智能系统：改进粒子群算法的PID神经网络解耦控制编辑部.pdf_大学文库

第10卷第5期智能系统学报 Vol.10 No.5 2015年10月 CAAI Transactions on Intelligent Systems 0ct.2015 D0I:10.11992/is.201406028 网s络出版t地址：htp:/ww.cmki.net/kcms/detail/23.1538.tp.20150930.1556.004.html 改进粒子群算法的PD神经网络解耦控制于立君，陈佳，刘繁明，王辉 (哈尔滨工程大学自动化学院，黑龙江哈尔滨150001) 摘要：综合减摇控制系统存在非线性、多变量、强耦合等因素，会导致减摇系统达不到最佳控制状态。利用粒子群算法具有对整个空间进行高效搜索以及PD神经网络的自适应特点，提出一种改进粒子群算法，以解决粒子群算法中存在算法精度不高、粒子易陷入局部极小值等问题，并提高PD神经网络训练速度和训练精度，便于参数寻优。仿真结果表明，改进的粒子群算法具有一定优越性，将其运用到综合减摇控制系统解耦控制器设计中，能够有效地减小船舶横摇，达到较好的控制效果。关键词：粒子群算法：综合减摇系统：PD神经网络：解耦控制：仿真分析中图分类号：TH186文献标志码：TP18文章编号：1673-4785(2015)05-0699-06 中文引用格式：于立君，陈佳，刘繁明，等.改进粒子群算法的PD神经网络解耦控制[J].智能系统学报，2015,10(5)：699-704. 英文引用格式：YU Lijun,CHEN Jia,LIU Fanming,etal.An improved particle swarm optimization for PID neural network de- coupling control[J].CAAI Transactions on Intelligent Systems,2015,10(5):699-704. An improved particle swarm optimization for PID neural network decoupling control YU Lijun,CHEN Jia,LIU Fanming,WANG Hui (College of Automation,Harbin Engineering University,Harbin 150001,China) Abstract:The integrated ship stabilization system has nonlinear,multi-variable and strong coupling characteristics, which may hinder the system from reaching the best control state.An improved particle swarm algorithm is proposed based on the characteristics of particle swarm optimization(PSO)algorithm,which can search the parameter space efficiently,along with its associated PID artificial neuron network that has self-regulation and adaptability.The im- proved particle swarm algorithm can overcome disadvantages in former particle swarm algorithms such as low preci- sion,the particles tend to fall into extremely small values,and so on.In addition,the improved algorithm can in- crease the training speed and precision of the PID nerve network,which facilitates parameter optimization.The sim- ulation results show that the improved PSO has certain advantages,it can reduce ship rolling,and can achieve ex- cellent control effects when it is applied to the design of the decoupling control of an integrated stabilization control system. Keywords:particle swarm algorithms;integrate stabilization system;PID neural network;decoupling control;sim- ulation analysis 综合减摇控制系统具有非线性强、控制变量多、中[]，将在很大程度上提高多变量耦合系统的控制耦合性强、结构复杂且时变等特点[山，这些因素的效果。近年来，由于粒子群算法具有易实现、通用性存在使得传统控制器在系统应用中有一定的局限强、收敛速度快等特点，被广泛应用到各个领域性，其应用的有效性也会受到很大的限制。因此，选中[3)。同时针对标准粒子群算法存在的缺陷，为择合理的解耦控制算法并有效地应用到控制器设计了提高粒子群算法的性能，国内外研究学者在算法收稿日期：2014-06-17.网络出版日期：2015-09-30. 的惯性权重、加速度系数因子等方面提出了许多改基金项目：中央高校自由探素计划资助项目(HEUC℉0414O6). 进方法。胡建秀等[6提出了一种线性微分递减策通信作者：于立君.E-mail:yulijun@hrbeu.edu.cn

第１０卷第５期智能系统学报Ｖｏｌ．１０ №．５２０１５年１０月ＣＡＡＩＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓＯｃｔ．２０１５ＤＯＩ：１０．１１９９２／ｔｉｓ．２０１４０６０２８网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１５３８．ｔｐ．２０１５０９３０．１５５６．００４．ｈｔｍｌ改进粒子群算法的ＰＩＤ神经网络解耦控制于立君，陈佳，刘繁明，王辉（哈尔滨工程大学自动化学院，黑龙江哈尔滨１５０００１）摘要：综合减摇控制系统存在非线性、多变量、强耦合等因素，会导致减摇系统达不到最佳控制状态。利用粒子群算法具有对整个空间进行高效搜索以及ＰＩＤ神经网络的自适应特点，提出一种改进粒子群算法，以解决粒子群算法中存在算法精度不高、粒子易陷入局部极小值等问题，并提高ＰＩＤ神经网络训练速度和训练精度，便于参数寻优。仿真结果表明，改进的粒子群算法具有一定优越性，将其运用到综合减摇控制系统解耦控制器设计中，能够有效地减小船舶横摇，达到较好的控制效果。关键词：粒子群算法；综合减摇系统；ＰＩＤ神经网络；解耦控制；仿真分析中图分类号：ＴＨ１８６文献标志码：ＴＰ１８文章编号：１６７３⁃４７８５（２０１５）０５⁃０６９９⁃０６中文引用格式：于立君，陈佳，刘繁明，等．改进粒子群算法的ＰＩＤ神经网络解耦控制［Ｊ］．智能系统学报，２０１５，１０（５）：６９９⁃７０４．英文引用格式：ＹＵＬｉｊｕｎ，ＣＨＥＮＪｉａ，ＬＩＵＦａｎｍｉｎｇ，ｅｔａｌ．ＡｎｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｆｏｒＰＩＤｎｅｕｒａｌｎｅｔｗｏｒｋｄｅ⁃ ｃｏｕｐｌｉｎｇｃｏｎｔｒｏｌ［Ｊ］．ＣＡＡＩＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓ，２０１５，１０（５）：６９９⁃７０４．ＡｎｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｆｏｒＰＩＤｎｅｕｒａｌｎｅｔｗｏｒｋｄｅｃｏｕｐｌｉｎｇｃｏｎｔｒｏｌＹＵＬｉｊｕｎ，ＣＨＥＮＪｉａ，ＬＩＵＦａｎｍｉｎｇ，ＷＡＮＧＨｕｉ（ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎ，ＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｉｎｔｅｇｒａｔｅｄｓｈｉｐｓｔａｂｉｌｉｚａｔｉｏｎｓｙｓｔｅｍｈａｓｎｏｎｌｉｎｅａｒ，ｍｕｌｔｉ⁃ｖａｒｉａｂｌｅａｎｄｓｔｒｏｎｇｃｏｕｐｌｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｗｈｉｃｈｍａｙｈｉｎｄｅｒｔｈｅｓｙｓｔｅｍｆｒｏｍｒｅａｃｈｉｎｇｔｈｅｂｅｓｔｃｏｎｔｒｏｌｓｔａｔｅ．Ａｎｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｃａｎｓｅａｒｃｈｔｈｅｐａｒａｍｅｔｅｒｓｐａｃｅｅｆｆｉｃｉｅｎｔｌｙ，ａｌｏｎｇｗｉｔｈｉｔｓａｓｓｏｃｉａｔｅｄＰＩＤａｒｔｉｆｉｃｉａｌｎｅｕｒｏｎｎｅｔｗｏｒｋｔｈａｔｈａｓｓｅｌｆ⁃ｒｅｇｕｌａｔｉｏｎａｎｄａｄａｐｔａｂｉｌｉｔｙ．Ｔｈｅｉｍ⁃ ｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｃａｎｏｖｅｒｃｏｍｅｄｉｓａｄｖａｎｔａｇｅｓｉｎｆｏｒｍｅｒｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｓｓｕｃｈａｓｌｏｗｐｒｅｃｉ⁃ ｓｉｏｎ，ｔｈｅｐａｒｔｉｃｌｅｓｔｅｎｄｔｏｆａｌｌｉｎｔｏｅｘｔｒｅｍｅｌｙｓｍａｌｌｖａｌｕｅｓ，ａｎｄｓｏｏｎ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｃａｎｉｎ⁃ ｃｒｅａｓｅｔｈｅｔｒａｉｎｉｎｇｓｐｅｅｄａｎｄｐｒｅｃｉｓｉｏｎｏｆｔｈｅＰＩＤｎｅｒｖｅｎｅｔｗｏｒｋ，ｗｈｉｃｈｆａｃｉｌｉｔａｔｅｓｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ．Ｔｈｅｓｉｍ⁃ ｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄＰＳＯｈａｓｃｅｒｔａｉｎａｄｖａｎｔａｇｅｓ，ｉｔｃａｎｒｅｄｕｃｅｓｈｉｐｒｏｌｌｉｎｇ，ａｎｄｃａｎａｃｈｉｅｖｅｅｘ⁃ ｃｅｌｌｅｎｔｃｏｎｔｒｏｌｅｆｆｅｃｔｓｗｈｅｎｉｔｉｓａｐｐｌｉｅｄｔｏｔｈｅｄｅｓｉｇｎｏｆｔｈｅｄｅｃｏｕｐｌｉｎｇｃｏｎｔｒｏｌｏｆａｎｉｎｔｅｇｒａｔｅｄｓｔａｂｉｌｉｚａｔｉｏｎｃｏｎｔｒｏｌｓｙｓｔｅｍ．Ｋｅｙｗｏｒｄｓ：ｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｓ；ｉｎｔｅｇｒａｔｅｓｔａｂｉｌｉｚａｔｉｏｎｓｙｓｔｅｍ；ＰＩＤｎｅｕｒａｌｎｅｔｗｏｒｋ；ｄｅｃｏｕｐｌｉｎｇｃｏｎｔｒｏｌ；ｓｉｍ⁃ ｕｌａｔｉｏｎａｎａｌｙｓｉｓ收稿日期：２０１４⁃０６⁃１７．网络出版日期：２０１５⁃０９⁃３０．基金项目：中央高校自由探索计划资助项目（ＨＥＵＣＦ０４１４０６）．通信作者：于立君．Ｅ⁃ｍａｉｌ：ｙｕｌｉｊｕｎ＠ｈｒｂｅｕ．ｅｄｕ．ｃｎ．综合减摇控制系统具有非线性强、控制变量多、耦合性强、结构复杂且时变等特点［１］，这些因素的存在使得传统控制器在系统应用中有一定的局限性，其应用的有效性也会受到很大的限制。因此，选择合理的解耦控制算法并有效地应用到控制器设计中［２］，将在很大程度上提高多变量耦合系统的控制效果。近年来，由于粒子群算法具有易实现、通用性强、收敛速度快等特点，被广泛应用到各个领域中［３⁃５］。同时针对标准粒子群算法存在的缺陷，为了提高粒子群算法的性能，国内外研究学者在算法的惯性权重、加速度系数因子等方面提出了许多改进方法。胡建秀等［６］提出了一种线性微分递减策

·700 智能系统学报第10卷略方法，用以提高算法的收敛速度。但是该算法会在迭代过程中出现进入局部极值区域就难以跳出的 B=le VAraK.Kp 问题。陈水利等刀提出了一种非线性调整加速度系数因子的策略，可使算法以最快速度搜索到最优 aC.K.Kp C=lp.V-A, 解所在的区域。经过验证该方法能够得到较理想的对式(1)进行无量纲化可得效果，但是由于后期种群的多样性的丧失，容易造成中+2中+w中-B吃-a,2=K 早熟收敛。Alireza]在传统粒子群优化方法的基础 (2) (2+2u,2+wz-b,Φ-Rw中=0 上提出了具有适应变异机制和动态惯性权重系数的 2N, b2 2N.+B 算法，以增强算法的全局搜索能力，并提高准确性。式中22pS入b2元2,004 算法对动态权重的惯性系数进行了改进，却没考虑 2pigSoR P.Sob2 Dh'+A 加速度因子对算法的影响。本文针对上述改进粒子 a+,+CB=,+,+Cg=1+,+C。群算法中仍然存在的问题，提出了一种新的改进时由式(2)可以看出综合减摇控制系统中存在着变加速度系数的粒子群算法，将该算法与标准粒子耦合项，而这种耦合影响是由船舶横摇角中及它的群算法进行比较，并应用到综合减摇控制系统解耦二阶导数中所引起的。因此，需要选取合适的控制控制器设计中，验证了改进算法的有效性。算法对系统进行解耦控制，进而消除减摇系统中存 1综合减摇耦合系统数学模型分析在的耦合影响，达到提高综合减摇系统性能的目的。改进粒子群算法的PD神经网络综合减摇控制系统中，当横摇角较小时，可以把 2 船舶一减摇水舱系统看作是一个受激励的二自由度解耦控制振动系统，把减摇鳍的扶正力矩K=A中+Bd+C中 2.1改进粒子群算法引入到该系统，可以建立综合减摇系统运动的微分改进粒子群算法分析步骤如下。方程[9.o」粒子群的进化方程川可描述为 V(t+1)=ωV(t)+ [(I1+J,+C)中+(2N。+B)中+(Dh'+A)中- cir(t)(pbest;(t)-X:(t))+ (3) p,Sobz-2p gSoRz Dh'aosin @t c2r2(t)(gbest;(t)-X;(t)) 2pSo入2+2N,2+2p,gS2-p,Sob2中-2p,gSRb=0 X,(t+1)=X(t)+V(t+1) (4) (1) 式中：ω为惯性权重，描述的是粒子上一次运行速度对当前次运行速度的影响[)。V,(t)表示第i个粒式中：I1=I+△1，I和△1分别为相对于过船舶重心的子在第t次迭代过程中的速度矢量，X,(t)表示第i 纵轴惯量和附加惯量；2N。为船舶阻尼力矩；D为排个粒子在第t次迭代过程中的位置矢量，pbest,(t)、水量：h'为稳心高；S。为边舱自由液面面积；S为沿 gbest,(t)分别代表第i个粒子在第t次迭代后该粒水舱轴线的法线方向的局部截面积：r为微质量d 子的历史最优点和种群历史最优点。方程中参数的质心到横摇轴的距离：y为r与d之间的夹角：dl 为迭代次数，1、2为[0,1]的随机数，用来保持种群为液体微体积沿水舱轴线的长度：！为型水舱轴线个体的多样性。c2为加速度系数因子，可以长度：4，=厂二！为舱内水柱相当长度心：使粒子向自己的历史最优点和种群历史最优点靠近，通常取值在0~4之间。 Ratnaweera等[i4、乔俊飞等ti]提出了一种参数 reos ydl为水舱轴线对横摇轴的静压力矩；J,= 自调整策略，在进化过程中，通过调整加速度系数动 P,,Sdl为舱内液体对横摇轴的质量惯性矩；R为态调节算法的局部和全局搜索能力。对于时变加速度系数，调节公式定义如下：边舱中至船舶纵中刨面的水平距离：N。为船舶阻尼 c1=(cy-ci)×t/Tms+ci (5) 系数；P,为海水密度；V为航速；A为鳍的投影面积； c2=(c2y-ca）×t/Tmx+c2z (6) aC,/aa为升力系数斜率；式中：c:cy、c2和c2均为常数，1是当前的迭代次数，T是最大的迭代次数。本文在此基础上做如下修改，提出一种改进的

略方法，用以提高算法的收敛速度。但是该算法会在迭代过程中出现进入局部极值区域就难以跳出的问题。陈水利等［７］提出了一种非线性调整加速度系数因子的策略，可使算法以最快速度搜索到最优解所在的区域。经过验证该方法能够得到较理想的效果，但是由于后期种群的多样性的丧失，容易造成早熟收敛。Ａｌｉｒｅｚａ［８］在传统粒子群优化方法的基础上提出了具有适应变异机制和动态惯性权重系数的算法，以增强算法的全局搜索能力，并提高准确性。算法对动态权重的惯性系数进行了改进，却没考虑加速度因子对算法的影响。本文针对上述改进粒子群算法中仍然存在的问题，提出了一种新的改进时变加速度系数的粒子群算法，将该算法与标准粒子群算法进行比较，并应用到综合减摇控制系统解耦控制器设计中，验证了改进算法的有效性。１综合减摇耦合系统数学模型分析综合减摇控制系统中，当横摇角较小时，可以把船舶—减摇水舱系统看作是一个受激励的二自由度振动系统，把减摇鳍的扶正力矩Ｋｃ＝Ａϕ ＋Ｂϕ · ＋Ｃϕ ¨ 引入到该系统，可以建立综合减摇系统运动的微分方程［９⁃１０］：（Ｉ１＋Ｊｔ＋Ｃ）ϕ ¨ ＋（２Ｎϕ ＋Ｂ）ϕ · ＋（Ｄｈ′ ＋Ａ）ϕ － ρｔＳ０ｂ２ｚ ¨ －２ρｔｇＳ０Ｒｚ＝Ｄｈ′ａ０ｓｉｎ ωｔ２ρｔＳ０λｔｚ ¨ ＋２Ｎｔｚ · ＋２ρｔｇＳ０ｚ－ ρｔＳ０ｂ２ϕ ¨ －２ρｔｇＳ０Ｒϕ ＝０ ì î í ï ï ï ï （１）式中：Ｉ１＝Ｉ＋ΔＩ，Ｉ和 ΔＩ分别为相对于过船舶重心的纵轴惯量和附加惯量；２Ｎϕ 为船舶阻尼力矩；Ｄ为排水量；ｈ′为稳心高；Ｓ０为边舱自由液面面积；Ｓ为沿水舱轴线的法线方向的局部截面积；ｒ为微质量ｄｍ的质心到横摇轴的距离；γ 为ｒ与ｄ之间的夹角；ｄｌ为液体微体积沿水舱轴线的长度；ｌ为型水舱轴线长度； λｔ＝１２ ∫ ｌ０Ｓ０Ｓｄｌ为舱内水柱相当长度；ｂ２＝ ∫ ｌ０ｒｃｏｓ γｄｌ为水舱轴线对横摇轴的静压力矩；Ｊｔ＝ ρｔ ∫ ｌ０ｒ２Ｓｄｌ为舱内液体对横摇轴的质量惯性矩；Ｒ为边舱中至船舶纵中刨面的水平距离；Ｎϕ 为船舶阻尼系数；ρｔ为海水密度；Ｖ为航速；Ａｆ为鳍的投影面积； ∂Ｃｙ／ ∂α 为升力系数斜率；Ａ＝ｌｆ ρｔＶ２ＡＦ ∂Ｃｙ ∂α ＫｈＫＩＢ＝ｌｆ ρｔＶ２ＡＦ ∂Ｃｙ ∂α ＫｈＫＰＣ＝ｌｆ ρｔＶ２ＡＦ ∂Ｃｙ ∂α ＫｈＫＤ对式（１）进行无量纲化可得 ϕ ¨ ＋２ｖϕϕ · ＋ ω ２ ϕϕ － βｚ ¨ －ａｔｚ＝Ｋω ｚ ¨ ＋２ｖｔｚ．＋ ω ２ｔｚ－ｂｔϕ¨ －Ｒω ２ｔ ϕ ＝０ { （２）式中：２ｖｔ＝２Ｎｔ２ρｔＳ０λｔ；ｂｔ＝ｂ２２λｔ；２ｖϕ ＝２Ｎϕ ＋Ｂ（Ｉ１＋Ｊｔ＋Ｃ）；ω ２ｔ＝ｇ λｔ； αｔ＝２ρｔｇＳ０Ｒ（Ｉ１＋Ｊｔ＋Ｃ）；β ＝ ρｔＳ０ｂ２（Ｉ１＋Ｊｔ＋Ｃ）；ω ２ ϕ ＝Ｄｈ′＋Ａ（Ｉ１＋Ｊｔ＋Ｃ）。由式（２）可以看出综合减摇控制系统中存在着耦合项，而这种耦合影响是由船舶横摇角 ϕ 及它的二阶导数 ϕ ¨ 所引起的。因此，需要选取合适的控制算法对系统进行解耦控制，进而消除减摇系统中存在的耦合影响，达到提高综合减摇系统性能的目的。２改进粒子群算法的ＰＩＤ神经网络解耦控制２．１改进粒子群算法改进粒子群算法分析步骤如下。粒子群的进化方程［１１］可描述为Ｖｉ（ｔ＋１）＝ ωＶｉ（ｔ）＋ｃ１ｒ１（ｔ）（ｐｂｅｓｔｉ（ｔ）－Ｘｉ（ｔ））＋（３）ｃ２ｒ２（ｔ）（ｇｂｅｓｔｉ（ｔ）－Ｘｉ（ｔ））Ｘｉ（ｔ＋１）＝Ｘｉ（ｔ）＋Ｖｉ（ｔ＋１）（４）式中：ω 为惯性权重，描述的是粒子上一次运行速度对当前次运行速度的影响［１２］。Ｖｉ（ｔ）表示第ｉ个粒子在第ｔ次迭代过程中的速度矢量，Ｘｉ（ｔ）表示第ｉ个粒子在第ｔ次迭代过程中的位置矢量，ｐｂｅｓｔｉ（ｔ）、ｇｂｅｓｔｉ（ｔ）分别代表第ｉ个粒子在第ｔ次迭代后该粒子的历史最优点和种群历史最优点。方程中参数ｔ为迭代次数，ｒ１、ｒ２为［０，１］的随机数，用来保持种群个体的多样性［１３］。ｃ１、ｃ２为加速度系数因子，可以使粒子向自己的历史最优点和种群历史最优点靠近，通常取值在０～４之间。Ｒａｔｎａｗｅｅｒａ等［１４］、乔俊飞等［１５］提出了一种参数自调整策略，在进化过程中，通过调整加速度系数动态调节算法的局部和全局搜索能力。对于时变加速度系数，调节公式定义如下：ｃ１＝（ｃ１ｆ－ｃ１ｉ） × ｔ／Ｔｍａｘ＋ｃ１ｉ（５）ｃ２＝（ｃ２ｆ－ｃ２ｉ） × ｔ／Ｔｍａｘ＋ｃ２ｉ（６）式中：ｃ１ｉ、ｃ１ｆ、ｃ２ｉ和ｃ２ｆ均为常数，ｔ是当前的迭代次数，Ｔｍａｘ是最大的迭代次数。本文在此基础上做如下修改，提出一种改进的 ·７００· 智能系统学报第１０卷

第5期于立君，等：改进粒子群算法的PD神经网络解耦控制 ·701· 时变加速度系数的粒子群算法，定义加速度系数公根据表1中的数据可以得到该减摇系统具体表式如下：达式为 c1=(cu-cy)x exp[-(4t/Tms)2]+cu(7) W(s)=(0.8866s3+0.2746s2+0.5863s)/(5.06× c2=(cx-c2y）×exp[-(4t/Tmr)2]+c2y(8) 式中：c:和c2分别是加速度系数c1和c2的初始值。 10-6s3+4.829×10-4s4+0.02767s3+0.4075s2+ c和c2分别是加速度系数c,和c2的最终值。则改 4.772s+2) (12) 变加速度系数后，粒子群算法更新方程如下：本文选取综合减摇控制系统性能指标函数为 V(t+1)=w×V(t)+ (ct-cy)×exp[-(4t/Tm)2]+cy)× [p,(t)-p.(t)]2(13) r:x (pbest;(t)-X(t))+ (9) (cy-cr)×exp[-(4t/Tm)2]+c2r)× 式中：E:为输出横摇角的误差平方和，9，(t)为预测 r2 x (gbest (t)-X:(t)) 输出横摇角，9(t)为实际输出横摇角，n为训练样改进粒子群算法流程如图1所示。本数。粒子群中个体的适应度函数选为开始 6=J (14) 表1综合减摇系统主要参数设定初始参数 Table 1 Parameters of integrated stabilization system 随机产生N个个体船长/m 195.3 航速V/(m·s) 9.972 计算系统适应值船宽/m 25.6 水舱底部通道高度h/m0.520 计算控制指标吃水/m 3.090 水舱边舱宽度G,/m 0.527 选择部分较优粒子更新粒子速度迭代数加1 排水量/m3 1574 鳍面A/m2 3.000 更新粒子位置鰭力矩至船舶横摇无因阻尼系数 0.070 5.600 组成新的粒子群中心的距离l/m 周期T/s 7.243 边舱高H,/m 4.930 计算指标重力加速度两个边舱中心之间 N 9.81 8.074 g/(m·s2) 的水平距离L/m Y 水舱布置度H./m 4.930 水舱后稳性高h/m0.9835 结束水舱底部到船舶重心升力系数C, 0.055 -1.5 图1改进粒子群算法流程距离d/m Fig.1 The flow chart of improved PSO algorithm 2.2改进粒子群算法的综合减摇系统PID神经网 3 仿真分析络解耦控制为了验证本文提出的改进粒子群算法的可行性选取式(2)为综合减摇系统模型进行分析，相应的系统参数如表1所示，并对式(2)进行变换得以及优劣性，分别采用标准粒子群算法和改进粒子 b+2u中+o中-B版-a,2= Dh'aosin wt 群算法对式(14)中的适应度函数进行仿真，并从收 11+J,+C(10) 敛速度、最优适应度值的变化情况以及搜索精度3 e+2,z+wz-b,中-Rwb=0 方面进行比较。选取相应的参数为：初始关系权重对式(10)进行Laplace变换并整理可得 W(s)=中(s)/a(s)= ωm=0.9,终惯性权重wn=0.1,最大速度量Vm= o8(s2+2,s+u)/Dm 0.03,最小速度量Vn=-0.03。 (s2+2s+o)(s2+2,3+w)+(6,s2+R@)(-B2-a,) 选取种群规模为m=100,迭代次数为40进行 (11) 仿真，结果如图2~6所示

时变加速度系数的粒子群算法，定义加速度系数公式如下：ｃ１＝（ｃ１ｉ－ｃ１ｆ） × ｅｘｐ［－（４ｔ／Ｔｍａｘ）２］＋ｃ１ｆ（７）ｃ２＝（ｃ２ｉ－ｃ２ｆ） × ｅｘｐ［－（４ｔ／Ｔｍａｘ）２］＋ｃ２ｆ（８）式中：ｃ１ｉ和ｃ２ｉ分别是加速度系数ｃ１和ｃ２的初始值。ｃ１ｆ和ｃ２ｆ分别是加速度系数ｃ１和ｃ２的最终值。则改变加速度系数后，粒子群算法更新方程如下：Ｖｉ（ｔ＋１）＝ ω × Ｖｉ（ｔ）＋（（ｃ１ｉ－ｃ１ｆ） × ｅｘｐ［－（４ｔ／Ｔｍａｘ）２］＋ｃ１ｆ） × ｒ１ × （ｐｂｅｓｔｉ（ｔ）－Ｘｉ（ｔ））＋（９）（（ｃ１ｆ－ｃ２ｆ） × ｅｘｐ［－（４ｔ／Ｔｍａｘ）２］＋ｃ２ｆ） × ｒ２ × （ｇｂｅｓｔｉ（ｔ）－Ｘｉ（ｔ））改进粒子群算法流程如图１所示。图１改进粒子群算法流程Ｆｉｇ．１ＴｈｅｆｌｏｗｃｈａｒｔｏｆｉｍｐｒｏｖｅｄＰＳＯａｌｇｏｒｉｔｈｍ２．２改进粒子群算法的综合减摇系统ＰＩＤ神经网络解耦控制选取式（２）为综合减摇系统模型进行分析，相应的系统参数如表１所示，并对式（２）进行变换得 ϕ ¨ ＋２ｖϕϕ · ＋ ω ２ ϕϕ － βｚ ¨ －ａｔｚ＝Ｄｈ′ａ０ｓｉｎ ωｔＩ１＋Ｊｔ＋Ｃｚ ¨ ＋２ｖｔｚ．＋ ω ２ｔｚ－ｂｔϕ ¨ －Ｒω ２ｔ ϕ ＝０ ì î í ï ï ï ï （１０）对式（１０）进行Ｌａｐｌａｃｅ变换并整理可得Ｗϕ（ｓ）＝ ϕ（ｓ）／ａ（ｓ）＝ ω ２ ϕ（ｓ２＋２ｖｔｓ＋ ω ２ｔ）／Ｄｈ′ （ｓ２＋２ｖϕ ｓ＋ ω ２ ϕ）（ｓ２＋２ｖｔｓ＋ ω ２ｔ）＋（ｂｔｓ２＋Ｒω ２ｔ）（－ βｓ２－ αｔ）（１１）根据表１中的数据可以得到该减摇系统具体表达式为Ｗϕ（ｓ）＝（０．８８６６ｓ３＋０．２７４６ｓ２＋０．５８６３ｓ）／（５．０６ × １０－６ｓ５＋４．８２９ × １０－４ｓ４＋０．０２７６７ｓ３＋０．４０７５ｓ２＋４．７７２ｓ＋２）（１２）本文选取综合减摇控制系统性能指标函数为Ｊ＝１２ ∑ ｎｉ＝１Ｅｉ＝１２ ∑ ｎｉ＝１［φｒ（ｔ）－ φｏ（ｔ）］２（１３）式中：Ｅｉ为输出横摇角的误差平方和，φｒ（ｔ）为预测输出横摇角，φｏ（ｔ）为实际输出横摇角，ｎ为训练样本数。粒子群中个体的适应度函数选为ｆｉ＝Ｊ（１４）表１综合减摇系统主要参数Ｔａｂｌｅ１Ｐａｒａｍｅｔｅｒｓｏｆｉｎｔｅｇｒａｔｅｄｓｔａｂｉｌｉｚａｔｉｏｎｓｙｓｔｅｍ船长／ｍ１９５．３航速Ｖ／（ｍ·ｓ－１）９．９７２船宽／ｍ２５．６水舱底部通道高度ｈｄ／ｍ０．５２０吃水／ｍ３．０９０水舱边舱宽度ｗｒ／ｍ０．５２７排水量／ｍ３１５７４鳍面Ａｆ／ｍ２３．０００无因阻尼系数０．０７０鳍力矩至船舶横摇中心的距离ｌｆ／ｍ５．６００周期Ｔ０／ｓ７．２４３边舱高Ｈｔ／ｍ４．９３０重力加速度ｇ／（ｍ·ｓ－２）９．８１两个边舱中心之间的水平距离Ｌ／ｍ８．０７４水舱布置度Ｈｚ／ｍ４．９３０水舱后稳性高ｈ／ｍ０．９８３５升力系数Ｃｙ０．０５５水舱底部到船舶重心距离ｄｔ／ｍ－１．５３仿真分析为了验证本文提出的改进粒子群算法的可行性以及优劣性，分别采用标准粒子群算法和改进粒子群算法对式（１４）中的适应度函数进行仿真，并从收敛速度、最优适应度值的变化情况以及搜索精度３方面进行比较。选取相应的参数为：初始关系权重 ωｍａｘ＝０．９，终惯性权重 ωｍｉｎ＝０．１，最大速度量Ｖｍａｘ＝０．０３，最小速度量Ｖｍｉｎ＝－０．０３。选取种群规模为ｍ＝１００，迭代次数为４０进行仿真，结果如图２～６所示。第５期于立君，等：改进粒子群算法的ＰＩＤ神经网络解耦控制 ·７０１·

第5期于立君，等：改进粒子群算法的PD神经网络解耦控制 ·703· 由表2可知，在选取特定的海情和航速下，采用 10 8 改进的粒子群算法优化PD神经网络控制器对系 6 统进行控制，可以得到更小的横摇角和更高的减摇效率。与标准粒子群算法优化PD神经网络控制 2 器相比，改进粒子群算法能够有效地减小船舶横摇角，取得较好的控制效果，提高控制系统的综合减摇性能。 4结束语 -10 在建立综合减摇系统耦合模型的过程中，为便 100200300400500 600 于进行系统分析，通常会忽略耦合模型的复杂性和图7标准粒子群算法下综合减摇系统横摇角不确定性，这也给系统解耦带来一定的影响。为提 Fig.7 Roll angle under the standard PSO algorithm 高系统的收敛速度和收敛精度，本文在标准粒子群算法的基础上进行改进，采用改进粒子群算法进行 PD神经网络参数寻优。仿真结果表明，采用本文提出的改进粒子群算法优化PID神经网络，进行解耦控制器设计能够有效降低减摇控制系统中的耦合作用，减小船舶横摇，取得较好的控制效果。参考文献： [1]孟祥振.综合减摇系统参数配置及控制器优化研究[D]. 哈尔滨：哈尔滨工程大学，2012：27-28 MENG Xiangzhen.The study of parameters configuration 100200300 400 500 600 and controller optimization of integrated stabilization system t/s [D].Harbin:Harbin Engineering University,2012:27-28. 图8改进粒子群算法解耦后综合减摇系统横摇角 [2]周西峰，林莹莹，郭前岗.基于粒子群算法的PD神经 Fig.8 Roll angle under the improved PSO algorithm 网络解耦控制[J].计算机技术与发展，2013,23(9)：对比图7、8可以看出，采用改进粒子群算法优 158-161 化PD神经网络设计出的解耦控制器，其减摇效果 ZHOU Xifeng,LIN Yingying,GUO Qiangang.PID neural 优于传统的标准粒子群算法。为了验证基于改进粒 network decoupling control based on particle swarm optimi- 子群算法设计出的PD神经网络解耦控制器在综 zation[J].Computer Technology and Development,2013, 23(9):158-161. 合减摇控制系统中的应用效果不失一般性，选取不 [3]MOHANDES M A.Modeling global solar radiation using 同情况下的参数对该方法进行仿真验证，可得到仿 particle swarm optimization (PSO)[J].Solar Energy, 真数据如表2所示。 2012,86(1):3137-3145. 表2不同控制方法的仿真数据统计 [4]应进.基于粒子群算法的航空发动机多变量控制研究 Table 2 Simulation statistics of different control methods [D].南昌：南昌航空大学，2011：23-24. 标准算法改进算法标准算法改进算法 YING Jin.Multivariable control for aeroengines based on 航速/遭遇角/ 系统横系统横减摇效减摇效 particle swarm optimization algorithm[D].Nanchang:Nan- kn (°) 摇角/()摇角/(。) 率/% 率/% chang Hangkong University,2011:23-24. 45 3.8073 2.0297 57.63 76.35 [5]AL-GEELANI N A,PIAH M A M,ADZIS Z,et al.Hybrid regrouping PSO based wavelet neuralnetworks for character- 18 90 3.6231 2.4617 60.21 78.06 ization of acoustic signalsdue to surface discharges on H.V. 135 4.7983 2.5940 42.37 69.513 glass insulators J].Applied Soft Computing,2013,13 45 3.2609 2.0196 58.13 75.92 (12):4622-4632. 22 90 [6]胡建秀，曾建潮.微粒群算法中惯性权重的调整策略 3.8716 1.9278 72.65 84.43 [J].计算机工程，2007,33(11)：193-195. 135 2.4515 1.8536 49.95 70.39 HU Jianxiu,ZENG Jianchao.Selection on inertia weight of

图７标准粒子群算法下综合减摇系统横摇角Ｆｉｇ．７ＲｏｌｌａｎｇｌｅｕｎｄｅｒｔｈｅｓｔａｎｄａｒｄＰＳＯａｌｇｏｒｉｔｈｍ图８改进粒子群算法解耦后综合减摇系统横摇角Ｆｉｇ．８ＲｏｌｌａｎｇｌｅｕｎｄｅｒｔｈｅｉｍｐｒｏｖｅｄＰＳＯａｌｇｏｒｉｔｈｍ对比图７、８可以看出，采用改进粒子群算法优化ＰＩＤ神经网络设计出的解耦控制器，其减摇效果优于传统的标准粒子群算法。为了验证基于改进粒子群算法设计出的ＰＩＤ神经网络解耦控制器在综合减摇控制系统中的应用效果不失一般性，选取不同情况下的参数对该方法进行仿真验证，可得到仿真数据如表２所示。表２不同控制方法的仿真数据统计Ｔａｂｌｅ２Ｓｉｍｕｌａｔｉｏｎｓｔａｔｉｓｔｉｃｓｏｆｄｉｆｆｅｒｅｎｔｃｏｎｔｒｏｌｍｅｔｈｏｄｓ航速／ｋｎ遭遇角／（°）标准算法系统横摇角／（°）改进算法系统横摇角／（°）标准算法减摇效率／％改进算法减摇效率／％１８４５３．８０７３２．０２９７５７．６３７６．３５９０３．６２３１２．４６１７６０．２１７８．０６１３５４．７９８３２．５９４０４２．３７６９．５１３２２４５３．２６０９２．０１９６５８．１３７５．９２９０３．８７１６１．９２７８７２．６５８４．４３１３５２．４５１５１．８５３６４９．９５７０．３９由表２可知，在选取特定的海情和航速下，采用改进的粒子群算法优化ＰＩＤ神经网络控制器对系统进行控制，可以得到更小的横摇角和更高的减摇效率。与标准粒子群算法优化ＰＩＤ神经网络控制器相比，改进粒子群算法能够有效地减小船舶横摇角，取得较好的控制效果，提高控制系统的综合减摇性能。４结束语在建立综合减摇系统耦合模型的过程中，为便于进行系统分析，通常会忽略耦合模型的复杂性和不确定性，这也给系统解耦带来一定的影响。为提高系统的收敛速度和收敛精度，本文在标准粒子群算法的基础上进行改进，采用改进粒子群算法进行ＰＩＤ神经网络参数寻优。仿真结果表明，采用本文提出的改进粒子群算法优化ＰＩＤ神经网络，进行解耦控制器设计能够有效降低减摇控制系统中的耦合作用，减小船舶横摇，取得较好的控制效果。参考文献：［１］孟祥振．综合减摇系统参数配置及控制器优化研究［Ｄ］．哈尔滨：哈尔滨工程大学，２０１２：２７⁃２８．ＭＥＮＧＸｉａｎｇｚｈｅｎ．Ｔｈｅｓｔｕｄｙｏｆｐａｒａｍｅｔｅｒｓｃｏｎｆｉｇｕｒａｔｉｏｎａｎｄｃｏｎｔｒｏｌｌｅｒｏｐｔｉｍｉｚａｔｉｏｎｏｆｉｎｔｅｇｒａｔｅｄｓｔａｂｉｌｉｚａｔｉｏｎｓｙｓｔｅｍ［Ｄ］．Ｈａｒｂｉｎ：ＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，２０１２：２７⁃２８．［２］周西峰，林莹莹，郭前岗．基于粒子群算法的ＰＩＤ神经网络解耦控制［Ｊ］．计算机技术与发展，２０１３，２３（９）：１５８⁃１６１．ＺＨＯＵＸｉｆｅｎｇ，ＬＩＮＹｉｎｇｙｉｎｇ，ＧＵＯＱｉａｎｇａｎｇ．ＰＩＤｎｅｕｒａｌｎｅｔｗｏｒｋｄｅｃｏｕｐｌｉｎｇｃｏｎｔｒｏｌｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉ⁃ ｚａｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＴｅｃｈｎｏｌｏｇｙａｎｄＤｅｖｅｌｏｐｍｅｎｔ，２０１３，２３（９）：１５８⁃１６１．［３］ＭＯＨＡＮＤＥＳＭＡ．Ｍｏｄｅｌｉｎｇｇｌｏｂａｌｓｏｌａｒｒａｄｉａｔｉｏｎｕｓｉｎｇｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）［Ｊ］．ＳｏｌａｒＥｎｅｒｇｙ，２０１２，８６（１）：３１３７⁃３１４５．［４］应进．基于粒子群算法的航空发动机多变量控制研究［Ｄ］．南昌：南昌航空大学，２０１１：２３⁃２４．ＹＩＮＧＪｉｎ．Ｍｕｌｔｉｖａｒｉａｂｌｅｃｏｎｔｒｏｌｆｏｒａｅｒｏｅｎｇｉｎｅｓｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｄ］．Ｎａｎｃｈａｎｇ：Ｎａｎ⁃ ｃｈａｎｇＨａｎｇｋｏｎｇＵｎｉｖｅｒｓｉｔｙ，２０１１：２３⁃２４．［５］ＡＬ⁃ＧＥＥＬＡＮＩＮＡ，ＰＩＡＨＭＡＭ，ＡＤＺＩＳＺ，ｅｔａｌ．ＨｙｂｒｉｄｒｅｇｒｏｕｐｉｎｇＰＳＯｂａｓｅｄｗａｖｅｌｅｔｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｃｈａｒａｃｔｅｒ⁃ ｉｚａｔｉｏｎｏｆａｃｏｕｓｔｉｃｓｉｇｎａｌｓｄｕｅｔｏｓｕｒｆａｃｅｄｉｓｃｈａｒｇｅｓｏｎＨ．Ｖ．ｇｌａｓｓｉｎｓｕｌａｔｏｒｓ［Ｊ］．ＡｐｐｌｉｅｄＳｏｆｔＣｏｍｐｕｔｉｎｇ，２０１３，１３（１２）：４６２２⁃４６３２．［６］胡建秀，曾建潮．微粒群算法中惯性权重的调整策略［Ｊ］．计算机工程，２００７，３３（１１）：１９３⁃１９５．ＨＵＪｉａｎｘｉｕ，ＺＥＮＧＪｉａｎｃｈａｏ．Ｓｅｌｅｃｔｉｏｎｏｎｉｎｅｒｔｉａｗｅｉｇｈｔｏｆ第５期于立君，等：改进粒子群算法的ＰＩＤ神经网络解耦控制 ·７０３·

·704· 智能系统学报第10卷 particle swarm optimization[J].Computer Engineering, [14]RATNAWEERA A.HAIGAMUGE S K.WATSON H C. 2007.33(11):193-195. Self-organizing hierarchical particle swarm optimizer with [7]陈水利，蔡国榕.PS0算法加速因子的非线性策略研究 time-varying acceleration coefficients[J].IEEE Transac. [J].长江大学学报（自然版）：理工卷，2007,4(4)：1-4. tions on Evolutionary Compution,2004,8(3):240-255. CHEN Shuili,CAI Guorong.Nonlinear strategy of PSO algo- [15]乔俊飞，逢泽芳，韩红桂.基于改进粒子群算法的污水 rithm acceleration factor[].Journal of Yangtze University 处理过程神经网络优化控制[J].智能系统学报，2012， Nat Sci Edit):Sci Eng V,2007,4(4):1-4. 7(5):429.436. [8]ALIREZA A.PSO with adaptive mutation and inertia weight QIAO Junfei,PANG Zefang,HAN Honggui.Neural net- and its application in parameter estimation of dynamic sys- work optimal control for wastewater treatment process based tems[J].Acta Automatica Sinica,2011,37(5):541-549. on APSO[J].CAAI Transactions on Intelligent Systems, [9]于立君，孟祥振，金宏章，等.综合减摇系统参数配置 2012,7(5):429.436 研究[J].中国造船，2012,53(4)：13-21. 作者简介： YU Lijun,MENG Xiangzhen,JIN Hongzhang,et al.Study 于立君，男，1975年生，副教授，博 of configuration parameters of integrated stabilization system 士，主要研究方向为船舶运动控制、先 [J].Shipbuilding of China,2012,53(4):13-21. 进控制理论及应用。主持并完成博士 [10]于立君，孙经广，刘繁明，等.广义预测算法在综合减后基金1项、横向项目1项、中央高校摇系统控制器设计中的应用[J].船舶工程，2013,35 自由探索计划5项，获得黑龙江省科技 (6)：76-79.83. 进步二等奖1项。 YU Lijun,SUN Jingguang,LIU Fanming,et al.Applica- tion of generalized prediction algorithm in designing inte- grated stabilization system controller[J].Ship Engineer- 陈佳，女，1989年生，硕士研究生， ing,2013,35(6):76-79,83. 主要研究方向为船舶智能控制理论方 [11]CHIOU J S,TSAI S H,LIU Mingtang.A PSO-based a- 法与应用。 daptive fuzzy PID-controllers [J].Simulation Modelling Practice and Theory,2012,26:49-59. [12]沈锡.基于粒子群优化算法的船舶航向PD控制[D]: 大连：大连海事大学，2011：6-7. SHEN Xi.PID control for ship steering based on particle 刘繁明，男，1963年生，教授，博士 swarm optimization[D].Dalian:Dalian Maritime Universi- 生导师，主要研究方向为水下潜器定位 ty,2011:6-7. 技术、弱信号测量与处理技术、被动导 [13]BOUALLEGUE S.HAGGEGE J.AYADI M,et al.PID- 航与定位技术、工业装置测控技术。承 type fuzzy logic controller tuning based on particle swarm 担“十二五”预先研究项目2项，国家自 optimization[J].Engineering Applications of Artificial In- 然科学基金重点项目1项，设备研制项 elligence,2012,25(3):484-493. 目多项

ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，２００７，３３（１１）：１９３⁃１９５．［７］陈水利，蔡国榕．ＰＳＯ算法加速因子的非线性策略研究［Ｊ］．长江大学学报（自然版）：理工卷，２００７，４（４）：１⁃４．ＣＨＥＮＳｈｕｉｌｉ，ＣＡＩＧｕｏｒｏｎｇ．ＮｏｎｌｉｎｅａｒｓｔｒａｔｅｇｙｏｆＰＳＯａｌｇｏ⁃ ｒｉｔｈｍａｃｃｅｌｅｒａｔｉｏｎｆａｃｔｏｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙ（ＮａｔＳｃｉＥｄｉｔ）：Ｓｃｉ＆ＥｎｇＶ，２００７，４（４）：１⁃４．［８］ＡＬＩＲＥＺＡＡ．ＰＳＯｗｉｔｈａｄａｐｔｉｖｅｍｕｔａｔｉｏｎａｎｄｉｎｅｒｔｉａｗｅｉｇｈｔａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎｏｆｄｙｎａｍｉｃｓｙｓ⁃ ｔｅｍｓ［Ｊ］．ＡｃｔａＡｕｔｏｍａｔｉｃａＳｉｎｉｃａ，２０１１，３７（５）：５４１⁃５４９．［９］于立君，孟祥振，金宏章，等．综合减摇系统参数配置研究［Ｊ］．中国造船，２０１２，５３（４）：１３⁃２１．ＹＵＬｉｊｕｎ，ＭＥＮＧＸｉａｎｇｚｈｅｎ，ＪＩＮＨｏｎｇｚｈａｎｇ，ｅｔａｌ．Ｓｔｕｄｙｏｆｃｏｎｆｉｇｕｒａｔｉｏｎｐａｒａｍｅｔｅｒｓｏｆｉｎｔｅｇｒａｔｅｄｓｔａｂｉｌｉｚａｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＳｈｉｐｂｕｉｌｄｉｎｇｏｆＣｈｉｎａ，２０１２，５３（４）：１３⁃２１．［１０］于立君，孙经广，刘繁明，等．广义预测算法在综合减摇系统控制器设计中的应用［Ｊ］．船舶工程，２０１３，３５（６）：７６⁃７９，８３．ＹＵＬｉｊｕｎ，ＳＵＮＪｉｎｇｇｕａｎｇ，ＬＩＵＦａｎｍｉｎｇ，ｅｔａｌ．Ａｐｐｌｉｃａ⁃ ｔｉｏｎｏｆｇｅｎｅｒａｌｉｚｅｄｐｒｅｄｉｃｔｉｏｎａｌｇｏｒｉｔｈｍｉｎｄｅｓｉｇｎｉｎｇｉｎｔｅ⁃ ｇｒａｔｅｄｓｔａｂｉｌｉｚａｔｉｏｎｓｙｓｔｅｍｃｏｎｔｒｏｌｌｅｒ［Ｊ］．ＳｈｉｐＥｎｇｉｎｅｅｒ⁃ ｉｎｇ，２０１３，３５（６）：７６⁃７９，８３．［１１］ＣＨＩＯＵＪＳ，ＴＳＡＩＳＨ，ＬＩＵＭｉｎｇｔａｎｇ．ＡＰＳＯ⁃ｂａｓｅｄａ⁃ ｄａｐｔｉｖｅｆｕｚｚｙＰＩＤ⁃ｃｏｎｔｒｏｌｌｅｒｓ［Ｊ］．ＳｉｍｕｌａｔｉｏｎＭｏｄｅｌｌｉｎｇＰｒａｃｔｉｃｅａｎｄＴｈｅｏｒｙ，２０１２，２６：４９⁃５９．［１２］沈锡．基于粒子群优化算法的船舶航向ＰＩＤ控制［Ｄ］．大连：大连海事大学，２０１１：６⁃７．ＳＨＥＮＸｉ．ＰＩＤｃｏｎｔｒｏｌｆｏｒｓｈｉｐｓｔｅｅｒｉｎｇｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｄ］．Ｄａｌｉａｎ：ＤａｌｉａｎＭａｒｉｔｉｍｅＵｎｉｖｅｒｓｉ⁃ ｔｙ，２０１１：６⁃７．［１３］ＢＯＵＡＬＬÈＧＵＥＳ，ＨＡＧＧÈＧＥＪ，ＡＹＡＤＩＭ，ｅｔａｌ．ＰＩＤ－ｔｙｐｅｆｕｚｚｙｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒｔｕｎｉｎｇｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＥｎｇｉｎｅｅｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓｏｆＡｒｔｉｆｉｃｉａｌＩｎ⁃ ｔｅｌｌｉｇｅｎｃｅ，２０１２，２５（３）：４８４⁃４９３．［１４］ＲＡＴＮＡＷＥＥＲＡＡ，ＨＡＩＧＡＭＵＧＥＳＫ，ＷＡＴＳＯＮＨＣ．Ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇｈｉｅｒａｒｃｈｉｃａｌｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚｅｒｗｉｔｈｔｉｍｅ⁃ｖａｒｙｉｎｇａｃｃｅｌｅｒａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃ⁃ ｔｉｏｎｓｏｎＥｖｏｌｕｔｉｏｎａｒｙＣｏｍｐｕｔｉｏｎ，２００４，８（３）：２４０⁃２５５．［１５］乔俊飞，逄泽芳，韩红桂．基于改进粒子群算法的污水处理过程神经网络优化控制［Ｊ］．智能系统学报，２０１２，７（５）：４２９⁃４３６．ＱＩＡＯＪｕｎｆｅｉ，ＰＡＮＧＺｅｆａｎｇ，ＨＡＮＨｏｎｇｇｕｉ．Ｎｅｕｒａｌｎｅｔ⁃ ｗｏｒｋｏｐｔｉｍａｌｃｏｎｔｒｏｌｆｏｒｗａｓｔｅｗａｔｅｒｔｒｅａｔｍｅｎｔｐｒｏｃｅｓｓｂａｓｅｄｏｎＡＰＳＯ［Ｊ］．ＣＡＡＩＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓ，２０１２，７（５）：４２９⁃４３６．作者简介：于立君，男，１９７５年生，副教授，博士，主要研究方向为船舶运动控制、先进控制理论及应用。主持并完成博士后基金１项、横向项目１项、中央高校自由探索计划５项，获得黑龙江省科技进步二等奖１项。陈佳，女，１９８９年生，硕士研究生，主要研究方向为船舶智能控制理论方法与应用。刘繁明，男，１９６３年生，教授，博士生导师，主要研究方向为水下潜器定位技术、弱信号测量与处理技术、被动导航与定位技术、工业装置测控技术。承担“十二五”预先研究项目２项，国家自然科学基金重点项目１项，设备研制项目多项。 ·７０４· 智能系统学报第１０卷