26、机器人操作器性能优化：并行SA与GA的比较

机器人操作器性能优化：并行SA与GA的比较

1. 引言

在工程的各个领域，优化是改进设计的重要手段，它能帮助节省材料、时间、精力和能源等。机械工程师在进行新设计时，通常需要分析和测试每个候选配置，通过反复试验来改进初始设计。利用计算机模拟来测试机械的特定配置是一种节省资源、降低成本和时间的有效方法。

模拟退火算法（SA）是一种基于吉布斯概率分布的全局优化算法。它通过 metropolis 采样方法从吉布斯分布中生成随机配置，配置越好，被采样的概率就越大。然而，SA 的一个缺点是需要大量的目标函数评估，在这种情况下，一次评估就是对特定机器人配置的数值模拟。因此，使用并行计算来减少找到全局最优机械近似所需的时间。

遗传算法（GA）则模仿了查尔斯·达尔文所描述的生物进化过程，属于进化算法（EA）的一种。GA 是一种直接、并行、随机的全局搜索和优化方法，它使用选择、交叉和变异等遗传操作来生成新的个体，这些个体可以作为机器人操作器的配置。由于该方法是启发式的，没有明确的行为，根据具体问题，可能需要大量的迭代才能找到解决方案，因此并行化的 GA 可能会有更好的性能。

这两种方法在之前已经被许多研究人员开发和应用，并行 GA 和并行 SA 在多个领域的优化问题中，与顺序版本相比，在执行时间上表现更优。本文提出的方法可以作为一种设计工具，尽管它不能考虑一些特性，如可制造性、标准化等，但它试图在有界误差的前提下，近似出能耗最优的配置，设计师可以在设计过程的初始阶段使用这个初步配置。

2. 4 - 杆操作器

该机械装置有四个杆和两个活动关节，其角度分别用 ϕ1 和 ϕ2 表示，四个元素形成一个平行四边形，其中一个杆较长，作为末端执行器，