CN112327619A - 一种基于多算法结合的推力分配优化方法 - Google Patents
一种基于多算法结合的推力分配优化方法 Download PDFInfo
- Publication number
- CN112327619A CN112327619A CN202011136806.5A CN202011136806A CN112327619A CN 112327619 A CN112327619 A CN 112327619A CN 202011136806 A CN202011136806 A CN 202011136806A CN 112327619 A CN112327619 A CN 112327619A
- Authority
- CN
- China
- Prior art keywords
- thrust
- propeller
- angle
- algorithm
- full
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多算法结合的推力分配优化方法,包括以下步骤:(1)、确定推进器需要优化计算的组合数;(2)、针对各种组合分别运用遗传算法进行优化计算,得到各推进器的推力和角度的最终相对最优解;(3)、将最终相对最优解作为SQP算法的输入初始值,求得各推进器的推力和角度;(4)、判断求得的角度是否满足预定条件,满足进入步骤(5),否则进入步骤(6);(5)、以当前时刻的角度为推进器的角度,运用伪逆法求得各推进器的推力,将其作为各推进器最终的推力;(6)、将利用SQP算法求得的各推进器的推力和角度作为各推进器最终的推力和角度。其能大大提高分配结果的准确性。
Description
技术领域
本发明属于船舶推力分配技术领域,涉及一种船舶的推进器的推力分配优化方法,具体涉及一种基于多算法结合的推力分配优化方法。
背景技术
船舶动力定位系统中推力分配模块的作用是将动力定位控制器输出的三自由度控制指令按照一定的分配方法合理的分配给各个推进器,使其输出期望推力及力矩。推力分配模块中的两个核心问题分别是推力分配方法和推力指令解算,其中推力分配方法的本质为多目标非线性优化问题。
现阶段针对推力分配的优化方法主要分为三种:第一种是利用传统优化方法中的序列二次规划法或伪逆法进行推力分配的求解。第二种是运用现代优化理论中的优化方法,如遗传算法、粒子群算法、人工鱼群算法等进行求解。第三种是运用两种算法结合进行求解。
但是,前两种方法由于是单纯的运用一种优化方法进行求解,因此并没有解决算法本身的缺点带来的影响。第三种方法相对解决了单一算法的缺点,能够取长补短,取得更优的计算结果。
但是,现阶段对第三种方法的运用只是停留在将两种算法进行叠加的基础上,并没有改变算法本身,也没有结合推力分配具体的指标对算法进行调整,因此对推力分配结果的提高有限。
在推力分配时,除了要考虑推力消耗,推进器的机械特性,推进器的推力范围等基本要素,对于配备全回转推进器的船舶来说还应该考虑推进器之间的干扰。为了减少干扰,全回转推进器在实际的回转过程中会存在回转禁区,这样将会造成推进器的推力角范围变为几个不连续的推力角范围。
对于回转禁区角的考虑,现阶段运用的是直接分配法和伪逆法的结合,在直接分配法中忽略禁区约束,计算得到回转角,当回转角位于禁区内时,将回转角移动到禁区边缘,然后利用伪逆法对推力进行二次优化求解。但是,这种处理手段比较单一,对于得到的解与最优解之间存在偏差。
鉴于现有技术的上述技术缺陷,迫切需要研制一种新型的推力分配优化方法。
发明内容
为了解决上述问题的缺陷和不足,本发明提出了一种基于多算法结合的推力分配优化方法,其能够结合要解决的推力分配参数进行多个算法的调整优化,从而能够大大提高分配结果的准确性。
为了实现上述目的,本发明提供如下技术方案:
一种基于多算法结合的推力分配优化方法,其特征在于,包括以下步骤:
(1)、确定推进器的需要优化计算的组合数;
(2)、针对各种组合分别运用遗传算法进行优化计算,得到各推进器的推力和角度的最终相对最优解;
(3)、将所述最终相对最优解作为序列二次规划算法的输入初始值,利用序列二次规划算法求得各推进器的推力和角度;
(4)、判断求得的全回转推进器的角度是否满足预定条件,如果满足预定条件,进入步骤(5),否则,进入步骤(6);
(5)、以全回转推进器当前时刻的角度为全回转推进器的角度,并运用伪逆法对各推力器的推力进行再次优化,求得各推进器的推力,将其作为各推进器最终的推力;
(6)、将利用序列二次规划算法求得的各推进器的推力和角度作为各推进器最终的推力和角度。
优选地,其中,所述步骤(1)具体为:若动力定位船舶存在m个推进器,其中有c个侧向推进器,有n个全回转推进器受干扰,受干扰的全回转推进器具有i个禁区角区间,则推进器的需要优化计算的组合数为2m-c·(i+1)n。
优选地,其中,所述步骤(2)中针对各种组合分别运用遗传算法进行优化计算具体为:
(2.1)、建立设计变量集合为:{T1,T2,T3…Tm,δ1,δ2,δ3…δm-c},其中,Tm代表第m个推进器的推力,δm-c代表第m-c个全回转推进器的角度;
(2.2)、建立总目标函数为:
其中,J为目标函数值,
ωr为表征第r个推进器的重要程度的权值,
Tr为第r个推进器的推力,
ωx为表征纵荡方向推力分配误差的重要程度的权值,
Sx为纵荡方向推力分配误差,
ωy为表征横荡方向推力分配误差的重要程度的权值,
Sy为横荡方向推力分配误差;
ωz为表征艏摇方向艏摇力矩分配误差的重要程度的权值,
Sz为艏摇方向推力分配误差;
(2.3)、确定约束条件为:τ=BT
(2.4)、采用遗传算法对总目标函数进行求解,得到各种组合下各推进器的推力和角度的相对最优解;
(2.5)、将得到的各中组合下各推进器的推力和角度的相对最优解进行比较,取其中最优的各推进器的推力和角度的相对最优解作为各推进器的推力和角度的最终相对最优解。
优选地,其中,所述步骤(4)中的预定条件为δa-δa0≤β,其中,δa为利用序列二次规划算法得到的第a个全回转推进器的角度,δa0为第a个全回转推进器的当前时刻的角度,a=(1,…m-c),β为阈值,初始值取为1°。
优选地,其中,所述步骤(5)具体为:此时使得全回转推进器的角度不变,并以δa0为第a个全回转推进器的角度,根据δa0更新推进器的配置矩阵B,并利用公式T=w-1BT(Bw-1BT)-1τ计算得到各推进器的推力;
此外,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述的基于多算法结合的推力分配优化方法的步骤。
另外,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现所述的基于多算法结合的推力分配优化发的步骤。
与现有技术相比,本发明的基于多算法结合的推力分配优化方法具有如下有益技术效果:
1、本发明首先利用全局优化最好的遗传算法进行全局的初步寻优,对得到的寻优结果运用SQP算法进行二次寻优,同时结合伪逆法进行三次寻优,从而获得全局最优值。
2、在进行初步寻优时即加入了推力禁区的影响,并且为了避免种群和遗传代数少导致寻优不理想的因素,在遗传算法寻优中,采用了并行策略,能够以更高效的获得全局最优解。
3、本发明将基于现代优化理论的现代优化方法和基于传统优化理论的传统优化方法相结合,并对优化要素进行调整,能够取得更好的优化结果。
4、本发明通过改变优化策略,能够在节省优化时间的同时提升优化效果,避免单一算法带来的局部最优解的出现。
5、本发明在充分考虑工程应用的前提下运用增加阈值的方法提高了工程的可实现性和可操作性,减少了因船舶自身原因造成的动力定位精度不足的问题。
附图说明
图1是本发明的基于多算法结合的推力分配优化方法的流程图。
图2是本发明的基于多算法结合的推力分配优化电子设备的结构示意图。
具体实施方式
下面结合实施例对本发明进一步说明,实施例的内容不作为对本发明的保护范围的限制。
本发明涉及一种基于多算法结合的推力分配优化方法,其能够结合要解决的推力分配参数进行多个算法的调整优化,从而能够大大提高分配结果的准确性。
图1示出了本发明的基于多算法结合的推力分配优化方法的流程图。如图1所示,本发明的基于多算法结合的推力分配优化方法以下步骤:
第一、确定推进器的需要优化计算的组合数。
假如动力定位船舶存在m个推进器,其中有c个侧向推进器,那么存在m-c个全回转推进器。在这m-c个全回转推进器中,假如有n个全回转推进器受干扰,存在推力禁区,因此将全回转推进器的推力区间按照推力方向分为两部分,各全回转推进器划分子区间为:
其中,Tm-c,max代表第m-c个全回转推进器的最大正向推力,
Tm-c,min代表第m-c个全回转推进器的最大负向推力;
Tm-c代表第m-c个全回转推进器的推力。
由于每个全回转推进器按照推力方向分为两部分,由此m-c个全回转推进器共有2m-c种需要优化计算的组合。
对于n个受干扰的全回转推进器,设受干扰的全回转推进器的推力禁止角范围为(αs1,αl1)∪(αs2,αl2)∪…∪(αsi,αli);则受干扰的全回转推进器推力角子区间为:(0,αs1);(αl1,αs2);…;(αli,2π)。
其中,(αsi,αli)表示全回转推进器第i个推力禁区,
αs1表示全回转推进器第i个推力禁区的下限,
αli表示全回转推进器的第i个推力禁区的上限。
推力禁止角的计算可利用CFD进行桨桨干扰仿真计算,也可利用经验公式计算:
L为两相互干扰的两个全回转推进器之间的距离,Dp为产生相互干扰的全回转推进器的螺旋桨直径。
由于每个受干扰的全回转推进器共有i个禁区角区间,那么,n个受干扰的全回转推进器共有(i+1)n种需要优化计算的组合。
由此,在动力定位船舶存在m个推进器,其中有c个侧向推进器,有n个全回转推进器受干扰,受干扰的全回转推进器具有i个禁区角区间的情况下,推进器的需要优化计算的组合数为2m-c·(i+1)n。
第二、针对各种组合分别运用遗传算法进行优化计算,得到各推进器的推力和角度的最终相对最优解。
遗传算法具有较强的全局搜索能力,能以较快的速度靠近全局最优点。但是其局部搜索能力较弱,需要大量的计算才能找到全局最优点。为了解决遗传算法容易陷入局部最优的问题,本发明结合推力分配过程中由于螺旋桨状态及推力禁区角组成的约束条件,确定了推进器的需要优化计算的组合数,并采用遗传算法对各种组合分别进行求解,因此,将传统的遗传算法进行了改进,加入并行策略改进遗传算法,提高了效率。
在本发明中,针对各种组合分别运用遗传算法进行优化计算具体为:
首先,建立设计变量集合。
在本发明中,考虑到是进行推力分配,也就是,需要确定各个推进器的推力以及各个全回转推进器的角度,因此,建立的设计变量集合为:{T1,T2,T3…Tm,δ1,δ2,δ3…δm-c},也就是m个推进器的推力以及m-c个全回转推进器的角度。
其中,Tm代表第m个推进器的推力,δm-c代表第m-c个全回转推进器的角度。
说明:侧向推进器不需要对其角度进行考虑和优化,因此,建立设计变量时,没有考虑c个侧向推进器的角度。
其次,建立总目标函数。
在本发明中,建立的总目标函数为:
其中,J为目标函数值,
ωr为表征第r个推进器的重要程度的权值,
Tr为第r个推进器的推力,
ωx为表征纵荡方向推力分配误差的重要程度的权值,
Sx为纵荡方向推力分配误差,
ωy为表征横荡方向推力分配误差的重要程度的权值,
Sy为横荡方向推力分配误差;
ωz为表征艏摇方向艏摇力矩分配误差的重要程度的权值,
Sz为艏摇方向推力分配误差。
接着,确定约束条件。
在本发明中,约束条件为等式约束,所述等式约束由受力模型得到,即:τ=BT
然后,采用遗传算法对总目标函数进行求解,得到各种组合下各推进器的推力和角度的相对最优解。
在本发明中,建立完成优化总目标函数后,采用遗传算法进行求解。为了能够提高整个优化分配过程的实时性,更快的取得最优解,减少优化计算时间,可以适当减小种群规模和遗传代数(例如,使得种群规模初值设置为200,遗传代数初始值为2000)。利用遗传优化得到一个全局最优解附近的相对最优解。
由于减小了种群规模和遗传代数,因此可以更快的获得最优解。同时,获得的最优解为相对最优解,还需要进行下一步处理,因此,其不会对最终结果造成不利影响。
最后,将得到的各中组合下各推进器的推力和角度的相对最优解进行比较,取其中最优的各推进器的推力和角度的相对最优解作为各推进器的推力和角度的最终相对最优解。
在本发明中,由于有2m-c·(i+1)n种组合,每一种组合都利用遗传算法进行了求解,并且可以同时进行,因此,加入了并行策略改进遗传算法,提高了效率。同时,由于每一种组合都利用遗传算法进行了求解,共获得了2m-c·(i+1)n相对最优解,对这2m-c·(i+1)n种相对最优解进行比较,取其中最优的各推进器的推力和角度的相对最优解作为各推进器的推力和角度的最终相对最优解。
第三、将所述最终相对最优解作为序列二次规划算法的输入初始值,利用序列二次规划算法求得各推进器的推力和角度。
由于序列二次规划算法非常依赖于初始值,不同的初始值会影响优化路径从而影响最优结果。因此,本发明将遗传算法优化得到的中相对最优解作为序列二次规划算法的输入初始值,减少了初始值设置不当引起的优化结果精度较差的缺点。
具体如何采用序列二次规划算法进行求解属于现有技术,为了简化,在此不对其进行描述。
第四、判断求得的全回转推进器的角度是否满足预定条件。
为了减少推进器频繁转动造成转向机构的磨损,或由于推进器转向机构使用年限长等原因导致的转向机构精度下降造成的影响,在本发明中,将序列二次规划算法优化得到的结果再次进行分析,以确定是否将其作为最终的优化结果。
具体地,设定预定条件为δa-δa0≤β,其中,δa为利用序列二次规划算法得到的第a个全回转推进器的角度,δa0为第a个全回转推进器的当前时刻的角度,a=(1,…m-c),β为阈值,初始值取为1°。
如果满足预定条件,也就是,δa-δa0≤β,以全回转推进器当前时刻的角度为全回转推进器的角度,并运用伪逆法对各推力器的推力进行再次优化,求得各推进器的推力,将其作为各推进器最终的推力。
也就是,我们设定全回转推进器的角度不变,并以δa0作为第a个全回转推进器的固定角,运用伪逆法对推力器的推力进行再次优化,得到全回转推进器的角度不改变情况下的推力指令。
具体地,此时可以使得全回转推进器的角度不变,并以δa0为第a个全回转推进器的角度,根据δa0更新推进器的配置矩阵B,并利用公式T=w-1BT(Bw-1BT)-1τ计算得到各推进器的推力;
如果不满足预定条件,也就是,δa-δa0>β时,则不再运用伪逆法进行再次优化,将利用序列二次规划算法求得的各推进器的推力和角度作为各推进器最终的推力和角度。
图2示出了本发明的基于多算法结合的推力分配优化电子设备的结构示意图。如图2所示,本发明的基于多算法结合的推力分配优化电子设备包括处理器(processor)110、通信接口(Communications Interface)120、存储器(memory)130和通信总线140。
其中,处理器110,通信接口120,存储器130通过通信总线140完成相互间的通信。处理器110可以调用存储器130中的逻辑指令,以本发明的基于多算法结合的推力分配优化方法。
此外,上述的存储器130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序或指令,当所述程序或指令被计算机执行时,计算机能够执行上述基于多算法结合的推力分配优化方法
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述基于多算法结合的推力分配优化方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种基于多算法结合的推力分配优化方法,其特征在于,包括以下步骤:
(1)、确定推进器的需要优化计算的组合数;
(2)、针对各种组合分别运用遗传算法进行优化计算,得到各推进器的推力和角度的最终相对最优解;
(3)、将所述最终相对最优解作为序列二次规划算法的输入初始值,利用序列二次规划算法求得各推进器的推力和角度;
(4)、判断求得的全回转推进器的角度是否满足预定条件,如果满足预定条件,进入步骤(5),否则,进入步骤(6);
(5)、以全回转推进器当前时刻的角度为全回转推进器的角度,并运用伪逆法对各推力器的推力进行再次优化,求得各推进器的推力,将其作为各推进器最终的推力;
(6)、将利用序列二次规划算法求得的各推进器的推力和角度作为各推进器最终的推力和角度。
2.根据权利要求1所述的基于多算法结合的推力分配优化方法,其特征在于,所述步骤(1)具体为:若动力定位船舶存在m个推进器,其中有c个侧向推进器,有n个全回转推进器受干扰,受干扰的全回转推进器具有i个禁区角区间,则推进器的需要优化计算的组合数为2m -c·(i+1)n。
3.根据权利要求2所述的基于多算法结合的推力分配优化方法,其特征在于,所述步骤(2)中针对各种组合分别运用遗传算法进行优化计算具体为:
(2.1)、建立设计变量集合为:{T1,T2,T3…Tm,δ1,δ2,δ3…δm-c},其中,Tm代表第m个推进器的推力,δm-c代表第m-c个全回转推进器的角度;
(2.2)、建立总目标函数为:
其中,J为目标函数值,
ωr为表征第r个推进器的重要程度的权值,
Tr为第r个推进器的推力,
ωx为表征纵荡方向推力分配误差的重要程度的权值,
Sx为纵荡方向推力分配误差,
ωy为表征横荡方向推力分配误差的重要程度的权值,
Sy为横荡方向推力分配误差;
ωz为表征艏摇方向艏摇力矩分配误差的重要程度的权值,
Sz为艏摇方向推力分配误差;
(2.3)、确定约束条件为:τ=BT
(2.4)、采用遗传算法对总目标函数进行求解,得到各种组合下各推进器的推力和角度的相对最优解;
(2.5)、将得到的各中组合下各推进器的推力和角度的相对最优解进行比较,取其中最优的各推进器的推力和角度的相对最优解作为各推进器的推力和角度的最终相对最优解。
4.根据权利要求3所述的基于多算法结合的推力分配优化方法,其特征在于,所述步骤(4)中的预定条件为δa-δa0≤β,其中,δa为利用序列二次规划算法得到的第a个全回转推进器的角度,δa0为第a个全回转推进器的当前时刻的角度,a=(1,...m-c),β为阈值,初始值取为1°。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述的基于多算法结合的推力分配优化方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于多算法结合的推力分配优化发的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136806.5A CN112327619B (zh) | 2020-10-22 | 2020-10-22 | 一种基于多算法结合的推力分配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136806.5A CN112327619B (zh) | 2020-10-22 | 2020-10-22 | 一种基于多算法结合的推力分配优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327619A true CN112327619A (zh) | 2021-02-05 |
CN112327619B CN112327619B (zh) | 2022-12-09 |
Family
ID=74311323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011136806.5A Active CN112327619B (zh) | 2020-10-22 | 2020-10-22 | 一种基于多算法结合的推力分配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327619B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075884A (zh) * | 2021-03-29 | 2021-07-06 | 哈尔滨工程大学 | 基于自适应遗传-最小二乘互联预测系统的推力分配方法 |
CN114620207A (zh) * | 2022-03-16 | 2022-06-14 | 中船重工海洋装备(海南)有限公司 | 一种水下机器人的推力分配器及推力分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490770A (zh) * | 2018-02-28 | 2018-09-04 | 哈尔滨工程大学 | 一种基于混合算法的船舶动力定位系统推力分配方法 |
CN108628171A (zh) * | 2018-06-15 | 2018-10-09 | 哈尔滨工程大学 | 一种用于船舶动力定位系统的改进推力分配方法 |
CN108845576A (zh) * | 2018-06-28 | 2018-11-20 | 中国船舶重工集团公司第七0七研究所 | 一种基于粒子群与序列二次规划结合的推力分配方法 |
CN109765910A (zh) * | 2019-03-08 | 2019-05-17 | 哈尔滨工程大学 | 一种基于改进差分进化算法的船舶动力定位推力分配方法 |
-
2020
- 2020-10-22 CN CN202011136806.5A patent/CN112327619B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490770A (zh) * | 2018-02-28 | 2018-09-04 | 哈尔滨工程大学 | 一种基于混合算法的船舶动力定位系统推力分配方法 |
CN108628171A (zh) * | 2018-06-15 | 2018-10-09 | 哈尔滨工程大学 | 一种用于船舶动力定位系统的改进推力分配方法 |
CN108845576A (zh) * | 2018-06-28 | 2018-11-20 | 中国船舶重工集团公司第七0七研究所 | 一种基于粒子群与序列二次规划结合的推力分配方法 |
CN109765910A (zh) * | 2019-03-08 | 2019-05-17 | 哈尔滨工程大学 | 一种基于改进差分进化算法的船舶动力定位推力分配方法 |
Non-Patent Citations (3)
Title |
---|
刘明 等: "动力定位船舶伪逆法与混沌粒子群法相融合的推力分配算法研究", 《海洋工程》 * |
张晓迪: "船舶推力分配多步优化算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
郭义芬等: "一种基于直翼推进器的动力定位推力分配方法优化研究", 《船舶工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075884A (zh) * | 2021-03-29 | 2021-07-06 | 哈尔滨工程大学 | 基于自适应遗传-最小二乘互联预测系统的推力分配方法 |
CN113075884B (zh) * | 2021-03-29 | 2022-07-15 | 哈尔滨工程大学 | 基于自适应遗传-最小二乘互联预测系统的推力分配方法 |
CN114620207A (zh) * | 2022-03-16 | 2022-06-14 | 中船重工海洋装备(海南)有限公司 | 一种水下机器人的推力分配器及推力分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112327619B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327619B (zh) | 一种基于多算法结合的推力分配优化方法 | |
CN112101530B (zh) | 神经网络训练方法、装置、设备及存储介质 | |
CN103150596B (zh) | 一种反向传播神经网络dnn的训练系统 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN109451012B (zh) | 一种端云协同负载均衡调度方法、系统及存储介质 | |
CN114417509B (zh) | 飞行模拟设备的配平方法、装置、电子设备及介质 | |
CN115437795B (zh) | 一种异构gpu集群负载感知的显存重计算优化方法及系统 | |
CN110875599A (zh) | 一种电网频率振荡的控制方法及系统 | |
CN112861362B (zh) | 一种基于整车油耗的动力总成性能参数优化方法和装置 | |
CN117434829B (zh) | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 | |
CN107943089B (zh) | 多规格动力系统控制分配方法及相关装置 | |
CN111553118A (zh) | 基于强化学习的多维连续型优化变量全局优化方法 | |
CN110397553B (zh) | 一种不基于模型的风电场尾流管理方法及系统 | |
CN113688988A (zh) | 精度调整方法及装置、存储介质 | |
CN113419424B (zh) | 减少过估计的模型化强化学习机器人控制方法及系统 | |
CN109033487A (zh) | 一种基于蒙特卡洛仿真的飞行器总体概率设计方法 | |
CN112693597B (zh) | 一种飞行器质心平衡供油方法 | |
Kinnas et al. | A viscous/inviscid interactive method applied to ducted propellers with ducts of sharp or blunt trailing edge | |
CN115009278B (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
CN108388272B (zh) | 一种基于时间最优的无人机前飞速度计算方法 | |
CN109672224B (zh) | 一种风电场有功功率控制方法及系统 | |
CN111209629A (zh) | 宽域飞行器总体参数优化方法、系统及计算机存储介质 | |
CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及系统 | |
Brown et al. | Naval ship hull structural scantling optimization by reducing weight, increasing safety and lowering vertical center of gravity | |
CN113467494B (zh) | 一种控制力矩陀螺框架转速控制参数整定方法 |
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 |