CN112947450A - 一种多模块船协同推力分配方法 - Google Patents
一种多模块船协同推力分配方法 Download PDFInfo
- Publication number
- CN112947450A CN112947450A CN202110192692.4A CN202110192692A CN112947450A CN 112947450 A CN112947450 A CN 112947450A CN 202110192692 A CN202110192692 A CN 202110192692A CN 112947450 A CN112947450 A CN 112947450A
- Authority
- CN
- China
- Prior art keywords
- population
- value
- individual
- optimal
- initial
- 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 13
- 241000254158 Lampyridae Species 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006698 induction Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 abstract 1
- 241000894007 species Species 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
Images
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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多模块船协同推力分配方法，建立协同推力分配数学模型；种群随机平均分成种群1和种群2，种群1采用改进的人工萤火虫算法计算最优值，种群2采用差分进化算法计算最优值，初始化两种算法参数；计算种群1和种群2适应度值，取较小值作为初始最优适应度值并得到最优解；对种群1个体执行改进的人工萤火虫算法搜索，对种群2个体执行差分进化算法搜索；比较两个种群t+1代适应度值，取较小值作为最优适应度值，并将最优适应度值与初始最优适应度值比较，取较小值作为最优适应度值并将初始最优适应度值更新为该值；到达最大代数输出结果，否则重复执行。本发明原理简单、易于实现、提高了全局寻优能力和搜索性能，加快收敛速度。
Description
技术领域
本发明涉及一种多模块船协同推力分配方法，特别是一种基于混合优化算法的多模块船协同推力分配方法，属于船舶运动控制领域。
背景技术
多模块船组装后形成的海上移动平台由多个带有推进装置的独立模块船组成，由连接器保持紧密对齐的大型浮动海洋结构，其具有与陆地基地一样的价值意义和作用。多用于近海的货物运输和转让，公海上作战部队的物资存储和军事硬件的维护以及为直升机提供升降跑道。因此，海上移动式平台的发展和应用，对社会经济的发展和国家主权的保护起到重大作用。
推力分配作为动力定位系统的重要组成部分，其任务是将控制器输出的总推力和力矩合理高效地分配给各个推进器。在多艘船舶存在的情况下，推力分配问题更加复杂。传统推力分配将每条模块船独立进行推力分配，没有将多模块船当作整体进行协调分配，减小了推力分配求解的可行解，而采用多艘船舶协同推力分配扩大了在满足物理限制条件下的求解范围。另外，推力分配的求解算法的速度和精度直接影响动力定位系统的控制性能，目前较为常用的优化算法如差分进化算法(DE)、遗传算法(AG)、萤火虫算法(AGSO)及其改进算法在控制分配领域的应用还存在求解精度和速度冲突的问题。
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基于改进的人工萤火虫算法与差分进化算法的多模块船协同推力分配方法，克服多模块船作业时推力分配出现的可行解范围小、计算精度低的问题，以提高搜索性能和收敛速度。
为解决上述技术问题，本发明是我一种多模块船协同推力分配方法，包括以下步骤：
步骤1：确定船舶推进器布局，建立船体坐标系，建立由两条船构建的平台作业时的协同推力分配数学模型；
步骤2：初始化种群，并将种群随机平均分成种群1和种群2，种群1个体Xi,t采用改进的人工萤火虫算法计算最优值，种群2个体Yi,t采用差分进化算法计算最优值，初始化两种算法参数；
步骤3：计算种群1和种群2的个体t代适应度值f(Xi,t)和f(Yi,t)，比较计算结果，取较小的值作为整个种群的初始最优适应度值f(Zi,t)并得到对应的最优解Zi,t；
步骤4：对种群1个体Xi,t+1执行改进的人工萤火虫算法搜索，对种群2个体Yi,t+1执行差分进化算法搜索；
步骤5：比较两个种群t+1代适应度值，取较小的值作为t+1代最优适应度值，并将t+1最优适应度值与初始最优适应度值比较，取较小的值作为t+1代的最优适应度值并将初始最优适应度值更新为该值；
步骤6：判断是否到达给定的最大代数，若是，则终止混合优化算法，输出最优适应度值和对应的最优解，若否，令t＝t+1，返回步骤4。
本发明还包括：
1.步骤1中建立由两条船构建的平台作业时的协同推力分配数学模型具体为：
两条船舶协同作业且每条船含有两个全回转推进器，两条船共同作业时的推力分配目标函数和约束条件为：
其中，Pj＝CjTj 3/2为每个推进器功率消耗值，与推力成正比；s为松弛变量，α代表当前周期各推进器的方位角；α0代表上一周期各推进器的方位角；W、Q、Ω均为对角正定的权值矩阵；
等式约束为：
s＝τ-B(α)T
其中，τ＝[τx,τy,τz]T为控制器输出的合力及力矩；T＝[T1,T2,T3,T4]T；α＝[α1,α2,α3,α4]T为推进器方位角；推进器的位置坐标为(lxi,lyi)；
不等式约束为：
Tmin和Tmax表示推进器的最小推力和最大推力；△Tmin和△Tmax表示推力变化率的下限和上限；αmin和αmax表示推进器方位角的最小值和最大值；△αmin和△αmin表示方位角变化率的下限和上限。
2.步骤4中改进的人工萤火虫算法具体为：
步骤4.1：生成初始种群，设定在4维空间内随机生成NP个萤火虫个体，最大迭代为T,Xi(t)表示第t代种群中个体i的位置，并且初始t＝0；初始个体Xi(t)的感应半径r0和荧光素浓度l0，并且种群中每个个体的初始感应半径r0和初始荧光素浓度l0相同；
步骤4.2：求解每个个体的适应度值fi，以及最大适应度值fmax，最小适应度值fmin和平均适应度值favg，fi满足：
步骤4.3：计算每个个体寿命值LTi，并且每个个体的初始年龄值为0，LTi满足：
其中，LTmax和LTmin分别表示种群个体寿命可以达到的最大值和最小值；
步骤4.4：计算萤火虫个体的荧光素浓度li(t)；
步骤4.5：根据萤火虫个体i的决策半径
确定本个体的邻居集合Ni(t)；
步骤4.6：计算萤火虫个体i在种群内向个体j移动的概率ρi,j(t)，并且比较移动概率确定移动方向；
步骤4.7：更新萤火虫i位置得Xi(t+1)，更新决策半径
步骤4.8判断萤火虫个体是否到达寿命值，若是，则删除该个体，t＝t+1；若为否，生命值+1，t＝t+1；
步骤4.9判断是否到达最大迭代次数T，若是，则终止计算并且输出使适应度函数值最小的个体，若为否，则返回步骤4.4。
本发明的有益效果：
本发明采用改进的AGSO和DE两种算法混合优化策略，算法之间共享信息，达到互补优势的目的，该混合算法具有原理简单，易于实现，并且提高了全局寻优能力和搜索性能，加快了收敛速度。
1.本发明提出并解决了多模块船共同作业时的推力分配问题，多艘船舶共同作业时扩大了在满足物理限制条件下推力分配求解的可行域，并且降低了推进器能量消耗。
2.本发明采用混合优化策略求解船舶的推力分配问题，利用改进的人工萤火虫算法与差分进化算法共同进行分种群求解，两种算法实现信息共享，达到算法优势互补的目的，并且提高了搜索性能和收敛速度。
附图说明
图1是基于混合优化策略的两条船共同作业时的推理分配原理图；
图2是两条模块船协同作业时的推进器分布图；
图3是混合优化算法流程图；
图4是三种算法纵向力指令误差对比；
图5是三种算法横向力指令误差对比；
图6是三种算法回转力矩指令误差对比；
图7是三种算法功耗对比；
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
本发明的目的是这样实现的：
步骤1.确定船舶推进器布局，建立船体坐标系，建立由两条船构建的平台作业时的协同推力分配数学模型；
步骤2.对传统的人工萤火虫算法进行改进；
步骤3.将改进人工萤火虫算法与差分进化算法进行结合，采用分种群计算的混合优化策略，对多模块船共同作业的推力分配问题进行求解；
步骤1所述的两条船舶协同作业时且每条船含有两个全回转推进器的推力分配目标函数和约束条件为
其中，Pj＝CjTj 3/2为每个推进器功率消耗值，与推力成正比；s为松弛变量，α代表当前周期各推进器的方位角；α0代表上一周期各推进器的方位角；W、Q、Ω均为对角正定的权值矩阵。
等式约束为
s＝τ-B(α)T
τ＝[τx,τy,τz]T为控制器输出的合力及力矩；T＝[T1,T2,T3,T4]T；α＝[α1,α2,α3,α4]T为推进器方位角；推进器的位置坐标为(lxi,lyi)；
不等式约束为
Tmin和Tmax表示推进器的最小推力和最大推力；△Tmin和△Tmax表示推力变化率的下限和上限；αmin和αmax表示推进器方位角的最小值和最大值；△αmin和△αmin表示方位角变化率的下限和上限。
步骤2的具体过程为：
步骤2.1生成初始种群，设定在4维空间内随机生成NP个萤火虫个体，最大迭代为T,Xi(t)表示第t代种群中个体i的位置，并且当前t＝0；初始个体Xi(t)的感应半径r0和荧光素浓度l0，并且种群中每个个体的初始感应半径r0和初始荧光素浓度l0相同；
步骤2.2求解每个个体的适应度值，以及最大适应度值，最小适应度值和平均适应度值；
步骤2.3计算每个个体寿命值LTi，并且每个个体的初始年龄值为0；
步骤2.4计算萤火虫个体的荧光素浓度li(t)；
步骤2.5根据萤火虫个体i的决策半径
确定本个体的邻居集合Ni(t)；
步骤2.6计算萤火虫个体i在种群内向个体j移动的概率ρi,j(t)，并且比较移动概率确定移动方向；
步骤2.7更新萤火虫i位置得Xi(t+1)，更新决策半径
步骤2.8判断萤火虫个体是否到达寿命值，若是，则删除该个体，t＝t+1；若为否，生命值+1，t＝t+1；
步骤2.9判断是否到达最大迭代次数T，若是，则终止计算并且输出使适应度函数值最小的个体，若为否，则返回步骤2.4；
步骤2.2所述的个体适应度值为
步骤2.3所述的个体的寿命值LTi为
LTmax和LTmin分别表示种群个体寿命可以达到的最大值和最小值；
步骤3的具体过程为：
步骤3.1初始化种群，并将种群随机平均分成种群1和种群2，种群1采用改进的人工萤火虫算法计算最优值，种群2采用差分进化算法计算最优值，初始化两种算法参数；
步骤3.2计算种群1和种群2的个体适应度值，比较计算结果，并且更新整个种群的最优解以及最优适应度值；
步骤3.2对执行种群1的改进的人工萤火虫算法，种群2执行差分进化算法；
步骤3.3比较两个种群t代的最优适应度值，取比较结果更好的值为t代的最优适应度值，并且更新初始最优适应度值以及对应的最优解个体；
步骤3.4判断是否到达最大迭代次数，若是，则终止混合优化算法，输出最优适应度值以及对应的最优解个体，若否，返回步骤3.2；
结合图1、图2、图3，本发明具体实施方式如下：
1.建立多模块船协同推力分配优化模型
如图2所示将两条对接的模块船当作一个整体考虑，建立统一的推力分配模型。相邻的独立模块船之间由连接器搭建的海上平台，忽略两船之间的水动力影响；本发明中每条船舶含有两个全回转推进器，两条船共同作业时的推力分配目标函数和约束条件为：
其中，第一项为推进器的总能量消耗，Pj＝CjTj 3/2为每个推进器功率消耗值，与推力成正比；第二项为推力分配误差惩罚项，目的是保证推进器能抵抗外界环境力正常高效地工作，s为松弛变量；第三项为推进器方位角变化率，目的是减小推进器的磨损，α代表当前周期各推进器的方位角；α0代表上一周期各推进器的方位角；W、Q、Ω均为对角正定的权值矩阵。
等式约束为
s＝τ-B(α)T
τ＝[τx,τy,τz]T为控制器输出的合力及力矩；T＝[T1,T2,T3,T4]T；α＝[α1,α2,α3,α4]T为推进器方位角；推进器的位置坐标为(lxi,lyi)；
不等式约束为
Tmin和Tmax表示推进器的最小推力和最大推力；△Tmin和△Tmax表示推力变化率的下限和上限；αmin和αmax表示推进器方位角的最小值和最大值；△αmin和△αmin表示方位角变化率的下限和上限；
2.改进的人工萤火虫算法
步骤1.生成初始种群，设定在4维空间内随机生成NP个萤火虫个体，最大迭代为T,Xi(t)表示第t代种群中个体i的位置，并且当前t＝0；初始个体Xi(t)的感应半径r0和荧光素浓度l0，并且种群中每个个体的初始感应半径r0和初始荧光素浓度l0相同；
所述步骤1具体包括：
寿命机制的引入会删掉种群中年龄值到达寿命值的个体，种群的数量也会减少，此时本发明生成新种群的特征在于：
建立新种群时将随机产生的个体与删除种群内的个体进行适应度值比较，更好的进入新种群，并且新种群中保留上一代中最优个体；
步骤2.求解每个个体的适应度值fi，以及最大适应度值fmax，最小适应度值fmin和平均适应度值favg；
步骤2具体包括：
步骤3.计算每个个体寿命值LTi，并且每个个体的初始年龄值为0；
步骤3具体包括：
LTmax和LTmin分别表示种群个体寿命可以达到的最大值和最小值。
步骤4.计算萤火虫个体的荧光素浓度li(t)；
步骤5.根据萤火虫个体i的决策半径
确定本个体的邻居集合Ni(t)；
步骤6.计算萤火虫个体i在种群内向个体j移动的概率ρi,j(t)，并且比较移动概率确定移动方向；
步骤7.更新萤火虫i位置得Xi(t+1)，更新决策半径
步骤8.判断萤火虫个体是否到达寿命值，若是，则删除该个体，形成删除种群，更新迭代次数t＝t+1；若为否，个体生命值+1，t＝t+1；
步骤9.判断是否到达最大迭代次数T，若是，则终止计算并且输出使适应度函数值最小的个体，若为否，则返回步骤2.4；
差分进化算法主要包括初始化、变异、交叉和选择四个步骤，具体步骤如下：
步骤1.初始化种群，在[Xmin,Xmax]内随机生成NP个个体Xi,t，其中，Xi,t＝Xmin+rand(0,1)(Xmax-Xmin)，其中Xmin，Xmax为个体最大值，rand(0,1)表示[0,1]内均匀分布的随机数；设定最大迭代次数T，并且令t＝0，给定变异因子F以及交叉概率CR；
步骤2.计算每个个体适应度值f(Xi,t)；
所述步骤2具体包括：
步骤3.对个体Xi,t进行变异操作；
所述步骤3具体包括：变异个体Vi,t的生成规则如下，
Vi,t＝Xr1,t+F(Xr2,t-Xr3,t)
其中F∈(0,2]，Xr1,t、Xr2,t和Xr3,t为随机选择的互不相同并且与Xi,t不同的三个个体；
步骤4.对个体Xi,t和变异个体Vi,t进行交叉重组产生个体Ui,t；
所述步骤4具体包括：
其中randk为[0,1]内随机数，CR为交叉概率并且CR∈(0,1)，rn表示对变异个体的编号并且rn∈[1,2,…,N]；
步骤5.选择那些个体进入t+1代；
步骤5具体包括：
步骤6.判断t是否到达最大迭代次数T，若是，则终止计算并且输出满足最小适应度值的个体；若为否，则令t＝t+1，返回步骤3；
3.采用改进人工萤火虫算法与差分进化算法混合优化策略求解两条船共同作业时的推力分配问题；
步骤1.初始化种群NP，将种群随机分成两部分，其中NP/2的种群个体Xi,t采用改进人工萤火虫算法求解，另外NP/2的种群个体Yi,t采用差分进化算法求解；设定最大迭代次数T，并且t＝0；
步骤2.计算两个种群个体的适应度值f(Xi,t)和f(Yi,t)，比较计算结果，初始整个种群的最优解Zi,t以及对应的适应度值f(Zi,t)；
步骤3.对种群个体Xi,t进行具体实施方式二中的改进人工萤火虫算法搜索，对种群个体Yi,t进行传统的差分进化算法搜索；
步骤4.输出两种群的最优解以及最优适应度值，比较两个最优适应度值，令更小值作为第t代最优值，并将最优值与步骤2中f(Zi,t)比较，更新最有适应度值，即取更小值为第t代的最优适应度值；随后进行信息共享，将最优解分别加入两种算法t+1代的搜索中；
步骤5.判断是否到达终止条件，若是，则输出Zi,t以及f(Zi,t)，若不是，则返回步骤3；
结合图4-图7，本发明具有更优的搜索性能和收敛速度和更低的能耗。
Claims (3)
1.一种多模块船协同推力分配方法，其特征在于，包括以下步骤：
步骤1：确定船舶推进器布局，建立船体坐标系，建立由两条船构建的平台作业时的协同推力分配数学模型；
步骤2：初始化种群，并将种群随机平均分成种群1和种群2，种群1个体Xi,t采用改进的人工萤火虫算法计算最优值，种群2个体Yi,t采用差分进化算法计算最优值，初始化两种算法参数；
步骤3：计算种群1和种群2的个体t代适应度值f(Xi,t)和f(Yi,t)，比较计算结果，取较小的值作为整个种群的初始最优适应度值f(Zi,t)并得到对应的最优解Zi,t；
步骤4：对种群1个体Xi,t+1执行改进的人工萤火虫算法搜索，对种群2个体Yi,t+1执行差分进化算法搜索；
步骤5：比较两个种群t+1代适应度值，取较小的值作为t+1代最优适应度值，并将t+1最优适应度值与初始最优适应度值比较，取较小的值作为t+1代的最优适应度值并将初始最优适应度值更新为该值；
步骤6：判断是否到达给定的最大代数，若是，则终止混合优化算法，输出最优适应度值和对应的最优解，若否，令t＝t+1，返回步骤4。
2.根据权利要求1所述的一种多模块船协同推力分配方法，其特征在于：步骤1所述建立由两条船构建的平台作业时的协同推力分配数学模型具体为：
两条船舶协同作业且每条船含有两个全回转推进器，两条船共同作业时的推力分配目标函数和约束条件为：
其中，Pj＝CjTj 3/2为每个推进器功率消耗值，与推力成正比；s为松弛变量，α代表当前周期各推进器的方位角；α0代表上一周期各推进器的方位角；W、Q、Ω均为对角正定的权值矩阵；
等式约束为：
s＝τ-B(α)T
其中，τ＝[τx,τy,τz]T为控制器输出的合力及力矩；T＝[T1,T2,T3,T4]T；α＝[α1,α2,α3,α4]T为推进器方位角；推进器的位置坐标为(lxi,lyi)；
不等式约束为：
Tmin和Tmax表示推进器的最小推力和最大推力；△Tmin和△Tmax表示推力变化率的下限和上限；αmin和αmax表示推进器方位角的最小值和最大值；△αmin和△αmin表示方位角变化率的下限和上限。
3.根据权利要求1或2所述的一种多模块船协同推力分配方法，其特征在于：步骤4所述改进的人工萤火虫算法具体为：
步骤4.1：生成初始种群，设定在4维空间内随机生成NP个萤火虫个体，最大迭代为T,Xi(t)表示第t代种群中个体i的位置，并且初始t＝0；初始个体Xi(t)的感应半径r0和荧光素浓度l0，并且种群中每个个体的初始感应半径r0和初始荧光素浓度l0相同；
步骤4.2：求解每个个体的适应度值fi，以及最大适应度值fmax，最小适应度值fmin和平均适应度值favg，fi满足：
步骤4.3：计算每个个体寿命值LTi，并且每个个体的初始年龄值为0，LTi满足：
其中，LTmax和LTmin分别表示种群个体寿命可以达到的最大值和最小值；
步骤4.4：计算萤火虫个体的荧光素浓度li(t)；
步骤4.5：根据萤火虫个体i的决策半径
确定本个体的邻居集合Ni(t)；
步骤4.6：计算萤火虫个体i在种群内向个体j移动的概率ρi,j(t)，并且比较移动概率确定移动方向；
步骤4.7：更新萤火虫i位置得Xi(t+1)，更新决策半径
步骤4.8判断萤火虫个体是否到达寿命值，若是，则删除该个体，t＝t+1；若为否，生命值+1，t＝t+1；
步骤4.9判断是否到达最大迭代次数T，若是，则终止计算并且输出使适应度函数值最小的个体，若为否，则返回步骤4.4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110192692.4A CN112947450A (zh) | 2021-02-20 | 2021-02-20 | 一种多模块船协同推力分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110192692.4A CN112947450A (zh) | 2021-02-20 | 2021-02-20 | 一种多模块船协同推力分配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112947450A true CN112947450A (zh) | 2021-06-11 |
Family
ID=76244665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110192692.4A Pending CN112947450A (zh) | 2021-02-20 | 2021-02-20 | 一种多模块船协同推力分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112947450A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112395059A (zh) * | 2020-11-16 | 2021-02-23 | 哈尔滨工程大学 | 一种改进萤火虫算法的cmp任务调度方法 |
-
2021
- 2021-02-20 CN CN202110192692.4A patent/CN112947450A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112395059A (zh) * | 2020-11-16 | 2021-02-23 | 哈尔滨工程大学 | 一种改进萤火虫算法的cmp任务调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHUNMEI ZHANG，等: "Differential Evolution with Adaptive Population Size Combining Lifetime and Extinction Mechanisms", 《PROCEEDINGS OF 2011 8TH ASIAN CONTROL CONFERENCE》 * |
| FUGUANG DING，等: "Thrust Allocation of Dynamic Positioning based on Improved Differential Evolution Algorithm", 《 PROCEEDINGS OF THE 39TH CHINESE CONTROL CONFERENCE》 * |
| 张军丽，等: "人工萤火虫与差分进化混合优化算法", 《信息与控制》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Reinforcement learning and particle swarm optimization supporting real-time rescue assignments for multiple autonomous underwater vehicles | |
| Xia et al. | Local path planning for unmanned surface vehicle collision avoidance based on modified quantum particle swarm optimization | |
| CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
| Wu et al. | An energy optimal thrust allocation method for the marine dynamic positioning system based on adaptive hybrid artificial bee colony algorithm | |
| CN109683479B (zh) | 基于人工神经网络的动力定位推力分配装置及方法 | |
| CN112462792B (zh) | 一种基于Actor-Critic算法的水下机器人运动控制方法 | |
| CN109885061B (zh) | 一种基于改进nsga-ⅱ的动力定位多目标优化方法 | |
| CN113592162B (zh) | 一种基于多智能体强化学习的多水下无人航行器协同搜索方法 | |
| CN108572550A (zh) | 一种基于机器学习的在线实时推力分配方法 | |
| Chen et al. | Path planning of AUV during diving process based on behavioral decision-making | |
| CN104252132A (zh) | 基于自适应遗传算法的行星际轨道控制优化方法 | |
| Ni et al. | An Improved DSA‐Based Approach for Multi‐AUV Cooperative Search | |
| CN109540163A (zh) | 一种基于差分进化和模糊控制相结合的避障路径规划算法 | |
| Chen et al. | Multi-AUV cooperative hunting control with improved Glasius bio-inspired neural network | |
| CN116859728A (zh) | 一种基于改进多目标粒子群算法的船舶动力定位系统推力分配方法 | |
| Zhang et al. | Environmental economic dispatch optimization using niching penalized chimp algorithm | |
| Chen et al. | Intelligent warehouse robot path planning based on improved ant colony algorithm | |
| CN114818477A (zh) | 飞行器气动特性预测方法、装置及介质 | |
| Liu et al. | The tactics of ship collision avoidance based on quantum‐behaved wolf pack algorithm | |
| CN112947450A (zh) | 一种多模块船协同推力分配方法 | |
| CN116301031A (zh) | 基于自适应差分进化算法的多无人机协同航迹规划方法 | |
| Gong et al. | A path planning method based on improved particle swarm optimization algorithm | |
| CN115933633A (zh) | 基于量子绸鱼优化机制的机船协同任务分配方法 | |
| Gao et al. | Real-time calculation of tactical control range in beyond visual range air combat | |
| Han et al. | Hybrid Algorithm-Based Full Coverage Search Approach With Multiple AUVs to Unknown Environments in Internet of Underwater Things |
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: 20210611 |