CN106708044A - 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 - Google Patents

Abstract

本发明提供的是一种基于灰色预测混合遗传算法‑PID全垫升气垫船航向控制方法。用位置参考系统测得全垫升气垫船的实际位置，用姿态参考系统测得全垫升气垫船的实际艏向姿态；进行灰色误差预测，即建立新陈代谢模型、通过实际位置和实际艏向姿态预测未来行为数据得到超前控制值；PID控制器将输入的期望位置及艏向姿态与灰色误差预测得到的超前控制值做比较，并经过解算得到误差信号用于全垫升气垫船航迹控制系统的控制；PID控制器利用混合遗传算法在线整定PID控制器。本发明对气垫船航向控制有很强的适应性，并在各种环境下都能得到很好的效果。能减轻驾驶员的操纵负担，同时提高控制品质。

Description

基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法

技术领域

本发明涉及的是一种全垫升气垫船航向控制方法。

背景技术

全垫升气垫船是一种高性能船舶，具有良好的快速性和两栖性，有很广泛的应用领域。但由于系统本身的非线性特性，很难获得很好的操纵性。为了控制提高动态特性和获得精确控制规律，提出采用灰色预测的混合遗传算法-PID方法，利用遗传算法在每个采样时间对PID参数进行在线优化整定，同时利用灰色误差预测可以准确预测误差的实时变化趋势，以误差预测值进行PID控制可以起到一种超前控制的作用从而改善气垫船的操纵水平，减轻驾驶员的操纵负担，同时提高控制品质。

发明内容

本发明的目的在于提供一种能满足航迹控制精度、稳定性好的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法。

本发明的目的是这样实现的：

用位置参考系统测得全垫升气垫船的实际位置，用姿态参考系统测得全垫升气垫船的实际艏向姿态；

进行灰色误差预测，即建立新陈代谢模型、通过实际位置和实际艏向姿态预测未来行为数据得到超前控制值；

PID控制器将输入的期望位置及艏向姿态与灰色误差预测得到的超前控制值做比较，并经过解算得到误差信号用于全垫升气垫船航迹控制系统的控制；PID控制器利用混合遗传算法在线整定PID控制器。

本发明还可以包括：

1、所述PID控制器利用混合遗传算法在线整定PID控制器具体包括：

确定每个参数的范围和编码长度进行编码，随机产生n个个体构成初始种群，将种群中各个体解码成对应的参数值，用此参数值求目标函数J及适应函数值f，取f＝1/J，采用误差绝对值、误差和误差变化率的加权作为第k个采样时间的第i个个体的参数选择最小目标函数；

J(i)＝α_p×|errori(i)|+β_p|de(i)|

其中α_p，β_p为位置跟踪误差、误差变化率权值，errori(i)为第k个采样时间第i个个体的位置跟踪误差，de(i)为第k个采样时间第i个个体的位置跟踪误差变化率，采用惩罚功能，即一旦产生超调，将超调量作为最优指标的一项，最优指标为：

if errori(i)<0

J(i)＝J(i)+100×I errori(i)I

应用复制、交叉、和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),复制过程中，采用适应度比例法，种群中的第j个个体，被选中进行复制的概率

其中f为第j个个体的适应度，∑f为某代种群中所有个体适应度之和，遗传算法中的交叉概率P_c和变异概率P_m采用随适应度变化的自适应调整方法，P_c和P_m的计算公式

式中f_max为种群中最大的适应度；f_avg为每代种群的平均适应度；f’为要交叉的两个个体中较大的适应度；f为要变异个体的适应度。

2、灰色误差预测：定义y⁰(n)为气垫船航向与模型不精确，外界环境扰动灰色序列，定义y¹(n)为灰色序列累加数列。对气垫船航向进行实时采样，得到一个连续航向序列y⁰(0),y⁰(2),y⁰(3)...y⁰(n)，所得到了序列为灰色数列，对得到的灰色序列进行累加生成，得到一次生成累加数列y¹(1),y¹(2),y¹(3),y¹(4)...yⁿ(n)，确定灰色序列累加数列系数矩阵B，模型不精确，外界环境扰动灰色序列系数矩阵Y_N：

再计算(B^TB)^-1，再根据最小二乘法求参数列其中确定误差变化模型然后对其微分方程进行求解到：

其中为y¹的n+d时刻的灰色估计值，其中d＝0，1，2，…，由得到y⁰的n+d时刻的灰色估计值：

经以上步骤利用灰色序列得到航向的当前采时刻的下d个时刻的灰色估计值因为航向的给定值r一般是不变的，所以航向的当前采样时刻的下d个采时问的误差估计值最后表示为：

3、在进行灰色误差预测之前，先对实际位置和实际艏向姿态进行滤波及融合。

本发明针对全垫升气垫船航向控制技术，提出了一种基于灰色预测混合遗传算法-PID的控制方法，利用遗传算法的寻优特点及灰色误差预测的超前控制特性使气垫船航向控制有很强的适应性，并在各种环境下都能得到很好的效果。本发明的技术特点主要体现在：

1.气垫船的位置和姿态参数的获取：

用位置参考系统测得全垫升气垫船的位置信息，用姿态参考系统测得全垫升气垫船的艏向姿态数据信息；对获取的全垫升气垫船的姿态及位置信号进行滤波及融合，得到全垫升气垫船的精确位置及姿态。

2.混合遗传算法-PID航向控制器：

由期望的位置及姿态与实际的位置及姿态做比较，并经过解算得到误差信号；并利用混合遗传算法在线整定PID，最终得到全垫升气垫船航迹控制系统稳定的控制器。

3.灰色误差预测：

建立新陈代谢模型预测预测未来行为数据，通过将行为预测值与行为的给定值进行比较得到系统得超前控制值，达到控制及时，并提高自适应能力。

本发明包括以下有益效果：

1、本发明引入了灰色预测混合遗传算法-PID进行航迹控制器的设计，针对恶劣条件下高速行驶的全垫升气垫船能够满足其航迹控制要求。

2、本发明中全垫升气垫船位置及姿态的获取采用了集成位姿传感器，其精度满足航迹控制需求同时体积小巧更换方便。

3、本发明所述的灰色预测混合遗传算法-PID与常规PID控制器相比具有较好的自适应性和良好的动态调节品质，短的稳定时间体现灰色预测控制的超前控制特性，弥补了全垫升气垫船本身非线性特性使其能够快速稳定的按给定航向航行，具有一定的航向稳定性。

附图说明

图1混合遗传算法-PID控制器设计框图；

图2灰色预测控制框图。

具体实施方式

下面结合附图对本发明作进一步的描述。

本发明的目的按以下步骤实现：

1.获取气垫船的位置和姿态参数：

用位置参考系统测得全垫升气垫船的位置信息，用姿态参考系统测得全垫升气垫船的艏向姿态数据信息；对获取的全垫升气垫船的姿态及位置信号进行滤波及融合，得到全垫升气垫船的精确位置及姿态。

2.混合遗传算法-PID航向控制器的航向控制

在附图2中，r为给定航向，e为误差，u为PID控制器输出，y为气垫船实际航向,遗传算法模块的功能为对PID参数进行整定。

确定每个参数的大致范围和编码长度，进行编码；随机产生n个个体构成初始种群；将种群中各个体解码成对应的参数值，用此参数求目标函数J及适应函数值f，取f＝1/J。为了获取满意的过渡过程动态特性，并防止产生超调，采用误差绝对值、误差和误差变化率的加权及作为第k个采样时间的第i个个体的参数选择最小目标函数。

J(i)＝α_p×|errori(i)|+β_p|de(i)|

其中α_p，β_p为位置跟踪误差、误差变化率权值，errori(i)为第k个采样时间第i个个体的位置跟踪误差，de(i)为第k个采样时间第i个个体的位置跟踪误差变化率。为了避免超调，采用了惩罚功能，即一旦产生超调，将超调量作为最优指标的一项，此时最优指标为：

if errori(i)<0

J(i)＝J(i)+100×I errori(i)I

应用复制、交叉、和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),复制过程中，采用适应度比例法，种群中的第个个体，它被选中进行复制的概率

其中f为第j个个体的适应度，Σf为某代种群中所有个体适应度之和，遗传算法中的交叉概率P_c和变异概率P_m采用随适应度变化的自适应调整方法，P_c和P_m的计算公式

式中f_max为种群中最大的适应度；f_avg为每代种群的平均适应度；f’为要交叉的两个个体中较大的适应度；f为要变异个体的适应度。适应度低于平均适应度的个体，采用较大的交叉概率和变异概率；适应度高于平均适应度的个体，采用较小的交叉概率和变异概率。为了保证优化过程尽可能的不进入局部最优，交叉概率和变异概率一般不为零,选取P_cl＝0.9，P_c2＝0.6，P_m1＝0.1，P_m2＝0.001。

这样针对每个采样时间，进行PID控制参数的整定，取得更好的控制效果。

3.灰色误差预测

附图2为典型的灰色预测控制定义y⁰(n)为气垫船航向与模型不精确，外界环境扰动灰色序列，定义y¹(n)为灰色序列累加数列。对气垫船航向进行实时采样，得到一个连续航向序列y⁰(0),y⁰(2),y⁰(3)...y⁰(n)，所得到了序列为灰色数列，对得到的灰色序列进行累加生成，得到一次生成累加数列y¹(1),y¹(2),y¹(3),y¹(4)...yⁿ(n)，确定灰色序列累加数列系数矩阵B，模型不精确，外界环境扰动灰色序列系数矩阵Y_N：

再计算(B^TB)^-1，再根据最小二乘法求参数列其中确定误差变化模型然后对其微分方程进行求解到：

其中为y¹的n+d时刻的灰色估计值，其中d＝0，1，2，…。由得到y⁰的n+d时刻的灰色估计值：

经以上步骤利用灰色序列得到航向的当前采时刻的下d个时刻的灰色估计值因为航向控制策略中给定量一般是不变的，所以航向的当前采样时刻的下d个采时问的误差估计值最后表示为：

利用灰色误差预测可以准确预测误差的实时变化趋势，以误差预测值进行PID控制可以起到一种超前控制的作用。

Claims (6)

1.一种基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法，其特征是：

用位置参考系统测得全垫升气垫船的实际位置，用姿态参考系统测得全垫升气垫船的实际艏向姿态；

进行灰色误差预测，即建立新陈代谢模型、通过实际位置和实际艏向姿态预测未来行为数据得到超前控制值；

PID控制器将输入的期望位置及艏向姿态与灰色误差预测得到的超前控制值做比较，并经过解算得到误差信号用于全垫升气垫船航迹控制系统的控制；PID控制器利用混合遗传算法在线整定PID控制器。

2.根据权利要求1所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法，其特征是所述PID控制器利用混合遗传算法在线整定PID控制器具体包括：

确定每个参数的范围和编码长度进行编码，随机产生n个个体构成初始种群，将种群中各个体解码成对应的参数值，用此参数值求目标函数J及适应函数值f，取f＝1/J，采用误差绝对值、误差和误差变化率的加权作为第k个采样时间的第i个个体的参数选择最小目标函数；

J(i)＝α_p×|errori(i)|+β_p|de(i)|

其中α_p，β_p为位置跟踪误差、误差变化率权值,errori(i)为第k个采样时间第i个个体的位置跟踪误差，de(i)为第k个采样时间第i个个体的位置跟踪误差变化率，采用惩罚功能，即一旦产生超调，将超调量作为最优指标的一项，最优指标为：

if errori(i)<0

J(i)＝J(i)+100×I errori(i)I

应用复制、交叉、和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),复制过程中，采用适应度比例法，种群中的第j个个体，被选中进行复制的概率

$P_s=\frac{f_j}{\mathrm{\&Sigma;}f}$

其中f为第j个个体的适应度，Σf为某代种群中所有个体适应度之和，遗传算法中的交叉概率P_c和变异概率P_m采用随适应度变化的自适应调整方法，P_c和P_m的计算公式

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f^{\&prime;}-f_{max})}{f_{max}-f_{avg}}& f^{\&prime;}\&GreaterEqual;f_{avg}\\ P_{c1}& f^{\&prime;}<f_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f^{\&prime;}-f_{max})}{f_{max}-f_{avg}}& f\&GreaterEqual;f_{avg}\\ P_{m1}& f<f_{avg}\end{array}\right.$

式中f_max为种群中最大的适应度；f_avg为每代种群的平均适应度；f’为要交叉的两个个体中较大的适应度；f为要变异个体的适应度。

3.根据权利要求1或2所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法，其特征是灰色误差预测：定义y⁰(n)为气垫船航向与模型不精确，外界环境扰动灰色序列，定义y¹(n)为灰色序列累加数列，对气垫船航向进行实时采样，得到一个连续航向序列y⁰(0),y⁰(2),y⁰(3)...y⁰(n)，所得到了序列为灰色数列，对得到的灰色序列进行累加生成，得到一次生成累加数列y¹(1),y¹(2),y¹(3),y¹(4)...yⁿ(n)，确定灰色序列累加数列系数矩阵B，模型不精确，外界环境扰动灰色序列系数矩阵Y_N：

$B=\left[\begin{array}{cc}-0.5\&times;\left(y^1\right(1)+y^1\left(2\right))& 1\\ -0.5\&times;\left(y^1\right(2)+y^1\left(3\right))& 1\\ & ...\\ -0.5\&times;\left(y^1\right(n-1)+y^1\left(n\right))& 1\end{array}\right]$

$Y_N=\left[\begin{array}{c}{y}^0\left(2\right)\\ y^0\left(3\right)\\ ...\\ y^0\left(n\right)\end{array}\right]$

再计算(B^TB)^-1，再根据最小二乘法求参数列其中确定误差变化模型然后对其微分方程进行求解到：

$\hat{y}(n+d)=\left(y^0\right(1)-\frac{u}{a})e^{-a(n+d-1)}+\frac{u}{a}$

其中为y¹的n+d时刻的灰色估计值，其中d＝0，1，2，…，由得到y⁰的n+d时刻的灰色估计值：

$\hat{y}(n+d)=\left(y^0\right(1)-\frac{u}{a})e^{-a(n+d-1)}(1-e^a)$

经以上步骤利用灰色序列得到航向的当前采时刻的下d个时刻的灰色估计值因为航向控制策略中给定量是不变的，所以航向的当前采样时刻的下d个采时问的误差估计值最后表示为：

4.根据权利要求1或2所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法，其特征是：在进行灰色误差预测之前，先对实际位置和实际艏向姿态进行滤波及融合。

5.根据权利要求3所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法，其特征是：在进行灰色误差预测之前，先对实际位置和实际艏向姿态进行滤波及融合。

6.根据权利要求2所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法，其特征是：选取P_cl＝0.9，P_c2＝0.6，P_m1＝0.1，P_m2＝0.001。