فایل ورد کامل مدل سازی تکاملی مسیر چند معیاره ربات های صنعتی در حضور موانع

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل مدل سازی تکاملی مسیر چند معیاره ربات های صنعتی در حضور موانع،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۳ صفحه

۷ نتایج
دو راهبرد کلی با استفاده از NSGA-II و MODE برای برنامه ریزی مسیر بهینه سه بعدی خارج خط از کنترل کننده های ربات صنعتی (ربات STANFORD) در حضور موانع ثابت ارائه شده است. هنگام بررسی موانع ثابت، هردو تابع هدف و تابع های قیدی باید به طور همزمان در هر لحظه زمانی بروز شوند. دو روش (روش توابع هدف وزنی نرمال و روش ضریب میانگین تناسب) به طور ترکیبی برای انتخاب بهترین جواب بهینه از جبهه های بهینه پارتو استفاده می شوند. علاوه بر آن دو معیار عملکرد چندهدفی نیز به نام های SSM و نسبت افراد غیرسلطه برای ارزیابی قدرت جبهه های بهینه پارتو بکار می روند. همچنین دو معیار عملکرد چند هدفی به نام های بهینه سربار و تلاش الگوریتم برای پیداکردن تلاش محاسباتی الگوریتم های NSGA-II و MODE بکار می روند. دو مثال عددی، راندمان روش های پیشنهادی را نشان می دهد. هردو روش NSGA-II و MODE بهتر از SUMT می باشند (Saramago and Steffen, 2001). مشاهده شد که روش MODE بسیار سریع تر از NSGA-II همگرا می شود. همچنین زمان محاسباتی برای پیداکردن جبهه بهینه پارتو در MODE یک سوم مورد NSGA-II می باشد (جدول ۱۳). بنابراین MODE سریع تر از NSGA-II می باشد. از شکل های ۱۱ و ۱۲، مشاهده می شود که NSGA-II تعداد بیشتری از جواب های غیرسلطه را نسبت به MODE ارائه می دهد. همچنین جبهه بهینه پارتو حاصل از NSGA-II برطبق سنجش فاصله بهتر از MODE می باشد. بنابراین روش NSGA-II برای این مسئله بهینه سازی چند معیاره بهتر می باشد. برای دستیابی به مسیر دقیق و بسیار منعطف، تابع NURBS با نقاط کنترل بیشتر به منظور نمایش مسیر در کارهای آینده بکار می رود. این کار مسیرهایی را برای تحقیقات آینده در نحوه استفاده از روش های بهینه سازی تکاملی به منظور حل مسائل پیچیده باز خواهدکرد.

عنوان انگلیسی:Evolutionary multi-criteria trajectory modeling of industrial robots in the presence of obstacles~~en~~

۷ Conclusions

Two new general strategies using NSGA-II and MODE for the off-line tridimensional optimal trajectory planning of the industrial robot manipulator (STANFORD robot) in the presence of fixed obstacles are presented. When dealing with fixed obstacles, both the objective functions and the constraint functions have to be up dated simultaneously at each time instant. Two methods (normalized weighting objective functions method and average fitness factor method) are combinedly used to select best optimal solution from Pareto optimal fronts. Two multi-objective performance measures namely SSM and ratio of non-dominated individuals are used to evaluate the strength of Pareto optimal fronts. Two more multi-objective performance measures namely optimizer overhead and algorithm effort are used to find computational effort of NSGA-II and MODE algorithms. Two numerical examples demonstrated the efficiency of the proposed techniques. Both NSGA-II and MODE techniques are better than SUMT (Saramago and Steffen, 2001). It is observed that MODE technique converges quickly than NSGA-II. Also the computational time to find Pareto optimal front in MODE is one-third of that of the NSGA-II (Table 13). So MODE is faster than NSGA-II. From Figs. 11 and 12, it is observed that NSGA-II gives more number of non-dominated solutions than MODE. Also Pareto optimal front from NSGA-II is better than that of MODE according to distance metric. So NSGA-II technique is best for this multi-criterion optimization problem, if the user wants more number of solutions for his choice. To get more accurate and high flexible trajectory, NURBS function with more number of control points will be used to represent the trajectory in future work. This work opens the door for further investigations on how the evolutionary optimization techniques can be used to solve complex problems.

$$en!!