[发明专利]一种高维参数优化方法及其在机械臂中的应用

说明书

本发明提出了一种高维参数优化方法及其在机械臂中的应用，包括神经引导优化单元、免疫定向优化单元及内分泌调控优化单元；其中免疫定向优化单元受神经引导优化单元引导，免疫定向优化单元定向选择一个抗体并将其作用于神经引导优化单元，神经引导优化单元和免疫定向优化单元将各自产生的抗体进化代距矢量传递给内分泌调控优化单元，内分泌调控优化单元则根据抗体的进化代距矢量自适应改变学习因子，并更新抗体的下一代进化状态。代入更新后的抗体状态至机械臂关节逆解优化流程中，实现了不满足Pieper准则的机械臂优化，进一步验证了本发明的优化系统中的NEI‑BO算法在全局搜索能力、收敛速度以及稳定性的优越性能。

技术领域

本发明涉及群智能优化技术领域，具体为一种高维参数优化方法及其在机械臂中的应用。

背景技术

在工业生产、图像处理等领域中普遍存在优化问题，尤其一些复杂问题涉及到高维参数优化。为解决此类问题，人们提出了多种方案，其中群智能优化算法作为一种高效的计算方法对解决高维优化问题具有显著效果。目前，群智能算法中受生物群体行为启发的主要包括蚁群算法(ACO)、粒子群算法(PSO)、人工鱼群算法(AFSA)、人工蜂群算法(ABC)、萤火虫算法(GSO)等；受生物进化启发的主要有遗传算法(GA)、差分进化算法。但现有的优化方法中要么有较好的鲁棒性，但计算量大，计算效率低下，要么寻优速度较快，但求解精度不高，算法运行后期搜索的盲目性较大，还有部分存在局部搜索能力较低，后期收敛速度较慢等技术问题，而遗传算法虽全局搜索能力强，且具有内在并行性，但是收敛速度相对较慢，易陷入局部最优值，此外，差分进化算法是一种基于群体的自适应的全局优化算法，其容易实现，鲁棒性较大，但后期收敛速度较慢。为解决上述问题，现有的针对粒子群算法的改进主要包括惯性权重和学习因子的改进，其中在惯性权重改进中主要采用时变权值、固定权值的方法。学习因子的改进主要包括非线性异步变化方法以及同步学习因子的方法，以上对粒子群算法的改进在一定程度上解决了该算法的全局收敛性问题，但是收敛速度和收敛精度仍不够理想，在许多高维参数寻优过程中，很多改进算法初期就容易陷入局部极小值。

发明内容

本发明为了解决上述技术问题，具体结合机械臂领域的应用特点，基于神经内分泌免疫(Neuroendocrine-Immune，NEI)系统提出了一种智能高维参数优化算法(Intelligent high-dimensional biological optimization algorithm based on NEIsystem,NEI-BO)及其在机械臂中的应用，该算法具有很强的全局收敛能力及收敛速度，为高维参数优化问题解决发挥重要作用。且通过实验也进一步验证了NEI-BO算法的优化收敛速度和优化精度，以及优化算法来求解机械臂关节逆解角度，提高了机械臂的关节角度的最优值的精确性和稳定性。

一种高维参数优化方法，该生物优化算法的主体结构主要包括神经引导优化单元、免疫定向优化单元和内分泌调控优化单元。其中神经引导优化单元主要功能是将抗体的进化状态按照一定的规则进行引导和变异，从而让每个抗体可以检索更大的搜索空间；免疫定向优化单元的主要功能是根据一定的规则定向地选择一个次优解并将其看作下次迭代过程中的最优解进行计算，从而提高了抗体的全局搜索的能力；内分泌调控优化单元主要功能是根据经定向和引导优化的抗体进化代距矢量数值，并参照胰岛素分泌的规则自适应改变其学习因子，从而加快了抗体群体整体收敛的速度。

所述高维参数优化方法，首先定义所述高维参数为待优化的抗体，同时定义一引导作用系数Fn(β)，一免疫定向作用系数Fs；具体包括以下步骤：

步骤一，初始化每个抗体的进化状态参数和选择长度并计算每个抗体的适应度函数值；

步骤二，将当前进化状态发送至内分泌调控系统，生成学习因子；启动神经引导优化单元和免疫定向优化单元，获取所述学习因子，并输入所述引导作用系数Fn(β)和免疫定向作用系数Fs的设定值，计算所述抗体的进化代距矢量及其抗体进化状态，包括：