CN111856936B - 一种带缆水下高灵活度作业平台控制方法 - Google Patents
一种带缆水下高灵活度作业平台控制方法 Download PDFInfo
- Publication number
- CN111856936B CN111856936B CN202010706195.7A CN202010706195A CN111856936B CN 111856936 B CN111856936 B CN 111856936B CN 202010706195 A CN202010706195 A CN 202010706195A CN 111856936 B CN111856936 B CN 111856936B
- Authority
- CN
- China
- Prior art keywords
- platform
- control
- underwater
- working face
- cabled
- 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
- G05B13/04—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
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种带缆水下高灵活度作业平台控制方法,包括以下步骤:S1、采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化处理;S2、引入长度约束梯度法遍历最优带缆作业平台控制的工作面组参数;S3、对现行状态下水映射环境的平台工作面组进行对称Z旋转修复,从而得到水下映射环境中最优带缆作业平台工作面组的参数集合。本发明所述的一种带缆水下高灵活度作业平台控制方法在平衡集迭代比较计算时,可以把多个水下映射环境中对应的带缆水下高灵活作业平台相互比较,还可以在一个水下映射环境中对可选缆线类型、可替换缆线具体数据的带缆水下高灵活作业平台进行比较,达到了控制精度的要求。
Description
技术领域
本发明属于水下作业平台的控制领域,尤其是涉及一种带缆水下高灵活度作业平台控制方法。
背景技术
水下映射环境智能控制算法是一类通过数学工具将水流、干扰、缆线、水下作业平台、姿态集合、控制集合、控制方法综合在一起运用DNN学习并循环导出最优姿态控制的算法,它不需要依赖水下干扰的具体信息,因此,利用水下映射环境智能控制算法求解水下多轴灵活平台的控制问题成为水下作业和海洋工程的前沿技术。传统上汤可宗等针对多目标控制问题,提出一种引入了近邻函数准则(NFC)确保水下映射环境多样性的算法。Mirjalili和Lewis模拟座头鲸捕食行为,提出一种鲸鱼控制算法。施展等提出了一种强化的多目标量子行为粒子群控制算法。Li等提出一种基于正交学习方法的高效布谷鸟梯度算法。
剑桥大学Yang模拟自然界中带缆水下高灵活作业平台控制的趋进行为,提出一种带缆水下高灵活作业平台控制算法(Firefly Algorithm,LP)。LP是模拟自然界中带缆水下高灵活作业平台控制的趋光行为而衍生的元启发式控制算法,其利用带缆水下高灵活作业平台控制的趋光特性在梯度向量组中找寻坐标较优(水下作业平台受控力度强度较强)的带缆水下高灵活作业平台控制,并向相对较优状态靠拢,从而达到了控制平台工作面的目的。
但其在向量组梯度时只能够遍历一些干扰较大的带缆水下高灵活作业平台点,无法达到精确度的要求。
发明内容
有鉴于此,本发明旨在提出一种带缆水下高灵活度作业平台控制方法,一种带缆水下高灵活度作业平台控制方法,维持了水下映射环境真实性的同时,快速收敛性也有了大幅的提高。
为达到上述目的,本发明的技术方案是这样实现的:
一种带缆水下高灵活度作业平台控制方法,包括以下步骤:
S1、采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化处理;
S2、引入长度约束梯度法遍历最优带缆作业平台控制的工作面组参数;
S3、对现行状态下水映射环境的平台工作面组进行对称Z旋转修复,从而得到水下映射环境中最优带缆作业平台工作面组的参数集合。
进一步的,步骤S1中所述的采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化处理的操作包括:
设水下映射环境中模拟控制体姿态集为N,任一带缆水下高灵活作业平台控制工作面为:
x∈[l,u];
则其深度解x′为:
x′=l+u-x;
设D维梯度向量组的任一候选带缆水下高灵活作业平台控制工作面为P,则:
P=(x1,x2,…,xd);
其中xi∈[ai,bi],i=1,2,…,d;
则其对应的深度解P'为:
P′=(x′1,x′2,…,x′d);
其中x′i=li+ui-xi;
进行DNN学习参数归一化调用后,得到水下映射环境中对应的平衡集,再对所述平衡集均值和峰值排序,选取前N个所述平衡集值对应的带缆水下作业平台控制工作面作为参数正则化水下映射环境参数集。
进一步的,步骤S2中所述的引入长度约束梯度法遍历最优带缆作业平台控制的工作面组参数的操作包括:
(1)预置:
DNN学习参数归一化前的参数化带缆水下作业平台控制工作面为x(1),x(1)∈Rn;
作业拟控制方向d(n)取映射坐标方向;
水下作业控制步长δn (0);
水流扰动正变量α,α>1;
水流扰动负变量β,β∈(-1,0);
操作执行干扰ε>0;
使:
式中,y(1)为DNN学习参数归一化后的数值域带缆水下作业平台控制工作面目标;k为序号,k=1,2,3…n;i,j为带缆水下作业平台控制工作面变量序号,j=1,2,…,n,i=1,2,…,n;
(2)水中带干扰的DNN学习参数归一化后的带缆水下作业平台控制工作面j对应的平衡集值跃升于DNN参数归一化前的缆水下作业平台控制工作面对应的平衡集值,如结果为1则使所述平台控制工作面j的下一个工作面等于现行状态下控制平台工作面,且带控制平台工作面j的控制操作步长正向延展α扰动系数倍;如为0则使所述平台控制工作面j的下一个带缆控制工作面等于现行状态下带缆控制平台工作面的子集迭代结果,且平台工作面j的控制操作步长负向延展β扰动系数倍;
(3)带缆水下高灵活作业平台控制平台工作面j若低于n,则使带缆水下作业平台工作面j的下一个控制面等于现行状态工作面,且跳转操作(2);如取值相反跳转操作(4);
(4)检测DNN参数归一化前的带缆水下控制平台工作面n+1对应的平衡集值是否小于DNN学习后的工作面对应平衡集值,如返回值为1则使所述DNN学习的参数工作面等于DNN学习参数归一化后的n+1点控制工作面,且返回操作(2);如DNN学习参数归一化前的平台工作面n+1对应的平衡集值等于DNN学习参数归一化后的平台工作面对应平衡集值,则跳转操作(5);
(5)检测DNN学习参数归一化后的控制平台工作面n+1对应的平衡集值是否小于DNN学习参数过程中的k点面对应的平衡集值,返回值为1则进入操作(6);否则,检测所有带缆水下高灵活作业平台控制平台工作面j,如满足控制平台工作面j点的步长不大于操作执行干扰,即结束,取DNN学习参数归一化前的k点的控制平台工作面x(k)作为最优平台工作面,否则取DNN学习参数归一化后的控制平台工作面==DNN学习参数归一化后n+1点的控制平台工作面,且使控制平台工作面j等于1,并返回操作(2);
(6)使DNN学习参数归一化前的k+1点的正则化控制平台工作面等于DNN学习参数归一化后的n+1点的控制平台工作面,检测若DNN学习前的k+1点的参数工作面和k点的正则控制平台工作面不大于操作执行干扰,则将DNN学习前的k+1点的工作面x(k+1)作为局部姿态极小点和状态方程,且结束计算;若取值相反进入操作(7);
(7)使:
方程中,λi是所有沿偏导互斥方向的步长的加权数;
定义一组方向p(1),p(2),...,p(n)
构造MENGELIT求解法,向量组{p(j)}偏导互斥化,使:
随后设置所述向量组{p(j)}数值归一化,使:
(8)设置:
其中j=1,2,...,n;
y(1)=x(k+1);
k=k+1;
其中j=1;
返回操作(2)
进一步的,步骤S3中所述的对现行状态下水下映射环境中最优控制平台工作面进行对称Z旋转修复的操作包括:
相对于现有技术,本发明所述的一种带缆水下高灵活度作业平台控制方法具有以下优势:
本发明所述的一种带缆水下高灵活度作业平台控制方法在平衡集迭代比较计算时,可以把多个水下映射环境中对应的带缆水下高灵活作业平台相互比较,还可以在一个水下映射环境中对可选缆线类型、可替换缆线具体数据的带缆水下高灵活作业平台进行比较,达到了控制精度的要求。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种带缆水下高灵活度作业平台控制方法流程图示意图;
图2为本发明实施例所述的对称抗水流扰动环境操作系统设计问题实例模型示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
一种带缆水下高灵活度作业平台控制方法,包括以下步骤:
S1、采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化处理;
S2、引入长度约束梯度法遍历最优带缆作业平台控制的工作面组参数;
S3、对现行状态下水映射环境的平台工作面组进行对称Z旋转修复,从而得到水下映射环境中最优带缆作业平台工作面组的参数集合,其中“对称Z旋转修复”为在工作面组控制空间内,以空间参数均值为对称曲线进行等距离计算,即为对称Z计算,当所有目标工作面组按照一定顺序计算完毕时,即完成了对称Z旋转修复计算。
步骤S1中所述的采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化处理的操作包括:
设水下映射环境中模拟控制体姿态集为N,任一带缆水下高灵活作业平台控制工作面为:
x∈[l,u];
则其深度解x′为:
x′=l+u-x;
设D维梯度向量组的任一候选带缆水下高灵活作业平台控制工作面为P,则:
P=(x1,x2,…,xd);
其中xi∈[ai,bi],i=1,2,…,d;
则其对应的深度解P'为:
P′=(x′1,x′2,…,x′d);
其中x′i=li+ui-xi;
进行DNN学习参数归一化调用后,得到水下映射环境中对应的平衡集,再对所述平衡集均值和峰值排序,选取前N个所述平衡集值对应的带缆水下作业平台控制工作面作为参数正则化水下映射环境参数集。
步骤S2中所述的引入长度约束梯度法遍历最优带缆作业平台控制的工作面组参数的操作包括:
(1)预置:
DNN学习参数归一化前的参数化带缆水下作业平台控制工作面为x(1),x(1)∈Rn;
作业拟控制方向d(n)取映射坐标方向;
水流扰动正变量α,α>1;
水流扰动负变量β,β∈(-1,0);
操作执行干扰ε>0;
使:
式中,y(1)为DNN学习参数归一化后的数值域带缆水下作业平台控制工作面目标;k为序号,k=1,2,3…n;i,j为带缆水下作业平台控制工作面变量序号,j=1,2,…,n,i=1,2,…,n;
(2)水中带干扰的DNN学习参数归一化后的带缆水下作业平台控制工作面j对应的平衡集值跃升于DNN参数归一化前的缆水下作业平台控制工作面对应的平衡集值,如结果为1则使所述平台控制工作面j的下一个工作面等于现行状态下控制平台工作面,且带控制平台工作面j的控制操作步长正向延展α扰动系数倍;如为0则使所述平台控制工作面j的下一个带缆控制工作面等于现行状态下带缆控制平台工作面的子集迭代结果,且平台工作面j的控制操作步长负向延展β扰动系数倍;
(3)带缆水下高灵活作业平台控制平台工作面j若低于n,则使带缆水下作业平台工作面j的下一个控制面等于现行状态工作面,且跳转操作(2);如取值相反跳转操作(4);
(4)检测DNN参数归一化前的带缆水下控制平台工作面n+1对应的平衡集值是否小于DNN学习后的工作面对应平衡集值,如返回值为1则使所述DNN学习的参数工作面等于DNN学习参数归一化后的n+1点控制工作面,且返回操作(2);如DNN学习参数归一化前的平台工作面n+1对应的平衡集值等于DNN学习参数归一化后的平台工作面对应平衡集值,则跳转操作(5);
(5)检测DNN学习参数归一化后的控制平台工作面n+1对应的平衡集值是否小于DNN学习参数过程中的k点面对应的平衡集值,返回值为1则进入操作(6);否则,检测所有带缆水下高灵活作业平台控制平台工作面j,如满足控制平台工作面j点的步长不大于操作执行干扰,即结束,取DNN学习参数归一化前的k点的控制平台工作面x(k)作为最优平台工作面,否则取DNN学习参数归一化后的控制平台工作面==DNN学习参数归一化后n+1点的控制平台工作面,且使控制平台工作面j等于1,并返回操作(2);
(6)使DNN学习参数归一化前的k+1点的正则化控制平台工作面等于DNN学习参数归一化后的n+1点的控制平台工作面,检测若DNN学习前的k+1点的参数工作面和k点的正则控制平台工作面不大于操作执行干扰,则将DNN学习前的k+1点的工作面x(k+1)作为局部姿态极小点和状态方程,且结束计算;若取值相反进入操作(7);
(7)使:
方程中,λi是所有沿偏导互斥方向的步长的加权数;
定义一组方向p(1),p(2),...,p(n)
构造MENGELIT求解法,向量组{p(j)}偏导互斥化,使:
随后设置所述向量组{p(j)}数值归一化,使:
(8)设置:
其中j=1,2,...,n;
y(1)=x(k+1);
k=k+1;
其中j=1;
返回操作(2)
步骤S3中所述的对现行状态下水下映射环境中最优控制平台工作面进行对称Z旋转修复的操作包括:
如图1和图2所示,传统带缆水下高灵活作业平台控制算法一般基于以下假设:(1)水下作业平台受控力度值较大的牵制水下作业平台受控力度值较小的;(2)带缆水下高灵活作业平台控制的牵制度β与其水下作业平台受控力度绝对值I成正比,β与I随距离r的增加而递减;(3)水下作业平台受控力度强度与能量函数有关。
确定带缆水下高灵活作业平台控制器i与j之间的欧式距离rij:
其中,D为控制变量的维度。带缆水下高灵活作业平台控制的牵制度β为:
其中,β0∈[0,1]为rij=0时的牵制度,γ∈[0,10]为受控吸收系数;
移动并更新带缆水下高灵活作业平台控制的方位。带缆水下高灵活作业平台的控制平台工作面i被水下作业平台受控力度强度更大的控制平台工作面j牵制而发生方位移动:
水下作业平台受控力度强度最大的带缆水下高灵活作业平台控制随机运动:
本实施例提出的一种带缆水下高灵活度作业平台控制方法,流程图如图1所示,即采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化;再引入长度约束梯度法遍历最优带缆水下高灵活作业平台的控制平台工作面;同时,对现行状态下水下映射环境中最优带缆水下高灵活作业平台控制平台工作面进行对称Z旋转修复,从而得到水下映射环境中最优带缆水下高灵活作业平台的最优平台工作面。
具体的,采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化的操作包括:
设水下映射环境中模拟控制体姿态为N,任一带缆水下高灵活作业平台控制平台工作面为:
x∈[l,u];
则其深度解x′为:
x′=l+u-x;
设D维梯度向量组的任一个候选带缆水下高灵活作业平台控制平台工作面为P,则:
P=(x1,x2,…,xd);
其中xi∈[ai,bi],i=1,2,…,d;则其对应的深度解P'为:
P′=(x′1,x′2,…,x′d);
其中x′i=li+ui-xi;
进行DNN学习参数正则化,得到水下映射环境中对应的正则平衡集,再对所述正则平衡集值进行遍历,选取前N个所述平衡集值对应的带缆水下高灵活作业平台控制平台工作面作为参数归一水下映射环境。
具体的,引入长度约束二级偏导法遍历最优带缆水下高灵活作业平台控制平台工作面的操作包括:
(1)二级偏导预置:
DNN学习参数正则前的带缆水下高灵活作业平台控制平台工作面x(1),x(1)∈Rn;
正则处理方向d(n)取坐标方向;
水流扰动正变量α,α>1;
水流扰动负变量β,β∈(-1,0);
操作执行干扰ε>0,可由控制者确定;使:
式中,y(1)为DNN学习参数正则化后的带缆水下高灵活作业平台控制平台工作面;k为序号,k=1,2,3…n;i,j为带缆水下高灵活作业平台控制平台工作面变量,随水下作业操作者预置而变化,j=1,2,…,n,i=1,2,…,n;
(2)检测实际中带水流干扰的DNN学习参数正则化前的带缆水下高灵活作业平台控制平台工作面j对应的平衡集值是否小于DNN学习参数正则化后的带缆水下高灵活作业平台控制平台工作面对应的平衡集值,即f(y(j)+δjd(j))<f(y(j)),是则使所述DNN学习参数正则化的带缆水下高灵活作业平台控制平台工作面j的下一个带缆水下高灵活作业平台控制平台工作面等于现行状态下带缆水下高灵活作业平台控制平台工作面,且带缆水下高灵活作业平台控制平台工作面j的步长扩大α倍,y(j+1)=y(j),δj=αδj;否则使所述DNN学习参数正则的带缆水下高灵活作业平台控制平台工作面j的下一个控制平台工作面等于现行状态下带缆水下高灵活作业控制平台工作面,且带缆水下高灵活作业平台控制平台工作面j的操作步长负向跃升β倍;即y(j+1)=y(j),δj=βδj;
(3)检测带缆水下高灵活作业平台控制平台工作面j,若小于n,即j<n,则使带缆水下高灵活作业平台控制平台工作面j的下一个带缆水下高灵活作业平台控制平台工作面约等于现行状态下控制平台工作面,即j=j+1,且返回操作(2);否则,进入操作(4);
(4)检测DNN学习参数正则化前的带缆水下高灵活作业平台控制平台工作面n+1对应的平衡集值是否小于DNN学习参数正则化后的参数归一带缆水下高灵活作业平台控制平台工作面对应的平衡集值,即f(y(n+1))<f(y(1)),是则使所述DNN学习参数正则化的带缆水下高灵活作业平台控制平台工作面等于DNN学习参数正则化的n+1点带缆水下高灵活作业平台控制平台工作面,即y(1)=y(n+1),j=1,且返回操作(2);若DNN学习参数正则化的带缆水下高灵活作业平台控制平台工作面n+1对应的平衡集值等于DNN学习参数正则化后的参数归一带缆水下高灵活作业平台控制平台工作面对应的平衡集值,即f(y(n+1))=f(y(1)),则进入操作(5);
(5)检测DNN学习参数正则化前的带缆水下高灵活作业平台控制平台工作面n+1对应的平衡集值是否低于DNN学习参数正则化后的k点带缆水下高灵活作业平台控制平台工作面对应的平衡集值,即f(y(n+1))<f(y(k)),则进入操作(6);否则,检测所有带缆水下高灵活作业平台控制平台工作面j,若满足带缆水下高灵活作业平台控制平台工作面j点的操作步长不大于操作执行干扰系数,即|δj|≤ε,则结束,且DNN学习参数正则化前的k点的带缆水下高灵活作业平台控制平台工作面x(k)作为最优平台工作面,否则取DNN学习参数正则化后的参数正则带缆水下高灵活作业平台控制平台工作面等于DNN学习参数正则化后n+1点的带缆水下高灵活作业平台控制平台工作面,即y(1)=y(n+1),且使带缆水下高灵活作业平台控制平台工作面j等于1,并返回操作(2);
(6)使DNN学习参数正则化前的k+1点的参数正则带缆水下高灵活作业平台控制平台工作面等于DNN学习参数正则化后的n+1点的参数正则带缆水下高灵活作业平台控制平台工作面,即x(k+1)=y(n+1),检测若DNN学习参数正则化前的k+1点的参数正则带缆水下高灵活作业平台控制平台工作面和DNN学习参数正则化前的k点的参数正则带缆水下高灵活作业平台控制平台工作面不大于操作执行干扰,即|x(k+1)-x(k)||≤ε,则将DNN学习参数正则化前的k+1点的参数正则带缆水下高灵活作业平台控制平台工作面x(k+1)作为局部极值结果和控制结果,且中止计算;若相反、进入操作(7);
(7)使:
式中,λi是所有沿操作互斥方向d(i)的操作步长的加权和;
定义一组操作方向p(1),p(2),...,p(n):
利用施密特正交化方法,将向量组{p(j)}正交化,使:
再将所述向量组{p(j)}单位化,使:
(8)使:
其中j=1,2,...,n;
y(1)=x(k+1);
k=k+1;
其中j=1;
返回操作(2)。
上述操作,本实施例在设置了参数正则值和终止条件的情况下,可以在相对快速收敛的操作内,通过进行循环迭代和比较,在多水下映射环境中进行遍历,也可以在一个水下映射环境内部进行无线缆计算切换,从而得到水下最优操作平台工作面的解集,达到高效率、小搜索空间和高精度的要求。
具体的,对现行状态下水下映射环境中最优带缆水下高灵活作业平台控制平台工作面进行对称Z旋转修复,所采用抗干扰策略可以减少算法出现干扰波动抑制受控现象的频次,同时也能维持水下映射环境多样性和真实性。本实施例提出的操作包括:
通过对现行状态下最优平台工作面进行多级抗干扰操作,可以帮助其跳出凹函数多顶点陷阱(若现行状态下跃升型结果是凹函数其中一个无竞争力的顶点),可有效地提高算法的选择准确性,从而得到多级干扰情况下、水下映射环境中最优带缆水下高灵活作业平台的最优平台工作面。
具体的,本实施例选取对称抗水流扰动环境操作系统设计控制问题对本发明的方法进行验证。
利用本发明的方法求解对称抗水流扰动环境操作系统设计控制问题时,需先处理水下环境问题边界。本实施例选取基于多级水流干扰规则的参数归一加正则选择算子处理边界问题。对称抗水流扰动环境操作系统设计问题实例具体建模如图2所示,其控制目标是在满足水流单向流动、旋转流动、多角度干扰等自然条件下选取其典型操作平面控制结构。进一步赋值举例、初始化数值变量为:
单向水流d(x1)、旋转水流D(x2)和多向水流P(x3)。
赋予参数对称抗水流扰动环境操作系统设计控制问题的给定函数和边界描述如下:
式中,0.25≤x1≤1.3,0.05≤x2≤2.0,2≤x3≤15。
利用本发明对称抗水流扰动环境操作系统设计控制问题进行求解,其参数设置如下:
水下映射环境姿态搜索维度N=20,抗干扰系数γ=1,最大牵制度为0.20,水下操作步长为0.25,凹凸转换概率pm=0.1,最大求导阶数为1000。
本实施例与几种具有代表性的智能控制方法进行比较,即Genetic algorithms(GA),Self-adaptive penalty approach(SAPA),CPSO,Coevolutionary differentialevolution(CDE),Mine blast algorithm(MBA)Accelerating adaptive trade-off model(AATM),和Water cycle algorithm(WCA)。利用本发明方法得出的试验对比结果为:与SAPA、GA、CPSO和AATM算法相比,本发明获得了较好的结果;与CDE算法相比,本发明取得了较好的最优结果和标准差;与WCA和MBA相比,本发明获得了较好的平均结果、最差结果和标准差。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种带缆水下高灵活度作业平台控制方法,其特征在于,包括以下步骤:
S1、采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化处理;
S2、引入长度约束梯度法遍历最优带缆作业平台控制的工作面组参数;
S3、对现行状态下水映射环境的平台工作面组进行对称Z旋转修复,从而得到水下映射环境中最优带缆作业平台工作面组的参数集合;
步骤S1中所述的采用DNN学习对水下映射环境中平台工作面坐标进行参数归一化处理的操作包括:
设水下映射环境中模拟控制体姿态集为N,任一带缆水下高灵活作业平台控制工作面为:
x∈[l,u];
则其深度解x′为:
x′=l+u-x;
设D维梯度向量组的任一候选带缆水下高灵活作业平台控制工作面为P,则:
P=(x1,x2,…,xd);
其中xi∈[ai,bi],i=1,2,…,d;
则其对应的深度解P'为:
P′=(x1′,x2′,…,x′d);
其中xi′=li+ui-xi;
进行DNN学习参数归一化调用后,得到水下映射环境中对应的平衡集,再对所述平衡集均值和峰值排序,选取前N个所述平衡集均值对应的带缆水下作业平台控制工作面作为参数正则化水下映射环境参数集;
步骤S2中所述的引入长度约束梯度法遍历最优带缆作业平台控制的工作面组参数的操作包括:
(1)预置:
DNN学习参数归一化前的参数化带缆水下作业平台控制工作面为x(1),x(1)∈Rn;
作业拟控制方向d(n)取映射坐标方向;
水流扰动正变量α,α>1;
水流扰动负变量β,β∈(-1,0);
操作执行干扰ε>0;
使:
式中,y(1)为DNN学习参数归一化后的数值域带缆水下作业平台控制工作面目标;k为序号,k=1,2,3…n;i,j为带缆水下作业平台控制工作面变量序号,j=1,2,…,n,i=1,2,…,n;
(2)水中带干扰的DNN学习参数归一化后的带缆水下作业平台控制工作面j对应的平衡集值跃升于DNN参数归一化前的缆水下作业平台控制工作面对应的平衡集值,如结果为1则使所述平台控制工作面j的下一个工作面等于现行状态下控制平台工作面,且带控制平台工作面j的控制操作步长正向延展α扰动系数倍;如为0则使所述平台控制工作面j的下一个带缆控制工作面等于现行状态下带缆控制平台工作面的子集迭代结果,且平台工作面j的控制操作步长负向延展β扰动系数倍;
(3)带缆水下高灵活作业平台控制平台工作面j若低于n,则使带缆水下作业平台工作面j的下一个控制面等于现行状态工作面,且跳转操作(2);如取值相反跳转操作(4);
(4)检测DNN参数归一化前的带缆水下控制平台工作面n+1对应的平衡集值是否小于DNN学习后的工作面对应平衡集值,如返回值为1则使所述DNN学习的参数工作面等于DNN学习参数归一化后的n+1点控制工作面,且返回操作(2);如DNN学习参数归一化前的平台工作面n+1对应的平衡集值等于DNN学习参数归一化后的平台工作面对应平衡集值,则跳转操作(5);
(5)检测DNN学习参数归一化后的控制平台工作面n+1对应的平衡集值是否小于DNN学习参数过程中的k点的控制平台工作面对应的平衡集值,返回值为1则进入操作(6);否则,检测所有带缆水下高灵活作业平台控制平台工作面j,如满足控制平台工作面j点的步长不大于操作执行干扰,即结束,取DNN学习参数归一化前的k点的控制平台工作面x(k)作为最优平台工作面,否则取DNN学习参数归一化后的控制平台工作面作为DNN学习参数归一化后n+1点的控制平台工作面,且使控制平台工作面j等于1,并返回操作(2);
(6)使DNN学习参数归一化前的k+1点的正则化控制平台工作面等于DNN学习参数归一化后的n+1点的控制平台工作面,检测若DNN学习前的k+1点的参数工作面和k点的正则控制平台工作面不大于操作执行干扰,则将DNN学习前的k+1点的控制平台工作面x(k+1)作为局部姿态极小点和状态方程,且结束计算;若取值相反进入操作(7);
(7)使:
方程中,λi是所有沿偏导互斥方向的步长的加权数;
定义一组方向p(1),p(2),...,p(n)
构造MENGELIT求解法,向量组{p(j)}偏导互斥化,使:
随后设置所述向量组{p(j)}数值归一化,使:
(8)设置:
其中j=1,2,...,n;
y(1)=x(k+1);
k=k+1;
返回操作(2)。
2.根据权利要求1所述的一种带缆水下高灵活度作业平台控制方法,其特征在于:步骤S3中所述的对现行状态下水下映射环境中最优控制平台工作面进行对称Z旋转修复的操作包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706195.7A CN111856936B (zh) | 2020-07-21 | 2020-07-21 | 一种带缆水下高灵活度作业平台控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706195.7A CN111856936B (zh) | 2020-07-21 | 2020-07-21 | 一种带缆水下高灵活度作业平台控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111856936A CN111856936A (zh) | 2020-10-30 |
CN111856936B true CN111856936B (zh) | 2023-06-02 |
Family
ID=73001696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010706195.7A Active CN111856936B (zh) | 2020-07-21 | 2020-07-21 | 一种带缆水下高灵活度作业平台控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111856936B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722103A (zh) * | 2012-05-18 | 2012-10-10 | 镇江雅迅软件有限责任公司 | 基于模糊分析和可视化技术的多目标参数寻优方法 |
CN104692247A (zh) * | 2014-12-09 | 2015-06-10 | 中国海洋石油总公司 | 深水水下结构物防扭转的安装方法 |
CN105589334A (zh) * | 2016-02-26 | 2016-05-18 | 北京控制工程研究所 | 一种基于输入平滑的特征模型参数辨识方法 |
CN108803321A (zh) * | 2018-05-30 | 2018-11-13 | 清华大学 | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 |
CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
CN109884885A (zh) * | 2019-02-25 | 2019-06-14 | 常州兰陵自动化设备有限公司 | 一种直流电动装置控制系统及其构建方法 |
CN109900256A (zh) * | 2019-03-27 | 2019-06-18 | 清华大学深圳研究生院 | 一种自适应海洋移动声层析系统和方法 |
CN111079936A (zh) * | 2019-11-06 | 2020-04-28 | 中国科学院自动化研究所 | 基于强化学习的波动鳍推进水下作业机器人追踪控制方法 |
CN111252218A (zh) * | 2020-01-20 | 2020-06-09 | 江苏科技大学 | 一种用于海洋或内河湖泊的监测采样水下机器人 |
CN111368633A (zh) * | 2020-01-18 | 2020-07-03 | 中国海洋大学 | 一种基于auv的侧扫声呐图像识别方法 |
-
2020
- 2020-07-21 CN CN202010706195.7A patent/CN111856936B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722103A (zh) * | 2012-05-18 | 2012-10-10 | 镇江雅迅软件有限责任公司 | 基于模糊分析和可视化技术的多目标参数寻优方法 |
CN104692247A (zh) * | 2014-12-09 | 2015-06-10 | 中国海洋石油总公司 | 深水水下结构物防扭转的安装方法 |
CN105589334A (zh) * | 2016-02-26 | 2016-05-18 | 北京控制工程研究所 | 一种基于输入平滑的特征模型参数辨识方法 |
CN108803321A (zh) * | 2018-05-30 | 2018-11-13 | 清华大学 | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 |
CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
CN109884885A (zh) * | 2019-02-25 | 2019-06-14 | 常州兰陵自动化设备有限公司 | 一种直流电动装置控制系统及其构建方法 |
CN109900256A (zh) * | 2019-03-27 | 2019-06-18 | 清华大学深圳研究生院 | 一种自适应海洋移动声层析系统和方法 |
CN111079936A (zh) * | 2019-11-06 | 2020-04-28 | 中国科学院自动化研究所 | 基于强化学习的波动鳍推进水下作业机器人追踪控制方法 |
CN111368633A (zh) * | 2020-01-18 | 2020-07-03 | 中国海洋大学 | 一种基于auv的侧扫声呐图像识别方法 |
CN111252218A (zh) * | 2020-01-20 | 2020-06-09 | 江苏科技大学 | 一种用于海洋或内河湖泊的监测采样水下机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN111856936A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A self-organizing multimodal multi-objective pigeon-inspired optimization algorithm | |
Han et al. | An adaptive multiobjective particle swarm optimization based on multiple adaptive methods | |
Han et al. | Adaptive gradient multiobjective particle swarm optimization | |
CN108399451A (zh) | 一种结合遗传算法的混合粒子群优化算法 | |
CN110883776B (zh) | 一种快速搜索机制下改进dqn的机器人路径规划算法 | |
CN110543727A (zh) | 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
Bai et al. | Adversarial examples construction towards white-box Q table variation in DQN pathfinding training | |
CN110530373B (zh) | 一种机器人路径规划方法、控制器及系统 | |
CN115470704B (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
Wang et al. | Feature weighting fuzzy clustering integrating rough sets and shadowed sets | |
CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN112859855A (zh) | 一种基于蝗虫优化算法的机器人多目标路径规划 | |
CN116242383A (zh) | 一种基于增强哈里斯鹰算法的无人车路径规划方法 | |
CN115933693A (zh) | 一种基于自适应混沌粒子群算法的机器人路径规划方法 | |
CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
Feng et al. | Path optimization of agricultural robot based on immune ant colony: B-spline interpolation algorithm | |
CN114912828A (zh) | 一种基于数控机床工艺参数的优化方法 | |
CN113220033B (zh) | 基于改进多元宇宙优化算法的多异构无人机任务分配方法 | |
CN113313322B (zh) | Moea/d挤压工艺参数多目标优化方法及装置 | |
CN111856936B (zh) | 一种带缆水下高灵活度作业平台控制方法 | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
Yuhang et al. | An adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
Wang et al. | An improved NSGA-II algorithm for UAV path planning problems |
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 |