بهينه سازي الگوي فعال سازي مدل اسكلتي عضلاني در شبيه سازي پرش عمودي توسط الگوريتم ژنتيك

Optimizing the actuation of musculoskeletal model by genetic algorithm to simulate the vertical jump

براي شبيه سازي حركت هاي بدن همانند پرش عمودي با استفاده از مدل هاي ديناميك مستقيم، مي توان از تيوري‌هاي كنترل بهينه استفاده كرد. در سال هاي اخير روش‌هاي مدرن همانند ازدحام ذرات، رقابت استعماري و الگوريتم ژنتيك براي حل مسايل بهينه سازي مطرح شده است كه از رفتارهاي حيوانات و پديده هاي طبيعي الهام گرفته شده اند. در اين تحقيق براي شبيه سازي پرش عمودي از يك مدل چهار لينكي صلب كه شامل پا، ساق، ران و بخش چهارم شامل تنه، گردن و دستان مي‌باشد، استفاده شد و تمامي مفاصل آن نيز لولايي و ايده‌آل در نظر گرفته شد. براي به حركت در آوردن مدل و ايجاد گشتاور در مفاصل، بيست عضله موثر در حركت پرش عمودي شبيه سازي شدند. همچنين براي شبيه سازي نيروي عكس العمل زمين از يك المان دمپر- فنر در كف پا استفاده شد و براي جلوگيري از حركت مفاصل خارج از دامنه حركتي، ليگامنت ها نيز در مفاصل لحاظ شدند. از الگوريتم ژنتيك نيز براي توليد بهترين تحريك عصبي در جهت دستيابي به حداكثر ارتفاع پرش استفاده شد و تحريكات عضلاني توليد شده به ضريب فعال سازي عضلات تبديل گرديد. ضرايب بدست آمده نيز براي توليد نيرو به مدل عضلات اعمال شدند. همچنين تابع معيار حداكثر ارتفاع پرش در نظر گرفته شد. نتايج نشان داد كه مركز جرم مدل پس از 533 تكرار به ارتفاع 67/121 سانتيمتري رسيده است. البته به نظر مي رسد با بهبود پارامترهاي اين الگوريتم و تركيب الگوريتم هاي هوشمند بتوان به الگويي كامل تر دست يافت.

In human body movement simulation such as vertical jump by a forward dynamic model, optimal control theories must be used. In the recent years, new methods were created for solving optimization problems which they were adopted from animal behaviors and environment events such as Genetic algorithm, Particle swarm and Imperialism competitive. In this work, the skeletal model was constructed by Newton-Euler equation of motion. This 2D model has 4 rigid segments that include foot, shank, thigh and HAT (Head, Arm and Trunk) and all joints were assumed to be revolute and ideal. Also 20 effective muscles in vertical jump were constructed as joint actuator. The ground reaction force was simulated by a spring-damper element. Additionally, joints ligament were constructed to simulate the joint out of range motion. The Genetic algorithm was used to generate the best muscle excitation for maximum height in vertical jumping and the generated muscles excitations were converted to muscles activations. The muscles activations were applied to muscles model to generate muscles force. The maximum height of jump was considered as a criteria function of optimization problem. The designed genetic algorithm could control the musculoskeletal and simulate the vertical jump movement. The result showed that the height of center of mass was equal to 121.67 cm after 533 iterations. It is looks to be able to obtain better result provided to increase the iteration or combining clever algorithms together.