CN109188898B - 船舶纵向运动多目标策略下最优参数决策方法 - Google Patents
船舶纵向运动多目标策略下最优参数决策方法 Download PDFInfo
- Publication number
- CN109188898B CN109188898B CN201810765015.5A CN201810765015A CN109188898B CN 109188898 B CN109188898 B CN 109188898B CN 201810765015 A CN201810765015 A CN 201810765015A CN 109188898 B CN109188898 B CN 109188898B
- Authority
- CN
- China
- Prior art keywords
- point
- fitting
- err
- optimal
- heave
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Processing Or Creating Images (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种船舶纵向运动多目标策略下最优参数决策方法,如果客户希望纵摇参数辨识精度高,则输出纵摇拟合误差目标函数最小值对应个体为参数最优解;如果客户希望升沉参数辨识精度高,则输出升沉拟合误差目标函数最小值对应个体作为参数最优解;如果客户希望纵摇和升沉同时需要高精度输出,则将该将目标函数矩阵看作二维平面上的点,并按照某一维数据从小到大进行排列,另一维上数据跟随变动位置。任意选取一个点,对该点左侧所有点做最小二乘直线拟合,求拟合误差;对该点右侧每一个点也进行最小二乘直线拟合,求拟合误差,则该点总误差记为以上两个拟合误差的和,取总误差最小点对应个体作为最优解,实现根据不同需求选择不同最优参数输出。
Description
技术领域
本发明涉及一种船舶纵向运动参数决策方法,特别是一种船舶纵向运动多目标策略下最优参数决策方法,涉及船舶运动多目标优化和参数拟合两大领域。
背景技术
在多目标优化问题中,优化目标之间互相联系,彼此制约,一个优化目标的性能提高通常会导致另外至少一个优化目标的性能退化,即多个优化目标很难同时得到最优结果。因此,一个较好的办法就是在多个目标之间进行协调,寻找折中解。
进化算法是一类模拟自然界生态系统中“优胜劣汰”行为的启发式搜索算法,具有很强的自适应性和自组织性。与传统优化算法相比,进化算法是一种建立在种群基础之上的概率搜索方法,它不需要提供额外的初始点,也不需要计算优化目标函数的梯度信息。因此,进化算法特别适合求解那些不能计算梯度信息或者是计算梯度信息需要很大开销、目标函数不连续以及传统优化算法无法求解的优化问题。进化算法一般从随机初始化一组候选解开始,通过不断迭代的实施进化操作,如交叉、变异和选择操作等,最终收敛到全局最优解。同时,进化算法在一次独立运行过程中可以得到多个解,非常符合多目标优化问题最优折中解的特点。另外,进化算法潜在的并行性和分布式特点使其在解决大规模优化问题上有着明显的优势。因此,进化算法解决了传统优化方法在处理复杂多目标优化问题时面临的局限性,目前,进化算法已经成为多目标优化领域的主流算法。
进化算法可以为船舶纵向运动参数辨识问题提供一个解集,解集里的每一个解在某一个目标上的性能不差于其他的解。因此,在没有更多评判标准的前提下,这些解均为当前的最优解。但是,很多情况下,实际问题中会要求只输出一个解,而如何在众多解中选择一个更合适的解,同样也是当前需要研究和讨论的问题之一。故而,针对多目标策略下的船舶纵向运动参数辨识问题,针对其输出的某一最优帕累托(Pareto)前沿面,我们设计一个参数决策系统,根据不同的需求选择不同的最优参数输出。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种针对多目标策略下的船舶纵向运动参数辨识问题,针对其输出的某一最优Pareto前沿面,根据不同的需求选择不同的最优参数输出的船舶纵向运动多目标策略下最优参数决策方法。
为解决上述技术问题,本发明提供一种船舶纵向运动多目标策略下最优参数决策方法,包括以下步骤:
步骤1:假设目标函数f1=(f1,1,f1,2,...,f1,N)表示纵向运动中的纵摇拟合精度的误差,目标函数f2=(f2,1,f2,2,...,f2,N)表示纵向运动中的升沉拟合精度的误差,多目标优化最后得到的帕累托前沿面得到最终的N组目标函数值数记为(f1,1,f2,1),(f1,2,f2,2),...,(f1,N,f2,N),执行步骤2;
步骤2:选择客户偏好:如果客户希望升沉参数辨识精度高,对纵摇拟合精度不做要求,则转步骤3;如果客户希望纵摇参数辨识精度高,而对升沉拟合精度不做要求,则转步骤4;如果客户希望纵摇和升沉参数同时辨识精度高,则转步骤5;
步骤3:从帕累托前沿面中选择目标函数f1中最小的值对应的个体作为最优参数输出,即f1=(f1,1,f1,2,...,f1,N)中值最小的个体对应的下标,记为(1,n1_min),则选择点作为最优输出点;
步骤4:从帕累托前沿面中选择目标函数f2中最小的值对应的个体作为最优参数输出,即f2=(f2,1,f2,2,...,f2,N)中值最小的个体对应的下标,记为(2,n2_min)则选择点作为最优输出点;
步骤6:计算第ni点的误差,具体为:
并得到第ni点的误差erri,erri满足:
erri=err_lefti+err_righti
执行步骤7;
步骤7:求所有erri中最小值及其对应的点的下标,记为min_outnum,则此时选择的最优输出点为(f1,min_outnum,f2,min_outnum)。
本发明的有益效果:本发明跟其他方法的最显著的区别在于能够根据客户的需求,选择一组水动力参数作为输出,且方法简单,实用性强。在用单目标优化的方法求得的水动力参数时,每次仅能输出一个水动力参数,而本发明给出的方法能够在一组最优Pareto前沿面里,根据不同的需求选择不同的最优参数输出,灵活性强。在对纵摇和升沉精度不作要求时,根据该点左右两边的拟合误差的大小能迅速找出一个折中解,方法简单实用。
附图说明
图1为本发明所述船舶纵向运动多目标策略下最优参数决策方法流程图;
图2为多目标策略下最优参数决策系统流程图前沿面;
图3第i点两侧的点做直线拟合示意图;
图4为实施例中Pareto前沿面得到最终的N组目标函数值数组;
图5为实施例中Pareto前沿面排序后的新序列;
图6为实施例中各点的err值;
图7为实施例中最优输出点在前沿面中对应的位置。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
本发明船舶纵向运动多目标策略下最优参数决策方法流程如图1所示,包括:
步骤1、纵向运动包含纵摇和升沉运动,假设目标函数f1=(f1,1,f1,2,...,f1,N)表示的是纵摇拟合精度的误差,目标函数f2=(f2,1,f2,2,...,f2,N)表示的是升沉拟合精度的误差,f1,f2取值越小,拟合精度越高。多目标优化最后得到的Pareto前沿面得到最终的N组目标函数值数记为(f1,1,f2,1),(f1,2,f2,2),...,(f1,N,f2,N);
步骤2、选择客户偏好。如果客户希望升沉参数辨识精度高,而对纵摇拟合精度不做要求,则转步骤3;如果客户希望纵摇参数辨识精度高,而对升沉拟合精度不做要求,则转步骤4;如果客户希望纵摇和升沉同时需要高精度输出,则转步骤5;
步骤3、从Pareto前沿面中选择目标函数f1中最小的值对应的个体作为最优参数输出,即f1=(f1,1,f1,2,...,f1,N)中值最小的个体对应的下标,记为(1,n1_min),则选择点作为最优输出点;
步骤4、从Pareto前沿面中选择目标函数f2中最小的值对应的个体作为最优参数输出,即f2=(f2,1,f2,2,...,f2,N)中值最小的个体对应的下标,记为(2,n2_min)则选择点作为最优输出点;
步骤6、计算第ni点的误差:
第i个点的拟合如图3所示。
并得到第ni点的误差
erri=err_lefti+err_righti
步骤7、求所有erri中最小值及其对应的点的下标,记为min_outnum,则此时选择的最优输出点为(f1,min_outnum,f2,min_outnum)。
下面列举一具体实施例:
(1)根据获得的多目标优化最后的Pareto前沿面得到最终的N组目标函数值数组(f1,1,f2,1),(f1,2,f2,2),...,(f1,N,f2,N),取值如图4所示。
(2)选择客户偏好。如果客户希望升沉参数辨识精度高,而对纵摇拟合精度不做要求,则转(3);如果客户希望纵摇参数辨识精度高,而对升沉拟合精度不做要求,则转(4);如果客户希望纵摇和升沉同时需要高精度输出,则转(5).
(6)按照顺序,从上面表格的第一个点开始,计算第ni点的误差:
并得到第ni点的误差
erri=err_lefti+err_righti
本例中得到的各点的err值如图6所示。
(7)求所有erri中最小值及其对应的点
min(erri)=0.3557,对应i=47
故此时选择的最优输出点为(f1,47,f2,47)=(0.5299,0.2594)
最优输出点所在位置如图7所示。
本发明具体实施方式还包括:
本发明针对多目标策略下船舶纵向运动参数辨识问题最优解选取问题,设计了一种最优解决策系统。本发明公开的方法区别于现有方法的显著特征在于:根据客户的实际需求,从Pareto前沿面中选择最合适的一组参数作为输出,具体流程见图1所示。
本发明公开了一种船舶纵向运动多目标策略下的最优参数决策系统。实现方式如下:
根据客户偏好,如果客户希望纵摇参数辨识精度高,而对升沉拟合精度不做要求,则输出纵摇拟合误差目标函数的最小值对应的个体作为参数最优解输出;
如果客户希望升沉参数辨识精度高,而对纵摇拟合精度不做要求,则输出升沉拟合误差目标函数的最小值对应的个体作为参数最优解输出;
如果客户希望纵摇和升沉同时需要高精度输出,则在前沿面中选择一个折中解作为输出,该折中解的选择方法如下:
如图2所示,我们将该将目标函数矩阵[f1i,f2i]看作二维平面上的点,并按照某一维上数据从小到大进行排列,另一维上的数据跟随变动位置。任意选取一个点,对该点左侧的所有点做最小二乘直线拟合,拟合误差记为err_lefti;对该点右侧的每一个点也进行最小二乘直线拟合,得到拟合误差err_righti;则该点总误差记为erri=err_lefti+err_righti;取总误差最小的点对应的个体作为最优解输出。
Claims (1)
1.一种船舶纵向运动多目标策略下最优参数决策方法,其特征在于:包括以下步骤:
步骤1:假设目标函数f1=(f1,1,f1,2,...,f1,N)表示纵向运动中的纵摇拟合精度的误差,目标函数f2=(f2,1,f2,2,...,f2,N)表示纵向运动中的升沉拟合精度的误差,多目标优化最后得到的帕累托前沿面上的N组目标函数值记为(f1,1,f2,1),(f1,2,f2,2),...,(f1,N,f2,N),执行步骤2;
步骤2:选择客户偏好:如果客户希望升沉参数辨识精度高,对纵摇拟合精度不做要求,则转步骤3;如果客户希望纵摇参数辨识精度高,而对升沉拟合精度不做要求,则转步骤4;如果客户希望纵摇和升沉同时参数辨识精度高,则转步骤5;
步骤3:从帕累托前沿面中选择目标函数f1中最小的值对应的个体作为最优参数输出,即f1=(f1,1,f1,2,...,f1,N)中值最小的个体对应的下标,记为(1,n1_min),则选择点作为最优输出点;
步骤4:从帕累托前沿面中选择目标函数f2中最小的值对应的个体作为最优参数输出,即f2=(f2,1,f2,2,...,f2,N)中值最小的个体对应的下标,记为(2,n2_min)则选择点作为最优输出点;
步骤6:计算第ni点的误差,具体为:
并得到第ni点的误差erri,erri满足:
erri=err_lefti+err_righti
执行步骤7;
步骤7:求所有erri中最小值及其对应的点的下标,记为min_outnum,则此时选择的最优输出点为(f1,min_outnum,f2,min_outnum)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765015.5A CN109188898B (zh) | 2018-07-12 | 2018-07-12 | 船舶纵向运动多目标策略下最优参数决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765015.5A CN109188898B (zh) | 2018-07-12 | 2018-07-12 | 船舶纵向运动多目标策略下最优参数决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109188898A CN109188898A (zh) | 2019-01-11 |
CN109188898B true CN109188898B (zh) | 2021-06-18 |
Family
ID=64936082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810765015.5A Active CN109188898B (zh) | 2018-07-12 | 2018-07-12 | 船舶纵向运动多目标策略下最优参数决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109188898B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191571B (zh) * | 2021-05-26 | 2024-04-05 | 上海海事大学 | 基于多目标适应性权重进化算法的航线优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103963938A (zh) * | 2014-05-14 | 2014-08-06 | 哈尔滨工程大学 | 一种基于斜舵船舶减纵摇装置智能自适应预测控制系统 |
EP2929429A1 (en) * | 2012-12-05 | 2015-10-14 | Aai Corporation | Fuzzy controls of towed objects |
CN105425580A (zh) * | 2015-12-14 | 2016-03-23 | 北京理工大学 | 一种itae最优n型系统构建方法 |
CN105787681A (zh) * | 2014-12-25 | 2016-07-20 | 金东纸业(江苏)股份有限公司 | 一种船舶预约管理系统 |
CN106773654A (zh) * | 2016-12-12 | 2017-05-31 | 中南大学 | 一种分数阶pid控制器参数优化整定方法 |
CN107063243A (zh) * | 2017-03-30 | 2017-08-18 | 哈尔滨工程大学 | 一种基于带限傅里叶线性组合的舰船升沉测量方法 |
CN107330164A (zh) * | 2017-06-13 | 2017-11-07 | 哈尔滨工程大学 | 一种三体船纵向运动模型辨识方法 |
CN108227483A (zh) * | 2018-01-05 | 2018-06-29 | 哈尔滨工程大学 | 海洋运载器用pd型紧格式无模型自适应航速控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070017431A1 (en) * | 2001-11-29 | 2007-01-25 | Hopkins Alan G | Watercraft |
CN104991552B (zh) * | 2015-04-24 | 2018-06-26 | 南京航空航天大学 | 基于控制器切换的舰载机自动着舰纵向控制器及其控制方法 |
-
2018
- 2018-07-12 CN CN201810765015.5A patent/CN109188898B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2929429A1 (en) * | 2012-12-05 | 2015-10-14 | Aai Corporation | Fuzzy controls of towed objects |
CN103963938A (zh) * | 2014-05-14 | 2014-08-06 | 哈尔滨工程大学 | 一种基于斜舵船舶减纵摇装置智能自适应预测控制系统 |
CN105787681A (zh) * | 2014-12-25 | 2016-07-20 | 金东纸业(江苏)股份有限公司 | 一种船舶预约管理系统 |
CN105425580A (zh) * | 2015-12-14 | 2016-03-23 | 北京理工大学 | 一种itae最优n型系统构建方法 |
CN106773654A (zh) * | 2016-12-12 | 2017-05-31 | 中南大学 | 一种分数阶pid控制器参数优化整定方法 |
CN107063243A (zh) * | 2017-03-30 | 2017-08-18 | 哈尔滨工程大学 | 一种基于带限傅里叶线性组合的舰船升沉测量方法 |
CN107330164A (zh) * | 2017-06-13 | 2017-11-07 | 哈尔滨工程大学 | 一种三体船纵向运动模型辨识方法 |
CN108227483A (zh) * | 2018-01-05 | 2018-06-29 | 哈尔滨工程大学 | 海洋运载器用pd型紧格式无模型自适应航速控制方法 |
Non-Patent Citations (4)
Title |
---|
Complex Nonlinear System Identification Based On Cellular Particle Swarm Optimization;Yuntao Dai等;《International Conference on Mechatronics and Automation》;20131231;第1486-1491页 * |
一种水面无人艇运动模式辨识系统的研究;李骏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20170215(第02期);全文 * |
基于NSGA-II算法的水下机器人水平面运动参数辨识;李庆梅等;《上海第二工业大学学报》;20160630;第33卷(第2期);第141-145页 * |
基于分阶段搜索连续蚁群算法的船舶纵向运动参数辨识;戴运桃等;《船舶力学》;20100831;第14卷(第8期);第872-878页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109188898A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241291A (zh) | 基于深度强化学习的知识图谱最优路径查询系统及其方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN110059864B (zh) | 一种基于知识迁移的矩形智能排样方法及系统 | |
CN108875933B (zh) | 一种无监督稀疏参数学习的超限学习机分类方法及系统 | |
CN112232413B (zh) | 基于图神经网络与谱聚类的高维数据特征选择方法 | |
Ishikawa et al. | Effective hierarchical optimization by a hierarchical multi-space competitive genetic algorithm for the flexible job-shop scheduling problem | |
EP3611799A1 (en) | Array element arrangement method for l-type array antenna based on inheritance of acquired characteristics | |
CN103942610A (zh) | 基于任务的可重组制造系统多态构型优化方法 | |
CN109872330A (zh) | 一种改进狮群优化的二维Otsu快速图像分割方法 | |
CN107169983A (zh) | 基于交叉变异人工鱼群算法的多阈值图像分割方法 | |
CN109188898B (zh) | 船舶纵向运动多目标策略下最优参数决策方法 | |
Wang et al. | Impact of data preprocessing on cell-type clustering based on single-cell RNA-seq data | |
CN105740949A (zh) | 一种基于随机性best策略的群体全局优化方法 | |
CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
CN104573004B (zh) | 一种基于双阶遗传计算的基因表达数据的双聚类方法 | |
CN113514072A (zh) | 一种面向导航数据与大比例尺制图数据的道路匹配方法 | |
CN110705650A (zh) | 一种基于深度学习的钣金布局方法 | |
Pereira et al. | Assessing active learning strategies to improve the quality control of the soybean seed vigor | |
CN106709572A (zh) | 一种数据处理方法及设备 | |
CN109145111A (zh) | 一种基于机器学习的多特征文本数据相似度计算方法 | |
Ito et al. | Design space exploration using Self-Organizing Map based adaptive sampling | |
CN110059806B (zh) | 一种基于幂律函数的多阶段加权网络社团结构检测方法 | |
Rojas et al. | Image segmentation of biofilm structures using optimal multi-level thresholding | |
CN108153254B (zh) | 一种基于萤火虫算法的零件群集成工艺路线规划方法 | |
CN108960509B (zh) | 一种制造系统智能排产方法与系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |