مدل¬سازی تکاملی مسیر چند معیاره ربات¬های صنعتی در حضور موانع

برنامه¬ریزی مسیر بهینه برای کنترل¬کننده¬های ربات همواره موضوع مهمی در زمینه¬های تحقیقاتی رباتیک بوده¬است. این مقاله دو روش نوین و بدیع را برای محاسبه بهینه حرکات کنترل¬کننده ربات صنعتی (ربات STANFORD) در حضور موانع ارائه می¬کند. مسئله موجود یک ویژگی چندمعیاره دارد که درآن سه تابع هدف، حداکثر ۷۲ متغیر و ۱۰۳ قید (محدودیت) درنظر گرفته شده¬است. توابع هدف برای برنامه¬ریزی مسیر بهینه عبارتند از: حداقل زمان حرکت، مینیمم انرژی مکانیکی فعال¬کننده¬ها و حداقل جریمه برای اجتناب از (برخورد به) موانع. تاکنون، هیچ الگوریتم برنامه¬ریزی طراحی¬شده به منظور بررسی توابع هدف به صورت همزمان وجود نداشته است. وقتی الگوریتم¬های بهینه¬سازی موجود در برنامه¬ریزی مسیر موارد پیچیده¬ای را دربر می¬گیرند (موانع محیط)، چندین اشکال قابل توجه پیش می¬آید، یعنی: ۱- ممکن¬است در پیداکردن مسیر بهینه شکست بخورد بهینه (یا زمان و حافظه ذخیره بیشتری را برای پیداکردن یک مورد صرف کند) و ۲- قابلیت¬های محدودی هنگام کنترل محدودیت¬ها داشته باشد. به منظور غلبه بر اشکالات بالا، دو الگوریتم تکاملی (الگوریتم مرتب¬سازی ژنتیک غیرسلطه نخبه¬گر

Optimal trajectory planning for robot manipulators is always a hot spot in research fields of robotics. This paper presents two new novel general methods for computing optimal motions of an industrial robot manipulator (STANFORD robot) in presence of obstacles. The problem has a multi-criterion character in which three objective functions, a maximum of 72 variables and 103 constraints are considered. The objective functions for optimal trajectory planning are minimum traveling time, minimum mechanical energy of the actuators and minimum penalty for obstacle avoidance. By far, there has been no planning algorithm designed to treat the objective functions simultaneously. When existing optimization algorithms of trajectory planning tackle the complex instances (obstacles environment), they have some notable drawbacks viz.: (1) they may fail to find the optimal path (or spend much time and memory storage to find one) and (2) they have limited capabilities when handling constraints. In ord