CN107065575A - 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 - Google Patents
基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 Download PDFInfo
- Publication number
- CN107065575A CN107065575A CN201710431976.8A CN201710431976A CN107065575A CN 107065575 A CN107065575 A CN 107065575A CN 201710431976 A CN201710431976 A CN 201710431976A CN 107065575 A CN107065575 A CN 107065575A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- unmanned boat
- control model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 239000007788 liquid Substances 0.000 claims abstract description 4
- 241000256844 Apis mellifera Species 0.000 claims description 65
- 238000004088 simulation Methods 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002153 concerted effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,包括如下步骤:步骤1:对无人艇在水平面方向进行了三自由度简化,将水视为理想液体,建立无人艇系统模型,根据无人艇运动模型和动力学模型,推导出无人艇的航向控制模型;步骤2:将人工蜂群算法应用于无人艇的航向控制模型的参数识别中,根据无人艇在实际情况下的实验数据,并将数据进行预处理,利用人工蜂群算法得到待辨识的参数值,确定航向控制模型。本发明的优点在于:人工蜂群算法,不受非线性模型的限制,只依据待辨识系统的输入/输出数据对,通过机器学习得到一个描述系统输入/输出相关联的非线性映射。
Description
技术领域
本发明涉及无人艇航向控制模型参数辨识技术领域,具体涉及基于人工蜂群算法的无人艇航向控制模型的参数辨识方法。
背景技术
无人艇是一种用于搜索和侦查海洋信息的水面工具,最大的优点在于能够代替人去完成那些不适于有人或者对人有危险的任务。这种具有无人控制、智能避障、方便快捷的水面无人艇逐步得到各国的高度重视,尤其在军事领域被尤为关注。
无人艇在执行任务过程中,需要自主的寻找路径和规避障碍并且还要克服外界干扰的影响,以保持预定的航速、航向到达预定地点完成指定任务,这就要求无人水面艇应具有良好的操纵性。操纵性也就成为船舶设计前期必须首要考虑的前提条件,操纵性预报也就成为在船舶设计阶段必须首要考虑的重点研究对象。目前,船舶操纵性预报最常用和有效的方法就是通过对船舶的运动学和动力学分析以获得数学模型再用计算机模拟的方法来实现的。采用这种方法的前提条件之一就是如何确立一个能够准确描述船舶操纵运动的数学模型。随着科学技术的不断发展,建模的方法推陈出新越来越多,但是,无论采用哪种数学模型进行船舶操纵性预报,精确确定模型中的水动力导数或模型参数都是提高预报精度的关键。
发明内容
本发明的目的就是要针对现有装置的不足,通过对无人艇的运动学和动力学分析,建立模型的动力学方程,将人工蜂群算法应用于航向控制模型的参数辨识,并仿真实验验证了所述算法应用于所述模型参数辨识的可靠性。
为实现上述目的,本发明所涉及的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,包括如下步骤:
步骤1:对无人艇在水平面方向进行了三自由度简化,将水视为理想液体,建立无人艇系统模型,根据无人艇运动模型和动力学模型,推导出无人艇的航向控制模型;
步骤2:将人工蜂群算法应用于无人艇的航向控制模型的参数识别中,根据无人艇在实际情况下的实验数据,并将数据进行预处理,利用人工蜂群算法得到待辨识的参数值,确定航向控制模型。
进一步地,还包括如下步骤:
步骤3:利用航向控制模型进行仿真模拟,将得到的模拟结果与实际数据进行对比,对模型参数辨识的有效性进行验证。
更进一步地,所述步骤2中所述人工蜂群算法包括如下步骤:
步骤2.1:种群初始化;
步骤2.2:计算蜜源收益度;
步骤2.3:雇佣蜂搜索;
步骤2.4:跟随蜂搜索;
步骤2.5:侦察蜂搜索;
步骤2.6:求解出当前最优解并进行记录。
作为优选项,所述步骤2.1中:
所述种群初始化的算法:
随机产生xij(i=1,2,3,…,SN,j=1,2,3,…,D)个解,即蜜源;其中:SN为雇佣蜂和跟随蜂的总和;D为解向量的维数。蜜源由下式随机产生:
其中:和分别为xij取值的下限和上限。
作为优选项,所述步骤2.2中:
所述计算蜜源收益度计算方法:
收益度由下式决定,保留收益度较高的一半解,并与雇佣蜂一一对应:
其中:Fi为目标函数;yi为实际航行数据;yiden为辨识数据;为实际航行数据的平均值;N为采样数。这样,收益度fiti越大,辨识参数的精度越高。
作为优选项,所述步骤2.3中:
所述雇佣蜂搜索方法:
对当前第T代雇佣蜂种群中的一个目标蜜源随机选择蜜源r∈[1,2,…,SN/2](r≠i)逐维进行交叉搜索,产生新的蜜源vij:
其中:φij为-1到1的随机变量,并对新产生的蜜源vij和目标蜜源通过下式进行收益度比较:
作为优选项,所述步骤2.4中:
所述跟随蜂搜索方法:
跟随蜂根据下式按照轮盘赌的选择方式选择已寻找到较优蜜源的雇佣蜂进行跟随
作为优选项,所述步骤2.5中:
所述侦察蜂搜索方法:
当搜索次数trial大于阈值limit时,如果存在且不是当前最优解,则蜜源xij就会被放弃,相应的雇佣蜂也会变成侦察蜂,根据下式去寻找新的蜜源:
作为优选项,所述步骤2.6中:
求解出当前最优解并进行记录,然后返回到步骤1.3,使种群进化到下一代并反复循环,直到T=Tmax。
本发明的优点在于:人工蜂群算法,不受非线性模型的限制,只依据待辨识系统的输入/输出数据对,通过机器学习得到一个描述系统输入/输出相关联的非线性映射,即给定一个输入,就可得到一个输出,而不需要知道输入和输出之间存在怎样的映射关系。
附图说明
图1为本发明的实施步骤图;
图2为无人艇的运动示意图;
图3为仿真结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述:
如图1~2,基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,包括如下步骤:
步骤1:对无人艇在水平面方向进行了三自由度简化,将水视为理想液体,建立无人艇系统模型,根据无人艇运动模型和动力学模型,推导出无人艇的航向控制模型;
步骤2:将人工蜂群算法应用于无人艇的航向控制模型的参数识别中,根据无人艇在实际情况下的实验数据,并将数据进行预处理,利用人工蜂群算法得到待辨识的参数值,确定航向控制模型。
步骤2.1:种群初始化;
所述种群初始化的算法:
随机产生xij(i=1,2,3,…,SN,j=1,2,3,…,D)个解,即蜜源;其中:SN为雇佣蜂和跟随蜂的总和;D为解向量的维数。蜜源由下式随机产生:
其中:和分别为xij取值的下限和上限。
步骤2.2:计算蜜源收益度;
所述计算蜜源收益度计算方法:
收益度由下式决定,保留收益度较高的一半解,并与雇佣蜂一一对应:
其中:Fi为目标函数;yi为实际航行数据;yiden为辨识数据;为实际航行数据的平均值;N为采样数。
步骤2.3:雇佣蜂搜索;
所述雇佣蜂搜索方法:
对当前第T代雇佣蜂种群中的一个目标蜜源随机选择蜜源r∈[1,2,…,SN/2](r≠i)逐维进行交叉搜索,产生新的蜜源vij:
其中:φij为-1到1的随机变量,并对新产生的蜜源vij和目标蜜源通过下式进行收益度比较:
步骤2.4:跟随蜂搜索;
所述跟随蜂搜索方法:
跟随蜂根据下式按照轮盘赌的选择方式选择已寻找到较优蜜源的雇佣蜂进行跟随
步骤2.5:侦察蜂搜索;
所述侦察蜂搜索方法:
当搜索次数trial大于阈值limit时,如果存在且不是当前最优解,则蜜源xij就会被放弃,相应的雇佣蜂也会变成侦察蜂,根据下式去寻找新的蜜源:
步骤2.6:求解出当前最优解并进行记录;
求解出当前最优解并进行记录,然后返回到步骤1.3,使种群进化到下一代并反复循环,直到T=Tmax。
步骤3:利用航向控制模型进行仿真模拟,将得到的模拟结果与实际数据进行对比,对模型参数辨识的有效性进行验证。
实际使用时:
如图3,本发明在能够保证模型的准确度和基本动态特性的基础上,选取了三自由度的水平面运动模型。为了推导出无人艇的航向控制模型,首先需要对水面艇进行运动学和动力学分析,通过牛顿定律建立微分方程,所以必须先确立合适的参考系,下面来阐述本发明所选参考系。
首先要依赖牛顿定律选取惯性参考系作为固定坐标系(也称地面坐标系)。采用右手定则来确定地面坐标系(Eξηζ)取向:地面坐标系的原点E可取为水平面上任意一定点,轴Eξ处于海平面内保持水平,通常以水面艇的主航向为Eξ轴的正向,Eη轴垂直于Eξ轴指向右侧为正,Eζ轴垂直平面Eξη指向地心为正。船体坐标系(Oxyz)的原点O取在船体的重心,轴Ox位于船体的纵中剖面内指向船首为正,轴Oy垂直于纵中剖面且指向Ox轴右侧为正,轴Oz位于船体纵中剖面内指向船底方向为正。
运动模型的三个自由度是指沿X轴方向的移动,沿Y轴方向的移动和沿Z轴方向的转动。为得到线性方程,假设无人艇的结构左右对称,取船体坐标系的原点与无人艇重心重合,假设无人艇的纵向速度在小幅运动过程中近似保持不变,无人艇在水平面X轴方向受到的合力等于推进器推力与X轴上受到的水动力之和,因此建立无人艇在水平面内运动示意图如图1所示。
通过对无人艇的力学分析,运用牛顿第二定律可以写出无人艇的运动学和动力学方程如下:
其中,m表示船体质量,U表示船体的行进速度,d表示喷水角,r表示绕z轴旋转的角速度,Iz表示转动惯量,表示船作y轴方向的加速运动时所受到的y向水作用力和绕在z轴的水作用力矩,分别表示绕Z轴的加速度为时所受到的y向作用力和所产生的绕Z轴的作用力矩,Yvv、Nvv分别表示作y轴的匀速运动速度为v时所受到的y向作用力和所产生的绕Z轴的作用力矩,Yrr、Nrr分别表示绕z轴的匀角速度为r时所受到的y向作用力和所产生的绕Z轴的作用力矩,Yd、Nd分别表示海浪、海风和海流对船舶的y轴方向的扰动力和z轴方向扰动力矩。
把时变函数转化为复变函数,进行拉氏变换化简得到二阶响应模型:
式中,
Ds=(mu-Yr)Nv+NrYv,
根据野本谦作教授对z形试验结果进行理论分析,而得到了能够表达船舶操纵运动特性的二阶线性K-T方程:
其传递函数为其中K、T1、T2、T3为待辨识的参数。
最后,应当指出,以上实施例仅是本发明较有代表性的例子。显然,本发明不限于上述实施例,还可以有许多变形。凡依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应认为属于本发明的保护范围。
Claims (9)
1.基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:包括如下步骤:
步骤1:对无人艇在水平面方向进行了三自由度简化,将水视为理想液体,建立无人艇系统模型,根据无人艇运动模型和动力学模型,推导出无人艇的航向控制模型;
步骤2:将人工蜂群算法应用于无人艇的航向控制模型的参数识别中,根据无人艇在实际情况下的实验数据,并将数据进行预处理,利用人工蜂群算法得到待辨识的参数值,确定航向控制模型。
2.根据权利要求1所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:还包括如下步骤:
步骤3:利用航向控制模型进行仿真模拟,将得到的模拟结果与实际数据进行对比,对模型参数辨识的有效性进行验证。
3.根据权利要求1~2中任意一项所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:所述步骤2中所述人工蜂群算法包括如下步骤:
步骤2.1:种群初始化;
步骤2.2:计算蜜源收益度;
步骤2.3:雇佣蜂搜索;
步骤2.4:跟随蜂搜索;
步骤2.5:侦察蜂搜索;
步骤2.6:求解出当前最优解并进行记录。
4.根据权利要求3所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:所述步骤2.1中:
所述种群初始化的算法:
随机产生xij(i=1,2,3,…,SN,j=1,2,3,…,D)个解,即蜜源;其中:SN为雇佣蜂和跟随蜂的总和;D为解向量的维数。蜜源由下式随机产生:
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>L</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>U</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>L</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中:和分别为xij取值的下限和上限。
5.根据权利要求4所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:所述步骤2.2中:
所述计算蜜源收益度计算方法:
收益度由下式决定,保留收益度较高的一半解,并与雇佣蜂一一对应:
<mrow>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>fit</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中:Fi为目标函数;yi为实际航行数据;yiden为辨识数据;为实际航行数据的平均值;N为采样数。
6.根据权利要求5所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:所述步骤2.3中:
所述雇佣蜂搜索方法:
对当前第T代雇佣蜂种群中的一个目标蜜源随机选择蜜源r∈[1,2,…,SN/2](r≠i)逐维进行交叉搜索,产生新的蜜源vij:
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中:φij为-1到1的随机变量,并对新产生的蜜源vij和目标蜜源通过下式进行收益度比较:
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>></mo>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>&le;</mo>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
7.根据权利要求6所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:所述步骤2.4中:
所述跟随蜂搜索方法:
跟随蜂根据下式按照轮盘赌的选择方式选择已寻找到较优蜜源的雇佣蜂进行跟随
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>fit</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>fit</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
8.根据权利要求6所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:所述步骤2.5中:
所述侦察蜂搜索方法:
当搜索次数trial大于阈值limit时,如果存在且不是当前最优解,则蜜源xij就会被放弃,相应的雇佣蜂也会变成侦察蜂,根据下式去寻找新的蜜源:
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
9.根据权利要求4~8中任意一项所述的基于人工蜂群算法的无人艇航向控制模型的参数辨识方法,其特征在于:所述步骤2.6中:
求解出当前最优解并进行记录,然后返回到步骤1.3,使种群进化到下一代并反复循环,直到T=Tmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431976.8A CN107065575A (zh) | 2017-06-09 | 2017-06-09 | 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431976.8A CN107065575A (zh) | 2017-06-09 | 2017-06-09 | 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107065575A true CN107065575A (zh) | 2017-08-18 |
Family
ID=59617689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710431976.8A Pending CN107065575A (zh) | 2017-06-09 | 2017-06-09 | 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107065575A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
CN109782773A (zh) * | 2019-03-12 | 2019-05-21 | 哈尔滨工程大学 | 一种操纵响应方程参数向量并行估计方法 |
CN110134095A (zh) * | 2019-06-12 | 2019-08-16 | 国网河北能源技术服务有限公司 | 火电厂热工模拟量控制系统优化的方法及终端设备 |
CN110263400A (zh) * | 2019-06-12 | 2019-09-20 | 哈尔滨工程大学 | 一种无人艇非线性动力学模型的积分辨识方法 |
CN110333667A (zh) * | 2019-08-14 | 2019-10-15 | 大连海事大学 | 一种基于非线性新息辨识模型的船舶运动仿真及控制方法 |
CN111009909A (zh) * | 2020-01-02 | 2020-04-14 | 长沙有色冶金设计研究院有限公司 | 电力系统低频振荡模式识别方法 |
CN111611745A (zh) * | 2020-05-19 | 2020-09-01 | 大连海事大学 | 基于差分进化算法的无人船模型参数辨识方法及系统 |
CN111846144A (zh) * | 2020-08-03 | 2020-10-30 | 中国船舶科学研究中心 | 一种虚实融合的无人水面艇避碰测试方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005679A (zh) * | 2015-05-18 | 2015-10-28 | 哈尔滨工程大学 | 一种基于粒子滤波的船舶参数辨识方法 |
-
2017
- 2017-06-09 CN CN201710431976.8A patent/CN107065575A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005679A (zh) * | 2015-05-18 | 2015-10-28 | 哈尔滨工程大学 | 一种基于粒子滤波的船舶参数辨识方法 |
Non-Patent Citations (2)
Title |
---|
丁力 等: "基于混沌蜂群算法的小型无人直升机系统辨识", 《振动、测试与诊断》 * |
高明松 等: "应用人工蜂群算法辨识潜器参数", 《哈尔滨工程大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
CN108459616B (zh) * | 2018-03-07 | 2021-08-03 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
CN109782773A (zh) * | 2019-03-12 | 2019-05-21 | 哈尔滨工程大学 | 一种操纵响应方程参数向量并行估计方法 |
CN110134095A (zh) * | 2019-06-12 | 2019-08-16 | 国网河北能源技术服务有限公司 | 火电厂热工模拟量控制系统优化的方法及终端设备 |
CN110263400A (zh) * | 2019-06-12 | 2019-09-20 | 哈尔滨工程大学 | 一种无人艇非线性动力学模型的积分辨识方法 |
CN110263400B (zh) * | 2019-06-12 | 2022-08-02 | 哈尔滨工程大学 | 一种无人艇非线性动力学模型的积分辨识方法 |
CN110333667A (zh) * | 2019-08-14 | 2019-10-15 | 大连海事大学 | 一种基于非线性新息辨识模型的船舶运动仿真及控制方法 |
CN111009909A (zh) * | 2020-01-02 | 2020-04-14 | 长沙有色冶金设计研究院有限公司 | 电力系统低频振荡模式识别方法 |
CN111009909B (zh) * | 2020-01-02 | 2022-02-01 | 长沙有色冶金设计研究院有限公司 | 电力系统低频振荡模式识别方法 |
CN111611745A (zh) * | 2020-05-19 | 2020-09-01 | 大连海事大学 | 基于差分进化算法的无人船模型参数辨识方法及系统 |
CN111611745B (zh) * | 2020-05-19 | 2022-10-04 | 大连海事大学 | 基于差分进化算法的无人船模型参数辨识方法及系统 |
CN111846144A (zh) * | 2020-08-03 | 2020-10-30 | 中国船舶科学研究中心 | 一种虚实融合的无人水面艇避碰测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107065575A (zh) | 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
CN108334677B (zh) | 一种基于gru网络的uuv实时避碰规划方法 | |
Zhang et al. | Study on impact process of AUV underwater docking with a cone-shaped dock | |
Zhang et al. | An adaptive obstacle avoidance algorithm for unmanned surface vehicle in complicated marine environments | |
Cao et al. | Toward optimal rendezvous of multiple underwater gliders: 3D path planning with combined sawtooth and spiral motion | |
CN107255923A (zh) | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 | |
CN109634307A (zh) | 一种无人水下航行器复合航迹跟踪控制方法 | |
CN106950974A (zh) | 欠驱动自主水下航行器的对三维路径进行理解及跟踪控制方法 | |
CN109634308A (zh) | 基于动力学的速度模型辅助水下智能导航方法 | |
Qu et al. | Pursuit-evasion game strategy of USV based on deep reinforcement learning in complex multi-obstacle environment | |
Pinheiro et al. | Trajectory planning for hybrid unmanned aerial underwater vehicles with smooth media transition | |
Zhu et al. | AUV dynamic obstacle avoidance method based on improved PPO algorithm | |
Mainenti-Lopes et al. | Design of a nonlinear controller for a rigid-flexible satellite using multi-objective Generalized Extremal Optimization with real codification | |
Xu et al. | A learning method for AUV collision avoidance through deep reinforcement learning | |
Zuo et al. | A unified approach for underwater homing and docking of over-actuated AUV | |
Wang et al. | A collision avoidance method for intelligent ship based on the improved bacterial foraging optimization algorithm | |
CN103336887A (zh) | 一种基于蜂群算法辨识水动力系数的方法 | |
Wang et al. | ABA*–Adaptive Bidirectional A* Algorithm for Aerial Robot Path Planning | |
Cheng et al. | Trajectory optimization for ship navigation safety using genetic annealing algorithm | |
Zhang et al. | Autonomous skill learning of water polo ball heading for a robotic fish: Curriculum and verification | |
Wang et al. | The application of PID control in motion control of the spherical amphibious robot | |
CN115755603A (zh) | 船舶运动模型参数智能灰箱辨识方法、船舶运动控制方法 | |
CN116774576A (zh) | 基于神经网络间接估计的水下航行器动力学黑盒建模方法 | |
Zhang et al. | Residual Reinforcement Learning for Motion Control of a Bionic Exploration Robot-RoboDact |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |