Un algoritmo di muffa melmosa ottimizzatore di equilibrio per la cinematica inversa del 7

Rapporti scientifici volume 12, numero articolo: 9421 (2022) Citare questo articolo

1438 accessi

6 citazioni

Dettagli sulle metriche

Al fine di risolvere in modo efficiente la cinematica inversa (IK) di manipolatori complessi, viene proposto un algoritmo ibrido di ottimizzazione dell'equilibrio slime mould (EOSMA). In primo luogo, l'operatore di aggiornamento della concentrazione dell'ottimizzatore di equilibrio viene utilizzato per guidare la ricerca anisotropa dell'algoritmo della muffa melmosa per migliorare l'efficienza della ricerca. Quindi, la strategia greedy viene utilizzata per aggiornare l'ottimo storico individuale e globale per accelerare la convergenza dell'algoritmo. Infine, l'operatore di mutazione della differenza casuale viene aggiunto a EOSMA per aumentare la probabilità di sfuggire all'ottimo locale. Su questa base viene proposto un EOSMA multi-obiettivo (MOEOSMA). Quindi, EOSMA e MOEOSMA vengono applicati all'IK del manipolatore a 7 gradi di libertà in due scenari e confrontati con 15 algoritmi a obiettivo singolo e 9 algoritmi multi-obiettivo. I risultati mostrano che EOSMA ha una precisione maggiore e tempi di calcolo più brevi rispetto agli studi precedenti. In due scenari, la precisione media di convergenza di EOSMA è 10e−17 e 10e−18 e il tempo medio di soluzione è rispettivamente 0,05 s e 0,36 s.

Il problema della cinematica inversa (IK) consiste nel determinare l'angolo articolare in base alla posizione e alla postura dell'effettore finale1 del manipolatore. Cioè, lo scopo è trasferire accuratamente l'effettore finale nella posizione e postura desiderate2. È uno dei problemi fondamentali nella tecnologia robotica e svolge un ruolo essenziale nel controllo del movimento del robot, nella pianificazione della traiettoria e nell'analisi dinamica3. Tuttavia, l'IK dei manipolatori ridondanti è un problema complesso a causa delle equazioni non lineari4. I metodi tradizionali per risolvere la cinematica inversa includono principalmente il metodo analitico e il metodo dell'iterazione numerica5,6. Il problema IK ha una soluzione analitica per un manipolatore conforme allo standard Pieper. Tuttavia, con l'aumento dei tipi di manipolatori, molti manipolatori non soddisfano lo standard Pieper, come i manipolatori seriale-parallelo guidati da cavo7 e i manipolatori seriali super ridondanti8. L'IK dei manipolatori ridondanti può avere molte soluzioni di gruppo. Tuttavia, è difficile ottenere soluzioni soddisfacenti con i metodi tradizionali e le prestazioni in tempo reale sono scarse. Di conseguenza, è preferibile risolvere l'IK del manipolatore complesso utilizzando un approccio metaeuristico9. L'algoritmo metaeuristico è un metodo casuale che rappresenta un'alternativa efficace ai metodi precisi per risolvere problemi pratici di ottimizzazione10,11. I vantaggi delle metaeuristiche includono semplicità di principio, facilità di implementazione, indipendenza dal problema e caratteristiche prive di gradienti12. Molti algoritmi metaeuristici, tra cui l’ottimizzazione dello sciame di particelle (PSO)9, l’algoritmo della lucciola (FA)13, l’algoritmo della colonia di api artificiali (ABC)14 e altri, sono stati efficacemente applicati all’IK dei manipolatori robotici. Sebbene questi algoritmi abbiano raggiunto un'eccellente precisione di convergenza, spesso non tengono conto della postura dell'effettore finale, il che riduce la complessità del problema IK ed è incoerente con la maggior parte delle applicazioni pratiche.

L'algoritmo della muffa melmosa (SMA) è un algoritmo metaeuristico unico sviluppato da Li et al.15 nel 2020. Grazie alla sua capacità di imitare il peculiare comportamento oscillatorio di foraggiamento della muffa melmosa e alle sue notevoli prestazioni, SMA è stato applicato efficacemente in un'ampia varietà di campi in meno di due anni. Ad esempio, Abdel-Basset et al.16 e Ewees et al.17 hanno applicato la SMA migliorata per caratterizzare problemi di selezione; Abdel-Basset et al.18, Naik et al.19 e Zhao et al.20 hanno utilizzato SMA ibridi e migliorati per risolvere il problema della segmentazione delle immagini (ISP); El-Fergany21, Kumar et al.22, Liu et al.23, Mostafa et al.24 e Yousri et al.25 hanno utilizzato SMA ibrida e migliorata per stimare i parametri delle celle solari fotovoltaiche, rispettivamente; Agarwal e Bharti26 hanno applicato la SMA migliorata alla pianificazione del percorso nel tempo più breve senza collisioni dei robot mobili; Rizk-Allah et al.27 hanno proposto una SMA potenziata dall'opposizione al caos (CO-SMA) per ridurre al minimo i costi energetici delle turbine eoliche nei siti ad alta quota; Hassan et al.28 hanno applicato la SMA migliorata (ISMA) per risolvere in modo efficiente il problema del dispacciamento economico e delle emissioni (EED) con obiettivi singoli e doppi; Abdollahzadeh et al.29 hanno proposto una SMA binaria per risolvere il problema dello zaino 0–1; Zubaidi et al.30 hanno combinato SMA e rete neurale artificiale (ANN) per la previsione della domanda idrica urbana; Chen e Liu31 hanno combinato il clustering K-means e la SMA caotica con la regressione del vettore di supporto per ottenere una maggiore precisione di previsione; Ekinci et al.32 hanno applicato la SMA alla progettazione dello stabilizzatore del sistema di alimentazione (PSSD); Wazery et al.33 hanno combinato SMA e K-vicino più vicino per la classificazione della malattia e il sistema di diagnosi; Wei et al.34 hanno proposto una SMA potenziata nei sistemi di alimentazione per un dispacciamento ottimale della potenza reattiva; Premkumar et al.35 e Houssein et al.36 hanno sviluppato SMA multi-obiettivo (MOSMA) per risolvere complicati problemi di progettazione ingegneristica multi-obiettivo nel mondo reale; Yu et al.37 hanno proposto una SMA migliorata (WQSMA) che ha migliorato la robustezza della SMA originale utilizzando un cancello di rotazione quantistica (QRG) e un operatore del ciclo dell'acqua. Houssein et al.38 hanno proposto un algoritmo ibrido SMA e evoluzione differenziale guidata adattiva (AGDE), che costituisce una buona combinazione tra la capacità di sfruttamento della SMA e la capacità di esplorazione dell'AGDE.