基于改进蚁群算法的影像测量路径规划
发布时间：2021-01-23 19:17
针对影像测量仪测量路径问题,文中提出基于改进蚁群算法的影像测量路径规划方法。首先对影像测量仪测量路径问题进行分析,将其转化为求解TSP问题;其次针对传统蚁群算法解决TSP问题出现的搜索时间长、收敛速度慢的问题,提出引入模糊集合和隶属度的概念对信息素更新机制进行改进,减少搜索时间,提高收敛速度;引入信息熵概念,对算法的收敛判据进行改进;最后应用改进的蚁群算法对影像测量路径规划,进行验证实验。实验结果表明:该方法能有效的减小测量路径的长度和测量平台的运行时间,证明了该方法的有效性。
【文章来源】：组合机床与自动化加工技术. 2019,(02)北大核心
【文章页数】：4 页
【部分图文】：
改进蚁群算法流程3实验及分析
]2)，算法结束，输出最终结果，否则清空所有禁忌表，并跳转至Step2。改进的蚁群算法流程图如图2所示。图2改进蚁群算法流程3实验及分析为证明基于改进蚁群算法的影响测量路径规划的正确性和可行性，本文进行了实验验证。将55个公称直径为8mm的e型挡圈随机散布到测量平台上，通过自主研发的图像采集系统采集涵盖所有待测零件的图像，进行相应的图像处理后获取各个零件的位置信息如图。算法中各个参数设置如下:蚁数m=55，α=1．5，β=3，ρ=0．35，ε=0．009。图3和图4分别为传统逐列测量的测量路径和改进蚁群算法的测量路径。图3逐列测量路径图4改进蚁群算法测量路径为验证本文提出的改进蚁群算法的有效性，将传统测量方式、传统蚁群算法和改进蚁群算法的测量路径长度、测量平台运行时间进行了比较，其结果如表1所列。通过表1中的数据可以看到，不管从测量路径的长度，还是从测量平台测量过程的运行时间上，传统蚁群算法和改进蚁群算法的测量路径优化相比传统的影像测量方式有大幅度的改善，并且改进蚁群算法相对传统蚁群算法的运行时间平均减少27”53。表1三种测量路径性能比较测量方式统计结果实验序号12345平均值逐列测量测量路径(pixel)测量路径(mm)运行时间650684879．64455'19″235'18″785'17″835'18″025'18″45650684879．645'18″46传统蚁群算法测量路径(pixel)测量路径(mm)运行时间224421682．923'33″24230591729．193'30″68220511653．603'33″69229111718．093'30″84227911709．83'31″4922650．81698．583'31
脉冲。设置的预期支撑力为100N，对应1V电压，电荷放大器采用10倍放大系数。程序框图如图13所示。图13在线轨迹修正位置/力模块最终实验结果如图14所示。由实验得出:上升时间约为1s，超调量为8%，稳态误差控制在0．5%。该模糊自适应PID控制系统具有调整时间短、超调量和稳态误差小的优点，达到了较好的动态性能。图14实验结果分析4结束语面向大型薄壁零件加工，在镜像加工装备的支撑侧设计了一种末端执行器，提出了一种基于模糊自适应PID控制的在线轨迹修正位置/力控制策略，实验结果表明:该方法能够通过力反馈信息对实时更新的预期轨迹进行修正，达到了理想的力和位置跟踪效果，适合薄壁构件的镜像加工系统。［参考文献］［1］LIUDong，陈五一．大型薄壁整体结构件加工变形仿真［J］．系统仿真学报，2008，20(6):1589－1593．［2］陆俊百，周凯，张伯鹏．飞行器薄壁件柔性工装定位/支承阵列优化自生成研究［J］．中国机械工程，2010，21(19):2369－2374．［3］胡建元，黄心汉，陈锦江．机器人的力控制和顺应控制研究进展［J］．机器人，1992(2):52－57．［4］HoganN．ImpedanceControl:AnApproachtoManipula-tion:PartII—Implementation［J］．Gerontologist，1985，107(1):481－490．［5］ＲaibertMH，CraigJJ．Hybridposition/forcecontrolofma-nipulators［J］．AsmeJofDynamicSystemsMeasurement＆Control，1981，102(2):126－133．［6］孔令富，韩佩富，黄真，
【参考文献】：
期刊论文
[1]面向旅行商问题的蚁群算法改进[J]. 姜坤霖,李美安,张宏伟. 计算机应用. 2015(S2)
[2]动态路径规划中的改进蚁群算法[J]. 周明秀,程科,汪正霞. 计算机科学. 2013(01)
[3]数控铣床视觉在位测量路径规划方法[J]. 夏瑞雪,卢荣胜. 电子测量与仪器学报. 2011(08)
[4]复杂环境路径规划的改进蚁群算法[J]. 周之平,华路. 计算机工程与设计. 2011(05)
[5]基于改进蚁群算法的移动机器人动态路径规划方法[J]. 柳长安,鄢小虎,刘春阳,吴华. 电子学报. 2011(05)
[6]基于蚁群算法的动态路径选择问题[J]. 张文洁,邓卫. 交通科技与经济. 2009(01)
[7]一种新的进化算法——蚁群算法[J]. 张纪会,徐心和. 系统工程理论与实践. 1999(03)
硕士论文
[1]改进蚁群算法及其在TSP中的应用研究[D]. 马振.青岛理工大学 2016
[2]改进的蚁群算法在TSP问题上的应用[D]. 江迎春.中南民族大学 2009
本文编号：2995782
【文章来源】：组合机床与自动化加工技术. 2019,(02)北大核心
【文章页数】：4 页
【部分图文】：
改进蚁群算法流程3实验及分析
]2)，算法结束，输出最终结果，否则清空所有禁忌表，并跳转至Step2。改进的蚁群算法流程图如图2所示。图2改进蚁群算法流程3实验及分析为证明基于改进蚁群算法的影响测量路径规划的正确性和可行性，本文进行了实验验证。将55个公称直径为8mm的e型挡圈随机散布到测量平台上，通过自主研发的图像采集系统采集涵盖所有待测零件的图像，进行相应的图像处理后获取各个零件的位置信息如图。算法中各个参数设置如下:蚁数m=55，α=1．5，β=3，ρ=0．35，ε=0．009。图3和图4分别为传统逐列测量的测量路径和改进蚁群算法的测量路径。图3逐列测量路径图4改进蚁群算法测量路径为验证本文提出的改进蚁群算法的有效性，将传统测量方式、传统蚁群算法和改进蚁群算法的测量路径长度、测量平台运行时间进行了比较，其结果如表1所列。通过表1中的数据可以看到，不管从测量路径的长度，还是从测量平台测量过程的运行时间上，传统蚁群算法和改进蚁群算法的测量路径优化相比传统的影像测量方式有大幅度的改善，并且改进蚁群算法相对传统蚁群算法的运行时间平均减少27”53。表1三种测量路径性能比较测量方式统计结果实验序号12345平均值逐列测量测量路径(pixel)测量路径(mm)运行时间650684879．64455'19″235'18″785'17″835'18″025'18″45650684879．645'18″46传统蚁群算法测量路径(pixel)测量路径(mm)运行时间224421682．923'33″24230591729．193'30″68220511653．603'33″69229111718．093'30″84227911709．83'31″4922650．81698．583'31
脉冲。设置的预期支撑力为100N，对应1V电压，电荷放大器采用10倍放大系数。程序框图如图13所示。图13在线轨迹修正位置/力模块最终实验结果如图14所示。由实验得出:上升时间约为1s，超调量为8%，稳态误差控制在0．5%。该模糊自适应PID控制系统具有调整时间短、超调量和稳态误差小的优点，达到了较好的动态性能。图14实验结果分析4结束语面向大型薄壁零件加工，在镜像加工装备的支撑侧设计了一种末端执行器，提出了一种基于模糊自适应PID控制的在线轨迹修正位置/力控制策略，实验结果表明:该方法能够通过力反馈信息对实时更新的预期轨迹进行修正，达到了理想的力和位置跟踪效果，适合薄壁构件的镜像加工系统。［参考文献］［1］LIUDong，陈五一．大型薄壁整体结构件加工变形仿真［J］．系统仿真学报，2008，20(6):1589－1593．［2］陆俊百，周凯，张伯鹏．飞行器薄壁件柔性工装定位/支承阵列优化自生成研究［J］．中国机械工程，2010，21(19):2369－2374．［3］胡建元，黄心汉，陈锦江．机器人的力控制和顺应控制研究进展［J］．机器人，1992(2):52－57．［4］HoganN．ImpedanceControl:AnApproachtoManipula-tion:PartII—Implementation［J］．Gerontologist，1985，107(1):481－490．［5］ＲaibertMH，CraigJJ．Hybridposition/forcecontrolofma-nipulators［J］．AsmeJofDynamicSystemsMeasurement＆Control，1981，102(2):126－133．［6］孔令富，韩佩富，黄真，
【参考文献】：
期刊论文
[1]面向旅行商问题的蚁群算法改进[J]. 姜坤霖,李美安,张宏伟. 计算机应用. 2015(S2)
[2]动态路径规划中的改进蚁群算法[J]. 周明秀,程科,汪正霞. 计算机科学. 2013(01)
[3]数控铣床视觉在位测量路径规划方法[J]. 夏瑞雪,卢荣胜. 电子测量与仪器学报. 2011(08)
[4]复杂环境路径规划的改进蚁群算法[J]. 周之平,华路. 计算机工程与设计. 2011(05)
[5]基于改进蚁群算法的移动机器人动态路径规划方法[J]. 柳长安,鄢小虎,刘春阳,吴华. 电子学报. 2011(05)
[6]基于蚁群算法的动态路径选择问题[J]. 张文洁,邓卫. 交通科技与经济. 2009(01)
[7]一种新的进化算法——蚁群算法[J]. 张纪会,徐心和. 系统工程理论与实践. 1999(03)
硕士论文
[1]改进蚁群算法及其在TSP中的应用研究[D]. 马振.青岛理工大学 2016
[2]改进的蚁群算法在TSP问题上的应用[D]. 江迎春.中南民族大学 2009
本文编号：2995782
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2995782.html
