论文的主要工作如下:针对虚拟装配过程的复杂性,提出面向装配规划的产品层次信息模型,将零件模型信息依次存储在零件属性层、面片显示层、装配关系层及过程信息层,各个层次间通过零件索引号进行数据间的约束与映射,从而实现模型信息层级间的相互关联。以装配语义形式描述装配过程中零件间的配合约束,建立干涉矩阵和线性自由度矩阵描述零件间的联接关系;同时,为装配模型引入过程信息描述,以得到装配序列、路径等动态描述信息,并借助过程信息,对零件模型的装配关系进行精确的评价。层次信息模型利于装配系统依据不同的装配任务对各个层级的模型信息进行读取,从而提高装配效率。针对虚拟装配序列求解过程中出现的“组合爆炸”现象,在建立拆卸干涉矩阵的基础上,提出改进蚁群算法进行装配序列求解,只有在一次迭代循环中找到最优拆卸序列的蚂蚁在相应的路径上增加全局信息素;选取蚂蚁的个数等于初始可行拆卸操作的数目。对于具有较强约束的零部件,强约束条件减少了算法初始可行的拆卸操作,局限了选择问题的解空间,算法效率明显提高。针对结构较复杂的装配体,结合遗传算法和蚁群算法求解装配序列的特点,提出遗传蚁群混合算法求解最优装配序列。算法的主要思想:每当蚂蚁完成一次漫游后,将蚂蚁构建的可行序列加入遗传算法的初始种群,遗传算法对该可行装配序列进行全局优化,并依据优化后生成解的质量在对应的蚂蚁爬行路径上释放相应浓度的信息素,如此循环交叉调用遗传算法和蚁群算法,使遗传蚁群算法求精能力显着增强。提出遗传算法与栅格法结合进行装配路径规划,采用栅格表示装配体的初始位置及装配空间环境地图,栅格路径的序号而不是传统的二进制作为种群个体的编码,适应度函数转换为寻找装配体的最优装配路径,保证了虚拟装配过程中装配体的路径为最优安装路径,提高算法的搜索效率,同时有效避免了传统搜索算法的局部极小值问题。构建一个舱段虚拟装配原型系统,提出该系统的构建思想和体系结构,并采用内存调度策略、多线程的运动控制完善装配系统性能。采用基于相对位置的碰撞干涉剔除,由装配体当前位置、移动方向、相对位置之间的关系来约束装配体的位置变换,从而完成装配体安装;提出基于径向基神经网络的场景调度策略,将虚拟化身当前视点状态作为网络的输入样本,利用径向基神经网络预测当前视点的后续状态。获得当前视点的后续状态后,结合视锥体进行取景,即可进行场景调度。漫游过程中化身以“沉浸”方式身临其境体验装配工艺规划方案,使装配过程更真实地回溯。
二、遗传蚂蚁算法在几何约束求解中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传蚂蚁算法在几何约束求解中的应用(论文提纲范文)
(1)基于蚁群算法的移动机器人路径规划研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 移动机器人路径规划研究现状 |
1.2.1 全局路径规划研究 |
1.2.2 局部路径规划研究 |
1.3 蚁群算法的现状 |
1.3.1 蚁群算法的研究现状 |
1.3.2 蚁群算法的发展 |
1.4 蚁群算法在路径规划应用现状 |
1.4.1 单蚁群算法的应用 |
1.4.2 多蚁群算法的应用 |
1.4.3 融合蚁群算法的应用 |
1.5 本文研究内容及组织结构 |
1.5.1 主要研究内容 |
1.5.2 组织结构 |
第2章 移动机器人路径规划方法 |
2.1 引言 |
2.2 路径规划问题描述 |
2.3 路径规划算法的评价 |
2.4 静态环境下路径规划的实现与问题 |
2.5 动态环境下路径规划的实现与问题 |
2.6 本章小结 |
第3章 静态环境下移动机器人路径规划算法研究 |
3.1 引言 |
3.2 蚁群算法存在的不足及原因 |
3.3 自适应改进蚁群系统 |
3.3.1 二维栅格环境的建立 |
3.3.2 蚁群系统 |
3.3.3 自适应改进蚁群系统算法设计 |
3.3.4 仿真实验结果与分析 |
3.4 基于单种群的异构自适应蚁群算法 |
3.4.1 相关研究工作 |
3.4.2 最大最小蚂蚁系统 |
3.4.3 自适应异构蚁群算法设计 |
3.4.4 单种群异构自适应蚁群算法的移动机器人路径规划 |
3.4.5 AHACO算法复杂度分析 |
3.4.6 AHACO算法收敛性分析 |
3.4.7 仿真实验与分析 |
3.5 本章小结 |
第4章 融合改进蚁群算法与几何优化的路径规划方法 |
4.1 引言 |
4.2 改进蚁群算法设计 |
4.2.1 信息素初始化方法 |
4.2.2 信息素更新规则 |
4.3 基于路径几何特征的局部优化算法 |
4.3.1 蚁群算法规划路径的几何特征 |
4.3.2 基于路径几何特征的局部优化算法 |
4.4 融合改进蚁群算法与几何优化的路径规划方法 |
4.5 仿真实验与分析 |
4.6 本章小结 |
第5章 动态环境下移动机器人路径规划研究 |
5.1 引言 |
5.2 人工势场法 |
5.2.1 经典人工势场法 |
5.2.2 改进人工势场法 |
5.3 子目标点的选择 |
5.4 动态窗口动态障碍物避碰策略设计 |
5.5 两阶段动态路径规划方法 |
5.6 仿真实验及分析 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 本文工作总结 |
6.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(2)基于轨迹规划和改进蚁群调度的机器人柔性生产线节能技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于轨迹规划的工业机器人节能技术研究现状 |
1.2.2 柔性生产线节能技术研究现状与分析 |
1.3 论文研究内容与结构 |
1.3.1 论文研究内容 |
1.3.2 论文结构 |
1.4 本章小结 |
第二章 基于机器人轨迹规划和柔性生产线调度的节能问题建模与分析 |
2.1 基于工业机器人轨迹规划的节能问题模型 |
2.1.1 基于时间-能耗最优轨迹规划的工业机器人节能问题模型 |
2.1.2 制造环境下的工业机器人轨迹规划改进方案 |
2.2 基于集成工艺规划与调度的柔性生产线节能问题模型 |
2.2.1 基于集成工艺规划与调度的柔性生产线节能问题描述 |
2.2.2 基于整数规划的生产线节能问题数学模型 |
2.2.3 集成工艺规划与调度问题的求解步骤 |
2.2.4 基于蚁群算法的生产线调度搜索策略改进方案 |
2.3 本章小结 |
第三章 基于平行多层感知器的近似动力学辨识 |
3.1 机器人动力学模型简介 |
3.2 基于平行多层感知器的近似动力学模型 |
3.3 基于二阶梯度的近似动力学模型训练 |
3.3.1 基于LM算法的参数更新 |
3.3.2 近似动力学模型的训练步骤 |
3.4 实验分析 |
3.4.1 仿真实验 |
3.4.2 真实实验 |
3.5 本章小结 |
第四章 基于凸优化的时间-能耗最优轨迹规划 |
4.1 结合近似动力学的时间-能耗最优轨迹规划问题模型 |
4.2 基于凸优化的轨迹规划模型重构 |
4.3 基于直接变换法的优化变量离散变换 |
4.4 实验分析 |
4.4.1 仿真实验 |
4.4.2 真实实验 |
4.5 本章小结 |
第五章 基于改进蚁群算法的柔性生产线调度搜索策略 |
5.1 基于改进蚁群算法的调度方案搜索策略 |
5.1.1 基本蚁群算法 |
5.1.2 针对生产线节能问题改进的蚁群算法 |
5.2 实验分析 |
5.2.1 仿真实验 |
5.2.2 应用实验 |
5.3 本章小结 |
总结与展望 |
参考文献 |
附录 |
附录1 改进蚁群算法针对测试问题1-15的调度结果 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(3)动态环境下多机器人协同搜救任务分配方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究意义 |
1.2 国内外研究现状 |
1.2.1 灾后搜救工作部署方法研究现状 |
1.2.2 多机器人任务分配方法研究现状 |
1.2.3 多机器人巡逻方法研究现状 |
1.3 相关研究存在的问题 |
1.4 研究内容和主要创新工作 |
1.5 论文组织架构 |
第二章 多机器人协同搜索与救援任务分配分析与建模 |
2.1 引言 |
2.2 多机器人任务分配分析 |
2.2.1 多机器人任务分配类型研究 |
2.2.2 搜索与救援任务场景分析 |
2.2.3 任务约束条件分析 |
2.3 搜索与救援场景下多机器人任务分配建模 |
2.3.1 多机器人救援任务分配模型 |
2.3.2 多机器人搜索任务分配模型 |
2.4 多机器人协同搜索与救援的任务分配模式与体系结构 |
2.4.1 多机器人系统控制的体系结构分析 |
2.4.2 多机器人协同搜索与救援的分布式任务分配模式与体系结构 |
2.5 本章小结 |
第三章 双优化目标的多机器人搜索任务分配 |
3.1 引言 |
3.2 多目标优化问题相关定义 |
3.3 多机器人搜索任务分配的蚁群优化算法改进 |
3.3.1 搜索任务分配方案的构建 |
3.3.2 信息素更新规则 |
3.4 基于双目标多蚁群优化的文化基因算法 |
3.4.1 简化的多蚁群优化算法 |
3.4.2 Pareto最优解在限制邻域的局部优化 |
3.4.3 序列变邻域下降与蚁群优化的集成 |
3.4.4 计算复杂度分析 |
3.5 仿真实验结果与分析 |
3.5.1 实验一:机器人从同一地点出发 |
3.5.2 实验二:机器人从不同地点出发 |
3.6 本章小结 |
第四章 动态环境下多机器人巡逻的在线搜索任务分配方法 |
4.1 引言 |
4.2 基于图论的多机器人巡逻问题 |
4.3 基于动态图划分的贝叶斯学习策略 |
4.3.1 策略的基本框架 |
4.3.2 基于奖励机制的动态图划分 |
4.3.3 多机器人巡逻的贝叶斯模型改进 |
4.3.4 计算复杂度分析 |
4.4 仿真实验结果与分析 |
4.4.1 参数σ和mc对算法性能的影响 |
4.4.2 不同算法性能的比较 |
4.4.3 随时间变化的算法效果分析 |
4.4.4 不同机器人初始位置对算法性能的影响 |
4.4.5 动态环境仿真–不可靠的通信环境对算法性能的影响 |
4.4.6 动态环境仿真–机器人数量变化对算法性能的影响 |
4.5 本章小结 |
第五章 动态环境下有截止时间的多机器人救援任务分配 |
5.1 引言 |
5.2 基于共识的拍卖算法的任务分配方法介绍 |
5.3 基于共识的拍卖算法的任务选择阶段改进 |
5.3.1 分解任务选择阶段的集群优先策略 |
5.3.2 基于概率选择的任务选择方法 |
5.3.3 收敛性分析 |
5.3.4 计算复杂度分析 |
5.4 基于共识的拍卖算法的共识阶段改进 |
5.4.1 块共享策略 |
5.4.2 基于集群优先的机器人动态分组的任务分配 |
5.4.3 动态环境下的任务分配 |
5.4.4 机器人之间的通信与信息同步 |
5.5 仿真实验结果与分析 |
5.5.1 较小规模(任务数量)问题的仿真结果与分析 |
5.5.2 较大规模(任务数量)问题的仿真结果与分析 |
5.5.3 动态环境下问题的仿真结果与分析 |
5.6 本章小结 |
第六章 多机器人协同搜索与救援任务分配应用原型系统构建及验证 |
6.1 基于无人机的多机器人协同搜索与救援任务分配应用原型系统 |
6.1.1 无人机的运动控制 |
6.1.2 多无人机的地面监控 |
6.2 基于多无人机的现场搜索与救援实验设计 |
6.3 基于多无人机的现场搜索与救援实验与分析 |
6.4 本章小结 |
结论与展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
附件 |
(4)服装缝制流水线编排系统研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 服装缝制流水线编排优化问题研究现状 |
1.2.1.1 服装缝制流水线工序工位编排优化问题研究现状 |
1.2.1.2 服装缝制流水线工人编排优化问题研究现状 |
1.2.2 服装缝制流水线编排系统研究现状 |
1.3 流水线平衡率 |
1.4 研究内容与论文安排 |
1.4.1 主要研究内容 |
1.4.2 论文的主要安排 |
第2章 系统需求分析 |
2.1 服装缝制车间概况 |
2.2 服装缝制流水线编排存在的问题 |
2.3 系统开发的主要目标 |
2.4 系统的总体需求 |
2.5 系统的功能性需求 |
2.5.1 登录注册模块 |
2.5.2 车间管理模块 |
2.5.3 工序工位编排模块 |
2.5.4 工人编排模块 |
2.5.5 系统管理模块 |
2.6 系统的非功能性需求 |
2.7 本章小结 |
第3章 多缝制流水线工序工位编排优化问题研究 |
3.1 引言 |
3.2 工序工位编排优化问题描述 |
3.3 工序工位编排优化问题模型构建 |
3.3.1 变量定义 |
3.3.2 目标函数 |
3.3.3 约束条件 |
3.4 工序工位编排优化问题模型求解 |
3.4.1 求解思路 |
3.4.2 所有计划节拍组合的确定 |
3.4.3 计划节拍确定的多流水线工序工位编排优化问题的求解 |
3.4.3.1 四种算法选择 |
3.4.3.2 遗传算法(GA) |
3.4.3.3 模拟退火算法(SA) |
3.4.3.4 蚁群算法(ACO) |
3.4.3.5 粒子群算法(PSO) |
3.4.3.6 求解中关键问题的处理 |
3.5 工序工位编排优化问题实例分析 |
3.5.1 实例描述 |
3.5.2 四种算法求解对比与实验分析 |
3.5.3 实例结果与分析 |
3.6 本章小结 |
第4章 多缝制流水线工人编排优化问题研究 |
4.1 引言 |
4.2 工人编排优化问题描述 |
4.3 工人编排优化问题模型构建 |
4.3.1 变量定义 |
4.3.2 目标函数 |
4.3.3 约束条件 |
4.4 工人编排优化问题模型求解 |
4.4.1 求解算法选择与遗传算法改进 |
4.4.2 求解中关键问题的处理 |
4.5 工人编排优化问题实例分析 |
4.5.1 实例描述 |
4.5.2 实例结果与分析 |
4.6 本章小结 |
第5章 系统的设计与实现 |
5.1 系统开发的软件架构 |
5.2 系统开发使用的技术 |
5.2.1 后端开发技术 |
5.2.2 前端开发技术 |
5.2.3 数据库开发技术 |
5.2.4 系统的部署 |
5.3 系统的数据库设计 |
5.3.1 数据库的设计流程 |
5.3.2 实体之间的关系 |
5.3.3 数据库表之间的关系举例 |
5.3.4 数据库表结构举例 |
5.4 系统主要功能模块的实现举例 |
5.4.1 系统注册与登录 |
5.4.2 后台管理 |
5.4.3 服装管理 |
5.4.4 流水线工序工位编排 |
5.4.5 流水线工人编排 |
5.5 系统的测试 |
5.5.1 测试环境 |
5.5.2 功能性测试 |
5.5.3 非功能性测试 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
在学期间发表的论文 |
(5)自动导引车系统中的路径规划方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 AGV发展现状 |
1.3 AGV路径规划算法研究现状 |
1.4 论文组织结构与创新 |
第二章 AGV地图环境建模 |
2.1 拓扑地图法 |
2.2 可视地图法 |
2.3 栅格地图法 |
2.4 自由空间法 |
2.5 地图建模算法分析 |
2.6 环境建模 |
2.6.1 空间环境仿真模型 |
2.6.2 AGV运动距离系数 |
2.7 本章小结 |
第三章 基于几何约束A*算法的全局路径规划 |
3.1 传统AGV全局路径规划算法应用分析 |
3.1.1 A~*算法 |
3.1.2 快速随机搜索树RRT算法 |
3.2 基于几何约束A~*算法的AGV全局路径规划 |
3.2.1 共线节点优化方法 |
3.2.2 路径拐点优化方法 |
3.2.3 冗余节点删除方法 |
3.2.4 基于几何约束的A*算法流程 |
3.3 仿真实验与结果分析 |
3.4 本章小结 |
第四章 基于模糊虚拟目标APF算法的局部路径规划 |
4.1 AGV运动学模型 |
4.2 传统AGV局部路径规划算法应用分析 |
4.2.1 动态窗口算法 |
4.2.2 人工势场算法 |
4.3 基于模糊虚拟目标APF算法 |
4.3.1 传统人工势场算法缺陷分析 |
4.3.2 改进人工引力与斥力势场函数设计 |
4.3.3 虚拟目标模糊控制器设计 |
4.4 仿真实验与结果分析 |
4.5 本章小结 |
第五章 基于双路径约束遗传算法的多AGV车辆调度 |
5.1 传统多AGV车辆调度算法应用分析 |
5.1.1 遗传算法 |
5.1.2 蚁群算法 |
5.2 基于双路径约束遗传算法的多AGV车辆调度 |
5.2.1 AGV工作环境设施布局建模 |
5.2.2 基于双路径约束遗传算法优化设计 |
5.3 仿真实验与结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 后续研究工作展望 |
参考文献 |
攻读学位期间的研究成果 |
致谢 |
(6)大规模物流区域协同配送与车辆路径优化研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文的组织结构 |
第二章 理论基础与相关技术 |
2.1 车辆路径问题 |
2.1.1 车辆路径问题的描述 |
2.1.2 VRP问题的求解 |
2.1.3 大规模VRP问题 |
2.2 VRP问题常用的启发式求解方法 |
2.2.1 蚁群算法 |
2.2.2 禁忌搜索算法 |
2.3 空间拓扑关系和邻近关系 |
2.3.1 空间拓扑关系 |
2.3.2 空间邻近关系 |
2.4 本章小结 |
第三章 基于混合遗传算法的大规模配送方法 |
3.1 引言 |
3.2 问题描述及建模 |
3.2.1 问题描述 |
3.2.2 建立模型 |
3.3 遗传算法简介 |
3.4 混合遗传算法设计 |
3.4.1 染色体编码方式 |
3.4.2 初始化种群 |
3.4.3 选择操作 |
3.4.4 交叉操作 |
3.4.5 变异操作 |
3.4.6 爬山操作 |
3.5 实验与分析 |
3.5.1 实验数据及参数 |
3.5.2 结果分析 |
3.5.3 进一步验证 |
3.6 本章小结 |
第四章 基于道路网拓扑的区域协同配送方法 |
4.1 引言 |
4.2 问题描述及建模 |
4.2.1 问题描述 |
4.2.2 建立模型 |
4.3 配送线路生成 |
4.3.1 区域邻接关系构建 |
4.3.2 线路组织 |
4.3.3 路网生成 |
4.3.4 初始线路生成 |
4.3.5 线路间调整 |
4.4 区域协同配送方法 |
4.4.1 区域内配送方法 |
4.4.2 协同配送方法 |
4.5 实验与分析 |
4.5.1 实验数据及参数 |
4.5.2 结果分析 |
4.5.3 进一步验证 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录A 攻读学位期间发表的论文与科研成果清单 |
致谢 |
(7)对角矩阵求解的并行性技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 计算机中的并行性 |
1.2.1 并行计算机体系结构 |
1.2.2 稀疏矩阵与并行性 |
1.2.3 进程调度问题 |
1.3 国内外研究现状 |
1.3.1 矩阵求解算法 |
1.3.2 调度算法 |
1.4 论文研究内容与组织结构 |
第2章 三对角矩阵求解的并行算法优化 |
2.1 三对角矩阵求解算法分析 |
2.1.1 三对角矩阵串行求解算法 |
2.1.2 三对角矩阵并行求解算法 |
2.1.3 算法比较与分析 |
2.2 T-ISPA算法 |
2.2.1 SPIKE~2算法 |
2.2.2 优化的SPIKE算法 |
2.2.3 T-ISPA算法流程 |
2.2.4 基于T-ISPA算法的扩展算法 |
2.2.5 T-ISPA算法的内存数据布局转换 |
2.3 实验方案设计 |
2.3.1 实验平台 |
2.3.2 数值稳定性分析 |
2.3.3 单节点性能分析 |
2.4 本章小结 |
第3章 多对角矩阵求解的并行算法优化 |
3.1 矩阵求解算法 |
3.1.1 几何多重网格算法 |
3.1.2 广义共轭余差算法 |
3.2 广义共轭余差算法优化 |
3.2.1 广义共轭余差算法优化 |
3.2.2 IGCR算法 |
3.3 几何多重网格算法优化 |
3.3.1 几何多重网格算法分析 |
3.3.2 SCMC算法 |
3.4 MPI多进程并行方案设计 |
3.4.1 MPI多进程并行I/O |
3.4.2 多进程数据划分 |
3.5 实验方案设计 |
3.5.1 实验平台 |
3.5.2 实验用例 |
3.5.3 实验结果 |
3.6 本章小结 |
第4章 低阶对角矩阵的进程调度优化算法 |
4.1 问题描述 |
4.1.1 低阶对角矩阵求解与有向无环图 |
4.1.2 进程映射与有向无环图 |
4.2 进程调度算法 |
4.2.1 表调度算法 |
4.2.2 聚簇调度算法 |
4.2.3 基于复制的调度算法 |
4.3 一种改进的进程调度算法HPMC |
4.3.1 进程聚簇 |
4.3.2 优先级计算方法 |
4.3.3 进程映射与进程复制 |
4.3.4 HPMC进程调度算法 |
4.4 实验结果与分析 |
4.4.1 性能评估参数 |
4.4.2 测试方案设计 |
4.4.3 实验结果分析 |
4.5 本章小结 |
第5章 高阶对角矩阵的改进烟花进程调度算法 |
5.1 问题描述 |
5.1.1 随机搜索算法适用性分析 |
5.1.2 遗传算法原理分析 |
5.1.3 蚁群算法原理分析 |
5.1.4 粒子群算法原理分析 |
5.2 烟花算法原理及分析 |
5.3 烟花算法的改进策略 |
5.3.1 自适应高斯变异过程 |
5.3.2 混沌搜索策略 |
5.4 PSIFWA进程调度算法 |
5.4.1 烟花与进程调度序列映射 |
5.4.2 适应度值 |
5.4.3 锦标赛选择策略 |
5.4.4 PSIFWA调度算法流程 |
5.5 实验设计与分析 |
5.5.1 性能评估参数 |
5.5.2 实验设计及结果分析 |
5.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
(8)基于自适应大邻域搜索算法的武器-目标分配问题研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 WTA建模研究现状 |
1.2.2 WTA算法研究现状 |
1.2.3 ALNS算法研究现状 |
1.3 本文内容与组织结构 |
1.3.1 主要内容 |
1.3.2 组织结构 |
第二章 WTA问题及其分析 |
2.1 WTA问题描述 |
2.1.1 WTA问题的研究目标 |
2.1.2 WTA问题的分类 |
2.2 静态WTA问题的研究 |
2.2.1 静态WTA问题定义 |
2.2.2 静态WTA问题模型 |
2.3 动态WTA问题的研究 |
2.3.1 动态WTA问题定义 |
2.3.2 动态WTA问题模型 |
2.4 动静结合的WTA问题 |
2.5 基于拦截几何的在线WTA |
2.6 本章小结 |
第三章 WTA问题的算法设计 |
3.1 WTA问题的求解方法 |
3.2 面向WTA的 ACO算法 |
3.2.1 ACO算法的基本原理 |
3.2.2 ACO求解WTA问题 |
3.2.2.1 解的构造 |
3.2.2.2 局部搜索和信息素控制机制 |
3.2.2.3 算法的流程 |
3.2.3 ACO算法的不足 |
3.3 面向WTA的 PSO算法 |
3.3.1 PSO算法的基本原理 |
3.3.2 PSO求解WTA问题 |
3.3.2.1 粒子的编码与解码 |
3.3.2.2 适应度函数的选择与计算 |
3.3.2.3 算法的流程 |
3.3.3 PSO算法的不足 |
3.4 面向WTA的 ALNS算法 |
3.4.1 ALNS算法的基本原理 |
3.4.2 ALNS求解WTA问题 |
3.4.2.1 初始解的构建 |
3.4.2.2 邻域结构 |
3.4.2.3 自适应层的设计和算法终止迭代条件 |
3.4.2.4 算法的流程 |
3.5 本章小结 |
第四章 改进的ALNS求解WTA问题 |
4.1 ALNS算法的改进 |
4.1.1 自适应层的重构 |
4.1.2 基于模拟退火算法的解的接受 |
4.1.3 改进后ALNS算法的流程 |
4.2 实验仿真与结果分析 |
4.2.1 实验场景设计 |
4.2.2 算法参数配置优化 |
4.2.2.1 模拟退火系数?对算法的影响 |
4.2.2.2 敏感因子?对算法的影响 |
4.2.2.3 需求银行规模S_c对算法的影响 |
4.2.3 算法运行结果分析 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 进一步研究方向 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(9)虚拟装配关键技术及其仿真应用的研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 题目来源及研究意义 |
1.1.1 题目来源 |
1.1.2 研究意义 |
1.2 虚拟装配技术概论 |
1.2.1 虚拟装配技术的提出 |
1.2.2 国内外研究概况 |
1.2.3 虚拟装配关键技术 |
1.2.4 本文研究的主要问题 |
1.3 本文章节安排 |
第2章 虚拟装配中基于公差表达的零部件建模方法 |
2.1 带公差信息的零部件建模要求 |
2.1.1 一般模型构建的基本要求 |
2.1.2 带公差信息的模型构建基本要求 |
2.2 带公差信息的零部件建模方法 |
2.2.1 带公差信息的模型层次结构 |
2.2.2 带公差信息的模型建模优点 |
2.3 带公差信息的零部件模型实现方法 |
2.3.1 模型信息的提取 |
2.3.2 层次间的映射 |
2.3.3 公差信息的表述 |
2.3.4 模型层次构建算法 |
2.4 虚拟装配中带公差零部件模型构建实例 |
2.5 小结 |
第3章 虚拟装配中基于公差约束的碰撞检测方法 |
3.1 问题的描述 |
3.2 虚拟零部件模型表达 |
3.3 空间包围体的定义 |
3.3.1 构建基于体分解的空间包围体层次 |
3.3.2 冗余面片的索引 |
3.3.3 包围体空间压缩算法 |
3.3.4 碰撞模型的构建 |
3.3.5 静态空间环境的剖分 |
3.4 碰撞检测与碰撞深度的计算 |
3.4.1 碰撞检测 |
3.4.2 碰撞穿透深度和方向的计算 |
3.4.3 公差与穿透范围的比对 |
3.5 仿真效果与实验分析 |
3.6 小结 |
第4章 虚拟装配中约束装配的实现和约束动态管理的方法 |
4.1 约束装配实现的整体流程 |
4.2 约束类型与运动的自由度关系 |
4.2.1 约束中的几何元素与坐标变换 |
4.2.2 约束几何元素间的距离和角度计算 |
4.2.3 约束识别的准则与运动自由度的归约 |
4.2.4 冗余约束的检测与约束的动态管理 |
4.2.5 复合约束的装配方法 |
4.2.6 约束的确认 |
4.3 零部件空间运动约束导航的方法 |
4.3.1 虚拟手与零部件的位姿关系 |
4.3.2 装配意图的识别 |
4.3.3 装配的精确定位 |
4.4 约束装配仿真实例 |
4.5 小结 |
第5章 虚拟装配中基于蚁群遗传混合算法的装配序列规划方法 |
5.1 装配序列规划系统的整体架构 |
5.2 装配规划模型信息的获取 |
5.2.1 装配有向图的定义 |
5.2.2 装配方向干涉矩阵 |
5.2.3 装配优先约束表 |
5.3 基于蚁群遗传混合算法的ASP寻优 |
5.3.1 基于蚁群算法的ASP求解 |
5.3.2 基于遗传算法的ASP寻优 |
5.3.3 基于蚁群遗传混合算法的ASP求解 |
5.4 交互式规划与评价 |
5.4.1 交互式装配规划的流程 |
5.4.2 装配知识评价与自定义装配准则 |
5.5 装配序列规划实例 |
5.6 小结 |
结论 |
参考文献 |
攻读学位期间公开发表论文 |
致谢 |
作者简介 |
(10)基于智能计算的虚拟装配工艺规划及相关技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的研究背景和意义 |
1.2 虚拟装配工艺规划国内外研究现状 |
1.2.1 经典的虚拟装配规划系统 |
1.2.2 虚拟装配工艺规划 |
1.2.3 基于智能计算的虚拟装配工艺规划 |
1.3 装配工艺规划的智能计算方法 |
1.3.1 蚁群算法 |
1.3.2 遗传算法 |
1.4 论文组织结构及主要研究内容 |
第2章 面向装配规划的产品层次信息模型 |
2.1 装配模型的现存问题 |
2.2 产品层次信息模型的主要内容 |
2.2.1 基于属性表的零件属性层信息描述 |
2.2.2 基于三角小面片的面片显示层信息描述 |
2.2.3 装配关系层表达零件间配合约束和关联关系 |
2.2.4 过程信息层表达零件的动态信息 |
2.3 产品层次信息模型的建立过程 |
2.4 本章小结 |
第3章 基于改进蚁群算法的装配序列规划 |
3.1 装配序列规划的现存问题 |
3.2 虚拟拆装的运动描述及转换 |
3.2.1 装配体的位置表示及变换 |
3.2.2 虚拟拆装的十一元组表示 |
3.2.3 装配体的运动变换 |
3.3 拆卸序列规划问题描述 |
3.4 蚁群算法模型 |
3.5 拆卸序列蚁群规划算法 |
3.5.1 建立拆卸干涉矩阵 |
3.5.2 生成可行拆卸操作集合 |
3.5.3 蚁群算法求解拆卸序列的优化 |
3.5.4 拆卸序列蚁群规划步骤 |
3.6 蚁群序列规划算法实例 |
3.7 蚁群算法与遗传算法之比较 |
3.8 本章小结 |
第4章 基于遗传蚁群算法的装配序列规划 |
4.1 遗传蚁群算法的思想提出 |
4.2 GAACA中遗传算法的结构原理 |
4.2.1 遗传算法的原理及优势 |
4.2.2 基因组编码及染色体的表示 |
4.2.3 初始种群的产生 |
4.2.4 选择算子的选取及对模式生存数量的影响 |
4.2.5 交叉算子的设计及对模式生存数量的影响 |
4.2.6 变异算子的设计及对模式生存数量的影响 |
4.2.7 装配序列规划的适应度函数构造 |
4.2.8 遗传算法求解装配序列规划的局限 |
4.3 GAACA中蚁群算法的结构原理 |
4.3.1 蚁群算法的寻优模型 |
4.3.2 蚁群的路径选取 |
4.3.3 信息素更新 |
4.4 装配序列规划遗传蚁群算法的实现 |
4.5 遗传蚁群序列规划实例 |
4.6 本章小结 |
第5章 遗传算法和栅格相结合的装配路径规划 |
5.1 装配路径规划的现存问题 |
5.2 A~*算法结合栅格的装配路径规划 |
5.3 A~*算法结合栅格的装配路径规划实验 |
5.4 遗传算法进行装配路径规划的改进 |
5.5 遗传算法和栅格结合的装配路径规划 |
5.5.1 装配空间模型的建立 |
5.5.2 最优装配路径的生成 |
5.5.3 装配路径规划的遗传操作 |
5.5.4 遗传算法和栅格相结合的装配路径规划流程 |
5.5.5 遗传算法结合栅格的装配路径规划实验 |
5.6 遗传算法与A~*算法之比较 |
5.7 本章小结 |
第6章 舱段虚拟装配原型系统 |
6.1 舱段装配系统的构建思想及体系结构 |
6.2 舱段装配体模型的数据转换及映射机制 |
6.2.1 CADDS5系统与虚拟装配系统数据转换机制 |
6.2.2 层次信息模型与OpenFLT模型数据间的映射机制 |
6.3 内存调度及多线程运动控制完善系统性能 |
6.3.1 内存调度 |
6.3.2 多线程运动控制 |
6.4 基于相对位置的碰撞干涉剔除 |
6.4.1 局部坐标系与世界坐标系转换 |
6.4.2 确定干涉的相对位置及约束关系 |
6.4.3 干涉剔除描述 |
6.4.4 碰撞干涉剔除实例 |
6.5 基于径向基神经网络的场景调度策略 |
6.5.1 构造径向基神经网络模型 |
6.5.2 基于径向基神经网络的场景调度 |
6.5.3 场景调度效果 |
6.6 舱段虚拟装配原型系统仿真 |
6.7 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
个人简历 |
四、遗传蚂蚁算法在几何约束求解中的应用(论文参考文献)
- [1]基于蚁群算法的移动机器人路径规划研究[D]. 张松灿. 河南科技大学, 2021
- [2]基于轨迹规划和改进蚁群调度的机器人柔性生产线节能技术研究[D]. 赵俊宇. 华南理工大学, 2020(05)
- [3]动态环境下多机器人协同搜救任务分配方法研究[D]. 陈昕叶. 华南理工大学, 2020(05)
- [4]服装缝制流水线编排系统研究与实现[D]. 曹伟. 东南大学, 2020(01)
- [5]自动导引车系统中的路径规划方法研究[D]. 韩增亮. 青岛大学, 2019(02)
- [6]大规模物流区域协同配送与车辆路径优化研究[D]. 吴亮然. 湖南科技大学, 2019(06)
- [7]对角矩阵求解的并行性技术研究[D]. 田乔. 哈尔滨工程大学, 2019(04)
- [8]基于自适应大邻域搜索算法的武器-目标分配问题研究[D]. 邱鸿泽. 国防科技大学, 2018(01)
- [9]虚拟装配关键技术及其仿真应用的研究[D]. 魏巍. 大连海事大学, 2013(05)
- [10]基于智能计算的虚拟装配工艺规划及相关技术研究[D]. 杨东梅. 哈尔滨工程大学, 2010(05)