自由曲面之间最短距离的一种新的改进遗传算法

合集下载

基于改进性遗传算法的Bezier曲线笛卡尔空间轨迹规划

基于改进性遗传算法的Bezier曲线笛卡尔空间轨迹规划

基于改进性遗传算法的Bezier曲线笛卡尔空间轨迹规划周苑【摘要】Robot path planning requires a precise robot path curve in the Cartesian space planning.However,many curves cannot meet the precision requirements.To solve the problem,a genetic algorithm is proposed to track various sections of the Bezier curve,making the robot's operation path smooth with faster execution of the genetic algorithm.%针对机器人轨迹笛卡尔空间规划中需要精确规划出机器人路径曲线,且在需要精确跟踪轨迹场合却有很多曲线往往达不到精度要求的问题,利用改进性遗传算法,分段跟踪Bezier曲线的各部分,使机器人运行平稳,路径圆滑平顺。

仿真实验表明,改进后算法收敛效果明显。

【期刊名称】《上海电机学院学报》【年(卷),期】2012(015)004【总页数】4页(P237-240)【关键词】机器人轨迹规划;遗传算法;Bezier曲线【作者】周苑【作者单位】上海交通大学电子信息与电气工程学院,上海200240【正文语种】中文【中图分类】TP242.6一般而言,对于机械手臂的空间轨迹规划可分为关节空间规划和笛卡尔空间规划两种[1]。

其中,关节空间规划计算量小,且在关节空间的轨迹规划中能满足机器人运动学约束条件,从而能够保证机器人运动平稳,对机器人的冲击小;笛卡尔空间轨迹规划则能更好地满足运动精度的要求,能对机器人运行的轨迹做更精确地跟踪,在很多需要提高轨迹精度的场合,如一些焊接机器人上,一般都采用笛卡尔空间轨迹规划。

基于遗传算法的自由曲面优化设计_李登高

基于遗传算法的自由曲面优化设计_李登高

摘 要 :为 解 决 传 统 点 光 源 近似 设计 方 法 难 以 满 足 实 际 应 用 需 求 的 问 题 , 基于遗传算法提出了一种面 向 扩展 光 源 的 自 由 曲 面 优化设计 方 法 . 该 方 法以 虚 拟 点 光 源 的 辐 射分 布 函数 、 原 点 位 置 偏 移 量及 目 标 面 尺寸 因 子 等 参数 作为优化 对 象 , 首 先 对 种 群 中 任 意 个 体 根 据 能量 守 恒定 律 及 S n e l l定 律 建 立 并 求解 偏 微 分方程, 得 到对 应于 该 组 虚 拟 参数 的 自 由 曲 面 , 然后以实际扩展光源进 行 光 线 追 迹, 并综合考虑目标面 照 度均匀度 和 系 统 传 输 效 率 得 到 个 体 适 应 度 , 据此对种群进行选择、 交 叉 和 变 异, 直至优化结果满足设 / 计要求. 设计了 发 散 半 角为 1 的 均匀 照 明 系 统 , 光 源 采用 直 径 为 3 在T 0 ° 0mm 的 圆盘朗伯 源 , r a c e r o环 p 结 果表 明 : 系 统 均匀度从 5 辐射传输效率从6 境 下 与 传 统 设计 方 法进行 对 比 , 8. 3% 提 高 到9 3. 5% , 1. 8% 提高到7 且光束质量对目标面距 离 的 变 化 具 有 很 好 的 稳 定 性. 该设计方法能较好地实现对扩展 2. 9% , 光 源 辐 射 在 空 间 分 布 的 调控 , 对 扩展 光 源 系 统 设计 具有重 要 指 导 意 义 . 关键词 :自 由 曲 面 ; 遗传算法; 均匀 照 明 ; 优化设计 ; 扩展 光 源 中图分类号 : O 4 3 9 文献标识码 : A ( ) 文章编号 : 1 0 0 4 4 2 1 3 2 0 1 4 1 1 1 1 2 2 0 0 6 7 - - -

基于B样条自由曲面体间最短距离计算算法研究

基于B样条自由曲面体间最短距离计算算法研究

p lh d o f o y e r n o NU BS C I E ac lt db sn B l o t m . h n o n c i g t ep i f H V S sc lu a e y u i g UL ag r h T el e c n e t a r i i i n h o
方程组根的迭代次数,可快速求 出精确解。最后把该算法扩展到 N R S自由曲面。 U B 关 键 词:计算机应用;最短距 离计算;U B算法;拟牛顿迭代法;B样条 L 中 图分类 号 :T 9 P3 1 文献标 识码 :A 文 章 编 号 : 10 .1 82 0 ) 10 8 .5 0 30 5 (0 60 .0 20
( . p r an f n u ta e i , e ig ie i f rn u c d t n u c , in 0 0 3 C ia 1De am e t Id s il s n B in v r t o Aeo a t s n r a t sBe ig 10 8 , hn ; o r D g j Un s y i a As o i j 2 R b t s n tue B in nv ri f rn u c dA t n u c, e ig 10 8 , h a . o o c s tt, e igU ie t o Aeo a t s s o a t s B in 0 0 3 C i ) i Ii j sy i a n r i j n
C r a l e u et et so e ai e a d r p d y g i ep e iev l e . i a l ea g rt m n a g e t r d c me f t r t n a i l a n t r c s au s F n l t l o h y h i i v h y h i

用于求解TSP问题的遗传算法改进

用于求解TSP问题的遗传算法改进

用于求解TSP问题的遗传算法改进遗传算法是一种常用于解决旅行商问题(TSP)的优化算法。

TSP问题是指在给定一组城市和其之间的距离,找到一条最短路径,使得每个城市只访问一次并最终返回起始城市。

传统的遗传算法在解决TSP问题时存在一些缺点,例如收敛速度慢、易于陷入局部最优解等问题。

对遗传算法进行改进以提高求解TSP问题的效果和效率尤为重要。

改进初始化的方法。

传统的遗传算法一般采用随机生成的方法来初始化种群,但这样会导致种群的多样性不足、容易陷入局部最优解。

可以采用相邻交换法、插入法等启发式方法来生成初始化种群,增加种群的多样性,有助于全局搜索。

改进交叉和变异的操作。

传统的遗传算法中,交叉和变异操作一般是均匀随机进行的,但这样可能会导致交叉和变异带来的新个体的子路径中出现重复的城市,从而违反了TSP问题的约束条件。

可以采用部分映射交叉(PMX)等方法来保证交叉后子路径不会出现重复的城市,同时保持了种群的多样性;可以采用2-opt、3-opt等局部搜索方法来修复变异带来的子路径中出现的重复的城市,提高种群的质量。

可以引入自适应权重的选择策略。

传统的遗传算法中,选择策略一般是基于个体适应度的排序或轮盘赌选择的。

但这种选择策略可能会导致选择压力过大或过小,使种群收敛速度过快或过慢。

可以采用自适应权重的选择策略,根据种群适应度的分布情况动态调整选择概率,使得适应度较高的个体能够更有机会被选中,增加种群的多样性,提高全局搜索能力。

可以引入一些启发式的局部搜索方法。

传统的遗传算法中,局部搜索往往仅在变异操作中进行,但这样可能局部搜索的范围有限,难以跳出局部最优解。

可以在种群进化的过程中,根据种群的适应度情况,选择某些个体进行局部搜索,以进一步改善个体的质量。

对于求解TSP问题的遗传算法改进,可以从初始化方法、交叉和变异操作、选择策略和局部搜索等方面进行改进,以提高算法的效果和效率。

通过引入合适的启发式方法,增加种群的多样性,改善交叉和变异的操作,优化选择策略,加强局部搜索,可以有效地提高遗传算法在求解TSP问题中的性能。

用改进遗传算法求取曲面间最小距离_席光

用改进遗传算法求取曲面间最小距离_席光

参与杂交 ,选取前 面历代群 体中的最大 适应值个 体作为“种 子选手” ,不必通过这种小组竞赛而直接进入新一代群 体中 ,
这样就会将前几代优良的基因保留到当前种群中 .
2. 3对遗传算法的改进
在标准遗 传Biblioteka 法中 ,如果群 体数目少 ,那 么在整 个群体
中 ,所有个 体在某一位基因的 取值可能只有 一个 ,即 0或 1,
理 ,将两个 个体的染 色体的部分 字符 (基因 )互相交 换 ,交 换
是产生新个体的主要手段 ;突变是遗传算法中产生新个 体的
另一 种方法 ,它是将染 色体的某一 位基因变 异 ,即 对这一 字
符进 行补运算 ,使 0变为 1,或将 1变为 0.尽管突 变和交 换
都能 产生新个体 ,但在 遗传算法中 ,交换 的作用远 比突变 重
这使得群体缺乏应有的多样性 ;另外 ,群体数目越少 ,在进化
过程中 ,所有个体 某一位基因 的取值被 遗失的可 能性越 大 .
这两个因素会造成算法过早地收敛于次优解 ,而找不到全局
最优解 .要避免这一问题 ,只能采用足够大的群体数目 ,而大
的群体数目 ,带来的缺点是加长了计算时间 .
能否找出 一种方法 ,使得计 算时间少 ,而 且又能 避免过 早的收敛于次优解呢? 本文提出了一种对 SG A 的改进方法 ,
变时 ,则终止 .本文采用了后者 .
2. 2 两曲面间的距离
设有两曲面 E1 ,E2 , r1= r1 (u1 , w1 )表示曲面 E1上任一点 ,
r2= r2 (u2 , w2 )表示曲面 E2上任一点 , 则两曲面间的距离为
ds = |r1 ( u1 , w 1 ) - r2 (u2 , w 2 )|

改进遗传算法与拟随机序列结合评定自由曲线轮廓度误差

改进遗传算法与拟随机序列结合评定自由曲线轮廓度误差

B样 条 ( NUR S 来 表 示 自 由 曲线 , 用 改 进 遗 传 算 法 优 化 重 建 自由 曲线 ; 后 , 用 拟 随 机 ta o B) 并 然 应 t l n序 列 均 匀 产 生 参 数 值 t
精 确计 算 点 到 曲线 最 短 距 离 。 阐述 了 自由 曲线 重建 时 控 制 顶 点 及 目标 函数 值 的 计算 方 法 , 立 了 改 进 遗 传 算 法 重 建 自 确
由 曲 线 及 采 用 拟 随 机 序 列 生 成 参 数 值 求 解 点 到 曲 线 最 短 距 离 的 具 体 步 骤 。 最 后 , 对 仿 真 实 例 计 算 并 实 测 零 件 曲线 轮 针
廓度误 差。结果显示 , 自由 曲线 轮廓 度 误 差 评 定 精 度 高 于 9 , 明 提 出 的 方 法 算 法 简 单 、 算 速 度 快 、 度 高 , 于 在 9 表 计 精 适
W EN i l , ZH A O ibi X u—an Y — ng,W A N G ng x a, ZH U a — hun, CA O e— e Do — i Xi o c W if ng
( tma inDe rme t Au o to pa t n ,Na j n n tt t f Teh o o y,Na j n 1 1 7,C i a n i g I siu eo c n l g n ig 2 1 6 hn ) *C0 rs n ” uh r, - i : d xwx @ n i. d . n ¨ P 0 g a t o E ma l z h l jt e u c
第2 O卷
第 4期
光 学 精 密 工 程
O ptc n e iin is a d Pr cso Eng n e i g i e rn

采用遗传算法提高自由曲面光顺特性

置连 续 的表 面看起 来 会 有 一 个 很 尖 锐 的接 缝 , 度 精
l4 02
激 光 与 红 外
第4 1卷
可微 性 ( ieetbly 来 衡 量 。曲 面 拟 合 函数 阶 dfrni it) f a i

E fP I u n= ” d l

() 2
() 3 () 4
b . . y0 1
K e o ds:r e S ra e;a rn o e y; e e i lo t m ; ura u e v ra e rto yw r fe u c fi g pr p r g n tc ag r h c v t r a inc a i f i t i
确 的数 值 计 算 , 别 适 合 于 求 解 多 目标 优 化 问题 。 特 当约 束条 件转换 到 模 糊 域 中后 , 糊 可 行 集 合 中既 模 包含 可行 点又包 含 不 可 行 点 , 样遗 传 算 法 就 能 够 这 同时得到 可行 点和 不可行 点 的数据 信息 。
模糊集合理论对点集搜索空间重新定义 , 用点的适 应度值进行点的选取。种群中的点离可行域距离越 近, 在模糊 可行 域 中 的
低; 相切 连续 在 曲面连 接处 曲率 存在 突变 , 以在 视 所 觉效 果上 仍然 会 有差 异 感 ; 曲率 连 续 曲面 没 有尖 锐
接缝 , 没有 曲率 的突 变 , 觉 效 果 光 滑 流 畅 , 汽 也 视 如
采 用三 维激 光 扫描 ¨ 2测 量 物 体 型 面 时 , 获 I 所 取 的是 离散 点 云数据 , 其进 行 曲面重 建 时 , 物体 对 受 形 貌 和拟合 算法 制 约 , 生 成 的 曲面 可 能存 在 曲率 所 突 变 或 凹 凸 区 域 , 要 对 重 构 曲 面 进 行 光 顺 处 需 理 。 曲面光 顺是 一个 工 程 意 义 上 的 概 念 , 括 包 光 滑和顺 眼 两方 面 的含 义 。光 滑 是 客 观 评 价 , 指 是

一种新的NURBS曲面间最短距离计算的分裂算法_赵伟


3 算法的改进
3. 1 曲面细分的改进
在曲 面 细分 的 过 程中 , 节 点 插 入 算 法 至 关 重 要 。 Page 算 法 就是在 NURBS 曲面的 2 个参数方向上通过直接 插 入 节点 矢 量 来实 现 曲 面细 分 的, 但是 由 于 节点 不 具 有清 楚 的 几 何 意 义, 所 以插入的位置有一定的盲目性 , 在插入节点后也很难预 知曲 面 在何处分裂 。 本文算法采用节点反插和节点插入相结合的方法 达到 曲 面细 分 , 首 先插 入 几 何意 义 较 为清 楚 的 控制 顶 点 , 然后 反 算 出要 插 入 的节 点 , 从 而实 现 节 点的 反 插 , 接着 再 利 用节 点 插 入 技 术 , 将 曲面 细 分 。 为了 将 曲 面较 为 均 匀地 一 分 为四 , 插 入 的控 制顶点应在相应方向控制顶点序列中央的附近 。 初始控制顶点 为 在第 与第 个与第
Abstract: collision detection is the key technology of VR , and the distance of convex geometric is the important fact of collision de tection .The proposed method based upon the technique of splitting the NURBS surfaces . In the algorithm , firstly , the top control points that have clear geometric meaning are inserted , then the inserted nodes are calculated in reverse , and the insert technique is used to divide the curved surfaces finely . then,incremental algorithm for convex hull and GJK algorithm are employed to improve the Spilt Algorithm ′ s performance. The implement shows that the improved Spilt Algorithm is more precisely and quickly. Key words: NURBS surfaces; spilt of NURBS surfaces; Convex Hull; Incremental Algorithm; GJK Algorithm

基于遗传算法的曲面最短路径求解

ABSTRACT : h h re t p t l n i g b t e n t o p i t n c r e u a e i r b e wi ey u e u T e s o ts a h p a n n e w e w o n s o u v d s r c s a p o lm d l s d b t f d f c l i h oy i u t n t e r .Ge e i lo i m s ag o a t c a t e r h n l o i m ,n w a d ma u e,wi x e l n i f n tc ag r h i lb lso h si s a c i g a g rt t c h e n tr t e c le t h sa e tt .Th r f r ,i h s p p r h e eo e n t i a e ,t e GA s u e o t e s a c f t e s o e t p t n c r e s ra e F r t , i s d t h e r h o h h r s a h o u u c . isl t v f y a c r i g t h t r p ita d e d p i to e d s r t i l t n d gt lat u e we p o u e a s re fi i a c o d n o t e sat o n n n o n n t ic e esmu ai i i l t d , r d c e is o t l h o a i n i p p lto sb e ln mb r o i g h n d f e t e f n s u c i n a d p r r c p ,c o s v r a d mu a in o u ai n y r a u e sc d n ,t e e i h t e sf n to n e o m o y r s o e n t t n i f o o e a i n n t e p p lto s p r t s o h o u a i n .As a r s l ,t e s o e tw y b t e wo p i t n c r e s ra e i c iv d A o e u t h h r s a ewe n t o n so u u c s a h e e , t v f n me i a i lto x mp e i r s n e t t e e d o h a e i r e o tsi h f c i e e s n u rc lsmu ai n e a l s e e t d a h n f t e p p r n o d r t e t y t e e e tv n s a d p f v ld t . a i iy KEYW ORDS: h r s ah o u e s r c ;S o h si e r h;Ge ei l o i m S o e tp t n c r u f e t c a t s a c t v a c n tc a g rt h

【江苏省自然科学基金】_改进遗传算法_期刊发文热词逐年推荐_20140816


科研热词 遗传算法 量子遗传算法 量子旋转角 连续函数优化 运筹学 设施选址 被动控制 混合动力模型反演 消能支撑 模型 核函数 改进遗传算法 推广p-中位问题 小生境 大跨维修机库 变邻域搜索算法 位置优化 优化分析 rbf nino3指数 fisher enso预报
推荐指数 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
推荐指数 6 4 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
科研热词 遗传算法 隶属云模型 遗传算子 超分辨率 记忆单元 蚁群算法 综合评价 相似性测度函数 直接搜索法 生鲜食品 混沌映射 有序样本聚类 投影寻踪 弹丸结构 弹丸 实数编码 多态细菌趋药性算法 图像配准 图像复原 动态定价 加速遗传算法 内弹道 免疫算法 优化设计 优化
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
பைடு நூலகம்
科研热词 遗传算法 连续函数 蚁群算法 结构参数 汽车散热器 改进遗传算法 干扰 工作流 变异 动态集成 动态规划 切换系统 公平性 优化设计 交叉 web服务
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
0/
!
改进的遗传算法
考虑两个曲面 !&、 表示曲面 !& 上任 一 点 , !!, !&7!( #&) & "&,
表示曲面 !! 上任一点, 则两个曲面间的距离为:
。遗传算法一般由编码机制、 适应值函数、 遗传算子和控制参
$% 78!( #&) 9!( #!) : & "&, ! "!,
在利用遗传算法求解问题时,一般求目标函数的最大值, 因此, 将上式做一个转换, 问题的目标函数变为:
数等四部分组成。由于自由曲面的不规则性, 自由曲面最短距 离是 123 4 125 领域一个最重要的研究课题之一, 也是一个难 题。 文献 -0/利用两曲面间极值距离处两点法矢量共线这一特性 来求解最短距离, 提出了一种非常有效的算法, 但该算法仅适 合于两自由曲面之间的距离函数为单峰函数的情况, 对于多峰 函数, 则得出的解可能是局部最优, 而不是全局最优。 -6/提出了 一种改进遗传算法, 主要引入了两个特殊个体, 计算效率和可 靠性得到了较大的改善, 而对于自由曲面, 特性点决定着自由 曲面的形状, 如何利用其固有特性, 并在遗传算法中引入体现 这些特性的特殊个体, 在以往的文献中均未展开讨论。文章基
#!", #&", &)" #’", #)+, #)"
表!
<"" !"", #+", **" <!" %&", )’", *!" <"* %&", #(", *"" <!* #!", )&", *)" <"! <!!
双三次 67892: 曲面 ! 控制顶点
<"% <!% <*" <%" <** !*", +&", *+" <%* #*", &"", *"+ <*! #(", +&", !"" <%! +"", &*", *!" <*% )*", )"", *"" <%% ’’", (+", **+
作者简介: 任红民 (&J609 ) , 男, 高级工程师, 博士, 研究领域为遗传算法, 计算机图形图像处理。
6!
!""#$!%
计算机工程与应用
表*
3"" *!", %+", *" =!" %&", #’", !" 3"* %&", !(", " =!* 3"! #&", !&", " =!!
双三次 67892: 曲面 * 控制顶点
#&", #&", *"" +"", #!", **" %+", +(", *"" #’", ))+, *&" )%", )&", *%" %(", ’%", *!"
复制对象。标准的遗传算法用轮盘法选择被复制的个体, 论文 采用竞争法来产生新一代种群上的个体, 每个个体都要经过优 胜劣汰这一选择过程, 优胜者才能被保留至新一代, 而且适应 值大的个体可能被多次复制, 从而使新一代群体的整体适应值 加大。论文充分基于曲面的特性, 在每一代中都保留 # 个特殊 个体, 计算表明, 在每一代都保留这 # 个特殊个体后, 既避免了 过早地收敛, 而且计算效率比一般遗传算法和文献 -).算法有明 显的提高。 这 # 个特殊个体分别为:
的一般遗传算法、 文 献 -). 添 加 两 个 特 殊 个 体 !"、 !* 的 遗 传 算 法 以及本文提出的添加四个特殊个体 !"、 !* ,%、 !! ,%、 !* 的遗传算法, 在不同的种群规模、 染色体长度、 交叉概率以及变异概率等方 面做了大量的实验, 并进行了比较。 实验表明, 选用文章提出的 遗传算法, 性能特性是最为有效的。现将在不同种群规模下的 实验结果示例如下:
自由曲面之间最短距离的一种新的改进遗传算法
任红民 &
!
毕惟红 !
吴庆标 !
& (杭州广播电视大学信息工程系, 杭州 %&""&! ) (浙江大学数学系科学与工程计算研究所, 杭州 %&""!= )
>9<*?): @A<B<*?)$AC@DEF$G,F$H+
摘 要 遗传算法具有独有的特性, 它采用选择、 交叉和变异等策略, 获取的解为全局最优解, 而且无需计算函数的导
数, 是一种只考虑输入与输出关系的黑箱方法, 因而适用于处理各种复杂问题。 由于自由曲面的不规则性, 自由曲面最短 距离是 123 4 125 领域一个最重要的研究课题之一, 也是一个难题。文章基于自由曲面的特性, 在遗传算法中引入新的 特殊个体, 通过大量的计算与分析, 提出了求自由曲面之间最短距离的一种新的改进遗传算法, 并给出了计算实例, 效果 显著。 关键词 自由曲面 最短距离 遗传算法 特殊个体 全局优化 中图分类号 I%J ; I!!&$!
"*"* … "* $ ! "*"* … "* % " !* , % / " "*"* … "* % " % "*"* … "* & # **** … ** $ ! **** … ** % " !* / " **** … ** % " % **** … ** & #
*$()%*’’ "$"+*"% *$%+’#’( "$")%’!+ "$*(%+(( "$"&")## "$*%"’"+ "$"#**!* "$#’)’") "$"%!+*’ "$"*!# "$)(’&(( "$"+&)+ "$%#*!)# "$"++"*(
&
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
3"% #"", *!", *" =!% )%", #&", %" 3*" %+", %(", " =%" %(", +%", !" 3** !*", %&", ++" =%* #*", +"", + 3*! #(", %&", *"" =%! +"", +*", !" 3*% +"", #"", " =%% &+", +’", *+
相关文档
最新文档