基于免疫算法和参考模型的船舶航向自动舵设计

为解决常规比例-积分-微分(PID)控制超调问题,将参考模型应用于船舶航向自动舵,提出一种模型参考跟踪的船舶航向PID控制算法,使船舶航向跟踪参考模型输出.针对自动舵参数整定问题,提出一种动态免疫克隆选择优化算法,在进化过程中动态改变种群规模、克隆规模和变异参数,从而加快全局搜索速度和提高局部搜索精度,保证控制器性能可靠;也可根据不同的性能指标要求,整定相应的控制参数.实船仿真试验表明,系统超调得到有效抑制,控制参数能根据需要自动调节,控制效果令人满意.     

船舶航向鲁棒PID自动舵设计

以Ｎｏｍｏｔｏ方程作为船舶运动控制系统的模型,给出了船舶航向ＰＩＤ型自动舵的传统设计方法,在考虑到船舶运动模型参数不确定性和外界干扰的不确定性的基础上,建立了含有不确定性项的船舶航向误差控制系统的状态方程,并利用Ｌｙａｐｕｎｏｖ display structure     

H∞积分控制在船舶自动舵中的应用

通过一个干扰抑制问题将积分控制引进Ｈ∞设计框架，然后奖之变成Ｈ∞标准问题求解，最后应用于船舶自动舵中，仿真结果表明，船舶自动舵Ｈ∞积分控制器能消除残差，对海况变化的干扰具有抑制作用，对装载变化等产生的船舶模型摄动，具有良好的鲁棒性能。     

船舶航向的变结构控制自动舵设计

对于线性系统,讨论了用二次型性能准则建立系统滑动模态超平面的方法,给出了一种变结构控制算法,进而利用野本方程,建立船舶航向控制系统的状态方程,在此基础上,进行了船舶航向的变结构控制自动舵设计,经过仿真试验证明,该算法是完全有效的,而且效果也十分良好。     

基于粒子群优化的船舶PID自动舵的改进

受生物免疫反馈过程的启发,利用模糊逻辑的适应性,提出一种模糊免疫PID控制策略,并以此对传统的PID型航向自动舵进行改进.用一种模糊控制器来模拟免疫系统中的反馈机理,以航行的经济性为目标,采用线性递减权值策略的全局PSO算法,对控制器进行参数优化.并对比2种采用免疫PID控制器的系统组成方案,指明适用于船舶航向控制的控制系统形式.实验仿真结果表明:该控制器能很好地根据船舶动态特性的变化,自动地进行适应性免疫调节,具有跟踪速度快、航向控制超调小以及抗扰性强等优点.     

船舶自动舵的研究

给出了用适应式ＰＩＤ及Ｈ∞鲁棒控制算法实现的船舶自动舵的研究结果；自动舵具有保持航向和航迹功能；适应式ＰＩＤ算法是根据船舶流行时的天气、海况、负载及航偏角大小改变ＰＩＤ比例、积分、微分系数以适应船舶航行需求；Ｈ∞鲁棒控制算法是藉助ＭＡＴＬＡＢ软件包的鲁棒控制工具箱，应用Ｈ∞控制理论的Ｓ／Ｔ／ＫＳ混合灵敏度问题设计船舶航向保持控制器；航迹算法采用自动航行方式以使船舶始终航行在计划航线的允许偏差带内；     

自适应自动舵控制系统基本分析方法

提出了一般自适应自动舵控制系统的基本方法，并引用具体实例对其进行分析。     

航迹自动舵的实船试验研究

阐述了一类航迹自动舵的系统设计,重点介绍了实船试验情况,并通过海试比较了增益规划式ＰＩＤ鲁棒控制及神经网络控制等不同算法的性能,试验结果表明航迹舵在不同海况长时间工作稳定可靠,航迹控制性能良好。     

船舶自动舵控制技术的发展

介绍与比较了船舶操纵的各种自动舵控制方法,船舶自动舵可分为4个发展阶段,即机械舵、PID舵、自适应舵和智能舵,其中智能舵为目前最先进的自动舵,它又分为专家系统、模糊舵和神经网络舵.     

船舶自动舵的单神经元自适应PID／PSD控制

船舶自动舵的单神经元自适应ＰＩＤ／ＰＳＤ控制程启明万德钧黄林（东南大学仪器科学与工程系，南京２１００１８）对于恒速航行的水面船舶来说，可只考虑偏航等因素．由船舶操纵性理论，只考虑首向角φ作为输出，舵角δ作为输入，可得运动方程为［１］Ｔ１Ｔ２φ…（ｔ...     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

基于小生境遗传算法的自动组卷

通过对当前自动组卷方法的分析,将小生境技术引入到遗传算法自动组卷中,以期望解决遗传算法组卷的早熟问题,提出一种基于小生境遗传算法的组卷方法.该方法采用功能段结构的整数编码方式,可以克服常规采用二进制编码搜索空间过大和编码长度过长的缺点,提高求解速度和精度,同时减少迭代次数加快算法收敛.在组卷模型中以题型、题量和分值为基础,在形成初始种群和进化的过程中始终保持题型、题量和分值不变,从而简化优化目标.试验结果显示,该方法能有效限制种群中相似个体的过多复制,从而维持群体的多样性,抑制出现早熟现象,改进遗传算法在自动组卷中应用的效率,其运行时间更短,误差更小.     

一种模糊控制小生境遗传算法的应用研究

基于遗传算法的基本原理,提出一种改进的遗传算法,将模糊控制思想与小生境技术引入到其中,从而保护种群的多样性,同时使每代最优解得以保存.遗传算法加入小生境技术后虽可保持种群群体的多样性,但是不可避免的会产生部分个体的早熟以及陷入局部最优,于是加入模糊控制思想,对种群的交叉概率Pc和变异概率Pm进行模糊控制,以此为基础,形成了一种新型的模糊控制小生境遗传算法.最后通过对三个典型函数的数值分析证明了该方法的有效性和可行性.     

基于递阶遗传算法的模糊系统优化设计

给出一种基于递阶遗传算法的模糊神经网络优化算法, 在该算法中对每个染色体都采用递阶编码, 并提出一种改进的交叉算子, 可以同时优化模糊神经网络结构和权值参数. 算法中采用双目标函数作为适应度函数对模糊神经网络模型的精确度和复杂性进行估价, 且对应一个实际问题, 可以通过调整适应度函数的参数值确定所需模糊神经网络模型的精确度和复杂性之间的比例, 从而生成一个适当的模糊神经网络模型. 模拟实验结果验证了该算法的有效性.     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.