免疫微粒群算法优化的水下机器人运动控制器

doi:10.3778/j.issn.1002-8331.2009.28.065

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (28): 215-218.DOI: 10.3778/j.issn.1002-8331.2009.28.065

免疫微粒群算法优化的水下机器人运动控制器

张磊¹，万磊¹，李晔¹，姚志广²

1.哈尔滨工程大学船舶工程学院，哈尔滨 150001
2.中国石油集团工程技术研究院，天津 300451

收稿日期:2008-05-30 修回日期:2008-09-26 出版日期:2009-10-01 发布日期:2009-10-01
通讯作者: 张磊

Motion controller of autonomous underwater vehicle optimized by immune particle swarm

ZHANG Lei¹，WAN Lei¹，LI Ye¹，YAO Zhi-guang²

1.School of Naval Architecture，Harbin Engineering University，Harbin 150001，China
2.CNPC Research Institute of Engineering Technology，Tianjin 300451，China

Received:2008-05-30 Revised:2008-09-26 Online:2009-10-01 Published:2009-10-01
Contact: ZHANG Lei

摘要/Abstract

摘要： 借鉴免疫算法基于浓度和适应度的抗体更新策略，提出一种改进微粒群局部搜索能力的免疫微粒群算法，并对其进行收敛性分析。该算法在满足收敛性的条件下，根据微粒浓度和适应度动态调整加速因子，保证了群的多样性和持续搜索能力。在与遗传算法、免疫遗传算法、基本微粒群等算法的仿真比较试验中，该算法不仅搜索到了最好的近优解，而且收敛速度最快。在无人潜水器仿真平台上的控制试验表明，基于免疫微粒群算法的控制器性能良好，具有较强的抗海流干扰能力。仿真结果证明了该算法的可行性。

关键词: 微粒群算法, 免疫算法, 收敛性, 无人潜水器, 模糊神经网络

Abstract: Drawing ideas from concentration and fitness-based antibody-update strategy of immune algorithm，an Immune Particle Swarm Optimization（IPSO） algorithm is presented to enhance local searching ability，and it is analyzed about the convergency.IPSO tunes the acceleration factors dynamicly according to particle’s concentration and fitness.This guarantees the diversity and sustained searching ability of the swarm.In the comparison experiments with genetic algorithm，immune genetic algorithm，basic particle swarm optimization algorithm and so on，IPSO performs well with best solution and fastest convergence speed.And the control experiments conducted on AUV platform show that IPSO-based controller works well and has strong ability against current disturbance.The simulation results show feasibility of IPSO in application to AUV.

Key words: particle swarm optimization algorithm, immune algorithm, convergency, Autonomous Underwater Vehicle（AUV）, fuzzy neural network

中图分类号:

TP24

张磊¹，万磊¹，李晔¹，姚志广². 免疫微粒群算法优化的水下机器人运动控制器[J]. 计算机工程与应用, 2009, 45(28): 215-218.

ZHANG Lei¹，WAN Lei¹，LI Ye¹，YAO Zhi-guang². Motion controller of autonomous underwater vehicle optimized by immune particle swarm[J]. Computer Engineering and Applications, 2009, 45(28): 215-218.

[1]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[2]	曹林，王之腾，陈亮，李洪顺，高申，张自立. 基于改进量子免疫算法的神经网络集成[J]. 计算机工程与应用, 2020, 56(22): 142-147.
[3]	周非，罗晓勇，刘云萍. 基于概率模型的实时修正IMM目标跟踪算法[J]. 计算机工程与应用, 2020, 56(21): 85-92.
[4]	马倩茹，冶继民. FastICA算法的收敛性与一致性分析[J]. 计算机工程与应用, 2020, 56(2): 35-41.
[5]	闫旭，叶春明. 混合蝗虫优化算法求解作业车间调度问题[J]. 计算机工程与应用, 2019, 55(6): 257-264.
[6]	贾涵，连晓峰. 发现概率参数自适应调节的布谷鸟改进算法[J]. 计算机工程与应用, 2018, 54(22): 16-22.
[7]	陈禹1，冯翔1，2，虞慧群1. 改进型帝国竞争模型算法的研究[J]. 计算机工程与应用, 2018, 54(12): 206-213.
[8]	彭越兮1，徐蔚鸿1，2，陈沅涛1，马宏华3. 改进量子粒子群算法的模糊神经网络水质评价[J]. 计算机工程与应用, 2018, 54(11): 211-216.
[9]	张楠，南敬昌，高明明. 基于分组混沌PSO算法的模糊神经网络建模研究[J]. 计算机工程与应用, 2017, 53(9): 31-37.
[10]	罗卫华，吴国成. 变系数时间分数阶子扩散方程的数值解[J]. 计算机工程与应用, 2017, 53(4): 75-78.
[11]	南敬昌，周丹，高明明. 基于自适应模糊神经网络的功放预失真新方法[J]. 计算机工程与应用, 2016, 52(7): 96-100.
[12]	许峰，吴福芳. 自适应协同进化多目标进化算法[J]. 计算机工程与应用, 2016, 52(6): 26-30.
[13]	董峰1，周鹏旭2. 面向云计算平台的多层免疫入侵检测模型[J]. 计算机工程与应用, 2016, 52(21): 101-104.
[14]	梅宏标1，洪叶荣2，邹春红1. 利用兴趣度原理的蚁群算法研究[J]. 计算机工程与应用, 2015, 51(23): 42-47.
[15]	王润民. 基于微粒群算法的视网膜血管自动提取方法[J]. 计算机工程与应用, 2015, 51(2): 177-180.

免疫微粒群算法优化的水下机器人运动控制器

Motion controller of autonomous underwater vehicle optimized by immune particle swarm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics