Optymalizacja wielokryterialna cyklu roboczego manipulatora antrompomorficznego

Cekus, D.; Skrobek, D.

Artykuł - szczegóły

Tytuł artykułu

Optymalizacja wielokryterialna cyklu roboczego manipulatora antrompomorficznego

Autorzy

Cekus D. , Skrobek D.

Identyfikatory

Warianty tytułu

Multicriteria optimization of the duty cycle of anthropomorphic manipulator

Języki publikacji

Abstrakty

Niniejsza praca przybliża zagadnienia związane z zastosowaniem metody roju cząstek (Particle Swarm Optimization – PSO) do poszukiwania optymalnego cyklu roboczego manipulatora antropomorficznego. Zadanie polegało na wyznaczeniu takiego cyklu roboczego, który spełniał jednocześnie dwa kryteria: najkrótsza droga pomiędzy zdefiniowanymi punktami z ominięciem przeszkód oraz najmniejsze zużycie energii elektrycznej przez napędy. W artykule analizowano wpływ wybranych parametrów algorytmu w celu znalezienia optymalnej trajektorii.

This paper introduces issues related to the use of Particle Swarm Optimization (PSO) method to search for the optimum duty cycle of the anthropomorphic manipulator. The task is to determine the work cycle that meets two criteria simultaneously: the shortest path between defined points avoiding obstacles, and lowest energy consumption by drives. The influence of selected algorithm parameters in order to find the optimal value of the objective function has been analyzed in the paper.

Słowa kluczowe

cykl roboczy manipulator optymalizacja wielokryterialna PSO zużycie energii

duty cycle manipulator multicriteria optimization PSO energy consumption

Wydawca

Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej. Oddział Gliwice

Czasopismo

Modelowanie Inżynierskie

Rocznik

2018

Tom

T. 35, nr 66

Strony

19--24

Opis fizyczny

Bibliogr. 17 poz.

Twórcy

autor

Cekus D.

cekus@imipkm.pcz.pl

Instytut Mechaniki i Podstaw Konstrukcji Maszyn, Politechnika Częstochowska

autor

Skrobek D.

skrobek@imipkm.pcz.pl

Instytut Mechaniki i Podstaw Konstrukcji Maszyn, Politechnika Częstochowska

Bibliografia

1. Bai Q.: Analysis of particle swarm optimization algorithm. “ Computer and Information Science” 2010, Vol. 3, No. 1, p. 180-184. DOI: http://dx.doi.org/10.5539/cis.v3n1p180
2. Cekus D., Skrobek D.: The influence of the length of trajectory of SCARA manipulator duty cycle on electricity consumption. In: Proceedings of 23rd International Conference Engineering Mechanics 2017, Svratka, Czech Republic, 2017, p. 238-241 (WoS). ISBN 978-80-214-5497-2.
3. Cekus D., Skrobek D.: Trajectory optimization of a SCARA manipulator using particle swarm optimization. “Machine Dynamics Research” 2016, Vol. 40, No 1, p. 45-52.
4. Cheng R., Yao M. : Particle swarm optimizer with time-varying parameters based on a novel operator. “Applied Mathematics & Information Sciences” 2011, Vol. 5, Iss. 2, p. 33-38.
5. Clerc, M., Kennedy, J.: The particle swarm - explosion, stability, and convergence in a multidimensional complex space. “IEEE Transactions on Evolutionary Computation” 2002, 6 (1), p. 58–73, DOI:10.1109/4235.985692.
6. Deb K.: Multi-objective optimization using evolutionary algorithms. Wiley, 2001. ISBN: 978-0-471-87339-6.
7. Dorigo M., Stützle T.: Ant colony optimization. MIT Press, 2004. ISBN: 9780262251327.
8. Gasparetto A., Zanotto V.: A new method for smooth trajectory planning of robot manipulators. “ Mechanism and Machine Theory” 2007, 42 (4), p. 455–471, DOI: https://doi.org/10.1016/j.mechmachtheory.2006.04.002.
9. Holland J.H.: Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor, 1975. ISBN: 9780262581110.
10. Kennedy J., Eberhart R. C.: Particle swarm optimization. In: Proceedings of the IEEE International Conference on Neutral Networks 1995, Vol. 4, p. 1942-1948. ISBN: 0-7803-2768-3, DOI: 10.1109/ICNN.1995.488968.
11. Kirkpatrick S., Gelatt C.D., Vecchi M.P.: Optimization by simulated annealing. “Science” 1983, Vol. 220, No. 4598, p. 671-680. DOI: 10.1126/science.220.4598.671.
12. Rubio F., Llopis-Albert C., Valero F., Suner J.L.: Industrial robot efficient trajectory generation without collision through the evolution of the optimal trajectory. “Robotics and Autonomous Systems” 2016, Vol. 86, p.106-112. DOI: https://doi.org/10.1016/j.robot.2016.09.008.
13. Saramago S.F.P., Steffen V. Jr.: Trajectory modelling of robot manipulators in the presence of obstacles. “Journal of Optimization Theory and Applications” 2001, 110 (1), p.17–34. DOI https://doi.org/10.1023/A:1017587311457.
14. Szczepanik M.: Algorytmy rojowe w optymalizacji układów mechanicznych. Gliwice: Wyd. Pol. Śl., 2013. ISBN: 978-83-7880-138-2.
15. Taherkhani M.; Safabakhsh R.: A novel stability-based adaptive inertia weight for particle swarm optimization. “Applied Soft Computing” 2016, 38, p. 81–295. DOI:10.1016/j.asoc.2015.10.004.
16. Tarnowski W.: Optymalizacja i polioptymalizacja w technice. Koszalin: Wyd. Uczel. Pol. Koszal., 2011. ISBN 978-83-7365-273-6.
17. Trelea I.C.: The particle swarm optimization algorithm: convergence analysis and parameter selection. “Information Processing Letters” 2003, 85 (6), 317–325. DOI:10.1016/S0020-0190(02)00447-7.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-ad6ff679-7ee0-41d6-a11e-8019c3b037d5