论文部分内容阅读
随着海洋经济的大力发展，人们对船舶航行的安全性和经济性的要求也越来越高。但同时船舶数量、吨位、航运密度的增大，再加上船舶航行环境的复杂性和不确定性，使船舶运动控制更趋复杂。传统的船舶航向控制算法有PID控制、自适应控制等。目前的船舶航向控制大多使用PID控制器，少量的船舶使用了自适应控制方法等。PID控制器的参数整定过于依赖先验知识和对象模型，导致超调量大、调节时间长、稳态误差过大等问题。而自适应控制方法存在成本高、参数调整难度大、系统不稳定等问题。现在使用的航向控制方法都存在应用局限性。由于船舶操纵运动数学模型的非线性、操作执行机构滞后以及船舶航行环境和所受干扰的不确定等问题，使得一些基于模型的控制方法难以起作用。随着计算机和现代控制理论的发展，出现了各种新的智能控制算法。这些智能算法先后应用于船舶航向控制系统中，取得了一些效果，但或因模型建立不合适、或因算法本身的原因，都存在一些问题。因此迫切需要建立更合适的仿真模型，将更多的智能控制理论应用到船舶航向控制的研究上，研制出高性能的航向控制产品。Kennedy和Eberhart通过对鸟群觅食过程的分析和模拟，于1995年最先提出了原始的粒子群算法（Particle Swarm Optimization，PSO）。粒子群算法一经提出就迅速成为进化计算领域和智能优化方面的研究热点，被广泛应用数据挖掘、动态环境优化、目标函数优化、模糊控制系统和神经网络训练等众多领域。它能够高效、并行的搜索问题空间所对应的编码空间，从而得到问题的全局最优值。具有运行速度快，数学表达简单的优点。但也有易早熟，易收敛到局部最优值等问题。同时研究发现，整个粒子群的运动是有规律的，但整个种群的初始化具有很大的随机性和不可预测性。如果将粒子群算法和混沌变量的遍历性结合起来，充分发挥混沌的遍历性和对初始条件的敏感性，将使粒子更均匀的分布在整个搜索空间，使得算法能更好保持种群多样性，逃脱局部最优值，改善算法的全局搜索能力，提高算法收敛的成功率。建立了船舶航向控制系统的数学模型，将基本粒子群算法和混合改进粒子群算法应用于船舶航向控制系统的PID控制器参数优化中。仿真结果表明，与传统PID控制方法的仿真结果相对比，本文设计的基于混合改进粒子群算法的PID控制器具有更好的动态性能和稳态性能，理论分析和仿真实验结果都表明了其优越性。