针对传统电流-切削力神经网络预测模型精度不高且神经网络参数难以确定的问题,将主轴电流与驱动轴电流同时考虑作为输入样本,提出帐篷映射下高斯变异粒子群优化径向基神经网络算法。算法在改进收缩粒子群径向基神经网络(改进CFA PSO-RBF)的基础上,对粒子位置初始化采用帐篷映射(Tent Map),同时提出粒子动态高斯变异。该算法能够均匀化粒子初始位置,控制变异过程,并有效避免算法陷入局部最优的早熟问题。基于此方法进行算法对比分析实验,结果表明同时考虑主轴与驱动轴电流,较单一考虑主轴电流,铣削力预测精度更高;在该算法下,随机15次训练结果平均均方根误差低于BP、RBF、改进CFA PSO-RBF神经网络,能够有效提高铣削力预测精度。

乌燕鸥算法(STOA)存在收敛缓慢、稳定性差、收敛精度低等问题,鉴于此,提出一种多策略改进的乌燕鸥算法(MISTOA)。首先,为增强初始种群的多样性,采用Cat混沌映射对STOA算法种群进行初始化。其次,将自适应权重因子和高斯函数改进了算法的迁徙位置更新方式,增强了算法的全局搜索能力。同时,结合自适应权重因子和邻代交叉学习策略改进了算法的攻击位置的更新方式,增强了算法跳出局部最优的能力。最后,采用高斯变异策略对乌燕鸥最优个体进行扰动,提高算法的全局搜索与局部搜索之间的平衡能力。利用7个测试函数和主梁轻量化设计对MISTOA算法收敛性能和工程实际应用能力进行了验证。结果表明与其他5种先进的算法,MISTOA算法收敛性能更优,稳定性较好和鲁棒性较强。MISTOA算法可实现桥式起重机主梁质量减重率约为20.76%,优化结果优于已有的方法,因此,...

为提高焊接机器人的工作效率,提出一种基于高斯变异蝗虫优化算法(GMGOA)的焊接机器人路径规划新方法。GMGOA在蝗虫优化算法(GOA)的基础上,引入了高斯变异操作,有效地减少了劣质解的个数,实现了算法跳出局部最优能力的增强。3个典型旅行商问题(TSP)算例的测试结果表明,GMGOA性能比GOA有了很大程度的提升;焊接机器人路径规划实例结果表明,GMGOA在焊接机器人路径规划中是有效可行的,获较其他几种方法获得的焊接路径更短、计算稳定性更强。