基于蚁群神经网络算法的机器人逆解

山东大学学报(工学版)

基于蚁群神经网络算法的机器人逆解

梅红, 王勇, 赵荣齐

山东大学机械工程学院, 山东济南 250061

收稿日期:2007-11-22 修回日期:1900-01-01 出版日期:2008-10-16 发布日期:2008-10-16
通讯作者: 梅红

Study on inverse kinematics of a robot based on an ant colony-neural network algorithm

MEI Hong, WANG Yong, ZHAO Rong-qi

School of Mechanical Engineering, Shandong University, Jinan 250061, China

Received:2007-11-22 Revised:1900-01-01 Online:2008-10-16 Published:2008-10-16
Contact: MEI Hong

摘要/Abstract

摘要： 提出了一种机器人逆运动学问题建模的新方法.利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络.针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路.利用改进的蚁群算法学习神经网络,为神经网络提供了一种新的学习算法，使得该方法兼具了蚁群算法与神经网络的优点.应用实例表明了该方法的有效性,提高了机器人逆运动学求解的速度和精度.

关键词: 蚁群算法, 神经网络, 逆运动学

Abstract: A new way to build a model of inverse kinematics of a robot was proposed. A neural network was used to express the nonlinear function between input and output of the inverse kinematics of the robot. Then an ant colony algorithm was used to learn neural network. Because an ant colony algorithm was used for discrete optimization, the basic ant colony algorithm was modified. The modified ant colony algorithm consists of global search, local search and definite search. It was used as a new way to learn a neural network. This new way has the merits of both the ant colony algorithm and neural network. Its validity was proved by an example. Both speed and precision were improved.

Key words: ant colony algorithm, neural network, inverse kinematics

中图分类号:

TP183

梅红,王勇,赵荣齐 . 基于蚁群神经网络算法的机器人逆解[J]. 山东大学学报(工学版), 2008, 38(5): 72-76 .

MEI Hong,WANG Yong,ZHAO Rong-qi . Study on inverse kinematics of a robot based on an ant colony-neural network algorithm[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2008, 38(5): 72-76 .

参考文献

相关文章 15

[1]	沈冬冬,周风余,栗梦媛,王淑倩,郭仁和. 基于集成深度神经网络的室内无线定位[J]. 山东大学学报(工学版), 2018, 48(5): 95-102.
[2]	张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报(工学版), 2018, 48(5): 47-54.
[3]	梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报(工学版), 2018, 48(5): 77-84.
[4]	张宪红,张春蕊. 基于六维前馈神经网络模型的图像增强算法[J]. 山东大学学报(工学版), 2018, 48(4): 10-19.
[5]	赵彦霞, 王熙照. 基于SVD和DCNN的彩色图像多功能零水印算法[J]. 山东大学学报(工学版), 2018, 48(3): 25-33.
[6]	曹雅,邓赵红,王士同. 基于单调约束的径向基函数神经网络模型[J]. 山东大学学报(工学版), 2018, 48(3): 127-133.
[7]	谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[8]	陈嘉杰,王金凤. 基于蚁群算法求解Choquet模糊积分模型[J]. 山东大学学报(工学版), 2018, 48(3): 81-87.
[9]	何正义,曾宪华,郭姜. 一种集成卷积神经网络和深信网的步态识别与模拟方法[J]. 山东大学学报(工学版), 2018, 48(3): 88-95.
[10]	唐乐爽,田国会,黄彬. 一种基于DSmT推理的物品融合识别算法[J]. 山东大学学报(工学版), 2018, 48(1): 50-56.
[11]	王秀青,曾慧,解飞,吕峰. 基于Spiking神经网络的机械臂故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 15-21.
[12]	邱路,叶银忠,姜春娣. 基于小波奇异熵和SOM神经网络的微电网系统故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 118-122.
[13]	吴建萍,姜斌,刘剑慰. 基于小波包信息熵和小波神经网络的异步电机故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 223-228.
[14]	刘帆,陈泽华,柴晶. 一种基于深度神经网络模型的多聚焦图像融合方法[J]. 山东大学学报(工学版), 2016, 46(3): 7-13.
[15]	刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM_2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed