基于OIPSO算法的环境最优动力定位控制器设计

环境最优动力定位控制是一种以能量消耗最少为目标的动力定位控制方法,在不需要任何环境传感器的情况下,使其保持在设定区域且消耗能量最少,节约燃料、减少有害气体的排放。首先,提出一种带有目标性初始化粒子群的改进粒子群优化算法(OIPSO),通过引入混沌算子,利用信息熵进行评估对初始化粒子种群进行调整以提高粒子群算法全局搜索能力和收敛速度,具有大范围全局寻优能力。其次,研究设计环境最优艏向控制器控制律,该控制律能满足欠驱动船舶动力定位的控制需求。最后以Cyber Ship Ⅱ动力定位模型船为对象进行仿真验证。结果表明,所提出的寻优算法和改进控制律达到了设计的目的。     

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用北大核心CSCD

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。     

粒子群优化算法中粒子更新方法研究

粒子群优化算法是根据鸟或鱼群居社会行为而提出的随机优化算法,但标准粒子群优化算法存在早熟收敛和搜索精度低等问题.因此模拟生物克隆选择中5%的B细胞自然消亡过程,在粒子群优化算法进化过程中分别基于代间差分、混沌理论、变异原理等方法设计了8种粒子更新算法,并按照模拟退火方法进行更新后粒子的选择.通过数值实验得出基于代间差分和混沌变异的粒子更新算法(即算法8)是一种很好的选择,并且当性能较差的20%左右粒子按照这种算法更新时效果较好.这种算法可以有效克服标准粒子群算法的早熟现象,并能够加快收敛速度.     

基于云粒子群算法的船舶纵摇运动参数辨识

提出一种基于云粒子群优化算法的船舶纵摇运动参数辨识方法。该方法利用正态云发生器自适应调整粒子群算法的惯性权重,并在算法进化过程中对粒子位置进行基于云模型的变异操作,可以很好地解决算法早熟收敛的缺点,能够提高算法的收敛精度和收敛速度。应用该算法对船舶纵摇有关运动参数进行辨识,辨识结果在可以接受的范围之内。     

基于免疫机制的改进粒子群优化算法研究

针对粒子群优化(PSO)算法容易陷入局部极值的不足,引入免疫机制对PSO算法进行优化,实现全局搜索。通过免疫机制的应用,根据亲和度的高低进行粒子克隆、选择、淘汰和高频变异,增强了算法全局搜索的能力,提高了收敛速度和精度。实验表明,改进后的算法完成全局搜索所需的迭代次数明显少于PSO算法,具有优良的自适应调整性能。     

云自适应粒子群优化算法在船舶纵向运动参数辨识中的应用

为解决粒子群算法存在的易收敛于局部最优的问题,提高算法的精度和速度,本文提出云自适应粒子群优化算法,并将该算法应用于船舶纵向运动参数识别模型中,经过辨识得到的船舶纵向运动参数的误差值在允许范围内,且状态参数和理论值具有较高吻合度。     

基于粒子群算法的微带天线特征方程求解方法

粒子群算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.文中充分利用粒子群算法的全局收敛特性,并与参数跟踪策略相结合形成一种新的求解复超越方程算法.基于该算法对微带天线的特征方程进行了求解,求解结果与该问题的已有结论相吻合,说明该算法的有效性.     

基于迭代局部搜索和自适应粒子群优化的SVM短期负荷预测

为了能够进一步的提高船舶电力负荷的预测精度,针对SVM模型在负荷预测中存在的参数选取问题,该研究提出了一种新的参数优化算法:基于迭代局部搜索和自适应粒子群优化的组合算法。自适应粒子群算法提高了传统粒子群算法的收敛速度,引入的迭代局部搜索思想,配合新的极值评价标准能够很好的解决粒子群算法容易陷入局部最优的问题。仿真结果表明,利用新的参数优化算法使得SVM预测模型的精度得到了很大的提高。     

基于改进粒子群优化算法的船舶纵向运动参数辨识

针对粒子群优化算法易于陷入局部最优的缺点,提出了一种改进的粒子群优化算法,并将改进的算法应用到船舶纵向运动模型的参数辨识。对辨识结果进行了验证,表明,利用改进的粒子群优化算法有较快的收敛速度和稳定性,辨识获得的水动力参数计算的结果误差均在允许范围内,得到的纵向运动的状态参数与理论观测值吻合度较高,辨识算法有效可行。     

基于改进粒子群优化算法的船舶纵向运动参数辨识

针对粒子群优化算法易于陷入局部最优的缺点,提出了一种改进的粒子群优化算法,并将改进的算法应用到船舶纵向运动模型的参数辨识.对辨识结果进行了验证,表明,利用改进的粒子群优化算法有较快的收敛速度和稳定性,辨识获得的水动力参数计算的结果误差均在允许范围内,得到的纵向运动的状态参数与理论观测值吻合度较高,辨识算法有效可行.     

基于"stretching"技术的粒子群优化算法

粒子群优化算法是一种随机的全局优化搜索方法。本文系统的介绍了粒子群优化算法和"Stretching"技术并提出了基于"stretching"技术的粒子群算法,然后用标准测试函数对新算法进行了实验。实验结果表明新算法在解的收敛性和稳定性等方面优于基本的粒子群优化算法。     

不确定性航线配船数学模型建模方法

提出基于随机、模糊模拟的改进粒子群算法,避免了粒子群算法容易出现的早熟现象,加快了计算速度。实例计算表明该算法有效性。     

考虑舰体变形时的捷联惯性系统初始对准方法

为尽可能消除惯性测量组件（IMU）安装误差及挠曲变形对初始对准精度的影响，运用传递对准技术，建立系统方程和量测方程，采用扩展状态滤波器和速度加角速率匹配的方法，准确地估计出了这些误差，并对系统进行补偿。仿真结果表明，用速度加角速率匹配估计安装误差和挠曲变形比用速度加姿态匹配效果好，补偿了安装误差和挠曲变形后，系统的导航精度明显提高。     

基于自适应变异 PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法（self-adapting particle swarm optimization algorithm,SAPSO）,将该算法与误差反传（back propaga-tion,BP）神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船“育鲲”轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

一种加速SIMPLE算法迭代收敛的方案及其在河道平面二维水流计算中的应用

一种加速SIMPLE算法迭代收敛的方案是把SIMPLER与SIMPLEC两种算法结合起来,压力值通过求解压力Poisson方程获得,速度修正值计算式也考虑到了邻点速度修正值的影响。对该方案给出了详细的求解步骤,并通过对长江中游安庆河段平面二维水流流场的计算,将该方案与SIMPLE,SIMPLEC,SIMPLER算法进行了对比。结果表明:该方案有着更好的收敛特性,并且能节省数值计算的时间。     

基于粒子群算法的起重船扒杆结构优化设计

基于Isight优化软件和通用有限元软件,以扒杆重量为目标函数,采用粒子群算法（PSO）和遗传算法对某起重船扒杆结构进行了优化设计,并讨论了PSO算法的稳定性。通过对两种算法优化结果的比较分析表明,PSO算法优化效果好,收敛速度快,且计算稳定性高,验证了PSO算法在工程船舶结构优化设计中的有效性。     

基于粒子群优化的聚类入侵检测算法

为了在入侵检测中有效地克服传统的K均值算法易陷入局部极小值的缺点，使算法具有较好的全局收敛性，将粒子群优化算法应用于入侵检测，给出了基于粒子群优化的K均值聚类算法．通过理论分析及实验，验证了基于粒子群优化K均值聚类算法的有效性．对KDD CUP99数据集仿真，实验结果表明，该算法在入侵检测中能获得理想的检测率和误检率．     

多普勒计程仪测速误差分析

阐述了多普勒计程仪测速原理,分析了多普勒计程仪测速误差来源,提出了减小和修正测速误差的方法,有效地提高测速精度。