MATLAB运动学之蒙特卡罗法求积分与机器人工作域分析

news2024/11/13 7:55:43

蒙特卡罗法又叫做统计模拟法、随机抽样技术,是一种随机模拟方法以概率和统计理论方法为基础的一种计算方法,通俗来说是可以使用随机数来解决很多计算问题的一种方法,很直观简单,尤其对于一些求解积分无解的情况,非常好使且简单粗暴。

蒙特卡罗法求面积(定积分)

y = x² 为例,我们需要求出 x 在[0,10]相对应的 y 在[0,100] 所围成的曲线面积,在我们有了微积分的知识之后,我们可以通过对这个函数的原函数做差来求解(1/3*10³-1/3*0³=1000/3),这种叫做解析解,也就是通过数学公式求出来的解。

除了这种求积分的方法,我们接下来介绍的就是蒙特卡罗法。
将大量随机点散落到整个矩形,然后计算散落在围成曲线下的点的数量的占比就可以得出曲线面积了。
曲线围成的面积=整个矩形区间的面积 * 曲线下方的点的个数的占比

需要注意的是,蒙特卡罗法的前提条件是区间的值要么全是正值,要么全是负值,如果不是的情况就分区再求积分。 

是不是有了这方法,不管什么曲线围成的面积,都不在话下,就这么简单粗暴好用哈哈。

%使用非负整数 seed 为随机数生成函数提供种子,以使 rand、randi 和 randn 生成可预测的数字序列。
rng(0);
set(0,'defaultAxesFontName', 'Monospaced');  % 防止中文乱码
set(gcf, 'position', [10, 20, 1000, 700]);
%f = suptitle('求解y=x^2定积分');
%set(f, 'fontsize', 20); 
L = 10;  % 积分区间长度
fs = 1 / 1e3; % 采样率0.001
x = 0 : fs : L;
y = x .^ 2;  
S = L * (L ^ 2);  %矩形面积,这个示例就是1000

% 随机点的数量(作对比)
N_Lis = [10, 100, 1000, 10000];

% 解析解(原函数做差值)
res_integ = 1/3 * (10^3 - 0^3); 

% 近似解
%figure(1); clf;
for n = 1 : length(N_Lis)
    cnt = 0;
    x_random = L * rand(1, N_Lis(n));  % 随机点x
    y_random = L ^ 2 * rand(1, N_Lis(n));  % 随机点y
    % 统计曲线下面的点的数量
    for i = 1 : N_Lis(n)
        if y_random(i) <= x_random(i) ^ 2
            cnt = cnt + 1;
        end
    end
    res_appro = cnt / N_Lis(n) * S;
    % 画图对比
    subplot(2, 2, n);
    plot(x, y, 'k', 'linewidth', 2); hold on;
    area(x, y, 'facecolor','c'); hold on;
    scatter(x_random, y_random, 10, 'r', 'filled', 'markerfacealpha', 0.5);
    xlabel('x'); ylabel('y'); set(gca, 'fontsize', 14);
    title(['数学解≈', num2str(res_integ, '%.1f'), '   近似解≈', num2str(res_appro, '%.1f')]);
end

可以看到当随机点从10个增加到10000个的时候,结果对比也可以知道,求出来的这个近似解就越接近解析解(真实值),那么我们在生活当中如果遇到需要求面积的情况,而且连曲线的函数都不清楚的情况下,我们应该知道如何求曲线围成的面积了,比如说,可以撒上一层豆子或者是水,水是最好的(连续,不离散),然后称量下曲线围成的豆子或者水的重量在整个矩形中的占比就可以知道围成的面积了。

无解的情况

有时候求积分是无解的情况,比如下面的三个函数所围成的面积,我们就不能通过数学公式得到解析解或者说非常困难,但是可以快速使用蒙特卡罗法来求其近似解: 

T = 20;
fs = 1 / 1e3;
x0 = -T : fs : T;
y1 = sin(x0.^ 2);
y2 = sin(x0) ./ x0;
y3 = exp(-x0.^2);

figure(1); clf;
subplot(3, 1, 1);
plot(x0, y1, 'linewidth', 1.5); ylabel('y'); title('y=sin(x^2)'); set(gca, 'fontsize', 12);
subplot(3, 1, 2);
plot(x0, y2, 'linewidth', 1.5); ylabel('y'); title('y=sin(x)/x'); set(gca, 'fontsize', 12);
subplot(3, 1, 3);
plot(x0, y3, 'linewidth', 1.5); xlabel('x'); ylabel('y'); title('y=e^{-x^2}'); set(gca, 'fontsize', 12);

% 绘制围成区域
x = 0 : fs : 2;
y11 = sin(x.^ 2);
y21 = sin(x) ./ x;
y31 = exp(-x.^2);

figure(2); clf;
plot(x, y11, 'linewidth', 1.5); hold on;
plot(x, y21, 'linewidth', 1.5); hold on;
plot(x, y31, 'linewidth', 1.5); hold on;
area(x(y11>y31 & y21>y11), y11(y11>y31 & y21>y11), 'facecolor', 'c', 'edgealpha', 0); hold on;
area(x(y11>y31 & y21>y11), y31(y11>y31 & y21>y11), 'facecolor', 'w', 'edgealpha', 0); hold on;
h = legend('y=sin(x^2)', 'y=sin(x)/x', 'y=e^{-x^2}', 'location', 'southwest');
xlabel('x'); ylabel('y'); title('求三条曲线围成的面积'); set(gca, 'fontsize', 12); set(h, 'fontsize', 12);

% 蒙特卡罗法求面积
L = 2; 
H = 3;
S = L * H;
N_Lis = [1e1, 1e2, 1e3, 1e4];
figure(3); clf;
for n = 1 : length(N_Lis)
    N = N_Lis(n);
    x_random = L * rand(1, N);
    y_random = H * rand(1, N) - 1;
    cnt = 0;
    for i = 1 : N
        if (y_random(i) <= sin(x_random(i)^2)) && (y_random(i) <= sin(x_random(i))/x_random(i)) ...
                && (y_random(i) >= exp(-x_random(i)^2))
            cnt = cnt + 1;
        end
    end
    res_appro = cnt / N * S;
    
    subplot(2, 2, n);
    plot(x, y11, 'linewidth', 1.5); hold on;
    plot(x, y21, 'linewidth', 1.5); hold on;
    plot(x, y31, 'linewidth', 1.5); hold on;
    area(x(y11>y31 & y21>y11), y11(y11>y31 & y21>y11), 'facecolor', 'c', 'edgealpha', 0); hold on;
    area(x(y11>y31 & y21>y11), y31(y11>y31 & y21>y11), 'facecolor', 'w', 'edgealpha', 0); hold on;
    scatter(x_random, y_random, 10, 'r', 'filled', 'markerfacealpha', 0.5);
    xlabel('x'); ylabel('y'); title(['样本数=', num2str(N_Lis(n)), '   近似解≈', num2str(res_appro, '%.2f')]); 
    set(gca, 'fontsize', 14); 
end

h = suptitle('蒙特卡罗法求图形面积');
set(h, 'fontsize', 18);
set(gcf, 'position', [10, 20, 800, 700]);

只需要将随机点(样本数)增加到基本覆盖整个区域,我们就可以得到所围成的图形里面的样本数的占比,这样就近似求出了这个所围成的面积了。

机器人工作区域

在机器人领域,我们也可以使用蒙特卡罗法模拟出末端执行器的运动区域,这样对于我们关注机器人的所能工作的范围有一个更直观的了解。

%定义D-H参数
a2 = 0.420;
a3 = 0.375;
d2 = 0.138 + 0.024;
d3 =-0.127 -0.024;
d4 = 0.114 + 0.021;
d5 = 0.114 + 0.021;
d6 = 0.090 + 0.021;

for i = 1:100000
%角度范围是[-pi,pi],rand返回(0,1) 内均匀分布的随机数
%模拟各关节的角度
theta1 = -pi + 2*pi*rand;
theta2 = 0 + 2*pi*rand;
theta3 =-(5/6)*pi + (5/3)*pi*rand;
theta4 = -pi + 2*pi*rand;
theta5 = -pi + 2*pi*rand;
theta6 = -pi + 2*pi*rand;

%XYZ就是关节的末端位置值(不考虑方向)
x(i) = a2*cos(theta1)*cos(theta2)+a3*cos(theta1)*cos(theta2+theta3)-d5*cos(theta1)*sin(theta2+theta3+theta4)-sin(theta1)*(d2+d3+d4)-d6*(cos(theta5)*sin(theta1)-cos(theta1)*cos(theta2+theta3+theta4)*sin(theta5));
01:46

y(i) = d6*(cos(theta1)*cos(theta5)+cos(theta2+theta3+theta4)*sin(theta1)*sin(theta5))+a3*sin(theta1)*cos(theta2+theta3)-d5*sin(theta1)*sin(theta2+theta3+theta4)+cos(theta1)*(d2+d3+d4)+a2*cos(theta2)*sin(theta1);

z(i) =-a3*sin(theta2+theta3)-a2*sin(theta2)-d5*cos(theta2+theta3+theta4)-d6*sin(theta5)*sin(theta2+theta3+theta4);
end

plot3(x,y,z,'b.','MarkerSize',0.5)

我们这里让机器人的关节随机运行10万次,也就是10万个随机点,通过plot3函数,画出这个六轴机械臂末端执行器所处空间的能够工作的范围了,基本上可以看到能够覆盖机器人所能够工作的区域了。

也可以观察XY组成的侧面,或者另外两根轴组成的侧面情况

其中中间白色圆心部分,是机械臂末端所不能运动到的地方。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1304976.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

数据挖掘分析过程中,常见的数据处理方法有哪些?

在进行数据挖掘分析的时候&#xff0c;数据处理是非常重要的一环。数据处理一般是要结合实际业务做相应的数据处理&#xff0c;为后续机器学习建模做好准备。比如数据存在缺失值&#xff0c;就要做相应的缺失值的填充或删除操作&#xff1b;数据建模需要的数据存储在不同的表或…

Java的NIO工作机制

文章目录 1. 问题引入2. NIO的工作方式3. Buffer的工作方式4. NIO数据访问方式 1. 问题引入 在网络通信中&#xff0c;当连接已经建立成功&#xff0c;服务端和客户端都会拥有一个Socket实例&#xff0c;每个Socket实例都有一个InputStream和OutputStream&#xff0c;并通过这…

企业IT安全:内部威胁检测和缓解

什么是内部威胁 内部威胁是指由组织内部的某个人造成的威胁&#xff0c;他们可能会造成损害或窃取数据以谋取自己的经济利益&#xff0c;造成这种威胁的主要原因是心怀不满的员工。 任何内部人员&#xff0c;无论是员工、前雇员、承包商、第三方供应商还是业务合作伙伴&#…

信奥赛 1310:【例2.2】车厢重组

本题解析&#xff1a;根据上述的要求&#xff0c;转化为程序的解题方案&#xff0c;就是用到了冒泡排序。本题中求的是旋转次数&#xff0c;实际上就是冒泡排序中交换的次数。 本题考察的知识点是&#xff1a;冒泡排序的用法。 参考代码&#xff1a; 上述代码仅供参考&#xff…

学习pytorch20 pytorch完整的模型验证套路

pytorch完整的模型验证套路 使用非数据集的测试数据&#xff0c;测试训练好模型的效果代码预测结果解决报错 B站小土堆pytorch学习视频 https://www.bilibili.com/video/BV1hE411t7RN/?p32&spm_id_frompageDriver&vd_source9607a6d9d829b667f8f0ccaaaa142fcb 使用非数…

智能优化算法应用:基于鸡群算法3D无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用&#xff1a;基于鸡群算法3D无线传感器网络(WSN)覆盖优化 - 附代码 文章目录 智能优化算法应用&#xff1a;基于鸡群算法3D无线传感器网络(WSN)覆盖优化 - 附代码1.无线传感网络节点模型2.覆盖数学模型及分析3.鸡群算法4.实验参数设定5.算法结果6.参考文献7.MA…

西南科技大学数字电子技术实验五(用计数器设计简单秒表)预习报告

一、计算/设计过程 说明:本实验是验证性实验,计算预测验证结果。是设计性实验一定要从系统指标计算出元件参数过程,越详细越好。用公式输入法完成相关公式内容,不得贴手写图片。(注意:从抽象公式直接得出结果,不得分,页数可根据内容调整) 1.设计个位电路图 QA、QB、…

简单的实现 mybatisplus实现真实的批量插入

总所周知&#xff0c;mybatisplus 的saveBatch()是一个伪批量插入&#xff0c;性能比较差。真实的批量插入需要for循环读取value 拼装成一条insert语句才插入。下面我将简单的介绍 使用mybatisplus实现真实的批量的步骤。 1.引入依赖&#xff0c;3.4.0之上的版本都可以 <de…

正向代理 反向代理

正向代理&#xff08;Forward Proxy&#xff09;和反向代理&#xff08;Reverse Proxy&#xff09;都是代理服务器的两种形式&#xff0c;它们在网络中扮演着不同的角色&#xff0c;并具有不同的应用场景。 正向代理 正向代理位于客户端和目标服务器之间。客户端通常需要配置…

mysql 快捷登陆

要将 MySQL 的登录命令添加到环境变量中并为其创建别名&#xff0c;可以按照以下步骤进行操作&#xff1a; 1. 打开终端并编辑 /etc/profile 文件&#xff08;使用所有用户的全局设置&#xff09; vim /etc/profile 2. 在文件的末尾添加以下行来设置环境变量和别名 # 将 &q…

基于ssm乐购游戏商城系统论文

摘 要 随着社会的发展&#xff0c;游戏品种越来越多&#xff0c;计算机的优势和普及使得乐购游戏商城系统的开发成为必需。乐购游戏商城系统主要是借助计算机&#xff0c;通过对信息进行管理。减少管理员的工作&#xff0c;同时也方便广大用户对个人所需信息的及时查询以及管理…

vue的小练习-翻转单词

先将字符串转成数组&#xff0c;用reverse&#xff08;&#xff09;翻转数组&#xff0c;再转成字符串 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><meta name"viewport" content"widthdevic…

python 实现 AIGC 大模型中的概率论:生日问题的基本推导

在上一节中&#xff0c;我们对生日问题进行了严谨的阐述&#xff1a;假设屋子里面每个人的生日相互独立&#xff0c;而且等可能的出现在一年 365 天中的任何一天&#xff0c;试问我们需要多少人才能让某两个人的生日在同一天的概率超过 50%。 处理抽象逻辑问题的一个入手点就是…

Docker部署Mysql5.7x和Myslq8.x

Docker部署Mysql5.7x和Myslq8.x 文章目录 1.部署mysql5.7.x2.部署mysql8.x3.创建用户授权及远程登录3.1 mysql5.7创建用户授权及远程登录3.2 mysql8创建用户授权及远程登录 4.总结 1.部署mysql5.7.x 在D盘下的mysql目录下新建如下目录&#xff1a; D:\mysql\conf\my.cnf内容如下…

OpenVINS学习2——VIRAL数据集eee01.bag运行

前言 周末休息了两天&#xff0c;接着做上周五那个VIRAL数据集没有运行成功的工作。现在的最新OpenVINS需要重新写配置文件&#xff0c;不像之前那样都写在launch里&#xff0c;因此需要根据数据集情况配置好estimator_config.yaml还有两个标定参数文件。 VIRAL数据集 VIRAL…

【工具栏】idea安装翻译工具

然后重启idea 打开设置 翻译方式&#xff1a; 选中要翻译的文本 然后右键 运行项目的时候&#xff0c;方便查找错误

GPT-4「变懒」问题将被修复;英伟达选择越南成公司“第二故乡”丨 RTE 开发者日报 Vol.104

开发者朋友们大家好&#xff1a; 这里是 「RTE 开发者日报」 &#xff0c;每天和大家一起看新闻、聊八卦。 我们的社区编辑团队会整理分享 RTE &#xff08;Real Time Engagement&#xff09; 领域内「有话题的 新闻 」、「有态度的 观点 」、「有意思的 数据 」、「有思考的…

基于VGG-16+Android+Python的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)+数据集+模型(二)

目录 前言总体设计系统整体结构图系统流程图 运行环境模块实现1. 数据预处理1&#xff09;数据集来源2&#xff09;数据集内容3&#xff09;数据集预处理 2. 模型构建1&#xff09;定义模型结构2&#xff09;优化损失函数 相关其它博客工程源代码下载其它资料下载 前言 本项目…

flex布局一行n个

上图 缩小后 主要用了 flex-basis flex-grow flex-shrink flex的三个属性 有兴趣的可以看看 深入理解CSS之flex精要之 flex-basis flex-grow flex-shrink 实战讲解 .bg{background-color: aquamarine;width: 100%;height: 100%;display: flex;flex-wrap: wrap;}.box1{backgr…

Python Thefuck库详解:让错误命令变得“友好”

更多资料获取 &#x1f4da; 个人网站&#xff1a;ipengtao.com Python中有许多强大的库&#xff0c;其中Thefuck库独具特色&#xff0c;它的作用是纠正用户在终端输入的错误命令&#xff0c;让操作变得更加友好和高效。在本篇博客文章中&#xff0c;我们将深入探讨Thefuck库的…