多策略融合的动态多目标狮群优化算法：在六自由度机器人轨迹规划中的应用
机器人学
2024-06-11 v2 神经与进化计算
摘要
工业化进程推动了创新群体智能算法的发展，其中狮群优化算法（LSO）以其鲁棒性、并行性、简单性和高效性而著称。虽然LSO在单目标优化中表现出色，但其多目标变体面临初始化不良、易陷入局部最优等问题。本研究提出了一种多策略融合的动态多目标狮群优化算法（MF-DMOLSO）来解决这些局限性。MF-DMOLSO包含三个关键组成部分：初始化、狮群位置更新和外部存档更新。初始化单元采用混沌映射以实现均匀的种群分布。位置更新单元增强了幼狮的行为模式和步长公式，并结合拥挤度排序、Pareto非支配排序和莱维飞行以提高收敛速度和全局搜索能力。参考点引导高维空间中的收敛，保持种群多样性。一种自适应冷热启动策略生成能响应环境变化的种群。外部存档更新单元基于非支配性和多样性重新评估解，以形成新种群。在基准函数上的评估表明，MF-DMOLSO超越了多目标粒子群优化、非支配排序遗传算法II和多目标狮群优化算法，在双目标问题上准确率超过90%，在三目标问题上超过97%。与非支配排序遗传算法III相比，MF-DMOLSO显示出60%的提升。应用于六自由度机器人轨迹规划时，MF-DMOLSO将运行时间和最大加速度优化至8.3秒和0.3pi rad/s^2，与多目标粒子群优化的2%相比，实现了70.97%的集合覆盖率，从而提高了效率并减少了机械抖动。
引用
@article{arxiv.2406.00114,
title = {Dynamic Multi-Objective Lion Swarm Optimization with Multi-strategy Fusion: An application in 6R robot trajectory planning},
author = {Bao Liu and Tianbao Liu and Zhongshuo Hu and Fei Ye and Lei Gao},
journal= {arXiv preprint arXiv:2406.00114},
year = {2024}
}