当前位置：首页 > news >正文

IWOA算法复现：‘改进鲸鱼优化算法在机械臂时间最优轨迹规划的应用‘及其详细解读

news 2026/4/20 18:12:01

鲸鱼优化算法（WOA）文章复现:《改进鲸鱼优化算法在机械臂时间最优轨迹规划的应用_赵晶》策略为:Tent混沌初始化种群+非线性权重改进位置更新+非线性概率转换——IWOA。复现内容包括:改进算法实现、23个基准测试函数、文中相关因子分析、文中相关图分析、与WOA对比等。代码基本上每一步都有注释，非常易懂，代码质量极高，便于新手学习和理解。

改进鲸鱼优化算法（IWOA）在机械臂时间最优轨迹规划中的技术实现与功能解析

一、背景与目标

工业机械臂在执行任务时，轨迹时间直接决定生产节拍。传统样条或多项式插值虽能保证平滑，却难以在“动力学约束 + 碰撞规避”下给出时间最优解。赵晶等人提出的改进鲸鱼优化算法（IWOA）将群体智能与混沌初始化、自适应惯性权重相结合，把轨迹规划转化为“时间最短”黑箱优化问题，可在秒级给出满足关节速度、加速度、力矩约束的近似最优时间序列。

二、整体架构

代码仓库采用“函数级分层”设计，自上而下分为：

入口与实验层（main.m）——负责测试函数选型、算法对比、可视化落盘；
算法封装层（WOA.m / IWOA.m）——原始与改进鲸鱼算法核心流程；
增强策略层（initialization_tent.m / Tent.m / fx.m）——混沌序列生成、权重曲线分析；
基础工具层（Bounds.m / GetFunctionsdetails.m / func_plot.m）——边界修复、23 组基准函数、三维曲面快速绘图。

各层仅通过“输入-输出”语义耦合，无全局变量，便于嵌入 ROS/ROS2 节点或 C++ 实时线程。

三、关键创新点拆解

3.1 Tent 混沌初始化

传统随机扩散容易在高维关节空间留下大片空白区，导致早期探索不足。Tent 映射以分段线性方式产生均匀分布的混沌序列，其 Lyapunov 指数大于 0，可在 [lb, ub] 内实现“低差异”填充。代码通过initialization_tent一次性生成种群矩阵，时间复杂度 O(N·d)，与随机法持平，但初始覆盖率提升约 18%（见论文图 5）。

3.2 自适应惯性权重

在包围猎物阶段引入指数衰减权重 w(t)=exp(−(t/T)^k)，k∈[0.2,2] 可调。早期 w≈1，保持探索速度；后期 w→0，等效缩小搜索步长，抑制振荡。fx.m对 5 组 k 值做可视化，辅助工程师快速选取与机械臂惯量匹配的曲线。

3.3 概率 p 的对数修正

原始 WOA 按固定 0.5 阈值切换“包围/气泡网”。IWOA 改为 p(t)=1−log10(1+9t/T)，使螺旋行为概率随迭代缓慢下降，兼顾全局与局部。该改动无需额外超参，可直接移植到其他群智能框架。

四、运行流程（以 6-DOF 机械臂为例）

步骤 1：在 MATLAB 或 Python 封装器中给出关节角度序列 θi，计算通过逆动力学得到的速度、加速度、力矩约束，形成罚函数 F(x)。

步骤 2：将 F(x) 句柄传入 IWOA，设定 SearchAgentsno=30，Maxiteration=500，lb/ub 由关节极限决定。

步骤 3：算法返回 Leader_pos，即各段轨迹的最优时间分配；再经 B 样条重参数化，即可生成电机可执行的位置-时间指令。

步骤 4：若需嵌入式部署，可将 Tent 混沌、惯性权重、边界修复三部分改写为 C++17 header-only 库，单核 1 ms 内可完成一次 30 粒子×20 维更新。

五、性能与验证

在标准测试集 F1-F23 上，IWOA 平均收敛代价比 WOA 减少 22%，与 PSO-GWO 混合算法持平；但在真实 UR5 机械臂模型中，由于混沌初始点更贴近实际动力学边界，IWOA 首次找到“力矩不超限”解的成功率提高到 92%，时间缩短 8.7%。

六、二次开发指南