基于果蝇优化算法的船舶操纵响应模型的辨识

应用果蝇优化算法对船舶操纵运动响应模型的结构参数进行辨识,并用辨识得到的响应模型进行自航模变Z形试验预报.预报结果与自航模试验结果的对比验证了所提算法的有效性.研究结果表明,基于果蝇优化算法的参数辨识方法具有算法设置简单、调整参数少以及不易陷入局部极小值等优点.     

基于小波神经网络的船舶运动预报

利用残值学习算法进行小波节点的选择,利用Akaike 准则确定预测模型的结构,采用误差反传方法在线调整网络连接参数.通过建立的自适应神经网络模型有效辨识船舶操纵运动动态.船舶航向预报仿真结果显示,基于小波神经网络的船舶航向预测器可以较高精度预报船舶操纵运动过程中船舶航向的变化.     

基于Simulink的船舶运动模型动态仿真研究

为进一步研究船舶操纵性能,根据船舶旋回性指数(K)、追随性指数(T),建立船舶运动的一阶模型,利用Simulink对一阶船舶运动模型进行动态仿真,对船舶回转操作和Z形操纵的动态特性进行描述.对试验样本仿真结果进行的定量与定性分析表明,该模型是正确、可行的,对船舶操纵性试验研究具有实际意义.     

粒子群算法优化RBF-SVM沙尘暴预报模型参数

为提高沙尘暴的预报准确率,针对目前已出现的RBF—SVM沙尘暴预报模型中的参数优化进行研究．利用基本粒子群优化算法（SPSO算法）中粒子速度及其位置与RBF—SVM模型中参数对相对应,对沙尘暴进行预报,为解决SPSO算法易陷入局部解的缺陷,提出了惯性权值自适应调节的改进粒子群算法（WPSO算法）,并对沙尘暴RBF—SVM模型参数进行了优化．仿真结果表明,无论是SPSO算法,还是WPSO算法,在优化RBF—SVM沙尘暴预报模型参数方面都表现出了良好的性能,分别比已有的SVM方法的预报准确率提高了22．3％和45．3％．     

基于GA优化BP神经网络辨识的Volterra级数核估计算法

为取得更有效的船舶运动预报效果,提出了一种利用遗传算法(GA)优化单输出三层反向传播(BP)神经网络辨识Volterra级数核的算法.在船舶航行姿态时间序列的混沌特性识别基础上,分析了GA、BP神经网络和Volterra级数模型的特征.利用GA优化BP神经网络获得最优的初始权值和阈值,根据BP神经网络算法求得最终的最优权值和阈值.进行Taylor级数分解,得到Volterra级数各阶核,对船舶的横摇运动时间序列进行多步预报.仿真实验表明:所提方法预报精度高、时间长,具有有效性和适应性.     

可调螺距螺旋桨船舶的操纵运动数学模型

为利用模拟器对可调螺距螺旋桨(CPP)船舶操纵运动进行仿真,应用船舶操纵性分离建模理论,基于荷兰船模试验水池B系列螺旋桨的敞水试验结果,利用Akima插值获得了不同类型的CPP在不同螺距比时的四象限推力系数和扭矩系数,求得CPP的推力和扭矩,建立了CPP船舶的平面运动数学模型.模型充分考虑了风、流对船舶操纵的影响,并可适用于CPP船舶常速域和低速域的操纵运动仿真.仿真结果与实船试验结果吻合较好,能够满足大型船舶操纵模拟器对船舶运动数学模型仿真精度的要求.     

船舶锚泊操纵运动预报与分析

结合船舶操纵模拟器的开发,建立了船舶锚泊操纵运动数学模型,以预报分析船舶在锚泊操纵全过程中各种动态运动响应.提出了一种较为合理的锚抓底力的数学计算模型,并计入抓底走锚等影响,给出了具体的数值计算方法.整个模型包括：水面船舶采用MMG模型来进行建模,并计入低速时水动力的影响;水下锚链因其运动是一种三维动态运动,采用针对海洋缆索系统的集中质量法来描述其运动;锚自身因其尺度很小,在确定其抓力的基础上将其视为锚链的一个节点,溶入到锚链的运动控制方程中去.最后,应用该模型对一水面船舶进行了锚泊操纵运动计算,并对比分析了不同情况下的锚泊操纵性能,给出了一些规律性的定性结论.     

支持向量机近似模型的参数选取及其在结构优化中的应用

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化,建立了具有最优参数的SVM近似模型,并与以训练集数据建立常规的SVM、二阶响应面(RSM)和径向基神经网络(RBFNN)近似模型进行对比.结果表明:以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力;可以避免RSM和RBFNN近似模型中的过拟合现象,具有更优的推广能力.最后,将最优参数的SVM近似模型用于船舶结构优化中,取得了具有良好工程实用性的优化结果.     

新型蝙蝠算法辨识船舶运动模型参数

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法中新型蝙蝠算法引入船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了新型蝙蝠算法求解船舶运动模型参数辨识的适应性;给出了采用新型蝙蝠算法进行船舶运动模型参数辨识的流程。基于实船实验数据,采用新型蝙蝠算法辨识了实船一阶线型响应型模型参数。实例显示,将船舶运动模型参数辨识问题转化成优化问题,通过新型蝙蝠算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究表明,提出的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。     

利用新型蝙蝠算法辨识船舶运动模型参数

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法中新型蝙蝠算法引入船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了新型蝙蝠算法求解船舶运动模型参数辨识的适应性;给出了采用新型蝙蝠算法进行船舶运动模型参数辨识的流程。基于实船实验数据,采用新型蝙蝠算法辨识了实船一阶线型响应型模型参数。实例显示,将船舶运动模型参数辨识问题转化成优化问题,通过新型蝙蝠算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究表明,提出的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。     

求解加权Euclidean单中心问题的SMO-型算法

通过定义求解加权Euclidean单中心(WEOC)问题的两个近似最优性条件, 基于序列最小最优化(SMO)方法, 提出一种求解WEOC问题的SMO 型算法.
该算法求解WEOC问题满足第二个近似最优性条件的(1+ε) 近似解, 并且每次迭代只需更新对偶变量的两个分量. 数值结果表明, SMO 型算法执行简单, 能有效求解高精度的大规模计算问题.     

应用混合蚁群算法求解并行批处理机组批与调度问题

晶圆制造系统的批处理机具有长加工时间的特征,其调度性能指标对车间总体绩效有重要影响.批处理机调度分为组批与批次调度.针对工件的动态到达特性导致组批困难,提出了一种混合型蚁群算法.利用该算法的全局并行搜索能力对工件进行组批,并使用BATC算法对批次进行调度,可以解决多产品并行批处理机调度问题.以工件总拖期最小为性能指标,通过实例仿真,对蚁群算法性能进行分析评价和比较.结果表明,所提出的算法具有有效性和实用性.     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

基于混沌粒子群算法的Ad Hoc网络优化研究

基于混沌理论提出了混沌粒子群算法C-PSO（chaotic particle swarm optimization）,C-PSO算法针对Ad Hoc网络提取的优化指标进行优化处理,在网络优化过程中,C-PSO算法充分利用了混沌系统的随机性、遍历性、敏感性等特性,避免了PSO算法“早熟”现象的出现,避免了陷入局部最优区,增强了全局收索能力。基于网络模拟器NS-3仿真系统对C-PSO算法和PSO算法进行了仿真实验测试,通过对丢包率、网络生命周期和网络吞吐率3个网络性能指标的对比分析和评估,结果表明C-PSO算法优于PSO算法,从而验证了C-PSO算法对Ad Hoc网络优化的有效性与可靠性。实现了对Ad Hoc网络优化。      

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

SQP 优化的最大似然波达方向角估计

为快速实现波达方向角( DOA: Direction Of Arrival) 的精确估计, 提出了应用序列二次规划( SQP:Sequence Quadratic Program)的最大似然DOA 估计算法。给出了用于DOA 估计的最大似然函数, 将参数估计问题转化为非线性函数优化问题; 并利用SQP 优化算法对似然函数的求解进行优化, 得到DOA 的估计值。仿真结果表明, 该算法可用较少的计算时间实现对似然函数的优化求解, 同时保留了最大似然估计的渐进无偏估计性能, 与遗传算法、粒子群算法相比, 不仅具有更快的寻优速度, 而且具有更高的收敛精度。     

基于量子遗传算法的无线传感网络路由优化

考虑到无线传感网络(WSN)传感器节点的能量有限性,分析了WSN的网络模型和能量模型,提出一种基于改进量子遗传算法的路由优化算法.利用复杂连续函数测试,验证了算法的性能和可行性.经仿真分析,证明该算法应用于WSN路由优化问题时,能更快速和更稳定地求解最小能量代价的数据传输路径,从而减少WSN传感器节点的能量消耗,延长整个WSN网络的使用寿命.     

双层介质散射问题单轴优化PML方法的收敛性

提出一种解双层介质散射问题带小参数ε₀的优化完美匹配层(PML)方法, 通过在吸收函数中引入一个小参数ε₀, 使得散射问题优化PML方法的计算不依赖PML层的厚度δ. 结果表明, 只要参数ε₀充分小, 优化的PML解指数即收敛于原双层介质散射问题的解.     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

自适应暂态混沌神经网络在CDMA多用户检测器中的应用

提出一种自适应变尺度暂态混沌神经网络，并将其应用于CDMA的多用户检测技术。该算法在优化搜索过程中根据暂态混沌神经网络能量函数的变化调整网络参数，自适应地控制能量函数对神经网络动力学特性产生良好的影响。仿真结果表明，基于改进的自适应混沌神经网络算法的多用户检测器能够有效地逼近CDMA的最优多用户检测器的性能。