Un algorithme de moisissure visqueuse optimisant l'équilibre pour la cinématique inverse des 7

Rapports scientifiques volume 12, Numéro d'article : 9421 (2022) Citer cet article

1438 Accès

6 citations

Détails des métriques

Afin de résoudre efficacement la cinématique inverse (IK) de manipulateurs complexes, un algorithme de moisissure visqueuse à optimiseur d'équilibre hybride (EOSMA) est proposé. Premièrement, l’opérateur de mise à jour de la concentration de l’optimiseur d’équilibre est utilisé pour guider la recherche anisotrope de l’algorithme de moisissure visqueuse afin d’améliorer l’efficacité de la recherche. Ensuite, la stratégie gloutonne est utilisée pour mettre à jour l'optimum historique individuel et global afin d'accélérer la convergence de l'algorithme. Enfin, l'opérateur de mutation par différence aléatoire est ajouté à EOSMA pour augmenter la probabilité d'échapper à l'optimum local. Sur cette base, un EOSMA multi-objectif (MOEOSMA) est proposé. Ensuite, EOSMA et MOEOSMA sont appliqués à l'IK du manipulateur à 7 degrés de liberté dans deux scénarios et comparés avec 15 algorithmes mono-objectif et 9 algorithmes multi-objectifs. Les résultats montrent qu'EOSMA a une précision plus élevée et un temps de calcul plus court que les études précédentes. Dans deux scénarios, la précision de convergence moyenne de l'EOSMA est de 10e−17 et 10e−18, et le temps de solution moyen est de 0,05 s et 0,36 s, respectivement.

Le problème de la cinématique inverse (IK) consiste à déterminer l'angle de l'articulation en fonction de la position et de la posture de l'effecteur terminal du manipulateur1. Autrement dit, le but est de transférer avec précision l’effecteur final vers la position et la posture souhaitées2. Il s’agit de l’un des problèmes les plus fondamentaux de la technologie robotique et il joue un rôle essentiel dans le contrôle des mouvements des robots, la planification de trajectoires et l’analyse dynamique3. Cependant, l’IK des manipulateurs redondants est un problème complexe en raison des équations non linéaires4. Les méthodes traditionnelles de résolution de la cinématique inverse incluent principalement la méthode analytique et la méthode d'itération numérique5,6. Le problème IK a une solution analytique pour un manipulateur conforme à la norme Pieper. Cependant, avec l’augmentation des types de manipulateurs, de nombreux manipulateurs ne répondent pas à la norme Pieper, comme les manipulateurs série-parallèle pilotés par câble7 et les manipulateurs série super-redondants8. Les CI des manipulateurs redondants peuvent avoir de nombreuses solutions de groupe. Cependant, il est difficile d’obtenir des solutions satisfaisantes par les méthodes traditionnelles et les performances en temps réel sont médiocres. En conséquence, il est préférable de résoudre les CI du manipulateur complexe en utilisant une approche métaheuristique9. L’algorithme métaheuristique est une méthode aléatoire qui constitue une alternative efficace aux méthodes précises pour résoudre des problèmes pratiques d’optimisation10,11. Les avantages des métaheuristiques incluent la simplicité du principe, la facilité de mise en œuvre, l’indépendance du problème et les caractéristiques sans gradient12. De nombreux algorithmes métaheuristiques, notamment l’optimisation des essaims de particules (PSO)9, l’algorithme de luciole (FA)13, l’algorithme de colonie d’abeilles artificielles (ABC)14 et d’autres, ont été efficacement appliqués à l’IK des manipulateurs robotiques. Bien que ces algorithmes aient atteint une excellente précision de convergence, ils ne prennent souvent pas en compte la posture de l'effecteur final, ce qui réduit la complexité du problème IK et est incompatible avec la plupart des applications pratiques.

L’algorithme de moisissure visqueuse (SMA) est un algorithme métaheuristique unique développé par Li et al.15 en 2020. En raison de sa capacité à imiter le comportement oscillatoire particulier de recherche de nourriture de la moisissure visqueuse et de ses performances remarquables, SMA a été appliqué efficacement dans une grande variété de domaines. domaines en moins de deux ans. Par exemple, Abdel-Basset et al.16 et Ewees et al.17 ont appliqué le SMA amélioré à des problèmes de sélection de caractéristiques ; Abdel-Basset et al.18, Naik et al.19 et Zhao et al.20 ont utilisé le SMA hybride et amélioré pour résoudre le problème de segmentation d'image (ISP) ; El-Fergany21, Kumar et al.22, Liu et al.23, Mostafa et al.24 et Yousri et al.25 ont utilisé respectivement le SMA hybride et amélioré pour estimer les paramètres des cellules solaires photovoltaïques ; Agarwal et Bharti26 ont appliqué le SMA amélioré à la planification du trajet temporel le plus court sans collision des robots mobiles ; Rizk-Allah et al.27 ont proposé un SMA amélioré par l'opposition au chaos (CO-SMA) pour minimiser les coûts énergétiques des éoliennes sur les sites à haute altitude ; Hassan et al.28 ont appliqué le SMA amélioré (ISMA) pour résoudre efficacement le problème de répartition économique et des émissions (EED) avec des objectifs simples et doubles ; Abdollahzadeh et al.29 ont proposé une SMA binaire pour résoudre le problème du sac à dos 0-1 ; Zubaidi et al.30 ont combiné SMA et réseau neuronal artificiel (ANN) pour prédire la demande en eau en milieu urbain ; Chen et Liu31 ont combiné le regroupement de K-means et la SMA chaotique avec la régression vectorielle de support pour obtenir une précision de prédiction plus élevée ; Ekinci et al.32 ont appliqué le SMA à la conception du stabilisateur du système électrique (PSSD) ; Wazery et al.33 ont combiné SMA et K-plus proche voisin pour le système de classification et de diagnostic des maladies ; Wei et al.34 ont proposé un SMA amélioré dans les systèmes électriques pour une répartition optimale de la puissance réactive ; Premkumar et al.35 et Houssein et al.36 ont développé le SMA multi-objectif (MOSMA) pour résoudre des problèmes complexes de conception technique multi-objectifs dans le monde réel ; Yu et al.37 ont proposé un SMA amélioré (WQSMA) qui a amélioré la robustesse du SMA d'origine en utilisant une porte de rotation quantique (QRG) et un opérateur de cycle de l'eau. Houssein et al.38 ont proposé un algorithme hybride SMA et évolution différentielle guidée adaptative (AGDE), qui constitue une bonne combinaison de la capacité d'exploitation de SMA et de la capacité d'exploration de l'AGDE.