首页 / 专利库 / 联轴器,法兰和接头 / 运动链 / 一种基于鱼群算法的机构运动链同构识别设计方法

一种基于鱼群算法的机构运动链同构识别设计方法

阅读:222发布:2020-05-19

专利汇可以提供一种基于鱼群算法的机构运动链同构识别设计方法专利检索,专利查询,专利分析的服务。并且本 发明 公开一种基于鱼群 算法 的机构 运动链 同构识别设计方法,根据机构运动链的结构形成其对应的拓扑图,对拓扑图分层并对层内初步排序,得到机构结构特征集合;利用自适应的鱼群算法求解机构结构特征集合的条件最大结构码,自适应的鱼群算法的动态调整 视野 ,visual和拥挤度因子,,g是当前 迭代 的次数;G是最大的迭代次数,s为5;判断条件最大结构码是否相等,相等则两机构同构,否则不同构,运用智能 优化算法 进行机构运动链同构识别,达到提高收敛 精度 的目的。,下面是一种基于鱼群算法的机构运动链同构识别设计方法专利的具体信息内容。

1.一种基于鱼群算法的机构运动链同构识别设计方法,其特征是依次按以下步骤:
(1)根据机构运动链的结构形成其对应的拓扑图,对拓扑图分层并对层内初步排序,得到机构结构特征集合;
(2)利用自适应的鱼群算法求解机构结构特征集合的条件最大结构码, 自适应的鱼群算法的动态调整视野 ,visual和拥挤度因子 ,
,g是当前迭代的次数;G是最大的迭代次数,s为5;
(3)判断条件最大结构码是否相等,相等则两机构同构,否则不同构。
2.根据权利要求1所述基于鱼群算法的机构运动链同构识别设计方法,其特征是:步骤(2)中求解机构结构特征集合的条件最大结构码的方法是:
1)初始化,随机产生N条人工鱼,即求解机构结构特征集合的条件最大结构码,设定鱼群算法的参数,包括鱼群规模的大小,最大迭代次数,人工鱼的感知范围Visual,拥挤度因子 ,最大试探次数try-number;
2)计算初始化人工鱼群所在位置的实物浓度,并相互比较它们的大小,找到当前全局最大值,即机构结构特征集合的条件最大结构码,并保存显示在公告板上;
3)执行鱼群算法,每条人工鱼按照一定的条件执行觅食、聚群、追尾行为,并且更新自己的状态;
4)每条人工鱼迭代一次之后,评价自身浓度值 和当前最优浓度 值,如果> ,则以自身的状态取代当前的最优状态,最优状态就是最大结构码,否则当前最优状态保持不变;
5)对人工鱼群的感知范围Visual和拥挤度因子 适时地进行自我调整;
6)重复步骤3)至4),直到达到最大迭代次数,则最终的全局最大值为机构结构特征集合的条件最大结构码。
3.根据权利要求1所述基于鱼群算法的机构运动链同构识别设计方法,其特征是:步骤(1)中对拓扑图分层的方法是:将拓扑图节点集V中的度d(i)最大的一类节点归为第一层点集,将不属于第一层点集且与第一层点集中的点直接相连的节点归为第二层点集,以此类推直到所有点全部分层成功。
4.根据权利要求3所述基于鱼群算法的机构运动链同构识别设计方法,其特征是:对各层点集中的点层内初步排序方法是:
1)同一层点集中存在的两个未排序点i、j,若i点与上一层点集中所有点的连接多于点j的连接,则在这一层中点i的排列次序要先于点j;
2)若点i与所在这层中的点集的连接多于点j的连接,则在这一层中点i的排列次序要先于点j;
3)若i点与下一层点集中所有点的连接多于点j的连接,则在这一层中点i的排列次序要先于点j。

说明书全文

一种基于鱼群算法的机构运动链同构识别设计方法

技术领域

[0001] 本发明涉及机构运动链同构识别的方法,特指一种用于机构设计过程自动化及智能CAD系统中机构运动链同构识别方法。

背景技术

[0002] 机械系统中两个以上的构件通过运动副的联接而构成的相对可动的系统就是运动链,当运动链中有一个构件被指定机架,若干个构件为主动件,组成具有确定运动的系统,此时运动链称为机构。机构运动链指的是机械系统中有一个构件是机架,若干主动件,彼此通过运动副的联接构成的相对可动系统。同构识别是机构结构学的一个重要问题,两个运动链的同构是指两个运动链间的构件以及它们间的连接关系一一对应相同,机构运动链的同构识别对于发明新机构或对现有机构进行重大改进具有重要的工程价值,如果将非同构运动链误判为同构,可能丢失有价值的新运动链;如果将本为同构的运动链视为不同,可能会造成机构结构类型的重复而失去意义。
[0003] 由于在机构设计过程自动化和智能CAD系统中,原始型的自动生成对机构的综合性能和产品设计过程中的经济性能有很大影响,原始型的生成及其选择是机构设计中最有创造性和最具活的阶段,但又包含许多复杂和困难的问题尚需解决,问题之一就是机构运动链同构判定,随着这一问题的提出,世界各国这方面的专家和学者提出了一系列的解决方法,如邻接矩阵、最小码、环路代码、伴随矩阵等,还有学者将Hopfiled-Tank神经网络、蚂蚁算法、遗传算法、免疫算法引入到同构识别中,虽然都取得一定的效果,但存在的共同问题:对现有机构的设计仍然周期长、成本高而且效率低。
[0004] 人工鱼群算法是一种基于模拟鱼群行为的随机搜索优化算法,主要利用了鱼的觅食、聚群和追尾行为,从构造单条鱼的底层行为做起,通过鱼群中各个体的局部寻优达到全局最优值。人工鱼群算法的步骤如下:①生成初始鱼群,用计算机随机生成N个人工鱼来表示待求解问题的可行解,设定视野V、步长S、拥挤度 、最大尝试次数Try_ n、最大迭代次数T等参数的数值,同时设迭代次数t=0;②计算所有人工鱼目前所在位置的食物浓度,并将食物浓度最高的人工鱼的状态记录到公告板上;③对人工鱼执行聚群、追尾行为、觅食行为,缺省行为方式为随机行为;④对所有人工鱼的聚群行为、追尾行为、觅食行为的结果进行比较,实际执行的是个体更新之后食物浓度Y较大的行为,使每条人工鱼个体更新自己的状态,从而产生新的鱼群;⑤更新公告板,若有新产生的人工鱼状态好于公告板上最优人工鱼状态,用该状态取代公告板上人工鱼的状态;⑥终止条件判别,当t≤T,将迭代次数(t)加1,算法运算转到步骤3;当t>T,将算法运算过程中得到的最大适应度个体所对应的最优解输出,终止运算。

发明内容

[0005] 本发明的目的是为克服已有设计方法存在的不足、更好地解决现有机构创新设计周期长、成本高而且效率低的问题,促使机构创新设计向高效及低成本的方向发展而提供一种基于鱼群算法的机构运动链同构识别方法。
[0006] 本发明采用的技术方案是依次按以下步骤:(1)根据机构运动链的结构形成其对应的拓扑图,对拓扑图分层并对层内初步排序,得到机构结构特征集合;(2)利用自适应的鱼群算法求解机构结构特征集合的条件最大结构码,自适应的鱼群算法的动态调整视野 ,visual和拥挤度因子 ,,g是当前迭代的次数;G是最大的迭代次数,s为5;(3)
判断条件最大结构码是否相等,相等则两机构同构,否则不同构。
[0007] 进一步地,求解机构结构特征集合的条件最大结构码的方法是:1)初始化,随机产生N条人工鱼,即求解机构结构特征集合的条件最大结构码,设定鱼群算法的参数,包括鱼群规模的大小,最大迭代次数,人工鱼的感知范围Visual,拥挤度因子 ,最大试探次数try-number;
2)计算初始化人工鱼群所在位置的实物浓度,并相互比较它们的大小,找到当前全局最大值,即机构结构特征集合的条件最大结构码,并保存显示在公告板上;
3)执行鱼群算法,每条人工鱼按照一定的条件执行觅食、聚群、追尾行为,并且更新自己的状态;
4)每条人工鱼迭代一次之后,评价自身浓度值 和当前最优浓度 值,如果
> ,则以自身的状态取代当前的最优状态,最优状态就是最大结构码,否则当前最优状态保持不变;
5)对人工鱼群的感知范围Visual和拥挤度因子 适时地进行自我调整;
6)重复步骤3)至4),直到达到最大迭代次数,则最终的全局最大值为机构结构特征集合的条件最大结构码。
[0008] 本发明的有益效果是:1、本发明提出了一种新的方法--人工鱼群算法用来进行机构运动链同构识别;运用智能优化算法进行机构运动链同构识别。
[0009] 2、本发明将自适应策略用在人工鱼群算法上,对参数visual、 进行适时的自行调整,以达到提高收敛精度的目的。
[0010] 3、随着优化问题复杂程度和规模的扩大,人工鱼群算法在后期往往收敛变慢,或者无法收敛到全局最优,本发明提出的自适应策略来改进上述鱼群算法,调节好全局搜索和局部搜索之间的关系。附图说明
[0011] 图1为两种10杆同构运动链简图;图2为与图1中两种10杆同构运动链相对应的两种拓扑图;
图3为本发明的流程示意图。

具体实施方式

[0012] 如图1所示,图1(a)是一种10杆同构运动链简图,其中杆2和杆4、杆9之间无运动副联接;图1(b)是另一种10杆同构运动链简图,其中杆2和杆4、杆8之间无运动副联接,图1(a)和图1(b)中数字代表杆件,空心圆点代表连接杆件的运动副。图2(a)和图2(b)是根据图1(a)和图1(b)的机构运动链的结构形成的对应的运动链拓扑图,实心圆点代表杆件,边表示连接杆件的运动副。本发明的实施方式如下:参见如图2(a)和图2(b),用顶点表示构件,用边表示运动副,当两构件之间有运动副直接连接时,该两构件对应的两顶点之间用一条边连接,再将每一条边赋以数值表示运动副类型则得到平面运动链的无向拓扑图。
[0013] 首先对运动链拓扑图分层,将拓扑图节点集V中的度d(i)(即拓扑图中与该点直接连接的边数)最大的一类节点归为第一层点集,其中节点集V表示运动链拓扑图中不同构件组成的集合,一个构件代表一个节点,如图2(a)的节点集V={1,2,3,4,…,10},最大的一类节点表示图2(a)和图2(b)中节点连接的边数为最大。图2(a)节点10对应4个直接连接的边,图2(b)节点10对应4个直接连接的边。图2(a)和图2(b)中的节点10分别组成第一层点集,L1(C)={10},L1(D)={10}。
[0014] 将拓扑图中不属于第一层点集且与第一层点集中的点直接相连的节点归为第二层点集;其中图2(a)第二层点集为L2(C)={1,2,5,9},图2(b)第二层点集为L2(D)={1,2,4,9}。以此类推,直到所有点全部分层成功,图2(a)和图2(b)的第三层点集分别为L3(C)={4,6,8},L3(D)={5,6,8},图2(a)和图2(b)的第四层点集分别为L4(C)={3,7},L4(D)={3,7}。
[0015] 再对各层点集中的点进行层内初步排序,排序原则如下:1、将得到的分层点集是初始分层点集,没有考虑点集中的点的顺序问题,在同一层点集中存在两个未排序点i、j(i和j分别表示运动链拓扑图中的不同构件),若i点与上一层点集中所有点的连接多于点j的连接,则在这一层中点i的排列次序要先于点j;根据此原则,图2(a)的O3={6,8,4},O4={7,3};图2(b)的O3={6,8,5},O4={7,3}。
[0016] 2、在同一层点集中存在两个未排序点i、j,若点i与所在这层中的点集的连接多于点j的连接,则在这一层中点i的排列次序要先于点j。
[0017] 3、在同一层点集中存在两个未排序点i、j,若i点与下一层点集中所有点的连接多于点j的连接,则在这一层中点i的排列次序要先于点j;根据此原则,图2(a)的O2={9,1,2,5},图2(b)的O2={9,1,2,4}。
[0018] 上述排序原则中优先权分别是1最高,2次之,3最低。
[0019] 由此,得到了机构结构特征集合,图2(a)和图2(b)根据排序原则得到的排序后的点集如下:将原运动链拓扑图中的节点按照其所属层依次进行排序及重新赋排列次序编号,第一层排在最前面。图2(a):O1 ={10}, O2={9,1,2,5}, O3={6,8,4},O4={7,3};图2(b):O1={10},O2={9,1,2,4},O3={6,8,5},O4={7,3}。
[0020] 最后,利用自适应的鱼群算法求解机构结构特征集合的条件最大结构码,结构码的计算公式如下:(1)
式(1)中,i,j表示连接矩阵A中的行和列,i, j表示运动链拓扑图中的构件,N表示维数,即运动链拓扑图中总的构件数目。A=[dij]n×n,
,对于图2(a)和图2(b),其连接矩阵分别为:


其中自适应的鱼群算法是指动态调整视野visual和拥挤度因子 ,其动态调整的计算公式如下所示:
(2)
式(2)中,g表示当前迭代的次数;G表示最大的迭代次数,s是大于1的整数,此处取为5。
[0021] 利用自适应的鱼群算法来求解机构结构特征集合的条件最大结构码,判断结构码是否相等,相等则同构,否则不同构。其中,自适应鱼群算法具体如下:(1)初始化,随机产生N条人工鱼,分别表示图2(a)和图2(b)得到的机构特征集合结构码m(A1)和m(A2),m(A)即求解机构结构特征集合的条件最大结构码,设定鱼群算法的参数,包括鱼群规模的大小,最大迭代次数,人工鱼的感知范围Visual,拥挤度因子 ,最大试探次数try-number。
[0022] (2)计算初始化人工鱼群所在位置的实物浓度,并相互比较它们的大小,找到当前全局最大值,即机构结构特征集合的条件最大结构码,并保存显示在公告板上。
[0023] (3)执行鱼群算法,每条人工鱼按照一定的条件执行觅食、聚群、追尾行为,并且更新自己的状态。
[0024] (4)每条人工鱼迭代一次之后,评价自身浓度值 和当前最优浓度 值,如果> ,则以自身的状态取代当前的最优状态,最优状态就是最大结构码,否则当前最优状态保持不变。
[0025] (5)根据公式(2)对人工鱼群的感知范围Visual和拥挤度因子 适时地进行自我调整,以便将具有自适应策略的人工鱼群算法用在机构同构识别中;(6)重复步骤(3)至步骤(4)步,直到达到最大迭代次数,则最终的全局最大值为机构结构特征集合的条件最大结构码。通过比较两个运动链的条件最大结构码,即可判别两个运动链是否同构,将运动链的同构识别转化为判断条件最大结构码是否相等,能够更好地解决现有机构创新设计周期长、成本高而且效率低的问题。具有自适应策略的人工鱼群算法,对参数visual、 进行适时的自行调整,能够调节好全局搜索和局部搜索之间的关系,提高收敛精度。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈