基于改进的鲸鱼优化算法的轨迹优化方法、装置及设备制造方法及图纸

本发明专利技术提供一种基于改进的鲸鱼优化算法的轨迹优化方法、装置及设备，所述方法包括：根据预设规则构建分段多项式轨迹方程，分段多项式轨迹包括匀速段轨迹及衔接匀速段轨迹两端的两段多项式轨迹；根据分段多项式轨迹方程，分别构建时间

【技术实现步骤摘要】
基于改进的鲸鱼优化算法的轨迹优化方法、装置及设备


[0001]本专利技术涉及轨迹优化
，特别涉及一种基于改进的鲸鱼优化算法的轨迹优化方法、装置及设备。

技术介绍

[0002]脑卒中是一种常见于老年段的急性心脑血疾病，具有较高的致死率和致残率。随着人口老龄化程度的加深，中风患者有所增加，给康复带来了巨大的压力。传统的治疗通常由专业的医疗治疗师进行，这是一项劳动密集型的工作，但它仍然不能满足巨大的需求。近年来，随着康复机器人逐渐在临床中辅助患者进行运动功能训练，其效果已经得到验证和认可，例如图1所示的上肢机器人，能够带动患者手臂运动，能够有效帮助中风后偏瘫患者康复。
[0003]应当理解的，康复机器人在进行运动功能训练之前，需要对其运动轨迹进行规划。目前传统机器人轨迹规划主要在笛卡尔工作空间和关节空间进行规划。在笛卡尔空间由于需要逆运动学求解关节角度，计算量大，并且逆运动学的多解性导致容易发现奇异点问题，而在关节空间则避免这个问题，并且由于机器人的控制基本上在关节层面，因此关节空间规划的轨迹可以直接采用。
[0004]然而，目前基于关节空间规划的轨迹主要有多项式轨迹，包括三次多项式、五次多项式、贝塞尔曲线以及n次非均匀有理B样条（NURBS）插值曲线轨迹等，但这些现有轨迹的规划大多是从工业机器人角度出发，规划的轨迹强调连续平滑无冲击（或者很小冲击），而忽略了康复的真正需求，导致最终的康复效果较差。

技术实现思路

[0005]基于此，本专利技术的目的是提供一种基于改进的鲸鱼优化算法的轨迹优化方法、装置及设备，以解决现有技术当中的至少一个技术问题。
[0006]根据本专利技术实施例的一种基于改进的鲸鱼优化算法的轨迹优化方法，所述轨迹优化方法包括：根据预设规则构建分段多项式轨迹方程，所述分段多项式轨迹包括匀速段轨迹及衔接所述匀速段轨迹两端的两段多项式轨迹；根据所述分段多项式轨迹方程，分别构建时间
‑
急动度最优目标函数以及优化约束条件；根据所述时间
‑
急动度最优目标函数以及所述优化约束条件，采用改进的鲸鱼优化算法对所述分段多项式轨迹方程进行求解，得到全局最优解；将所述全局最优解代入所述分段多项式轨迹方程当中，得到优化后的最优运动轨迹。
[0007]另外，根据本专利技术上述实施例的一种基于改进的鲸鱼优化算法的轨迹优化方法，还可以具有如下附加的技术特征：
进一步地，根据所述时间
‑
急动度最优目标函数以及所述优化约束条件，采用改进的鲸鱼优化算法对所述分段多项式轨迹方程进行求解，得到全局最优解的步骤包括：根据预设的运动初始位置、运动终点位置以及所述优化约束条件，随机生成两个子种群，所述子种群当中包括若干粒子，每个粒子代表一条运动轨迹参数；根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，以确定每个所述子种群的单种群最优粒子；根据每个所述子种群的单种群最优粒子，采用预设的双种群交流机制搜索到当次全局最优粒子；采用预设的位置更新算法对所述两个子种群的位置进行迭代更新，并根据每次更新后的两个子种群重新搜索当次全局最优粒子，并从搜索到的所有所述当次全局最优粒子中确定最终的全局最优粒子，得到所述全局最优解。
[0008]进一步地，所述双种群交流机制的表达式为：其中，两个子种群在每次迭代中均会搜索到各自的单种群最优粒子X
*1
和X
*2
，H(k)和L(k)分别表示第k次迭代中两个子种群搜索到的单种群最优粒子X
*1
和X
*2
中较好和较差的个体，X
*
(k)代表第k次迭代中全局最优粒子的位置，X
*
(k
‑
1)代表第k
‑
1次迭代中全局最优粒子的位置，V(k)是第k次迭代中的变化量，V(k
‑
1)是第k
‑
1次迭代中的变化量，r1、r2和r3分别是[0,1]中的随机数。
[0009]进一步地，根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，以确定每个所述子种群的单种群最优粒子的步骤包括：根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，并根据预设的最优个体混合变异算法确定每个所述子种群的单种群最优粒子。
[0010]进一步地，根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，并根据预设的最优个体混合变异算法确定每个所述子种群的单种群最优粒子的步骤包括：根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，以确定得到每个所述子种群的原单种群最优粒子；根据预设的最优个体混合变异算法对每个所述子种群的原单种群最优粒子进行变异，得到每个所述子种群的变异后的单种群最优粒子；根据所述时间
‑
急动度最优目标函数分别计算出原单种群最优粒子和变异后的单种群最优粒子对应的目标适应度值，并将目标适应度值更高的确定为所述子种群的单种群最优粒子；其中，所述最优个体混合变异算法为：式中，X
*
是原单种群最优粒子，是变异后的单种群最优粒子，Cauchy(0,1)为柯西变异算子，Levy(β)为Levy变异算子。
[0011]进一步地，所述时间
‑
急动度最优目标函数表达式为：其中，式中，f1(t)表示时间最优目标函数，f2(t)是急动度最优目标函数，T表示积分的时间，是急动度，α和β分别是时间最优和急动度最优的权重，t
ij
表示第i个关节的第j段轨迹的运行时间，j=1,2,3。
[0012]进一步地，所述优化约束条件为：其中，、分别表示第个关节第段轨迹的速度和加速度，、，分别是关节运动最小角速度、最大角速度和最大加速度，其中最小角速度针对是匀速段轨迹。
[0013]根据本专利技术实施例的一种基于改进的鲸鱼优化算法的轨迹优化装置，所述装置包括：方程构建模块，用于根据预设规则构建分段多项式轨迹方程，所述分段多项式轨迹包括匀速段轨迹及衔接所述匀速段轨迹两端的两段多项式轨迹；约束构建模块，用于根据所述分段多项式轨迹方程，分别构建时间
‑
急动度最优目标函数以及优化约束条件；搜索求解模块，用于根据所述时间
‑
急动度最优目标函数以及所述优化约束条件，采用改进的鲸鱼优化算法对所述分段多项式轨迹方程进行求解，得到全局最优解；轨迹生成模块，用于将所述全局最优解代入所述分段多项式轨迹方程当中，得到优化后的最优运动轨迹。
[0014]本专利技术还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于改进的鲸鱼优化算法的轨迹优化方法。
[0015]本专利技术还提出一种基于改进的鲸鱼优化算法的轨迹优化设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的鲸鱼优化算法的轨迹优化方法，其特征在于，所述轨迹优化方法包括：根据预设规则构建分段多项式轨迹方程，所述分段多项式轨迹包括匀速段轨迹及衔接所述匀速段轨迹两端的两段多项式轨迹；根据所述分段多项式轨迹方程，分别构建时间
‑
急动度最优目标函数以及优化约束条件；根据所述时间
‑
急动度最优目标函数以及所述优化约束条件，采用改进的鲸鱼优化算法对所述分段多项式轨迹方程进行求解，得到全局最优解；将所述全局最优解代入所述分段多项式轨迹方程当中，得到优化后的最优运动轨迹。2.根据权利要求1所述的基于改进的鲸鱼优化算法的轨迹优化方法，其特征在于，根据所述时间
‑
急动度最优目标函数以及所述优化约束条件，采用改进的鲸鱼优化算法对所述分段多项式轨迹方程进行求解，得到全局最优解的步骤包括：根据预设的运动初始位置、运动终点位置以及所述优化约束条件，随机生成两个子种群，所述子种群当中包括若干粒子，每个粒子代表一条运动轨迹参数；根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，以确定每个所述子种群的单种群最优粒子；根据每个所述子种群的单种群最优粒子，采用预设的双种群交流机制搜索到当次全局最优粒子；采用预设的位置更新算法对所述两个子种群的位置进行迭代更新，并根据每次更新后的两个子种群重新搜索当次全局最优粒子，并从搜索到的所有所述当次全局最优粒子中确定最终的全局最优粒子，得到所述全局最优解。3.根据权利要求2所述的基于改进的鲸鱼优化算法的轨迹优化方法，其特征在于，所述双种群交流机制的表达式为：其中，两个子种群在每次迭代中均会搜索到各自的单种群最优粒子X
*1
和X
*2
，H(k)和L(k)分别表示第k次迭代中两个子种群搜索到的单种群最优粒子X
*1
和X
*2
中较好和较差的个体，X
*
(k)代表第k次迭代中全局最优粒子的位置，X
*
(k
‑
1)代表第k
‑
1次迭代中全局最优粒子的位置，V(k)是第k次迭代中的变化量，V(k
‑
1)是第k
‑
1次迭代中的变化量，r1、r2和r3分别是[0,1]中的随机数。4.根据权利要求2所述的基于改进的鲸鱼优化算法的轨迹优化方法，其特征在于，根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，以确定每个所述子种群的单种群最优粒子的步骤包括：根据所述时间
‑
急动度最优目标函数计算每个所述子种群当中的每个粒子适应度值，并根据预设的最优个体混合变异算法...

【专利技术属性】
技术研发人员：郭福民，胡瑢华，张华，曾成，周浩，张义仕，
申请(专利权)人：南昌大学，
类型：发明
国别省市：