Um algoritmo de molde viscoso otimizador de equilíbrio para cinemática inversa dos 7

Scientific Reports volume 12, Artigo número: 9421 (2022) Citar este artigo

1438 Acessos

6 citações

Detalhes das métricas

A fim de resolver eficientemente a cinemática inversa (IK) de manipuladores complexos, um algoritmo de molde viscoso otimizador de equilíbrio híbrido (EOSMA) é proposto. Em primeiro lugar, o operador de atualização de concentração do otimizador de equilíbrio é usado para orientar a busca anisotrópica do algoritmo de fungos viscosos para melhorar a eficiência da busca. Então, a estratégia gananciosa é usada para atualizar o ótimo histórico individual e global para acelerar a convergência do algoritmo. Finalmente, o operador de mutação por diferença aleatória é adicionado ao EOSMA para aumentar a probabilidade de escapar do ótimo local. Nesta base, é proposto um EOSMA multiobjetivo (MOEOSMA). Em seguida, EOSMA e MOEOSMA são aplicados ao IK do manipulador de 7 graus de liberdade em dois cenários e comparados com 15 algoritmos de objetivo único e 9 algoritmos multiobjetivo. Os resultados mostram que o EOSMA tem maior precisão e menor tempo de cálculo do que estudos anteriores. Em dois cenários, a precisão média de convergência do EOSMA é 10e−17 e 10e−18, e o tempo médio de solução é 0,05 se 0,36 s, respectivamente.

O problema da cinemática inversa (IK) consiste em determinar o ângulo da articulação com base na posição e postura do efetor final do manipulador1. Ou seja, o objetivo é transferir com precisão o efetor final para a posição e postura desejadas2. É um dos problemas mais fundamentais na tecnologia robótica e desempenha um papel essencial no controle de movimento do robô, no planejamento de trajetória e na análise dinâmica3. Porém, o IK de manipuladores redundantes é um problema complexo devido às Equações não lineares4. Os métodos tradicionais para resolver a cinemática inversa incluem principalmente o método analítico e o método de iteração numérica . O problema IK possui uma solução analítica para um manipulador que atende ao padrão Pieper. Porém, com o aumento dos tipos de manipuladores, muitos manipuladores não atendem ao padrão Pieper, como os manipuladores serial-paralelos acionados por cabo7 e os manipuladores seriais superredundantes8. O IK de manipuladores redundantes pode ter muitas soluções de grupo. Ainda assim, é difícil obter soluções satisfatórias pelos métodos tradicionais e o desempenho em tempo real é fraco. Como resultado, é preferível resolver o IK do manipulador complexo usando uma abordagem metaheurística9. O algoritmo metaheurístico é um método aleatório que é uma alternativa bem-sucedida aos métodos precisos para resolver problemas práticos de otimização10,11. As vantagens das metaheurísticas incluem simplicidade de princípio, facilidade de implementação, independência do problema e características livres de gradiente12. Muitos algoritmos metaheurísticos, que incluem otimização de enxame de partículas (PSO)9, algoritmo de vaga-lume (FA)13, algoritmo de colônia de abelha artificial (ABC)14 e outros, foram efetivamente aplicados ao IK de manipuladores robóticos. Embora esses algoritmos tenham alcançado excelente precisão de convergência, eles muitas vezes não levam em consideração a postura do efetor final, o que reduz a complexidade do problema de IK e é inconsistente com a maioria das aplicações práticas.

O algoritmo de bolor limoso (SMA) é um algoritmo metaheurístico exclusivo desenvolvido por Li et al.15 em 2020. Devido à sua capacidade de imitar o comportamento oscilatório peculiar de forrageamento do bolor limoso e seu desempenho notável, o SMA foi efetivamente aplicado em uma ampla variedade de campos em menos de dois anos. Por exemplo, Abdel-Basset et al.16 e Ewees et al.17 aplicaram o SMA melhorado para problemas de seleção de características; Abdel-Basset et al.18, Naik et al.19 e Zhao et al.20 utilizaram SMA híbrido e melhorado para resolver problema de segmentação de imagens (ISP); El-Fergany21, Kumar et al.22, Liu et al.23, Mostafa et al.24 e Yousri et al.25 usaram SMA híbrida e melhorada para estimar parâmetros de células solares fotovoltaicas, respectivamente; Agarwal e Bharti26 aplicaram SMA aprimorado ao planejamento de caminho de menor tempo livre de colisões de robôs móveis; Rizk-Allah et al.27 propuseram um SMA reforçado pela oposição ao caos (CO-SMA) para minimizar os custos de energia das turbinas eólicas em locais de alta altitude; Hassan et al.28 aplicaram SMA melhorado (ISMA) para resolver eficientemente problemas de despacho econômico e de emissões (EED) com objetivos únicos e duplos; Abdollahzadeh et al.29 propuseram um SMA binário para resolver o problema da mochila 0–1; Zubaidi et al.30 combinaram SMA e rede neural artificial (RNA) para previsão da demanda urbana de água; Chen e Liu31 combinaram agrupamento K-means e SMA caótico com regressão vetorial de suporte para obter maior precisão de previsão; Ekinci et al.32 aplicaram SMA ao projeto do estabilizador do sistema de potência (PSSD); Wazery et al.33 combinaram SMA e K-vizinho mais próximo para classificação de doenças e sistema de diagnóstico; Wei et al.34 propuseram um SMA aprimorado em sistemas de energia para despacho ideal de energia reativa; Premkumar et al.35 e Houssein et al.36 desenvolveram SMA multiobjetivo (MOSMA) para resolver problemas complicados de projeto de engenharia multiobjetivo no mundo real; Yu et al.37 propuseram um SMA melhorado (WQSMA) que melhorou a robustez do SMA original usando uma porta de rotação quântica (QRG) e um operador de ciclo da água. Houssein et al.38 propuseram um algoritmo SMA híbrido e um algoritmo de evolução diferencial guiada adaptativa (AGDE), que faz uma boa combinação da capacidade de exploração do SMA e da capacidade de exploração do AGDE.