为推动名优茶叶采摘自动化,茶叶采摘机械臂快速、高质量路径规划是实现高效采摘的关键。针对传统群智能优化算法在茶园复杂环境及约束条件下存在的路径质量差、算法耗时长及规划不稳定等问题。提出一种改进豪猪优化器(Crested Porcupine...为推动名优茶叶采摘自动化,茶叶采摘机械臂快速、高质量路径规划是实现高效采摘的关键。针对传统群智能优化算法在茶园复杂环境及约束条件下存在的路径质量差、算法耗时长及规划不稳定等问题。提出一种改进豪猪优化器(Crested Porcupine Optimizer,CPO)的机械臂路径规划方法。通过引入动态种群收缩策略,在迭代过程中缩减种群规模,减少计算成本,使用末位淘汰机制及对算法结构改良提升全局寻优能力,增加个体多样性,并引入动态调整因子λ_t改进第一防御策略,平衡算法在不同阶段的探索与优化比例。通过Lindenmayer系统及UR5机械臂构建茶叶采摘仿真场景,进行仿真路径规划实验。在10个不同环境中,改进CPO算法相比原算法,平均计算时间减少4.7%,平均路径长度缩短0.78%;与灰狼优化(Grey Wolf Optimizer,GWO)、蜣螂优化(Dung Beetle Optimizer,DBO)、快速扩展随机树(Rapidly-exploring Random Trees,RRT)等算法相比,平均耗时相较GWO、DBO分别下降25%、24%,路径长度相较RRT算法减少23%、平均规划成功率高28%。改进CPO算法相较其他算法耗时更短,同时具有更好的路径质量及规划成功率,验证了其在茶叶采摘机械臂路径规划问题上的实用价值。展开更多
文摘为推动名优茶叶采摘自动化,茶叶采摘机械臂快速、高质量路径规划是实现高效采摘的关键。针对传统群智能优化算法在茶园复杂环境及约束条件下存在的路径质量差、算法耗时长及规划不稳定等问题。提出一种改进豪猪优化器(Crested Porcupine Optimizer,CPO)的机械臂路径规划方法。通过引入动态种群收缩策略,在迭代过程中缩减种群规模,减少计算成本,使用末位淘汰机制及对算法结构改良提升全局寻优能力,增加个体多样性,并引入动态调整因子λ_t改进第一防御策略,平衡算法在不同阶段的探索与优化比例。通过Lindenmayer系统及UR5机械臂构建茶叶采摘仿真场景,进行仿真路径规划实验。在10个不同环境中,改进CPO算法相比原算法,平均计算时间减少4.7%,平均路径长度缩短0.78%;与灰狼优化(Grey Wolf Optimizer,GWO)、蜣螂优化(Dung Beetle Optimizer,DBO)、快速扩展随机树(Rapidly-exploring Random Trees,RRT)等算法相比,平均耗时相较GWO、DBO分别下降25%、24%,路径长度相较RRT算法减少23%、平均规划成功率高28%。改进CPO算法相较其他算法耗时更短,同时具有更好的路径质量及规划成功率,验证了其在茶叶采摘机械臂路径规划问题上的实用价值。
