【技术实现步骤摘要】
—种基于模拟退火-强化学习算法的船舶运动控制器本专利技术针对船舶运动控制与航行的安全性、可操纵性和经济性,基于模拟退火-强化学习算法提出一种混合智能控制器,应用于船舶运动航向控制中。这种混合智能控制器发挥了各种智能算法的优势,能够克服风、浪、流等外界的干扰,船舶操纵自身的不确定性,以及干扰或仪器测量误差情况下,精确的训练数据不容易得到的缺陷。为解决上述技术问题,本专利技术的技术方案是: 由于模糊逻辑的知识表达和推理能力,以及神经网络的知识获取、学习及适应、非线性映射与容错能力,模糊神经网络在许多领域得到了广泛的应用。本专利技术选用了一种ANFIS类型的模糊神经网络。模拟退火(Simulated Annealing, SA)是近年来提出的一种适合解大规模组合优化问题的有效优化算法,是一种模仿金属退火物理过程的优化算法。SA具有描述简单、使用灵活、运用广泛、运行效率高和较少受初始条件限制等优点,而且特别适合并行计算,具有较高的实用价值。本文采用模拟退火法来对模糊神经网络进行在线学习。但这种在线学习的算法,需要提供准确的训练数据。在存在干扰或仪器测量误差情况下(在测量仪表部分故障情况下,测量误差甚至可达到被测量相同量级),精确的训练数据是不容易得到的。在这种情况下,强化学习算法显示出其独特的优势。强化学习只需具有非常简单的“可估计的”或“临界的”信息,在极端情况下,只要单个位的信息以表明输出是正确还是错误的即可,这一点在精确数据不易得到的船舶运动控制中是很有意义的。利用强化学习对控制器参数进行在线调整,只需对当前控制效果提供诸如好、一般、差等模糊信息,既可以满足控 ...
【技术保护点】
一种基于模拟退火?强化学习算法的船舶运动控制器包含以下几个部分:由于模糊逻辑的知识表达和推理能力,以及神经网络的知识获取、学习及适应、非线性映射与容错能力,模糊神经网络在许多领域得到了广泛的应用;本专利技术选用了一种ANFIS?类型的模糊神经网络;模拟退火(Simulated?Annealing,?SA)是近年来提出的一种适合解大规模组合优化问题的有效优化算法,是一种模仿金属退火物理过程的优化算法;SA?具有描述简单、使用灵活、运用广泛、运行效率高和较少受初始条件限制等优点,而且特别适合并行计算,具有较高的实用价值;本文采用模拟退火法来对模糊神经网络进行在线学习;但这种在线学习的算法,需要提供准确的训练数据;在存在干扰或仪器测量误差情况下(在测量仪表部分故障情况下,测量误差甚至可达到被测量相同量级),精确的训练数据是不容易得到的;在这种情况下,强化学习算法显示出其独特的优势;强化学习只需具有非常简单的“可估计的”或“临界的”信息,在极端情况下,只要单个位的信息以表明输出是正确还是错误的即可,这一点在精确数据不易得到的船舶运动控制中是很有意义的;利用强化学习对控制器参数进行在线调整,只需 ...
【技术特征摘要】
1.一种基于模拟退火-强化学习算法的船舶运动控制器包含以下几个部分: 由于模糊逻辑的知识表达和推理能力,以及神经网络的知识获取、学习及适应、非线性映射与容错能力,模糊神经网络在许多领域得到了广泛的应用;本发明选用了一种ANFIS类型的模糊神经网络;模拟退火(Simulated Annealing, SA)是近年来提出的一种适合解大规模组合优化问题的有效优化算法,是一种模仿金属退火物理过程的优化算法;SA具有描述简单、使用灵活、运用广泛、运行效率高和较少受初始条件限制等优点,而且特别适合并行计算,具有较高的实用价值;本文采用模拟退火法来对模糊神经网...
【专利技术属性】
技术研发人员:刘雨,
申请(专利权)人:大连海联自动控制有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。