人工智能算法的舰船路径规划

为了实现对舰船航行的智能调度,需要进行舰船路径规划设计,提出一种基于人工粒子群智能算法的舰船路径规划方法。构建舰船航行路径分布的网格结构模型,将舰船航行区域内的各个对象表达为人工粒子群个体,采用四元素的扩展卡尔曼滤波方法构造舰船航行路径规划的约束参量模型。构造舰船航行路径规划的控制目标函数,以舰船动态性能和稳态性能为优化目标,采用人工智能群算法进行航行路径的自适应寻优,实现舰船路径规划。结果表明,采用该方法进行舰船路径规划,能准确跟踪舰船航行的方位角和姿态角,实现路径实时跟踪,提高了舰船路径的准确规划能力。     

云计算平台下舰船航行应急响应资源需求预测分析

针对传统的应急资源需求预测分析模型易受干扰而导致的预测误差较大的问题,研究云计算平台下舰船航行应急响应资源需求预测分析模型。使用聚类算法对舰船航行应急资源需求评估,利用小波神经网络构建需求预测模型。在云计算平台中,对构建的资源预测模型参数求解,完成云计算平台下舰船航行应急响应资源需求预测分析模型的构建。设计与传统基于案例推理的资源需求预测模型的对比实验,通过实验证明构建的云计算平台下的预测模型预测误差更小,性能更佳。     

云模型的舰船维修成本建模与预测

通过对舰船维修成本的准确建模和预测,降低维修成本,提高舰船维修质量,保证舰船良好工况,提出一种基于K均值指标聚类划分和粒子群优化的云模型下舰船维修成本建模和预测方法。以舰船维修的材料开销、人工开销、舰船寿命周期折损以及配件成本等参数为约束指标,采用K均值聚类算法进行维修成本指标系数聚类划分,将成本最优问题转化为聚类中心最短问题,并以此为优化目标函数,采用粒子寻优算法进行最优解求解,通过线性插值方法进行拟合计算避免解向量陷入局部最优,实现云模型的舰船维修成本预测。仿真结果表明,采用该方法进行舰船维修成本预测的准确性较高,维修效率和质量得到提高。     

基于蚁群算法的舰船网络云资源调度

在应用现有方法时,由于任务执行与任务调度性能存在问题,因此在舰船网络云资源调度方法的设计中应用蚁群算法,提出一种基于蚁群算法的舰船网络云资源调度方法。在基于蚁群算法对舰船网络云资源调度方法进行设计的过程中,首先需要对舰船网络云资源实施初始化处理。每只蚂蚁都携带着基本任务信息,在此基础上对各资源可能被选的概率进行计算。根据蚁群算法对舰船网络云资源调度模型进行构建,模型由云资源代理模块、云资源目录模块、用户模块、用户代理模块构成。通过进行任务执行时间与调度任务总效用的对比实验,证明该方法的任务执行时间更短、调度任务总效用更高,实现了任务执行与任务调度性能的提升。     

基于大数据与人工智能的舰船避碰路径优化调度算法

舰船航行路径中存在许多障碍物,当前舰船避碰路径优化调度算法存在障碍物识别正确率低、规划路径长,不仅无法获得最优的舰船航行路径,而且不能保证舰船航行的安全,为了获得最优的舰船航行路径,设计了基于大数据与人工智能的舰船避碰路径优化调度算法。首先分析当前舰船避碰路径优化调度算法的工作原理,找到弊端,然后引入大数据分析方法建立舰船避碰路径优化的数学模型,实现障碍物识别,并采用人工智能技术——遗传算法找到最优的舰船避碰路径,最后进行舰船避碰路径优化调度算法性能的仿真测试,结果表明,本文方法可以更快找到最优的舰船避碰路径,舰船避碰路径更短,不仅减少了舰船航行的时间和成本,而且可以准确识别各种舰船障碍物,具有显著的优越性。     

改进神经网络的舰船碰撞危险度估计

当前的一些方法在航行行为预测以及碰撞预警能力方面仍存在一些问题,因此提出一种改进神经网络的舰船碰撞危险度估计方法,实现了舰船碰撞危险度的高精度估计。首先基于改进神经网络构建改进神经网络预测模型预测舰船航行行为,以提供碰撞危险度估计的基础数据来源。对舰船碰撞风险中的安全距离模型进行制订,具体包括危险领域安全距离模型、安全会遇领域安全距离模型、舰船动界安全距离模型。通过昆兹模型构建舰船碰撞危险度计算模型,对舰船碰撞危险度进行估计。在某水域进行本文方法的性能测试,测试结果证明该方法的航行行为预测误差低于现有方法,而碰撞预警精度则高于现有方法,提供了舰船防碰撞领域的新研究方向。     

基于大数据分析的船舶航行安全自动评估系统设计

为了提高船舶航行的安全性,构建船舶航行安全自动评估系统,提出基于大数据分析的船舶航行安全自动评估系统设计方法。采用航向陀螺仪、三轴磁力计等敏感传感器进行船舶航行姿态参数采集,根据采集的船舶航行姿态数据进行大数据特征重组,建立船舶航行姿态参量大数据库,设计数据访问调度和参数融合算法,进行船舶航行安全大数据信息调度和特征分析,进而实现船舶航行安全自动评估。在嵌入式ARM环境下进行系统的软件开发,实现系统优化设计。仿真结果表明,采用该系统进行船舶航行安全自动评估的准确性较好,船舶航行安全信息大数据访问调度的实时性较高。     

云环境下舰船周期性任务容错调度算法研究

舰船周期性任务的容错调度对保证船舶安全航行,避免发生碰撞事故具有重要作用,因此针对舰船周期性任务容错调度问题进行研究,在求解环节对传统容错调度算法进行改进优化,以期提高可靠性和实时性。任务容错调度算法设计需要经历2个阶段:第一阶段,构建舰船周期性任务容错调度模型;第二阶段,将遗传算法与蚁群算法相结合,完成模型2次求解,先使用遗传算法,得到初步容错调度可行方案,后使用蚁群算法,完成模型精确求解,有效实现舰船周期性任务的容错调度。结果表明:与单一遗传算法与蚁群算法相比,本算法可靠性降低幅度低(1.89%),说明可靠性更好;100个任务的完成所需时间最少,仅花费11.5 s,证明其实时性更佳。     

粒子群优化算法在舰船路径优化仿真中的应用

为保障舰船安全稳定航行,显著提升舰船续航能力,设计了基于粒子群算法的舰船路径优化方法。使用概率图法构建舰船航行路线图,按舰船在航行性能方面的评价指标,构建与舰船航行路线图相关、综合考虑舰船转弯角度以及地形威胁等约束的舰船航行路径优化模型,并应用改进粒子群算法求解所构模型,得到满足约束条件的舰船航行初始最优路径。之后通过删除冗余点的方式对舰船航行初始最优路径实施平滑优化处理,得到最终的舰船航行最优路径。实验结果表明,该方法可收获更优的舰船航行路径,舰船按该路径行驶,更有利于续航,使舰船航行任务得以有效完成。     

基于地理信息系统的舰船智能导航研究

高精度智能导航算法在舰船航行过程中十分重要,当前高精度智能导航算法无法对一些盲区无法进行准确导航,为了解决当前舰船导航算法存在的缺陷,设计了基于地理信息系统的高精度智能导航算法。首先分析了高精度智能导航研究现状,然后引入地理信息系统采集舰船航行的信息,并采用容积卡尔曼滤波构建高精度智能导航算法,实现对舰船航行状态跟踪,最后通过仿真对比实验对舰船智能导航性能进行测试和分析,结果表明,本文算法不仅可以高精度实现舰船智能导航,适应各种复杂环境的安全航行,而且导航效果要优于当前其他智能导航算法,实际应用价值更高。