粒子群优化分数阶控制器及欠驱动船舶航向控制研究

发布时间：2017-09-02 01:06

  本文关键词：粒子群优化分数阶控制器及欠驱动船舶航向控制研究

  更多相关文章： 欠驱动水面船舶 粒子群优化算法 遗传算法 拟退火算法 航向保持 航向跟踪 自动舵 分数阶PI~λD~μ控制器

【摘要】：船舶动态具有大惯性、大时滞、非线性的特点,航行工况、货物装载量变化、惯性矩、重心坐标变化等因素引起船舶运动数学模型的参数摄动,使得船舶模型具有不确定性；同时,风、浪、流的存在也导致船舶模型参数和结构的摄动。因此,对欠驱动水面船舶采用常规线性和非线性控制方法难以取得理想的控制效果。欠驱动水面船舶主要利用舵系统来改变或保持船舶的航向,而通过螺旋桨转动产生推力来改变或保持船舶的航速。操舵与螺旋桨推进之间存在交互作用。本文研究基于粒子群优化的分数阶航向智能控制算法,完成了以下主要研究工作。(1)针对受模型参数不确定性和外界环境干扰的欠驱动水面船舶运动控制,本文提出一种分数阶PIλDμ控制器,并将该控制器应用于欠驱动水面船舶航向控制的自动舵设计中。仿真结果表明,采用分数阶PIλDμ控制器与采用常规PID船舶航向自动舵相比能进一步提高船舶航向的控制精度和抗扰动能力；(2)针对分数阶PIλDμ控制器较常规PID多出两个可调参数积分阶次λ和微分阶次μ,使得分数阶PIλDμ控制器参数整定难度进一步加大,本文提出将粒子群优化算法引入到控制器设计中,对分数阶PIλDμ控制器的参数进行在线整定。仿真结果验证了基于粒子群优化算法的分数阶PIλDμ控制器在欠驱动水面船舶航向控制中的有效性：(3)针对惯性权重ω和最大飞行速度vmax对粒子群优化算法全局搜索能力和局部开发能力的重要影响,以及两者之间的内在联系,本文提出一种时变非线性三角函数用于改进粒子群优化算法,并将该算法用于船舶航向的分数阶PIλDμ控制器参数整定中。仿真结果验证了该算法的有效性；(4)针对学习因子c1和c2对粒子在解空间搜索速度的影响,本文构造一种异步时变学习因子的粒子群优化算法,将两个学习因子在算法优化过程中随时间进行不同的变化,并将该算法用于船舶航向的分数阶PIλDμ控制器参数整定中。仿真结果验证了该算法的有效性；(5)针对惯性权重ω影响粒子的局部最优搜索能力和全局最优搜索能力,本文提出将非线性动态惯性权重引入到粒子群优化算法结构当中,用于改进粒子群优化算法,并将该算法用于船舶航向的分数阶PIλDμ控制器参数整定中。仿真结果验证了该算法的有效性；(6)针对粒子群优化算法、遗传算法、拟退火算法各自的优缺点,本文提出了混合GA-PSO算法和改进SA-PSO算法,用于改进算法容易陷入局部极值、早熟收敛或停滞现象,提高算法的全局搜索能力和局部精细搜索能力,并将算法用于船舶航向的分数阶PIλDμ控制器参数整定中。仿真结果验证了该算法的有效性。
【关键词】：欠驱动水面船舶 粒子群优化算法 遗传算法 拟退火算法 航向保持 航向跟踪 自动舵 分数阶PI~λD~μ控制器
【学位授予单位】：大连海事大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：U664.82;TP273
【目录】：

• 创新点摘要5-6
• 摘要6-8
• Abstract8-14
• 第1章 绪论14-32
• 1.1 课题研究的目的及意义14-16
• 1.2 粒子群优化算法研究现状16-21
• 1.2.1 参数选择方式研究16-18
• 1.2.2 算法收敛性分析研究18-20
• 1.2.3 种群拓扑结构研究20-21
• 1.2.4 混合粒子群优化算法研究21
• 1.3 分数阶微积分在控制中研究现状21-26
• 1.3.1 分数阶系统辨识研究22-23
• 1.3.2 分数阶控制器设计研究23-25
• 1.3.3 分数阶算子数值实现研究25-26
• 1.4 船舶航向控制的研究现状26-29
• 1.4.1 机械式自动舵26-27
• 1.4.2 PID自动舵27
• 1.4.3 自适应舵27-28
• 1.4.4 智能舵28-29
• 1.5 论文主要工作29-32
• 第2章 船舶操纵运动数学模型32-49
• 2.1 引言32-33
• 2.2 船舶运动分析中的坐标系33-34
• 2.3 状态空间型船舶平面运动数学模型34-38
• 2.3.1 二自由度状态空间型线性模型34-37
• 2.3.2 三自由度状态空间型线性模型37
• 2.3.3 随机干扰37-38
• 2.4 一种响应型非线性船舶运动数学模型38-40
• 2.5 风、浪、流干扰模型40-45
• 2.5.1 风等效舵角41-44
• 2.5.2 浪等效舵角44-45
• 2.5.3 定常均匀流45
• 2.6 欠驱动船舶运动控制特性45-47
• 2.6.1 欠驱动船舶数学模型的不确定性46
• 2.6.2 系统的欠驱动特性46-47
• 2.6.3 控制输入饱和与信号量测误差47
• 2.7 本章小结47-49
• 第3章 粒子群优化算法及其船舶航向控制应用49-70
• 3.1 引言49-50
• 3.2 原始粒子群优化算法50-52
• 3.2.1 算法基本原理50-52
• 3.2.2 算法基本步骤52
• 3.3 标准粒子群优化算法52-55
• 3.3.1 带惯性权重的粒子群算法52-54
• 3.3.2 带收缩因子的粒子群算法54
• 3.3.3 种群拓扑结构引申的粒子群算法54-55
• 3.4 粒子群优化算法的理论分析55-59
• 3.4.1 粒子的线性离散系统构建55-57
• 3.4.2 粒子群算法的收敛性分析57-59
• 3.5 一种基于改进粒子群优化算法的船舶航向保持59-68
• 3.5.1 问题描述59-60
• 3.5.2 基于时变非线性三角函数改进粒子群算法60
• 3.5.3 控制器设计60-63
• 3.5.4 仿真研究63-68
• 3.6 本章小结68-70
• 第4章 分数阶控制系统及其船舶航向控制应用70-90
• 4.1 引言70-71
• 4.2 分数阶微积分相关理论71-75
• 4.2.1 基本函数71-72
• 4.2.2 分数阶微积分定义72-74
• 4.2.3 分数阶微积分的Laplace变换74-75
• 4.3 分数阶系统求解75-77
• 4.3.1 分数阶线性微积分方程求解76-77
• 4.3.2 分数阶微积分框图求解法77
• 4.4 分数阶微积分算子近似77-82
• 4.4.1 直接近似化方法78-79
• 4.4.2 间接近似化方法79-82
• 4.5 分数阶PI~λD~μ控制器及在船舶航向中应用研究82-89
• 4.5.1 分数阶PI~λD~μ控制器82-83
• 4.5.2 船舶航向分数阶PI~λD~μ控制器设计83-86
• 4.5.3 仿真研究86-89
• 4.6 本章小结89-90
• 第5章 基于参数改进粒子群算法的船舶航向分数阶控制90-114
• 5.1 引言90-91
• 5.2 基于时变非线性三角函数改进粒子群算法的船舶航向分数阶控制91-100
• 5.2.1 问题描述91-92
• 5.2.2 基于时变非线性三角函数改进粒子群算法92
• 5.2.3 控制器设计92-94
• 5.2.4 仿真研究94-100
• 5.3 基于异步时变学习因子粒子群算法的船舶航向分数阶控制100-107
• 5.3.1 问题描述100-101
• 5.3.2 基于异步时变学习因子改进粒子群算法101
• 5.3.3 控制器设计101-102
• 5.3.4 仿真研究102-107
• 5.4 基于非线性动态权重粒子群算法的船舶航向分数阶控制107-112
• 5.4.1 问题描述107
• 5.4.2 基于非线性动态权重改进粒子群算法107-108
• 5.4.3 控制器设计108
• 5.4.4 仿真研究108-112
• 5.5 本章小结112-114
• 第6章 基于混合粒子群算法的船舶航向分数阶控制114-130
• 6.1 引言114
• 6.2 基于混合GA-PSO算法的船舶航向分数阶控制114-123
• 6.2.1 问题描述114-115
• 6.2.2 基于混合GA-PSO算法115-116
• 6.2.3 控制器设计116-117
• 6.2.4 仿真研究117-123
• 6.3 基于改进SA-PSO算法的船舶航向分数阶控制123-129
• 6.3.1 问题描述123
• 6.3.2 基于改进SA-PSO算法123-125
• 6.3.3 控制器设计125
• 6.3.4 仿真研究125-129
• 6.4 本章小结129-130
• 第7章 全文总结与展望130-132
• 参考文献132-142
• 攻读学位期间公开发表论文142-143
• 致谢143-144
• 作者简介144

【参考文献】

中国期刊全文数据库 前10条

1 赵志诚;王惠芳;张井岗;;高阶反向响应过程的分数阶PID控制器设计[J];上海交通大学学报;2015年08期

2 徐刚;江美珍;吴志华;饶兰香;;粒子群优化算法的收敛性分析[J];南昌大学学报(理科版);2015年04期

3 董跃华;戴玉倩;;混合粒子群算法的软件测试数据自动生成[J];计算机应用;2015年02期

4 王燕燕;葛洪伟;王娟娟;杨金龙;;一种动态分组的粒子群优化算法[J];计算机工程;2015年01期

5 顾文斌;唐敦兵;郑X;;Solving Job-Shop Scheduling Problem Based on Improved Adaptive Particle Swarm Optimization Algorithm[J];Transactions of Nanjing University of Aeronautics and Astronautics;2014年05期

6 王强;赵志诚;桑博;;基于改进粒子群算法的分数阶系统辨识方法[J];太原科技大学学报;2014年03期

7 张冬丽;唐英干;关新平;;用改进的人工蜂群算法设计AVR系统最优分数阶PID控制器(英文)[J];自动化学报;2014年05期

8 朱德刚;孙辉;赵嘉;余庆;;基于高斯扰动的粒子群优化算法[J];计算机应用;2014年03期

9 刘洋;郭晨;;船舶航向保持RBF神经网络自适应非线性控制[J];大连海事大学学报;2013年04期

10 肖海荣;闫红华;马荣琳;韩耀振;;基于RBFNN的船舶航向离散滑模控制器设计与仿真[J];中南大学学报(自然科学版);2013年S1期

中国博士学位论文全文数据库 前1条

1 孟威;欠驱动水面船舶运动的非线性控制研究[D];大连海事大学;2012年

，

本文编号：775443