(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111574118.1 (22)申请日 2021.12.21 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 刘澎　郭峥　候亚庆　于华　张强　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 代理人 隋秀文 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/12(2006.01) G06F 111/08(2020.01) (54)发明名称 一种基于多任务优化算法的机械臂结构设 计方法 (57)摘要 本发明公开一种基于多任务优化算法的机 械臂结构设计方法， 不同于传统多任务优化算法 在全部任务中随机选择任务进行迁移的方式， 而 是根据任务表 示特征的相似程度， 将它们分为大 小适中的小组， 并在组内相似的任务间进行知识 迁移。 本发明增加有效知识迁移发生的概率， 降 低计算成本， 更好地适用于任务规模较大的场 景。 在知识迁移的方式上， 本发明在继承传统多 任务优化算法中从最好的解决方案中进行知识 迁移的策略基础上， 引入从进步较快任务和任务 更新轨迹信息中进行知 识迁移的方式， 并自适应 地调整从这三种方式中迁移知识量的大小， 充分 发掘同组 内相似任务之间有效知识的迁移潜力， 促使机械臂在各个任务上得到收敛速度更快、 表 现更好的解决方案 。 权利要求书4页 说明书7页 附图2页 CN 114218715 A 2022.03.22 CN 114218715 A 1.一种基于多任务优化 算法的机 械臂结构设计方法， 其特 征在于， 具体步骤如下： 步骤1、 设定问题模型， 确定任务目标与适应度函数； 机械臂设定为d节， 任务的维度即为d； 机械臂由连杆l1、 l2、 l3……ld构成， 第一节连杆l1 与地面形成的角度为α1， 其他两个相邻连杆之间的角度为α2、 α3……αd； 机械臂的长度固定 为L， 每个连杆的长度为L/ d； 通过连杆之间的关节可以自由地调整角度， 调整范围设定为0 ～αmax； 设计一个多任务问题： 机械臂关节不同的可偏转角度设置为αmax_i， 实验任务由L与αmax 限定， 任务的解决方案由α ＝α1、 α2、 α3……αd即d维的关节角度组成； 针对不同的任务， 通过 不断调整机械臂关节的各个角度， 找到一组最优的关节角度， 使机械臂的末端尽可能的接 近目标点， 具体步骤如下： (1.1)通过设定αmax限制关节转动的角度， 设定任务的维度d来确定每个连杆的长度， 首 先将各关节的角度标准 化： 其中， αi为第i个关节的角度， d为任 务的维度， αmax为关节角度偏转的最大值， L为机械臂 的长度， Lτ为每个连杆的长度； (1.2)目标点设定在二维平面的(1,1)位置， 则机械臂的动力学方程通过矩阵迭代计算 得出， 从而获得机 械臂末端的位置： M0＝I (3) pi+1＝Mi+1·(0,0,0,1)T (5) 其中， M0为初始矩阵， Mi为迭代计算到i代的矩 阵， I为初始化4 ×4， 对角线为1的方阵， pi+1为机械臂第i+1节末端的位置； 步骤2、 任务分组 (2.1)生成任务： 生成的任务为不同的二维坐标点； 采用CVT方法生成n个所需要的任务 数； (2.2)任务分组： 将步骤(2.1)生成的任务进行分组； 根据任务点的坐标计算出的坐标 间的距离进行分组， 通过K ‑means聚类方法进行分类， 使得每个集合中组内平方和WCSS最 小， WCSS定义如下： 其中， y为组Si中的坐标点， μi是Si中所有点的均值；权　利　要　求　书 1/4 页 2 CN 114218715 A 2将任务分为k 组， 预设初始k个聚类中心为m1,…， mk， 分组过程按照以下两个步骤交替进 行； (2.2.1)分配： 将每个任务分配到预设的聚类中心中， 使得组内平方和WCSS达到最小； 组内平方和为组内数据平方后的欧氏距离之和， 所以把当前点分配到离它最近的聚类中心 即可； 分配结束后满足： 其中， 迭代次数为t， Si组的聚类中心为mi， 组内的每一个坐标点y均需要满足上式； 经过 分配后， 每 个任务都被分配到一个确定的聚类Si中； (2.2.2)更新： 对于步骤(2.2.1)得到的每一个聚类， 计算每一个聚类中所有坐标点的 中心， 作为 新的聚类中心； 新的聚类中心点计算公式为： 其中， yj为组Si中的坐标点， 为组Si的坐标点 绝对值之和； 步骤(2.2)将在聚类中心不再改变时停止； (2.3)初始化部分任务解决方案： 随机生成一批解决方案α， 作 为机械臂各关节角度， 分 配到不同任务中， 通过适应度函数， 计算机械臂末端 连杆位置到目标点的欧式距离， 作为解 决方案在当前任务上的表现值； 适应度函数如下： f( α， [L, αmax])＝‑||pd‑T|| (9) 其中， α 为任务解决方案， α ＝α1、 α2、 α3……αd， d为任务维度， T为任务目标点的位置， pd为 机械臂末端的位置； (2.4)将各任务的对应解决方案、 计算得到的表现值储存下来， 称为 “档案”中： 同一个 任务最多保留两个解决方案， 分别是原方案和比原方案表现更好的解决方案； 步骤3、 生成解决方案 在已有的解决方案中， 随机选择一个父代和一个母代， 下一代的解决方案通过交叉变 异获得： 其中， 为新生成的子代， 与 为选择的父代和母代， σ1与σ2为控制变异和交 叉的超参数， 范围为0～0.5， 为方差为0均值为1的正态分布； 生成的解决方案在 各 任务上进行评估， 若表现值 好于原解决方案， 则将进行替换； 步骤4、 协助优化阶段， 对表现差的任务进行知识迁移 (4.1)机械臂通过从表现值有改进的任务中学习知识， 来优化表现差的任务的解决方 案， 进而提升其表现值来接近目标点， 这一过程称为知识迁移； 然而， 知识迁移高度依赖于 任务间的相似性， 当任务之间的差异太小会阻碍机械臂的知识迁移过程； 定义参数b， 只有 同组任务中表现最好的任务与待改进任务表现值的差异高于b时， 才可以进行知识迁移操 作；权　利　要　求　书 2/4 页 3 CN 114218715 A 3