粒子群优化算法研究及其在船舶运动参数辨识中的应用

在船舶运动控制领域,建立船舶运动数学模型有两个目的:建立船舶操纵模拟器,为研究闭环系统性能提供一个基本的仿真平台;直接为设计船舶运动控制器服务。通过理论计算或实验得到的水动力参数精度难以保证,因此,目前大多采用辨识的方法得到水动力参数。从算法执行过程来看,水动力参数辨识问题可以归结为优化搜索问题。 粒子群优化算法是20世纪90年代提出的一种群智能优化算法。其优越的问题求解模式在优化问题的求解中取得了极大成功,引起了相关领域学者的广泛关注。实践已经证明,粒子群优化算法能够很好的解决复杂非线性条件下的多约束优化问题。本文主要针对粒子群优化算法及其在船舶运动水动力参数辨识中的应用进行研究,论文主要研究工作如下: 1.概述了粒子群优化算法的基本原理,并对粒子群优化算法的拓扑结构进行了详细的分析,阐述了粒子群优化算法的拓扑结构对算法性能的影响,给出了不同结构的粒子群优化算法对标准函数在算法性能、收敛速度、达优率等方面的测试结果。 2.分析了简化粒子群优化算法的收敛特性,并通过大量实验,详细分析了粒子群优化算法中各参数对算法收敛精度、达优率等方面的影响,提出了一种利用一个顶层粒子群优化算法对底层用来优化函数的粒子群优化算法的参数进行优化选取的方法。算法仿真和性能对比试验结果表明,该方法能够方便有效的实现粒子群优化算法参数的优化选取,有利于粒子群优化算法的应用和推广。 3.基于提高算法寻优能力和算法寻优速度两方面考虑,分别设计了基于进化的粒子群优化算法和基于分阶段搜索的粒子群优化算法。基于进化的粒子群优化算法在标准粒子群优化算法的基础上引入一种进化策略,增加粒子的多样性。在算法迭代寻优的过程中,通过对群体中的粒子进行选择、变异等进化操作,构造进化粒子群优化算法,提高算法的全局搜索能力。基于分阶段搜索的粒子群优化算法是利用粒子群搜索过程中参数收敛特性,对待辨识参数进行分组,采用分阶段搜索的方式进行辨识。求解结果表明,该算法能够快速的辨识各参数,验证了算法的有效性,该算法尤其适合高维数的复杂系统辨识。 4.对船舶纵向运动参数辨识问题进行了描述,分析了对船舶纵向运动参数辨识所要考虑的各方面因素。对观测数据的特性进行了分析,并给出了数据预处理的方法,另外,还设计了两种不同的输入参数建模方式,并分别进行了仿真。基于模糊CMAC神经网络的有关理论,以及通过切片理论计算和水池实验获得的数据,建立了任意航向、航速和海情的自适应变化的非线性参数智能化模型,为水动力参数辨识提供了有效的搜索区间。为了考察算法对噪声的适应能力,在有噪声干扰和没噪声干扰两种情况下都做了仿真,并进行了对比。仿真实验证明,基于改进的粒子群优化算法能够正确的辨识船舶纵向运动水动力参数,为船舶水动力参数辨识提供了一种新的解决方案。 5.对船舶横向运动参数辨识问题进行了描述,分析了船舶横向运动参数辨识的难点和解决方案。针对船舶横向水动力参数多、参数之间耦合度高的特点,提出了一种计算参数敏感性系数的方法,并依据敏感性系数对参数进行了分类,采用分阶段的方法对参数进行辨识。仿真结果表明,该方法能够正确有效的对船舶横向运动水动力参数进行辨识。