買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南昌大學申請的專利一種基于DMSPSO-CIL算法的七自由度機械臂解析解優(yōu)化方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114995784B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210797130.7，技術(shù)領(lǐng)域涉及：G06F7/548；該發(fā)明授權(quán)一種基于DMSPSO-CIL算法的七自由度機械臂解析解優(yōu)化方法是由李春泉;陳義潔;姚凱文;江逸冰;陳利民;劉小平設(shè)計研發(fā)完成，并于2022-07-08向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于DMSPSO-CIL算法的七自由度機械臂解析解優(yōu)化方法在說明書摘要公布了：本發(fā)明提供了一種基于DMSPSO?CIL算法的七自由度機械臂解析解優(yōu)化方法，包括以下步驟：步驟1：獲取當前機械臂關(guān)節(jié)角信息θcur，機械臂下一時刻姿態(tài)位姿信息PT,RT；步驟2：將當前位姿信息輸入逆運動學解算器ASIK?RMLO得到冗余圓冗余角步驟3：將作為DMSPSO?CIL算法中粒子的位置，進行更新迭代；判斷是否滿足終止條件，滿足則跳到步驟4，否則重復(fù)執(zhí)行步驟3；步驟4：給出最優(yōu)解及其對應(yīng)的機械臂關(guān)節(jié)角值θnest。本發(fā)明求解了七自由機械臂逆運動學問題，基于“關(guān)節(jié)角變化量最小”這一系統(tǒng)需求，建立了相應(yīng)的目標函數(shù)，提出的DMSPSO?CIL算法對該實際問題進行求解優(yōu)化。

本發(fā)明授權(quán)一種基于DMSPSO-CIL算法的七自由度機械臂解析解優(yōu)化方法在權(quán)利要求書中公布了：1.一種基于DMSPSO-CIL算法的七自由度機械臂解析解優(yōu)化方法，其特征在于：包括以下步驟： 步驟s1：獲取當前機械臂關(guān)節(jié)角信息θcur，機械臂下一時刻的期望位姿信息PT,RT； 步驟s2：將當前位姿信息輸入逆運動學解算器得到冗余圓和冗余角 步驟s3：將作為新型的粒子群優(yōu)化算法DMSPSO-CIL算法中粒子的位置，進行更新迭代；DMSPSO-CIL包括兩個策略：動態(tài)多子群策略DMS和全面互動學習策略CIL；在DMS中，種群數(shù)量隨著算法迭代過程的進行按照既定的規(guī)則逐漸減小直至為一；CIL通過采用四種交互學習模式：子群內(nèi)學習INTRA-SL，子群間學習INTER-SL，最佳學習OL和快速收斂FC，允許每個子群中的粒子相互學習，從其他子群中的粒子學習或從整個子群中的最優(yōu)子群學習； 步驟s4：給出最優(yōu)解及其對應(yīng)的機械臂關(guān)節(jié)角值θnest； 將最優(yōu)解定義為解集中與上一個解關(guān)節(jié)角之差最小者，具體的數(shù)學模型闡述如下： 其中，是冗余圓冗余角參數(shù)，θnest,θcur分別為當前時刻機械臂關(guān)節(jié)角值和下一時刻的關(guān)節(jié)角可行解，PT和RT為機械臂下一時刻的期望位姿信息，即是帶連桿偏移的冗余機械臂逆運動學封閉解方法的公式表示； DMSPSO-CIL算法： s301:在DMSPSO-CIL中，首先隨機初始化所有N個粒子的速度和位置，并評估其相應(yīng)的適應(yīng)度值，同時gbest也被初始化，N個粒子被分成n個子群，每個子群對應(yīng)的gbestj也會被初始化，將最大迭代次數(shù)設(shè)置為tmax，分為m個階段，每個階段包括次迭代，m定義為m＝log2n+1； s302:階段l，l∈[1,m]，包括t次迭代，階段l第t次迭代，整個群體包括個子群，對于子群j，有個粒子； s303：對于子群j的粒子其速度更新根據(jù)INTRA-SL，INTER-SL和OL模式，如果且pr都成立，則每個粒子都根據(jù)INTRA-SL進行速度更新，如果滿足且p≥r，則每個粒子速度更新執(zhí)行INTEA-SL，如果則每個粒子根據(jù)FC模式進行速度更新，然后，更新每個粒子的位置，pbesti以及子群j中的gbestj； s304：如果子群j中的gbestj在連續(xù)ρ次迭代中沒有變化，且整個群中子群的數(shù)量大于1，即則為gbestj執(zhí)行OL模式； s305：對于階段l的第t次迭代，將更新整個群體中的gbest； s306：判斷是否滿足終止條件，滿足則跳到步驟s4，否則循環(huán)執(zhí)行步驟s302～s305； DMS機制的過程如下： s3011:整個種群包含N個粒子{X1,X2,…,XN}；將N個粒子分為n個子群{S1,S2,…,Sn}，每個子群由N個粒子組成；對于j∈[1,n]，Sj表示為Sj＝{Xj-1N+1,Xj-1N+2,…,XN+N}；整個迭代過程包括tmax次迭代；將tmax次迭代分為m個階段，其中m＝log2n+1；每個階段包括tmaxm次迭代；第j個子群的最佳解記作gbestj；更新所有粒子和gbestj； s3012：在第l階段l∈[1,m]，N個粒子被分成個子群，對于第j個子群包含個粒子，定義為第j個子群的最佳解為gbestj，更新所有粒子和gbestj； s3013：如果子群數(shù)量變?yōu)?，則算法終止；否則，跳轉(zhuǎn)執(zhí)行s3012； 全面互動學習策略如下: s3021:在INTRA-SL模式下，子群中的粒子通過學習其個人最佳位置和子群中的最佳位置來更新其速度，因此在這個階段算法更加專注于局部搜索，它的速度更新公式如下： Vi＝ωVi+c1R1*pbesti-Xi+c2R2*gbestj-Xi,r≤p 其中Vi和pbesti分別表示第j個子群中第i個粒子的速度和個人最佳位置；gbestj表示在第j個子群中的最佳位置； s3022:在INTER-SL模式下，子群中的粒子通過學習其個人的最佳位置和ebest更新其速度，因此算法此時更加關(guān)注全局搜索，它的速度更新公式如下： Vi＝ωVi+c1R1*pbesti-Xi+c2R2*ebestj-Xi,rp 其中，ebestj表示從所有子群中篩選的粒子個人最佳位置的平均值，詳述如下： 其中，表示從第j個子群中隨機選擇的粒子個人最佳位置，表示整個種群的子群總數(shù)；Xj表示從第j個子群中隨機選擇的粒子的下標索引； s3023:在OL模式下，若某子群的群體最佳位置在迭代過程中沒有更新，稱之為粒子停滯，并將停滯次數(shù)記作ρ，如果某個子群的ρ超過設(shè)定值，則從所有子群中隨機選擇兩個不同子群的最佳位置對停滯子群的最佳位置進行更新： 其中g(shù)bestj是第j個子群的最佳粒子，R是一個區(qū)間[0,1]的隨機數(shù)，和分別是從兩個不同的子群Sa和Sb中選擇的最佳位置；Sa和Sb的選取也是隨機的，如果子群中的最優(yōu)粒子在連續(xù)的ρ次迭代內(nèi)沒有得到改善，則認為子群陷入局部最優(yōu)，通過從其他子群中學習最優(yōu)粒子，OL模式幫助子群避免過早收斂并跳出局部最優(yōu)； S3024：在FC模式下，整個種群中的每個粒子都向gbest學習，以加快其收斂速度并提高求解精度，如下所示： Vi＝ωVi+c2R2*gbest-Xi gbest表示整個種群中的最佳位置；如果子群的數(shù)量大于1，即則CIL方案將執(zhí)行INTRA-SL，INTER-SL和OL模式；否則CIL方案將僅執(zhí)行FC模式。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南昌大學，其通訊地址為：330000 江西省南昌市紅谷灘新區(qū)學府大道999號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。