论文部分内容阅读
水动力参数是建立船舶运动数学模型的重要参数,然而通过经典方法如水池实验测量和理论公式计算的水动力参数因存在尺度效应而精度难以保证,对于一些敏感度较高的水动力参数更是难以通过经典方法求解,因此计算精确的水动力参数对船舶运动数学模型的建立具有至关重要的作用,先进的参数辨识技术在解决以上问题时则表现更加出色。粒子群优化算法是群体智能的一个重要分支。该算法主要模仿鸟群的聚集和觅食行为来进行迭代寻优。本文在粒子群算法基本原理和收敛性问题的基础上引入矩心模型对粒子群算法进行改进,并应用于船舶纵向运动参数辨识问题。首先,在对标准粒子群算法(Particle Swarm Optimization,PSO)进行理论分析的基础上,针对PSO算法的缺陷引入矩心模型进行了优化改进,详细说明了改进后的矩心粒子群算法(Centroid Particle Swarm Optimization,CPSO)的改进思想,推导了 CPSO收敛条件,通过采用四个基准测试函数进行改进算法的对比实验,验证了改进后的PSO算法弥补了基本算法的劣势,获取了更加满意的最优解。设计了 CPSO辨识船舶纵向运动水动力参数的方法和具体步骤,建立了舵角扰动和海浪扰动的数学模型,对一艘已知水动力参数的船舶HD702进行参数辨识,建立了基于水动力参数的船舶纵摇和升沉运动数学模型,通过求解该数学模型可获得船舶运动的纵摇和升沉的时间历程。在静水中0°,45°,90°,135°,180°航向利用CPSO、PSO对HD702水动力参数辨识,进行了有无噪声时的船舶纵向运动仿真实验,并进行了结果比对分析;对由切片法理论计算得到的S175船舶纵向运动水动力参数利用改进的粒子群优化算法进行参数辨识,分别在静水和三级海浪扰动迎浪两种环境下进行了仿真实验,运动趋势与理论机理模型计算结果极度吻合,表明本文设计的CPSO辨识方法的正确性和合理性,该方法能够应用于航海模拟器船舶运动建模中,有一定的实际工程应用价值。