遗传算法的机器人控制系统优化设计作用论文
摘要:遗传算法作为一种建立在自然界生命进化机制基础上的一种搜索优化方法，在机器人控制领域中有着十分重要的应用意义，通过分析遗传算法概念、原理及优点，并不断找出机器人控制领域的应用方法，为未来机器人控制发展指明方向.
关键词:遗传算法;机器人;控制系统;设计研究
遗传算法是一种借鉴了自然界中生物自身进化机制与发展机制的随机化搜索算法，其将适者生存这一概念深入应用到算法结构中，整体采用链式结构，并在链式结构之间进行有机的随机信息交换，随着算法的不断运行，优秀的品质得以保留，于此相关的优秀个体，得以进一步的发展。遗传算法在机器人控制领域有着十分重要的应用意义，能够不断优化对机器人的控制方法，使得机器人在智能成长方面产生独特优势。
1遗传算法优点
遗传算法有着诸多优点，与其他算法相比，主要分为以下几个方面。首先，遗传算法在求解过程中操作对象，是由参数编码形成的染色体串，而不是一般算法作用的参数本身，遗传算法不受问题的性质限制，能够直接对对象所联系的染色体串概念进行操作，对于集合、队列、树、图等结构有着更加直观方便的观察，因此，遗传算法可以有着十分广泛的应用。遗传算法在解决问题时，是从空间中的一群点开始进行操作，其可以对空间中一部分区域进行分析总结，并生成群体进化序列，这样能够有效防止在搜索过程中出现局部最优解的情况，能够最大程度的顾全全局。另外遗传算法中的概率转变规则，也使得其在进行空间信息搜索时，能够有效利用概率来指导搜索方向，相比于传统算法搜索来说有着更高的搜索效率。遗传算法在使用过程中有着隐含的并行性特点，其在进行问题搜索解决时，能够运用较少的串来检验较大数量区域的整体特性，这使得遗传算法能够更方便、更简单的使用并行机制来进行高速运算，对于一般的计算机运算芯片来说，有效的提高运算效率。传统算法使用并不存在这一优势，另外遗传算法对于问题依赖性十分小，遗传算法方法主要是使用问题的适应度函数值这一信息来源进行问题答案求解，与其他算法相比，并不需要辅助信息的帮助。如果问题函数值中并不包含所需具体信息，遗传算法也可以在其他方面找到所需的适应度函数值，进而获得问题的进一步求解。整体来说，遗传算法与其他算法相比，更适合进行大规模复杂问题的优化求解。
2遗传算法控制系统优化设计方法
用遗传算法进行问题解决，一般步骤是表示问题、选择巡游参数编码方式、产生群体、计算适应度函数值、选择、复制、交叉、变异、终止。在这一整个过程中，都参考了达尔文进化论中的自然选择生物循环机制，并且将待优化的问题，通过空间映射为生物染色体的方法来使得遗传算法能够随机产生若干代表优化问题候选解的群体，并按照特定的环境深度对各个群体进行评估，最终选择优秀的能够继承适应的个体进行向下传递，实现进化。最终获得特定环境下的问题最优解。通过这方面可以了解到，在进行机器人控制中对于机器人控制的以下几个方面有着很好的优化指导作用。
2.1机器人步态优化
机器人的步态控制是一个有着诸多变量，强耦合、非线性的复杂力学系统，在机器人动态步行设计过程中，如何对其平衡性以及步伐控制进行设计，有着十分繁琐的分析，传统的方法进行步行控制设计，往往需要依赖设计者的主观经验和直觉，新型化的模型也使得其结果并非最优。即使一部分算法满足了步行设计标准，但限制了机器人在不同环境下的步行能力，用遗传算法。在一定约束条件下，诸如限制其步行速度和步幅，进而建立合适的适应度函数，将机器人的走路问题转化为参数搜索问题，融合遗传算法中的隐含并行性，进行非线性的问题解决，最终得到不同约束条件下的最优行走方法。
2.2机器人关节空间运动优化
机器人关节空间自由运动规划是一个有着巨大挑战性的问题，其主要表现在两个方面，一是需要借助通用的方法来处理诸多运动学力学的约束问题，另外它需要使用高效算法在十分复杂且庞大的空间结构中，构建自由轨迹，来保证机器人运动的准确、稳定。虽然在机器人关节运动在控制研究过程中，有学者使用最优控制理论解决一些问题，但自由控制理论并不能解决高度耦合、高度非线性的机器人动力学模型，使得结果虽然是最优解，但并非最适合实际情况。在遗传算法下的，处理大规模运动力学和控制约束问题，能够实现更好的性质，并且庞大的复杂轨迹空间中非线性的检索方法，也能够尽可能的找出最优的运动轨迹，保证轨迹连续、速度连续。
2.3多机器人路径协调
多机器人协同工作是未来机器人控制中的重要方面，机器人路径规划是指在一定工作空间内为机器人，实现不同任务所提供的高效安全的.运动路径，在实际应用过程中，每个机器人都需要有特定的准确路径，通常使用原则是提醒人所行走的路径长度最短，消耗能量最少，使用时间最多，以往的算法提出可视图人工势场等等能够在一定程度上解决机器人路径协调问题，但容易使得部分机器人停滞不前，全球上降低了机器人的工作效率。应用遗传算法来调整路径点要通过，事先规划好的工作空间路径点链接图进行建模，在此基础上应用遗传算法调整路径节点，进而一步一步得到较优的行走路径，逐层传递的非线性二进制路线编码机器人在行走时能够逐步的解决路线问题，更好的符合现实中机器人录像协调问题规划需要。
3结语
遗传算法充分考虑自然界生物自身行为进化方式的诸多内容，所以在进行机器人控制时，对于机器人的行为控制也能够将其与自然界生物行为相联系，从某些方面使其更适应实际情况当中的问题解决。遗传算法对于机器人控制设计，只要能够更好的解决多机器人路径，协调机器人自身运动协调等等方面的问题，通过深入分析遗传算法，未来机器人控制还会有着更为长远的应用空间。遗传算法在诸多方面都有着自身所特有的优势，尽管在一些方面其并不适合直接的数学方法分析，但对于逻辑行为的指导有着巨大的带动意义，尤其是在机器人行为控制上，能够推动工业机器人的功能性。
参考文献
[1]丁度坤,谢存禧,张铁,蒋贤海.遗传算法在工业机器人控制中应用研究[J].机械设计与制造,2009(03):13-16.
[2]吴婷,张礼兵.基于自适应遗传算法自优化的机器人控制策略[J].自动化与仪器仪表,2015(06):30-32.