基于改進珊瑚礁算法的機械臂快速逆解分析*

叢 明，宋宏祥，劉 冬，杜 宇，潘德華

(1.大連理工大學機械工程學院，大連 116024；2.大連交通大學機械工程學院，大連 116028)

0 引言

冗余機械臂在逆運動學求解時其構型可能會導致求解失敗，啟發式算法能很好的避免此問題，因此近年來被廣泛的應用在逆運動學求解中。YUAN等[1]基于BP和RBF神經網絡算法提出的并行神經網絡逆運動學算法，將逆運動學求解問題轉化為神經網絡的訓練問題，為保證求解精度需進行大量訓練。ANTONIO-GOPAR等[2]使用DE算法對逆運動學問題進行求解，并在一定程度上對最小位移解進行了篩選，而最小位移目標的引入會導致位姿求解精度的下降。REYES等[3]在傳統的PSO算法基礎上提出一種具有自適應探索性的逆運動學求解算法，通過進化過程中不斷調整粒子的慣性權重和加速度系數來實現自適應探索的目的。STARKE等[4]提出一種混合遺傳群算法(HGSA)，將PSO算法加入遺傳算法的進化過程，使后代與種群最優個體產生新的子代，提高了算法魯棒性，并設計了一種引入隨機權重的多目標適應度函數，使得子代個體更具適應性，而隨機性的引入難以兼顧位置和姿態求解精度。謝習華等[5]結合DE/rand/1/bin和DE/best/1/bin兩種進化模式提出了改進自適應變異差分進化(SAMDE)算法，并采用對稱映射法對超出關節限制范圍的個體進行處理，與基本DE算法對比，提高了算法的收斂精度和收斂速度。以上算法求解實時性差、收斂速度過慢，且由于迭代次數過多導致無法難以滿足實際應用需求。由于珊瑚礁優化(CRO)算法[6-9]全局搜索能力強的特點，應用其進行逆運動學求解時可提高求解質量。……