买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南昌大学申请的专利一种基于DMSPSO-CIL算法的七自由度机械臂解析解优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114995784B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210797130.7，技术领域涉及：G06F7/548；该发明授权一种基于DMSPSO-CIL算法的七自由度机械臂解析解优化方法是由李春泉;陈义洁;姚凯文;江逸冰;陈利民;刘小平设计研发完成，并于2022-07-08向国家知识产权局提交的专利申请。

本一种基于DMSPSO-CIL算法的七自由度机械臂解析解优化方法在说明书摘要公布了：本发明提供了一种基于DMSPSO‑CIL算法的七自由度机械臂解析解优化方法，包括以下步骤：步骤1：获取当前机械臂关节角信息θcur，机械臂下一时刻姿态位姿信息PT,RT；步骤2：将当前位姿信息输入逆运动学解算器ASIK‑RMLO得到冗余圆冗余角步骤3：将作为DMSPSO‑CIL算法中粒子的位置，进行更新迭代；判断是否满足终止条件，满足则跳到步骤4，否则重复执行步骤3；步骤4：给出最优解及其对应的机械臂关节角值θnest。本发明求解了七自由机械臂逆运动学问题，基于“关节角变化量最小”这一系统需求，建立了相应的目标函数，提出的DMSPSO‑CIL算法对该实际问题进行求解优化。

本发明授权一种基于DMSPSO-CIL算法的七自由度机械臂解析解优化方法在权利要求书中公布了：1.一种基于DMSPSO-CIL算法的七自由度机械臂解析解优化方法，其特征在于：包括以下步骤： 步骤s1：获取当前机械臂关节角信息θcur，机械臂下一时刻的期望位姿信息PT,RT； 步骤s2：将当前位姿信息输入逆运动学解算器得到冗余圆和冗余角 步骤s3：将作为新型的粒子群优化算法DMSPSO-CIL算法中粒子的位置，进行更新迭代；DMSPSO-CIL包括两个策略：动态多子群策略DMS和全面互动学习策略CIL；在DMS中，种群数量随着算法迭代过程的进行按照既定的规则逐渐减小直至为一；CIL通过采用四种交互学习模式：子群内学习INTRA-SL，子群间学习INTER-SL，最佳学习OL和快速收敛FC，允许每个子群中的粒子相互学习，从其他子群中的粒子学习或从整个子群中的最优子群学习； 步骤s4：给出最优解及其对应的机械臂关节角值θnest； 将最优解定义为解集中与上一个解关节角之差最小者，具体的数学模型阐述如下： 其中，是冗余圆冗余角参数，θnest,θcur分别为当前时刻机械臂关节角值和下一时刻的关节角可行解，PT和RT为机械臂下一时刻的期望位姿信息，即是带连杆偏移的冗余机械臂逆运动学封闭解方法的公式表示； DMSPSO-CIL算法： s301:在DMSPSO-CIL中，首先随机初始化所有N个粒子的速度和位置，并评估其相应的适应度值，同时gbest也被初始化，N个粒子被分成n个子群，每个子群对应的gbestj也会被初始化，将最大迭代次数设置为tmax，分为m个阶段，每个阶段包括次迭代，m定义为m＝log2n+1； s302:阶段l，l∈[1,m]，包括t次迭代，阶段l第t次迭代，整个群体包括个子群，对于子群j，有个粒子； s303：对于子群j的粒子其速度更新根据INTRA-SL，INTER-SL和OL模式，如果且pr都成立，则每个粒子都根据INTRA-SL进行速度更新，如果满足且p≥r，则每个粒子速度更新执行INTEA-SL，如果则每个粒子根据FC模式进行速度更新，然后，更新每个粒子的位置，pbesti以及子群j中的gbestj； s304：如果子群j中的gbestj在连续ρ次迭代中没有变化，且整个群中子群的数量大于1，即则为gbestj执行OL模式； s305：对于阶段l的第t次迭代，将更新整个群体中的gbest； s306：判断是否满足终止条件，满足则跳到步骤s4，否则循环执行步骤s302～s305； DMS机制的过程如下： s3011:整个种群包含N个粒子{X1,X2,…,XN}；将N个粒子分为n个子群{S1,S2,…,Sn}，每个子群由N个粒子组成；对于j∈[1,n]，Sj表示为Sj＝{Xj-1N+1,Xj-1N+2,…,XN+N}；整个迭代过程包括tmax次迭代；将tmax次迭代分为m个阶段，其中m＝log2n+1；每个阶段包括tmaxm次迭代；第j个子群的最佳解记作gbestj；更新所有粒子和gbestj； s3012：在第l阶段l∈[1,m]，N个粒子被分成个子群，对于第j个子群包含个粒子，定义为第j个子群的最佳解为gbestj，更新所有粒子和gbestj； s3013：如果子群数量变为1，则算法终止；否则，跳转执行s3012； 全面互动学习策略如下: s3021:在INTRA-SL模式下，子群中的粒子通过学习其个人最佳位置和子群中的最佳位置来更新其速度，因此在这个阶段算法更加专注于局部搜索，它的速度更新公式如下： Vi＝ωVi+c1R1*pbesti-Xi+c2R2*gbestj-Xi,r≤p 其中Vi和pbesti分别表示第j个子群中第i个粒子的速度和个人最佳位置；gbestj表示在第j个子群中的最佳位置； s3022:在INTER-SL模式下，子群中的粒子通过学习其个人的最佳位置和ebest更新其速度，因此算法此时更加关注全局搜索，它的速度更新公式如下： Vi＝ωVi+c1R1*pbesti-Xi+c2R2*ebestj-Xi,rp 其中，ebestj表示从所有子群中筛选的粒子个人最佳位置的平均值，详述如下： 其中，表示从第j个子群中随机选择的粒子个人最佳位置，表示整个种群的子群总数；Xj表示从第j个子群中随机选择的粒子的下标索引； s3023:在OL模式下，若某子群的群体最佳位置在迭代过程中没有更新，称之为粒子停滞，并将停滞次数记作ρ，如果某个子群的ρ超过设定值，则从所有子群中随机选择两个不同子群的最佳位置对停滞子群的最佳位置进行更新： 其中gbestj是第j个子群的最佳粒子，R是一个区间[0,1]的随机数，和分别是从两个不同的子群Sa和Sb中选择的最佳位置；Sa和Sb的选取也是随机的，如果子群中的最优粒子在连续的ρ次迭代内没有得到改善，则认为子群陷入局部最优，通过从其他子群中学习最优粒子，OL模式帮助子群避免过早收敛并跳出局部最优； S3024：在FC模式下，整个种群中的每个粒子都向gbest学习，以加快其收敛速度并提高求解精度，如下所示： Vi＝ωVi+c2R2*gbest-Xi gbest表示整个种群中的最佳位置；如果子群的数量大于1，即则CIL方案将执行INTRA-SL，INTER-SL和OL模式；否则CIL方案将仅执行FC模式。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。