Page 119 - 工业机器人控制技术研究

第四章 工业机器人的性能优化

利用遗传算法对时间最短这一优化目标进行求解，缩短了轨迹的运行时间，验证
了遗传算法用于轨迹时间优化求解的可行性。赫建立等在采用 7 次 B 样条曲线
在规划关节轨迹的基础上，对时间进行优化。为便于寻优，将约束条件转换为 B

样条曲线控制顶点的约束，采用遗传算法进行求解，明显减小了机器人轨迹运动
时间。同样，张秀林、万传恒均是在使用 B 样条曲线插值，保证了平滑性的基础上，
使用遗传算法进行时间优化，不仅减少了运动时间，也改善了角加速度突变的情
况。进一步，针对基本遗传算法中参数固定，无法满足迭代过程的动态变化的问

题，程正智对基本遗传算法进行了改进，采用了一种更合理的余弦式自适应遗传
算法，提高了寻优性能，使关节运动总时间明显缩短。牛永康对遗传算法的编码
方式、遗传算子的选择进行了改进，弥补基本遗传算法的局限及不足之处，仿真
结果验证了改进遗传算法用于优化轨迹时间的可行性。遗传算法以及相应的改进
算法，在轨迹时间优化上的应用较多，各有优劣。对此，付荣对遗传算法（Genetic

Algorithm，GA）、改进自适应遗传算法（Improved Adaptive Genetic Algorithm，
IA-GA）、排序自适应遗传算法（Ranking Adaptive Genetic Algorithm，RAGA）
在轨迹时间优化中的应用进行了对比分析：RAGA 得到的局部最优点比 GA、

IAGA 更优，即优化后时间更短；RAGA 能够在更大范围搜索最优解，且收敛速
度更快。
作为一种智能优化方法，粒子群优化（Particle Swarm Optimization，PSO）
算法具有结构简单、参数易调整的特点，其在轨迹时间优化中也得到广泛应用。

和遗传算法相比，粒子群算法收敛性稍差，但在全局搜索能力上更好。虽然两者
均不能保证得到最优解，但遗传算法在解决大规模计算量问题时，更容易陷入局
部最优解。付荣对遗传算法和粒子群算法在轨迹时间优化上的应用进行了对比分
析。在最优时间上，粒子群算法比自适应遗传算法更少，优化结果更优。进一步

对粒子群算法进行变权重求解，较标准粒子群算法在时间上更优，且速度变化小，
运动性能更好。王玉宝等针对关节空间轨迹时间优化，提出了一种改进粒子群算
法用于求解最优时间，改善了基本粒子群算法易局部收敛的问题。改进的粒子群
算法引入动态调节因子，使得前期能够快速得到全局最优，后期快速达到局部最

优，提高了搜索效率的同时，优化了局部收敛的不足。
人工蜂群算法、人工鱼群算法因其控制参数少、易于实现、快速性等优点，
也逐渐引起研究学者的关注，将其用于机械臂关节空间轨迹时间优化中，取得了

111