进化算法在Gough-Stewart平台优化设计中的应用

"这篇论文是2013年发表在《哈尔滨工业大学学报》上的科研成果，主要探讨了采用进化算法对Gough-Stewart平台（GSP）进行优化设计的方法。作者通过解决传统雅克比矩阵建立的GSP可操作度缺乏物理意义且随单位变化的问题，提出了一种新的量纲一的雅克比矩阵来定义可操作度指标。他们应用多态进化算法AEGA解决单目标优化，并使用多目标进化算法NSGA-II处理多目标优化，以获得Pareto最优解集。论文通过一个作为运动模拟器的GSP实例验证了这种方法的有效性，并指出相比于传统的单目标优化，该方法更能适应工程实践需求。关键词涉及GSP、无量纲可操作度、实数编码遗传算法、多态进化算法、多目标优化进化算法以及NSGA-II和Pareto优化解集。" 本文详细阐述了在Gough-Stewart平台（一种常见的六自由度并联机器人结构）的优化设计中，如何克服传统方法的局限性。传统方法基于雅克比矩阵计算的可操作度指标在物理意义上不明确，且会因单位变化而改变。为解决这一问题，研究者提出了基于量纲一的雅克比矩阵来建立新的可操作度指标，这一指标不受单位选择的影响，具有更强的稳定性和物理意义。 在优化设计策略上，论文采用了两种进化算法。首先，利用多态进化算法AEGA（Adaptive Evolutionary Genetic Algorithm）处理单目标优化问题，该算法能够生成多组可行的备选方案，为设计者提供了多样化的优化参数选择。接着，为了同时优化多个目标，研究者引入了多目标进化算法NSGA-II（Non-dominated Sorting Genetic Algorithm II），它能生成Pareto最优解集，即一组无法通过单个目标优化同时改进的解决方案，这对于平衡不同目标间的冲突至关重要。 在实际应用中，研究以一个用作运动模拟器的GSP为例，进行了优化设计分析，结果显示，所提出的方法能够有效提高设计质量和满足多目标优化的需求，证明了其在工程实践中的可行性。通过对比传统单目标函数优化设计，该方法被证实更贴合实际工程情境，有助于实现更优的设计决策。 这篇论文为GSP的优化设计提供了一种新的理论框架和计算工具，不仅解决了可操作度指标的物理意义问题，还通过多目标进化算法实现了更全面的优化，对于并联机器人领域的设计与控制具有重要的理论和实践价值。