7의 역운동학을 위한 평형 최적화 슬라임 몰드 알고리즘

Scientific Reports 12권, 기사 번호: 9421(2022) 이 기사 인용

1438 액세스

6 인용

측정항목 세부정보

복잡한 매니퓰레이터의 역기구학(IK)을 효율적으로 해결하기 위해 하이브리드 평형 최적화 슬라임 몰드 알고리즘(EOSMA)이 제안된다. 첫째, 평형 최적화기의 농도 업데이트 연산자를 사용하여 점균류 알고리즘의 이방성 검색을 유도하여 검색 효율성을 향상시킵니다. 그런 다음 그리디 전략을 사용하여 개별 및 글로벌 역사적 최적을 업데이트하여 알고리즘의 수렴을 가속화합니다. 마지막으로 EOSMA에 Random Difference Mutation 연산자를 추가하여 Local Optimal에서 벗어날 확률을 높였습니다. 이를 기반으로 MOEOSMA(다목적 EOSMA)가 제안되었습니다. 그런 다음 EOSMA와 MOEOSMA를 두 가지 시나리오에서 7자유도 조작기의 IK에 적용하고 15개의 단일 목표 알고리즘과 9개의 다중 목표 알고리즘을 비교합니다. 결과는 EOSMA가 이전 연구보다 정확도가 높고 계산 시간이 짧다는 것을 보여줍니다. 두 가지 시나리오에서 EOSMA의 평균 수렴 정확도는 10e−17 및 10e−18이고 평균 솔루션 시간은 각각 0.05초 및 0.36초입니다.

역운동학(IK) 문제는 매니퓰레이터의 엔드 이펙터1의 위치와 자세를 기반으로 관절 각도를 결정하는 것입니다. 즉, 엔드 이펙터를 원하는 위치와 자세로 정확하게 전달하는 것이 목적이다2. 이는 로봇 기술의 가장 근본적인 문제 중 하나이며 로봇 동작 제어, 궤도 계획 및 동적 분석에 필수적인 역할을 합니다3. 그러나 중복 조작기의 IK는 비선형 방정식으로 인해 복잡한 문제입니다4. 역운동학을 해결하는 전통적인 방법에는 주로 분석 방법과 수치 반복 방법이 포함됩니다5,6. IK 문제에는 Pieper 표준을 준수하는 조작기에 대한 분석 솔루션이 있습니다. 그러나 매니퓰레이터의 종류가 증가함에 따라 케이블로 구동되는 직렬-병렬 매니퓰레이터7, 초중복 직렬 매니퓰레이터8 등 많은 매니퓰레이터가 Pieper 표준을 충족하지 못합니다. 중복 조작자의 IK에는 여러 그룹 솔루션이 있을 수 있습니다. 그럼에도 불구하고 전통적인 방법으로는 만족스러운 솔루션을 얻기 어렵고, 실시간 성능도 좋지 않습니다. 결과적으로, 메타휴리스틱 접근법을 사용하여 복합 조작기의 IK를 해결하는 것이 바람직합니다9. 메타휴리스틱 알고리즘은 실제 최적화 문제를 해결하기 위한 정확한 방법에 대한 성공적인 대안인 무작위 방법입니다. 메타휴리스틱의 장점에는 원리의 단순성, 구현의 용이성, 문제로부터의 독립성, 그래디언트 없는 특성이 포함됩니다12. 입자 떼 최적화(PSO)9, 반딧불 알고리즘(FA)13, 인공 벌 군집 알고리즘(ABC)14 등을 포함한 많은 메타휴리스틱 알고리즘이 로봇 조작기의 IK에 효과적으로 적용되었습니다. 이러한 알고리즘은 뛰어난 수렴 정확도를 달성했지만 엔드 이펙터의 자세를 고려하지 않는 경우가 많아 IK 문제의 복잡성을 줄이고 대부분의 실제 응용 프로그램과 일치하지 않습니다.

점균류 알고리즘(SMA)은 Li et al.15이 2020년에 개발한 독특한 메타휴리스틱 알고리즘입니다. 점균류의 독특한 진동 수렵 행동을 모방하는 능력과 놀라운 성능으로 인해 SMA는 다양한 분야에 효과적으로 적용되었습니다. 2년이 채 안 되는 분야. 예를 들어 Abdel-Basset et al.16과 Ewees et al.17은 향상된 SMA를 기능 선택 문제에 적용했습니다. Abdel-Basset et al.18, Naik et al.19 및 Zhao et al.20은 이미지 분할 문제(ISP)를 해결하기 위해 하이브리드 및 개선된 SMA를 사용했습니다. El-Fergany21, Kumar et al.22, Liu et al.23, Mostafa et al.24 및 Yousri et al.25는 각각 하이브리드 및 개선된 SMA를 사용하여 태양광 전지의 매개변수를 추정했습니다. Agarwal과 Bharti26은 모바일 로봇의 충돌 없는 최단 시간 경로 계획에 향상된 SMA를 적용했습니다. Rizk-Allah et al.27은 고지대에서 풍력 터빈의 에너지 비용을 최소화하기 위해 CO-SMA(혼돈 반대 강화 SMA)를 제안했습니다. Hassan et al.28은 개선된 SMA(ISMA)를 적용하여 단일 및 이중 목표로 경제 및 배출 파견(EED) 문제를 효율적으로 해결했습니다. Abdollahzadeh et al.29는 0-1 배낭 문제를 해결하기 위해 이진 SMA를 제안했습니다. Zubaidi et al.30은 도시 물 수요 예측을 위해 SMA와 인공 신경망(ANN)을 결합했습니다. Chen과 Liu31은 더 높은 예측 정확도를 얻기 위해 K-평균 클러스터링과 카오스 SMA를 지원 벡터 회귀와 결합했습니다. Ekinci et al.32는 전력계통 안정기 설계(PSSD)에 SMA를 적용했습니다. Wazery et al.33은 질병 분류 및 진단 시스템을 위해 SMA와 K-최근접 이웃을 결합했습니다. Wei 등34은 최적의 무효 전력 급전을 위해 전력 시스템의 향상된 SMA를 제안했습니다. Premkumar et al.35 및 Houssein et al.36은 현실 세계에서 복잡한 다목적 엔지니어링 설계 문제를 해결하기 위해 다목적 SMA(MOSMA)를 개발했습니다. Yu et al.37은 양자 회전 게이트(QRG)와 물 순환 연산자를 사용하여 원래 SMA의 견고성을 향상시킨 개선된 SMA(WQSMA)를 제안했습니다. Houssein et al.38은 SMA의 활용 능력과 AGDE의 탐색 능력을 잘 조합한 하이브리드 SMA와 AGDE(Adaptive Guided Differential Evolution) 알고리즘을 제안했습니다.