云粒子群算法研究及在船舶工程中的应用

摘要

实际工程应用和科学研究中,许多问题具有约束性、复杂性、多局部极值、非线性和建模困难等特点,寻找适用于各种不同需求的新型智能优化方法一直以来是很多专家学者的一个重要研究方向。粒子群优化算法(Particle Swarm Optimization,PSO)是Kennedy和Eberhart于1995年提出的一种进化算法,它源于对鸟类捕食行为的模拟。该算法在没有集中控制且不提供全局模型的前提下,为求解复杂问题的最优解提供了基础。本文具体工作如下:
　　(1)对云模型理论进行了详细介绍,包括云模型的基本概念数学特征及云模型的统计分析等;
　　(2)结合云模型不确定中带有确定性、稳定之中又有变化的特性,提出了一种基于云变异的自适应粒子群优化算法。该算法结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,并对粒子群各参数进行合理设置。仿真结果表明,此算法能有效找出全局最优解,提高算法收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。
　　(3)研究了船舶纵向运动水动力模型,基于自适应云粒子群优化算法设计了一种船舶纵向运动水动力参数辨识算法。仿真结果表明,此算法在求解船舶纵向运动水动力参数辨识这个问题时稳定性好,且辨识精度高,较大地满足了实际需求。
　　(4)研究了船舶航向PID控制,将自适应云粒子群优化算法运用于船舶航向PID自动舵上,优化PID控制器的三个参数,进而优化它的控制性能。仿真结果表明,经过云粒子群优化后的船舶航向PID自动舵性能得到了较大提高,系统无超调,上升快,工作稳定,具有较强的鲁棒性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1研究背景和课题意义

1.2课题国内外研究现状

1.3本文的主要研究内容及章节安排

第2章 云模型理论

2.1云模型系统介绍

2.2云模型的基本概念

2.3正态云发生器

2.4正态云的统计分析

2.5本章小结

第3章 基于云变异的云自适应粒子群算法

3.1粒子群算法

3.2 PSO算法的改进算法

3.3基于云变异的云自适应粒子群算法

3.3本章小节

第4章 基于CVCPSO算法的船舶纵向运动参数辨识

4.1船舶纵向运动建模

4.2基于CVCPSO算法的船舶纵向运动参数辨识

4.3仿真研究及其结果分析

4.4 本章小结

第5章 基于CVCPSO算法的船舶航向PID控制

5.1 PID控制的基本原理及各基本环节的作用

5.2船舶运动数学模型的建立

5.3基于CVCPSO算法的船舶航向PID控制

5.4实验仿真及结果分析

5.4本章小结

结论

参考文献

攻读硕士学位期间发表的学术论文

致谢