CN116929367A - 一种基于神经网络算法多步规划的推力分配方法及装置 - Google Patents
一种基于神经网络算法多步规划的推力分配方法及装置 Download PDFInfo
- Publication number
- CN116929367A CN116929367A CN202310898817.4A CN202310898817A CN116929367A CN 116929367 A CN116929367 A CN 116929367A CN 202310898817 A CN202310898817 A CN 202310898817A CN 116929367 A CN116929367 A CN 116929367A
- Authority
- CN
- China
- Prior art keywords
- moment
- algorithm
- optimal
- determining
- thrust distribution
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供一种基于神经网络算法多步规划的推力分配方法及装置。该方法包括：确定目标控制指令，目标控制指令包括当前时刻的力与力矩；当当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，集合中包括当前时刻的最优推力分配方案；基于当前时刻的最优分配方案控制推进器。改善了推力分配单步优化的局限性，还能提高求解全局最优的实际效率。
Description
技术领域
本申请涉及船舶动力巡航领域，具体而言，涉及一种基于神经网络算法多步规划的推力分配方法及装置。
背景技术
随着人类对于深海开发和开采的需求日益广泛，在船舶动力巡航过程中，动力定位逐渐成为深海船舶必不可少的装备。推力分配作为定位系统重要的环节，主要根据上层控制器所要求的待分配力和力矩计算出各个推进器、舵的推力和舵角，从而使船舶到达预定位置和方向。推力分配可以被定义为以推进器本身推力大小、舵角大小和推进器之间的水动力干扰等约束为前提，寻找推进系统最小能耗的组合优化问题。
现在解决推力分配的最优算法有很多，大部分都是属于单步求解最优值，其忽略了对推力分配的长期优化，可能会导致推进器陷入局部最优状态(次优解)，从而达不到最小能耗，其机动性也有所下降。
发明内容
本申请提供一种基于神经网络算法多步规划的推力分配方法及装置，用以改善推力分配单步优化的局限性，还能提高求解全局最优的实际效率。
第一方面，本发明提供一种基于神经网络算法多步规划的推力分配方法，包括：
确定目标控制指令，目标控制指令包括当前时刻的力与力矩；
当当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，集合中包括当前时刻的最优推力分配方案；
基于当前时刻的最优分配方案控制推进器。
在可选的实现中，在确定目标控制指令之后，方法还包括：
判断当前时刻的力与力矩与上一时刻的力与力矩的变化是否超过阈值；
如果未超过阈值，则确定当前时刻的力与力矩的变化符合预设条件；
如果超过阈值，则确定当前时刻的力与力矩的变化不符合预设条件。
在可选的实现中，还包括：
如果当前时刻的力与力矩的变化不符合预设条件，则基于单步全局最优算法以及当前状态，确定当前时刻的最优分配方案。
在可选的实现中，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，包括：
确定多步的预测控制指令，每个预测控制指令所对应的力与力矩的变化均符合预设条件；
针对多步的预测控制指令，基于神经网络算法的全局最优算法，确定每步所对应的最优推力分配方案；集合包括多步对应的最优推力分配方案。
在可选的实现中，神经网络算法的全局最优算法包括基于遗传算法的粒子群优化算法。
在可选的实现中，还包括：
预先对基于遗传算法的粒子群优化算法进行训练，以便得到训练好的基于遗传算法的粒子群优化算法，训练好的基于遗传算法的粒子群优化算法用于作为全局最优算法。
第二方面，提供了一种基于神经网络算法多步规划的推力分配装置。
包括：
确定模块，用于确定目标控制指令，目标控制指令包括当前时刻的力与力矩；
规划模块，用于当当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，集合中包括当前时刻的最优推力分配方案；
控制模块，用于基于当前时刻的最优分配方案控制推进器。
第三方面，本发明提供一种计算机设备，包括存储器以及处理器；存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述前述实施方式任一项的方法的步骤。
第四方面，本发明提供一种船舶，船舶包括上述前述实施方式的计算机设备。
第五方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有机器可运行指令，计算机可运行指令在被处理器调用和运行时，计算机可运行指令促使处理器运行前述实施方式任一项的方法。
本发明提供一种基于神经网络算法多步规划的推力分配方法及装置。通过确定目标控制指令，目标控制指令包括当前时刻的力与力矩；当当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，集合中包括当前时刻的最优推力分配方案；基于当前时刻的最优分配方案控制推进器。改善了推力分配单步优化的局限性，还能提高求解全局最优的实际效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于神经网络算法多步规划的推力分配方法流程示意图；
图2为本申请实施例提供的一种船舶推进器布置图的一个示例；
图3为本申请实施例提供的一种基于神经网络算法多步规划的推力分配方法的一个示例；
图4为本申请实施例提供的另一种基于神经网络算法多步规划的推力分配方法的一个示例；
图5为本申请实施例提供的一种基于神经网络算法多步规划的推力分配装置结构示意图；
图6为本申请实施例提供的一种基于神经网络算法多步规划的推力分配装置结构示意图；
图7为本申请实施例提供的一种计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供的一种基于神经网络算法多步规划的推力分配方法流程示意图。如图1所示，该方法可以由计算机设备执行，具体的，该方法可以通过如下步骤实现：
S110，确定目标控制指令，目标控制指令包括当前时刻的力与力矩；
该目标控制指令可以为上层设备发送的控制指令，该上层设备可以为控制器。该控制指令可以包括三个维度的力与力矩。
S120，当当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，集合中包括当前时刻的最优推力分配方案；
可以判断当前时刻的力与力矩与上一时刻的力与力矩的变化是否超过阈值；如果未超过阈值，则确定当前时刻的力与力矩的变化符合预设条件；如果超过阈值，则确定当前时刻的力与力矩的变化不符合预设条件。
如果当前时刻的力与力矩的变化不符合预设条件，则基于单步全局最优算法以及当前状态，确定当前时刻的最优分配方案。
在一些实施例中，可以确定多步的预测控制指令，每个预测控制指令所对应的力与力矩的变化均符合预设条件；针对多步的预测控制指令，基于神经网络算法的全局最优算法，确定每步所对应的最优推力分配方案；集合包括多步对应的最优推力分配方案。
其中，该神经网络算法的全局最优算法包括基于遗传算法的粒子群优化算法。
还可以预先对基于遗传算法的粒子群优化算法进行训练，以便得到训练好的基于遗传算法的粒子群优化算法，训练好的基于遗传算法的粒子群优化算法用于作为全局最优算法。
S130，基于当前时刻的最优分配方案控制推进器。
例如，目标控制指令可以为XT,YT,NT，与该目标控制指令对应的目标推力分配方案可以为n1,n2,n3,n4,δ。其中，该XT,YT,NT为控制器输入三个维度的力与力矩，n1为左主推进器的转速，n2为左主推进器的转速，n3为船艉槽道侧推进器的转速，n4为船艏槽道侧推进器的转速，δ为舵角。
通过本发明实施例改善了推力分配单步优化的局限性，还能提高求解全局最优的实际效率。
下面结合一个具体示例对本发明实施例进行进一步的介绍，如图2和图3所示。
本发明实施例中，在自适应推力分配时，主要步骤包括：不同船型的数学模型的建立；序列二次规划算法(SQP)；离线推力分配库的建立。
其中，对于不同船型的数学模型的建立，以双桨双舵举例说明。
首先，建立双桨双舵等式约束条件：
其中，XT,YT,NT为控制器输入三个维度的力与力矩。T1、T2为左、右两个主推进器的推力；T3为船艉槽道侧推进器，T4为船艏槽道侧推进器；FN1,FN2为左、右两个舵的法相力。
AR为舵叶面积，fa为舵法向量系数斜率λ为舵的展弦比，/>为海水密度，UR为舵的有效来流速度。αR为舵处的有效来流攻角，有效来流攻角αR＝δ-βR,βR为舵偏角；δ为舵角由于舵是联动的所以δ1＝δ2。aH为修正因子，/>XH,XR为力矩参数，，XH＝-(0.4+0.1Cb)L,XR＝-0.5L。Cb为船舶方形系数。tR为推力器的减额系数。
接下来，建立双桨双舵不等式约束条件：
其中，Tmax与Tmin分别为螺旋桨在当前状态下考虑推力变化率后推力的上限和下限；ΔT为推进器的推力变化率；T0为推进器上一控制周期所发出的推力；δ为当前控制周期舵角；δ0为上一控制周期舵角；Δδmax和Δδmin分别为舵角度变化率上限和下限。
最后，最小功耗的目标函数：
其中，s＝τ-B(δ)T∈R3为松弛变量，权值矩阵W为正定对角矩阵，其选值要足够大，以保证推力的误差s≈0，第二项惩罚项(δ-δ0)TΩ(δ-δ0)是为了保证分配角度变化尽量小，减少推进器不必要的磨损，其中权值矩阵Ω为正定对角矩阵，其取值一般小于W。
是个小量，用于避免分母等于0，η＞0作为一个权衡因子，如果系统奇异，即det(B(δ)+B(δ)T＝0时，则/>将会很大。
对于基于神经网络算法多步规划框架，如图3所示主要包括三部分：可行域选择，全局最优算法及神经网络算法多步规划。
步骤1)，接收上层给的指令τ(其中包括XT,YT,,NT)。
步骤2)，如果τ与上一时刻的τ0变化比较小，即τ(k)≤|ε|推力分配进入神经网络多步规划模式。当前时刻的τ(0)＝τ0，N＝1，推力分配的输出最优解为序列为Xi+1*。
步骤3)，若τ(k)≤|ε|在多步规划的维持了N步，则继续预期接下来的Nm步中依然还是满足τ(k)≤|ε|，使得全局最优算法求解的可行域扩展至推进器的Nm步变化的范围。全局算法主要求得，神经网络多步规划的目标最优推力组合解，即Xi+1*.然后通过神经网络多步规划预测出从X0到目标解共需要Ns步中每一步的推力分配方案，从而使其输出最优解；
步骤4)，若是控制指令τ(k)变化比较大，则推力分配优化直接进行单步全局优化，优化步长为1，推力分配输出Xi*。
本研究采用了基于遗传算法的粒子群优化算法。其通过遗传算法和粒子群算法改善了遗传算法实效性的问题，并具有遗传算法的全局最优的优势。其算法改进流程如图4：可以初始化粒子数量、最大迭代次数以及学习因子；初始化粒子的初始位置和速度，计算适应度；初始化粒子的个体最优和全局最优；计算W值，更新粒子速度和位置；计算粒子适应度；按照选择、交叉、变异算子进行遗传操作，重新计算适应度，更新个体最优和全局最优，重复执行上述步骤，直至满足最终条件，该最终条件可以为达到最大迭代次数或者得到的结果符合要求等等。
另外，如图5所示，神经网络多部规划算法使用之前，要先离线学习来以一定的精度逼近我们所要求的推进器最优推力及最优舵角。控制前需要先将我们要控制的推力和舵角u作用于神经网络预测模型中，得到预测值ym.优化控制器根据参考输入r和ym求得有限时域(即步长Ns)内的局部最优控制量u*,用u*来分配推进器的力和舵角。为了缩小预测值与实际值的误差，在每一步的计算中算出推进器实际的输出y和预测值ym的差值，用于修正参考量进行输入，则实现了闭环反馈校正。
本发明实施例中的数学模型仅仅用了双桨双舵的船舶作为例子，船舶的种类多样性很多，其每种船舶的数学模型不一样。
本发明实施例解决了推力分配单步优化容易陷入局部最优的问题。
本发明实施例可以预测几步下一时刻的推力分配状态，可以改善实时求解的延时性。
本发明实施例解决了推力分配单步优化容易陷入局部最优的问题。
本发明实施例提高了全局优化算法的时效性。
本发明实施例使得推力分配是可以使得推进器用最小的功耗和最小的机械损耗来实现船舶的正常行驶。
图6为本发明实施例提供的一种基于神经网络算法多步规划的推力分配装置结构示意图。如图6所示，该装置包括：
确定模块601，用于确定目标控制指令，所述目标控制指令包括当前时刻的力与力矩；
规划模块602，用于当所述当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，所述集合中包括当前时刻的最优推力分配方案；
控制模块603，用于基于所述当前时刻的最优分配方案控制推进器。
在一些实施例中，还可以包括判断模块，用于：
判断当前时刻的力与力矩与上一时刻的力与力矩的变化是否超过阈值；
如果未超过阈值，则确定当前时刻的力与力矩的变化符合预设条件；
如果超过阈值，则确定当前时刻的力与力矩的变化不符合预设条件。
在一些实施例中，还可以包括优化模块，用于：
如果当前时刻的力与力矩的变化不符合预设条件，则基于单步全局最优算法以及当前状态，确定当前时刻的最优分配方案。
在一些实施例中，规划模块602还用于：
确定多步的预测控制指令，每个预测控制指令所对应的力与力矩的变化均符合预设条件；
针对多步的预测控制指令，基于神经网络算法的全局最优算法，确定每步所对应的最优推力分配方案；集合包括多步对应的最优推力分配方案。
在一些实施例中，神经网络算法的全局最优算法包括基于遗传算法的粒子群优化算法。
在一些实施例中，还包括训练模块，用于：
预先对基于遗传算法的粒子群优化算法进行训练，以便得到训练好的基于遗传算法的粒子群优化算法，训练好的基于遗传算法的粒子群优化算法用于作为全局最优算法。
本申请实施例提供的基于神经网络算法多步规划的推力分配装置，与上述实施例提供的基于神经网络算法多步规划的推力分配方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
如图7所示，本申请实施例提供的一种计算机设备700，包括：处理器701、存储器702和总线，存储器702存储有处理器701可执行的机器可读指令，当电子设备运行时，处理器701与存储器702之间通过总线通信，处理器701执行机器可读指令，以执行如上述基于神经网络算法多步规划的推力分配方法、装置及计算机设备方法的步骤。
具体地，上述存储器702和处理器701能够为通用的存储器和处理器，这里不做具体限定，当处理器701运行存储器702存储的计算机程序时，能够执行上述基于神经网络算法多步规划的推力分配方法。
对应于上述一种基于神经网络算法多步规划的推力分配方法，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有机器可运行指令，计算机可运行指令在被处理器调用和运行时，计算机可运行指令促使处理器运行上述一种基于神经网络算法多步规划的推力分配方法、装置及计算机设备方法的步骤。
本申请实施例所提供的一种基于神经网络算法多步规划的推力分配方法、装置及计算机设备装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
功能如果以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，本申请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执行本申请各个实施例移动控制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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于神经网络算法多步规划的推力分配方法，其特征在于，包括：
确定目标控制指令，所述目标控制指令包括当前时刻的力与力矩；
当所述当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，所述集合中包括当前时刻的最优推力分配方案；
基于所述当前时刻的最优分配方案控制推进器。
2.根据权利要求1所述的方法，其特征在于，在确定目标控制指令之后，所述方法还包括：
判断所述当前时刻的力与力矩与上一时刻的力与力矩的变化是否超过阈值；
如果未超过阈值，则确定所述当前时刻的力与力矩的变化符合预设条件；
如果超过阈值，则确定所述当前时刻的力与力矩的变化不符合预设条件。
3.根据权利要求2所述的方法，其特征在于，还包括：
如果所述当前时刻的力与力矩的变化不符合预设条件，则基于单步全局最优算法以及当前状态，确定所述当前时刻的最优分配方案。
4.根据权利要求1所述的方法，其特征在于，所述基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，包括：
确定多步的预测控制指令，每个所述预测控制指令所对应的力与力矩的变化均符合预设条件；
针对所述多步的预测控制指令，基于神经网络算法的全局最优算法，确定每步所对应的最优推力分配方案；所述集合包括多步对应的最优推力分配方案。
5.根据权利要求4所述的方法，其特征在于，所述神经网络算法的全局最优算法包括基于遗传算法的粒子群优化算法。
6.根据权利要求5所述的方法，其特征在于，还包括：
预先对所述基于遗传算法的粒子群优化算法进行训练，以便得到训练好的基于遗传算法的粒子群优化算法，所述训练好的基于遗传算法的粒子群优化算法用于作为全局最优算法。
7.一种基于神经网络算法多步规划的推力分配装置，其特征在于，包括：
确定模块，用于确定目标控制指令，所述目标控制指令包括当前时刻的力与力矩；
规划模块，用于当所述当前时刻的力与力矩的变化符合预设条件时，基于神经网络算法多步规划，确定由每步所对应的最优推力分配方案的集合，所述集合中包括当前时刻的最优推力分配方案；
控制模块，用于基于所述当前时刻的最优分配方案控制推进器。
8.一种计算机设备，其特征在于，包括存储器以及处理器；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
9.一种船舶，其特征在于，所述船舶包括上述权利要求8所述的计算机设备。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310898817.4A CN116929367A (zh) | 2023-07-21 | 2023-07-21 | 一种基于神经网络算法多步规划的推力分配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310898817.4A CN116929367A (zh) | 2023-07-21 | 2023-07-21 | 一种基于神经网络算法多步规划的推力分配方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116929367A true CN116929367A (zh) | 2023-10-24 |
Family
ID=88383934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310898817.4A Pending CN116929367A (zh) | 2023-07-21 | 2023-07-21 | 一种基于神经网络算法多步规划的推力分配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116929367A (zh) |
-
2023
- 2023-07-21 CN CN202310898817.4A patent/CN116929367A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DeBitetto | Fuzzy logic for depth control of unmanned undersea vehicles | |
| Haseltalab et al. | Adaptive control for autonomous ships with uncertain model and unknown propeller dynamics | |
| CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
| CN108563130A (zh) | 一种欠驱动船舶自适应神经网络自动靠泊控制方法，设备及介质 | |
| Ho et al. | Optimal control of Takagi–Sugeno fuzzy-model-based systems representing dynamic ship positioning systems | |
| CN113485121B (zh) | 一种分布式多船协同动力定位控制方法 | |
| CN108572550A (zh) | 一种基于机器学习的在线实时推力分配方法 | |
| CN114995133B (zh) | 基于混杂逻辑动态模型的船舶纵向列队混杂预测控制方法 | |
| Tjonnas et al. | Optimizing adaptive control allocation with actuator dynamics | |
| CN112213948B (zh) | 一种基于mpc的船舶航速协同控制方法 | |
| CN112947375B (zh) | 一种考虑未知死区的复合自适应容错控制器设计方法 | |
| CN112132469B (zh) | 一种基于多种群协作粒子群算法的水库群调度方法和系统 | |
| 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 | |
| CN117311142A (zh) | 一种融合粒子群算法与神经网络预测控制的dp船舶运动控制与推力分配协同控制方法 | |
| CN111381595B (zh) | 基于事件触发的船舶动力定位方法 | |
| CN111061285A (zh) | 一种船舶动力定位推力分配方法 | |
| CN112987771A (zh) | 基于多端口输出误差触发机制的机帆船路径跟踪控制方法 | |
| Zhang et al. | Tracking fault-tolerant control based on model predictive control for human occupied vehicle in three-dimensional underwater workspace | |
| CN109901622B (zh) | 一种基于机理模型的自主水下机器人预测s面控制方法 | |
| Zhang et al. | Hybrid threshold event-triggered control for sail-assisted USV via the nonlinear modified LVS guidance | |
| CN116819950B (zh) | 一种船舶与浮式海洋平台动力定位控制方法及系统 | |
| CN116929367A (zh) | 一种基于神经网络算法多步规划的推力分配方法及装置 | |
| CN116088309B (zh) | 一种基于故障辨识的水面船复合学习容错控制方法 | |
| Lee et al. | Dynamic positioning of drilling vessels with a fuzzy logic controller | |
| Shi et al. | Constrained control allocation using cascading generalized inverse for dynamic positioning of ships |
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 |