摘要：【目的】濕噴機械臂為8自由度的冗余機械臂且?guī)в幸苿雨P(guān)節(jié)，其逆運動學(xué)求解困難，因此，設(shè)計了一種改進蜂群算法?！痉椒ā渴紫?，利用D-H法建立機械臂運動學(xué)模型，以末端位姿誤差和最佳柔順性為優(yōu)化目標(biāo)，構(gòu)建多約束目標(biāo)函數(shù)；然后，引入混沌映射對蜜源進行初始化，再引入Levy飛行，改變雇傭蜂搜索策略，并通過自適應(yīng)調(diào)整跟隨蜂更新步長，提升種群多樣性和算法的收斂速度；最后，利用Matlab編程進行了仿真驗證?！窘Y(jié)果】結(jié)果表明，該算法的收斂速度和求解精度都優(yōu)于傳統(tǒng)的蜂群算法、混沌蜂群算法和粒子群算法，證明了算法的可行性，為濕噴機械臂逆運動學(xué)的求解提供了一種新的途徑。

關(guān)鍵詞：逆運動學(xué)；混沌映射；Levy飛行；自適應(yīng)；濕噴機器臂

中圖分類號：TP24 DOI：10. 16578/j. issn. 1004. 2539. 2025. 01. 009

0 引言

隨著我國隧道建設(shè)的不斷推進，隧道施工的智能化和無人化也需大力發(fā)展。隧道施工過程中會產(chǎn)生大量粉塵和各類有害氣體，不利于人員施工，因此，隧道施工的安全性和效率不高。為提高隧道作業(yè)效率和改善隧道施工環(huán)境，本文從濕噴機械臂的智能化出發(fā)，通過運用改進蜂群算法提高濕噴機械臂逆解的求解效率，從而提升施工效率。

在逆運動學(xué)求解方面，已有很多研究成果。李志敏[1]提出了基于帶修復(fù)策略自適應(yīng)差分進化算法的逆運動學(xué)求解方法，減小了逆解的關(guān)節(jié)角整體運動量。李進等[2]提出了基于徑向基函數(shù)（Radial BasisFunction， RBF）神經(jīng)網(wǎng)絡(luò)間接求取運動學(xué)逆解的方法，使得算法收斂速度與精度提高。李娜托[3]采用改進蜂群算法求出逆解的最優(yōu)解，為具有移動關(guān)節(jié)的冗余機械臂逆運動學(xué)的求解提供了一種新的途徑。武明虎等[4]提出了一種改進的自適應(yīng)粒子群優(yōu)化（Improved Adaptive Particle Swarm Optimization，IAPSO）算法，具有更高的求解精度。ALATAS[5]基于人工蜂群（Artificial Bee Colony， ABC）算法，引入混沌算子來加強算法的收斂速度，同時也提升了算法的計算精度。張長勝等[6]針對平面冗余機械臂逆解求解復(fù)雜問題，提出一種基于模擬退火雞群算法的優(yōu)化方法，求解得到的轉(zhuǎn)動角度較小且精度也夠高。黃開啟等[7] 提出一種交叉精英反向粒子群優(yōu)化（Crossover Elite Opposition-based Particle Swarm Opti?mization， CEOPSO）算法，迭代過程平穩(wěn)且有效提高了鑿巖機器人鉆臂的定位控制性能。王森等[8]提出一種改進的果蠅算法，有很高的穩(wěn)定性、收斂精度和成功率。周文輝等[9]運用改進的麻雀搜索算法，在算法的穩(wěn)定性上較麻雀搜索算法（Sparrow Search Algo?rithm， SSA）提高了3～4個數(shù)量級。

現(xiàn)有的算法大部分以位置和姿態(tài)誤差作為目標(biāo)函數(shù)，很少考慮關(guān)節(jié)的柔順性與能量消耗。且濕噴機械臂為一個8自由度的重載機械臂，能量消耗也應(yīng)作為主要的考慮方向，求解難度更大。因此，受上述文獻影響，本文提出了一種改進蜂群算法，求解濕噴機械臂的運動學(xué)逆解。仿真結(jié)果表明，該算法平均在81 代就能獲得高精度的逆解，相較于文獻[10]的173代快；且尋優(yōu)成功率100%，相對文獻[11]的32%有很大提升。