基于广义预测控制的船舶编队

针对多船舶之间的编队合作问题,对船舶的编队控制进行研究。利用广义预测控制方法在船舶运行中对理想路径曲线进行预测,得出船舶的运动控制策略;通过运用领导-跟随者编队方法,在Cartesian坐标系下建立船舶编队控制模型,基于这种模型建立一系列船舶航迹约束,得到船队跟随者成员的控制策略。同时在船舶运行过程中,加入风浪的扰动,进行模拟仿真,得到船队的运行轨迹。     

基于网格化拉马克学习机制的差分进化算法

引入拉马克进化理念,提出一种基于网格化拉马克学习机制的差分进化算法。该算法在网格划分机制建立起的分布式搜索框架下,采用单元格最优解保护机制、学习步长机制、解空间同仁机制和定矢变异机制组成拉马克学习模式。仿真结果表明,所提算法可以充分发挥拉马克学习的局部搜索能力,又可有效避免早熟收敛,其求解精度明显优于其他比较算法。将所提算法应用于电力系统最优潮流计算问题,获得了良好的优化效果。     

基于蚁群算法的集装箱堆场起重机优化调度

集装箱堆场起重机(场桥)优化调度是在确定场桥配置数量的基础上,对场桥进行任务分派,使得场桥的行走时间最短。通过动态地调整信息素更新方式、限制信息表的范围来克服蚁群算法容易停滞的缺点。利用改进的蚁群算法对场桥的任务调度问题进行了探讨,并实现了求解。仿真结果表明,蚁群算法求解场桥调度问题时,得到了较好的结果,提高了场桥的工作效率。     

基于蚁群算法的泊位调度问题

在集装箱港口的运作中,泊位调试系统是制约集装箱港口降低船舶在港时间和运营成本的主要瓶颈之一。泊位调度的目标就是确定集装箱港口船舶的停靠泊位和停泊时间。将码头看成离散泊位的集合,以船舶的在港时间最短为目标,应用蚁群算法对该问题进行优经研究,在满足各种约束条件的基础上,充分的利用好码头资源。利用蚁群算法的正反馈和并行搜索特点提高解的质量2和稳定性,通过对某集装箱码头的案例分析,说明该算法的有效性和实用性。     

人工鱼群算法的非线性约束优化

人工鱼群算法(AFSA)是一种新型的寻优策略,它具有鲁棒性强,全局收敛性好,以及对初值的不敏感性等优点.本文引人了半可行域的概念,并结合人工鱼群算法本身的特点,设计了基于竞争选择和惩罚函数的适应度函数,从而得到了一个利用AFSA算法求解约束优化问题的新进化算法.数值计算证明了算法的有效性.     

多半径邻域粗糙集改进约简算法

属性约简是粗糙集理论中的重要问题。许多学者针对邻域粗糙集提出多种属性约简方法,包括应用最为广泛的启发式算法。在多半径邻域粗糙集的基础上,针对当前启发式约简算法往往会包含一定冗余属性的缺陷,提出一种融合属性权重影响的改进约简运算方法,通过根据各属性权值大小设置阈值使得约简结果能够消除冗余属性。实验选取UCI的数据集与当前几种常用启发式约简算法进行比较分析。实验结果表明,所提出的属性约简方法能够得到更优的约简集合,同时更大程度地保留了决策表本身的知识信息,具有较高的分类能力。     

PC机与DSP之间串行通信的实现

概要地介绍了TMS320F2812 DSP的基本性能,重点介绍了在Visual Basic 6.0下.利用MSComm控件实现上位PC机与下位机DSP之间异步串行通信的具体实现方式,并给出了一个采用RS-232串行通信标准来实现信息传输的实例.实验结果表明,串行通信简单,界面友好,改善了系统的性能,应用领域广泛.     

基于改进NSDE算法的含风电场的经济环境调度

随着以风能为代表的可再生能源接入电网系统,风电的随机性给原本的经济环境调度问题增加了不确定性和复杂性,采用传统方法难以获得经济可靠的解。针对风电的不可靠性,引入了高估和低估罚函数,建立考虑风电可用性的经济环境调度模型。对于传统差分进化算法求解此模型出现的收敛性和鲁棒性差的问题,提出一种改进的非支配排序差分进化算法来同时优化排放量和发电成本两个目标,对算法中的缩放因子和交叉概率进行自适应调整,增强全局搜索能力;改进精英保留策略结合基于熵的拥挤度评估方法,在有效提升收敛速度的同时维持了解集良好的分布性。将该方法在IEEE-30单元测试系统上进行了测试,实验表明,与其他算法相比,改进非支配排序差分进化算法(INSDE)算法在处理含风电场的经济环境调度(EED)问题上具有更强的寻优能力。     

基于微粒群优化的船舶柴油机T-S模糊模型

提出了一种基于微粒群优化(PSO)的T-S模糊模型的非线性系统辨识方法,并用于船舶柴油机的动态建模.该辨识方法采用GK模糊聚类算法确定模糊模型的前件结构及参数,利用PSO算法来辨识模糊模型的结论参数.利用6160-All船舶柴油机模型,获得柴油机各主要参数在油门尺度和负载发生小偏差扰动时的试验数据,再利用该组数据辨识出柴油机转速、涡轮增压器转速、增压压力、空冷器压力、进气管压力、排气管压力等参数的T-S模糊动态模型.仿真结果表明了该方法的有效性.     

基于群搜索算法的电力系统无功优化

为了提高电力系统的运行效率和经济性能,用群搜索优化算法(Group Search Optimizer)对电力系统各控制变量进行合理配置,以此减少电力系统无功损耗。群搜索优化算法是一种新兴的群智能优化算法,该算法把群成员分为发现者、追随者和游荡者三种,其中游荡者的位置随机选定,这有效地避免了其他算法容易陷入局部最小值问题。选定电力系统中无功投入量、电压变比、发电机端电压等作为控制变量,通过群搜索优化算法对控制变量进行迭代计算和潮流计算,最终计算出最小的网络损耗及其对应的控制变量值。最后用Matlab7.6对IEEE-14、30节点系统进行仿真,并与其他群智能优化算法进行对比,结果显示,群搜索算法的收敛较快且稳定,最终证明了群搜索算法对无功优化的优越性。