基于最小偏差法的集装箱船船型优化

根据最小偏差法原理，建立了西江中小型集装箱船主要要素的多目标优化数学模型，运用遗传算法对该模型进行多目标优化。算例结果表明所建立的模型可行，能找到全局最优解，并在最优解基础上设计了实船。     

集装箱船舶中剖面结构形式的最优选择

本文讨论集装箱船舶中剖面结构形式的最优选择。首先建立了３种结构形式－－双底双壳结构，底边舱顶边舱结构和抗扭箱结构的优化设计数学模型，在复合形法获得连续变量最优解的基础上，再用ＭＤＯＤ法进行第二步优化，分别获得了规格化的离散变量最优解；接着，又用多种影响结构形式优劣的因素进行了结构模糊综合评判，指出对集装箱船舶而言，抗扭箱结构形式最优，双底双壳结构形式次之，底边舱顶边舱结构形式最差。     

基于混合变异的人工蜂群算法

针对人工蜂群算法在求解函数优化问题中存在收敛速度慢、易于陷入局部最优的缺陷,提出了一种基于当前最优解的混合变异算子的人工蜂群算法(artitificial bee colony algorithm based on hybrid mutation operator,HMABC).该算法中跟随蜂采用基于当前最优解的差分进化搜索策略,侦查蜂采用基于当前最优解的高斯变异侦查策略,通过变异增加种群的多样性,并且在当前最优解的引导下有效提高了算法收敛速度,避免其陷入局部最优.基于6种测试函数的仿真实验结果表明,提出的HMABC算法在收敛速度和求解精度方面均优于其他人工蜂群算法.     

动态最优哈夫曼树与编码及其在数据压缩通信中的应用

本文提出动态最优哈夫曼树及编码的生成方法，从数据通信实时性要求出发，探讨了对数据进行压缩和解压时采用动态最优哈夫曼树及编码的算法、动态哈夫曼树的调整方法及压解方式。这种编码压解方式尤其对实时通信适用。     

基于互联网和大数据的船舶运维管理系统

对于当前舰船运维管理访问方法中,存在的舰船运维管理的均衡性较差,资源运维管理的错位现象严重,网络资源运维管理后的共享效果不理想等问题。提出基于互联网和大数据的船舶运维管理方法,利用蝙蝠算法,对舰船信息网络大数据进行运维管理。其中,对蝙蝠种群进行初始化,并对蝙蝠种群的适应度值进行计算,从中选取目前的最优解;对是否达到终止条件进行判定,假设是,则输出最优解,反之对脉冲频率,以及蝙蝠飞行的速度,和蝙蝠目前的位置进行更新;在最优解的周围生成新的局部解,根据判断条件对新的局部解是否接受进行判断,寻找目前的最优值及最优解,判断是否达到了终止条件,如果是输出最优解,以解决当前算法中存在的问题。实验表明,所提算法不仅提高了船舶信息传输网络的运维管理资源的均衡性和共享性,还降低了访问错位现象的发生频次。     

基于模拟退火算法在尺度优化设计方法

详细介绍了神经网络的模拟退火算法法（以下简称ＳＡ）的特点，基本思想及步骤，它是基于ＭｏｎｔｅＣａｒｔｏ迭代精法的一种随机搜索算法，以主尺度优化设计为例，针对主尺度优化问题解的特性和状态，对模拟退火算法是具体应用的几个问题进行了探讨，仿真结果表明，ＳＡ算法能很好的姚离局部最优解的陷阱找到全局最优解，其优化与初始点的选择无关，从而为船舶主尺度优化问题提供了一个稳定的全局最优化算法。     

基于改进布谷鸟算法的集装箱码头配载优化研究

为对集装箱码头配载问题进行研究，在满足船舶适航性的基础上，建立了以集装箱水平运输时间、岸桥作业时间以及堆场倒箱时间最短为目标的多约束的数学模型。将改进的布谷鸟算法(Improved Cuckoo Search, ICS)应用求解，首先在布谷鸟算法的莱维飞行阶段，分别从种群整体、当代最优、自身个体中抽取鸟巢信息，建立不同的鸟巢位置更新模式；其次，采用动态机制控制发现概率P_a;最后计算每个鸟巢的适应度，来找到最优解。试验表明：改进的布谷鸟算法可以有效找到最优解，优化结果相比较于标准的布谷鸟算法提升25%,该方法具有可行性和有效性。     

基于并行子空间设计的AUV多学科可靠性优化

确定性多学科优化设计所得的最优解时常会落在约束边界上，该最优解可能在不确定性因素的影响下滑落出可行域，无法满足工程实践的需求。本文在AUV的设计过程中，考虑随机不确定性因素对AUV性能的影响，结合并行子空间设计方法（CSD），嵌入不确定性分析策略，展开AUV设计领域中的多学科可靠性优化分析研究。研究结果表明：在并行子空间设计方法的系统级中，可以很方便地嵌入蒙特卡洛（MCS）可靠性分析方法，组成基于CSD-MCS串行不确定性多学科优化方法；在AUV的总体设计过程中进行多学科可靠性优化法分析，可提升概率约束条件可靠性，使优化结果更为可靠。     

绿色材料评价体系与方法的研究

通过对材料环境属性的分析，建立了绿色材料生命周期的模型和评价体系，运用模糊综合评价的求权和理想解的排序相集合的方法，求一个加工零件多种材料方案的最优解。     

求解多峰性函数全局最优解的进化算法及其应用研究

本又针对简单遗传算法（SGA）在解决多峰性函数最优化问题存在的不足，提出了一种分配区间型进化算法，能够求出多峰性函数所有全局最优解及多个局部最优解。通过十几个多峰性函数与工程实例的数值实验，验证了算法的正确性。对简易海洋平台进行了疲劳可靠性优化设计为算例，取得了满意的结果。     

混沌神经网络优化机制研究

分析了混沌神经网络的优化机制,研究了具有模拟退火特性的混沌神经网络模型,给出了混沌神经网络的能量函数,以及计算网络Lyapunov指数的方法,从理论上证明了当网络参数满足一定条件时,网络具有混沌性状。在仿真实验中,应用Hopfield网络和混沌神经网络求解信道分配问题。结果表明,混沌神经网络在求解优化问题时具有更强的搜索全局最优解的能力,和更快的收敛速度。     

基于迭代均值组合近似模型和序贯优化与可靠性评估法的船舶结构优化设计

  目的  针对传统船舶结构可靠性优化设计中难以同时保证全局近似精度与计算效率的问题,提出一种基于少数类合成的过采样算法（SMOTE）和动态代理模型的可靠性优化策略。  方法  首先,通过最优拉丁超立方试验设计,在设计空间中选择初始样本点,构造BP神经网络模型;然后,利用全局优化算法−模拟退火法（ASA）和可靠性优化设计的单循环法（SLA）,找到当前全局最优解;最后,通过SMOTE算法增加最优解周围的样本点,更新代理模型以提高其在全局最优解附近的精度,直至优化迭代收敛。  结果  结果显示,SMOTE算法可以合成位于失效面附近的样本点,从而使BP神经网络模型更高效地拟合极限状态函数;SLA法将可靠性优化问题解耦成确定性优化问题,在保持计算精度的同时提高了计算效率。  结论  优化结果表明,采用所提方法在获得分析模型全局最优解的同时还能有效减少计算成本。     

油船主船体隔舱划分的神经网络专家系统

本文在总结专家系统（ＥＳ）发展与现状的基础上，描述了油船舱划划分的神经网络专家系统（ＴＡＧＮＥＳ）的基本原理与结构，以及基于 ＴＡＧＮＥＳ的知识表示，获取与推理，提出了ＴＡＧＮＥＳ与其它领域神经网络专家系统的组合，系统地阐述了ＴＡＧＮＥＳ的理论体系，同时给出３８０００吨油船分舱仿真设计的部分算例，说明了应用神经网络专家系统这一新理论来进行油船分舱智能设计的有效性和实用性。     

深海复合材料悬链线立管基于可靠度的优化设计

研究基于可靠度的方法,对深海复合材料悬链线立管进行优化设计分析。对于正交各向异性层合复合材料结构而言,叠层顺序不同、各层铺角变化以及层间厚度差异等都会影响到结构的承载能力,因此,有必要引进可靠度作为优化设计指标。首先,根据经典层合板理论计算整体模型的等效属性,建立悬链线立管整体分析模型,得到关键截面响应,以此作为局部分析模型的约束;然后,运用试验设计方法构建Kriging近似模型;最后,利用蒙特卡罗撒点方法对比分析确定性优化与可靠性优化的结果。研究表明：优化后的深海复合材料立管在满足应力强度设计的要求下可有效降低结构重量,所提出的基于可靠度的优化设计复合材料悬链线立管具有可行性。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

Black-box modeling of ship manoeuvring motion based on feed-forward neural network with Chebyshev orthogonal basis function

Based on polynomial interpolation and approximation theory, a novel feed-forward neural network, the feed-forward neural network with Chebyshev orthogonal basis function, is proposed for black-box modeling of ship manoeuvring motion. The neural model adopts a three-layer structure, in which the hidden layer neurons are activated by a group of Chebyshev orthogonal polynomial activation functions and the other two layers’ neurons use identity mapping as activation functions. Weight update formulas are derived by employing the standard back-propagation (BP) training method. With the simulated 15º/15º zigzag test data as input and calculated values of the hydrodynamic forces and moment as output, the feed-forward neural network with Chebyshev orthogonal basis function and the BP neural network are applied to identify the nonlinear functions in the nonlinear hydrodynamic model of ship manoeuvring motion. With the simulated 20º/20º zigzag test data and 35º turning test data as input, the hydrodynamic forces and moment are predicted by using the identified nonlinear functions. Comparison between the calculated and predicted hydrodynamic forces and moment shows that the feed-forward neural network with Chebyshev orthogonal basis function is superior to the BP neural network in identifying the nonlinear functions of the nonlinear hydrodynamic model of ship manoeuvring motion and is an effective method to conduct the black-box modeling of ship manoeuvring motion.     

液位控制BP模型的设计与仿真

基于MATLAB的神经网络工具箱与BP网络理论,介绍在MATLAB环境下发电厂液位控制BP模型的设计方法,并进行仿真试验,得出了预测模型的最优参数。仿真结果表明,此方法有效可行,可使非线性系统具有较好的跟踪性能。     

模糊神经网络在船舶火灾报警系统中的应用

提出了一种利用神经网络和模糊系统理论设计船舶火灾报警系统的方法。该系统 模糊推理能力哟、神经网络学习能力强的特点,将模糊系统和神经网络结合起来,实现模糊系统设计的自动调整。利用感温式知因式传感器对火灾发生时温度和烟雾两个主要参量进行智能监测委 解决了报警灵敏度和误报率之间的矛盾。     

Hydrodynamic inline force prediction on vertical cylinders: a comparative study of neural network and its adaptive wavelets (wavenets)

The design of the neural network model and its adaptive wavelets (wavelet networks and wavenets) was used to estimate the wave-induced hydrodynamic inline force acting on a vertical cylinder. The data used to calibrate and validate the models were obtained from an experiment. In the brain, wavelet neural networks (WNNs) use wavelets to activate their hidden layers of neurons. In WNNs, both the position and dilation of the wavelets are optimized along with the weights. In one special approach to this kind of network construction, the position and dilation of the wavelets are fixed and only the weights of the network are optimized. In the present study, the neural network procedure and the above mentioned approach were employed to design a WNN, a so-called wavenet, using feed-forward neural network topology and its training method. Then, a comparison of these two methods was made. Numerical results demonstrate that both networks are capable of predicting hydrodynamic inline force. Furthermore, the combination of the neural network concept and the wavelet theory i.e. wavenet provides a more robust tool rather than standard feed-forward neural network, considering its more appropriate ability to predict any other data which the network had not experienced before. The results of this study can contribute to reducing the errors in future efforts to predict hydrodynamic inline force using WNNs, and thus improve the reliability of that prediction in comparison to the ANN and other methods. Therefore, this method can be applied to relevant engineering projects with satisfactory results.     

基于遗传算法的舰船舱段可靠性优化设计

遗传算法在引入动态自适应策略和"免疫算子"之后,其收敛效率有了较大的提高。对于以可靠性作为约束的随机结构系统优化问题,以罚函数法为基础,构造了有效的约束与目标函数向适应值函数的映射公式。建立合理的安全余量,采用随机有限元法处理结构分析中所涉及的有关参量的随机性,计算结构响应和敏度分析,并进行系统的可靠性计算。通过两种算法的结合,利用自适应免疫遗传算法、随机有限元法及可靠性的基本理论,建立了一套完整的基于遗传算法与随机有限元的结构系统可靠性优化设计方法。对舰船舱段结构梁系截面的优化计算结果表明,算法对多随机因素结构系统的可靠性优化具有良好的收敛效果。