本发明涉及舰船执行机构控制，尤其涉及基于融合优化算法的舰船执行机构运动控制方法。
背景技术：
1、舰船执行机构控制是船舶工程领域的一个重要研究方向，其目的是通过控制舰船的各种执行机构，如主推进器、舵、侧推器和减摇鳍等，实现对舰船运动的精确控制。随着现代舰船向大型化、智能化和多功能化发展，对执行机构控制的精度和可靠性要求越来越高。舰船在复杂海况下面临着各种外部干扰，如风、浪、流等，这给执行机构控制带来了巨大挑战。
2、在舰船执行机构控制领域，pid（比例-积分-微分）控制器是最常用的控制方法之一。pid控制器因其结构简单、鲁棒性好而被广泛应用于舰船控制系统中。它通过计算误差的比例项、积分项和微分项，并将这三项的加权和作为控制输出，从而实现对系统的控制。pid控制器的优点在于其易于实现和调节，对系统参数变化具有一定的适应能力。然而，在处理强非线性、大时滞和时变系统时，传统pid控制器的性能可能会受到限制。因此，如何优化pid控制器的参数以适应复杂的舰船动力学和海洋环境，成为研究的重点之一。
3、针对pid控制器的优化，研究人员提出了多种算法，如遗传算法、粒子群优化算法、蚁群算法等。这些算法通过模拟自然界的进化或群体行为，在解空间中搜索最优解，以实现pid控制器参数的自动调整。然而，现有的优化算法在处理高维复杂问题时仍存在一些不足。首先，单一的优化算法容易陷入局部最优，难以获得全局最优解。其次，大多数算法未充分考虑舰船动力学特性和环境因素的影响，导致优化结果在实际应用中可能不够理想。
技术实现思路
1、有鉴于此，本发明提出了基于融合优化算法的舰船执行机构运动控制方法，旨在解决现有控制方法在复杂海况下适应性不足的问题。该方法通过融合多源传感器数据、应用自适应卡尔曼滤波算法进行状态估计，并采用两阶段融合优化算法对混合控制器参数进行优化。这种方法能够适应不同的控制模式，考虑环境因素影响，提高舰船在各种海况下的操控性能，实现更精确、可靠的执行机构控制。
2、本发明的技术方案是这样实现的：本发明提供了基于融合优化算法的舰船执行机构运动控制方法，包括：
3、s1 预设多种舰船控制模式，每种控制模式对应有特定的优化目标；
4、s2 利用多源传感器实时采集舰船运动状态和环境参数数据，对采集的多源传感器数据进行融合处理，并对舰船当前运动状态进行估计；
5、s3 根据估计的运动状态、当前任务需求和环境条件，选择舰船控制模式；
6、s4 利用融合优化算法，基于所选舰船控制模式的优化目标、估计的运动状态，动态优化混合控制器参数；
7、s5 基于优化后的参数，生成混合控制器的控制指令，将控制指令传递给相应的执行机构，执行机构按照控制指令运行。
8、在上述方案的基础上，优选的，舰船控制模式包括：
9、航向保持模式，其优化目标为最小化航向偏差；
10、航迹跟踪模式，其优化目标为最小化航迹偏差；
11、动态定位模式，其优化目标为在复杂海况下最小化位置和艏向偏差；
12、节能巡航模式，其优化目标为最小化燃料消耗；
13、避碰模式，其优化目标为最大化安全距离。
14、在上述方案的基础上，优选的，步骤s2包括：
15、s21 利用多源传感器实时采集原始数据，包括imu数据、gnss数据、磁罗盘数据、水流速度数据、气象数据和波浪数据；
16、s22 对采集到的原始数据进行预处理，包括去除异常值、统一时间戳和坐标系转换；
17、s23 利用卡尔曼滤波算法对预处理后的多源传感器数据进行融合，得到舰船的状态估计，包括位置、速度、姿态和角速度；
18、s24 对于水流速度数据、气象数据和波浪数据，使用时间序列分析方法进行短期预测，以补偿传感器延迟。
19、在上述方案的基础上，优选的，步骤s23包括：
20、定义舰船的状态向量 y如下：，
21、其中，，，分别为经度、纬度和高度，，，分别为北向速度、东向速度和垂向速度，为横滚角，为俯仰角，为偏航角，，，分别为横滚角速度、俯仰角速度和偏航角速度；
22、建立系统模型，包括：
23、，
24、，
25、其中，是状态向量，是观测向量，是状态转移矩阵，是观测矩阵，是控制输入，是控制输入矩阵，和分别是过程噪声和观测噪声；
26、对状态和协方差进行预测：
27、，
28、，
29、式中，为k时刻的先验状态估计，为k-1时刻的后验状态估计，为k时刻的先验误差协方差矩阵，为k-1时刻的后验误差协方差矩阵，为跟踪因子，为过程噪声协方差矩阵；
30、计算卡尔曼增益，并对状态和协方差进行更新：
31、，
32、，
33、，
34、式中，为卡尔曼增益，为测量噪声协方差矩阵，为实际观测值，为k时刻的后验状态估计，为单位矩阵；
35、自适应噪声协方差调整：
36、，
37、，
38、，
39、式中，为创新序列，为估计的实际测量噪声协方差，为滑动窗口大小，为遗忘因子；
40、跟踪滤波调整：
41、，
42、，
43、式中，为矩阵的迹运算，为跟踪因子的调整步长；
44、对于不同的传感器数据，相应调整观测矩阵；
45、输出状态估计：
46、，
47、式中，，，为估计的经度、纬度、高度，，，为估计的北向、东向、垂向速度，，，为估计的横滚角、俯仰角、偏航角，，，为估计的横滚角速度、俯仰角速度、偏航角速度。
48、在上述方案的基础上，优选的，对于不同的传感器数据，相应调整观测矩阵，包括：
49、对于imu数据，矩阵设置为只关联状态向量中的姿态，，和角速度，，量；
50、对于gnss数据，矩阵设置为只关联状态向量中的位置，，和速度，，分量；
51、对于磁罗盘数据，矩阵设置为只关联状态向量中的偏航角分量。
52、在上述方案的基础上，优选的，步骤s4包括：
53、s41 构建混合控制器，包括pid控制器、模糊控制器和神经网络控制器；
54、s42 定义优化目标函数j，根据所选的控制模式的优化目标和估计的运动状态设置权重系数；
55、s43 利用融合优化算法，对混合控制器的参数进行迭代优化，在优化时，一个解为一组混合控制器的参数，当迭代结束，则输出最优的一组混合控制器的参数；
56、s44 将优化得到的最优混合控制器的参数应用于混合控制器。
57、在上述方案的基础上，优选的，融合优化算法包括第一优化算法和第二优化算法，步骤s43包括：
58、s431 初始化第一优化算法和第二优化算法的参数，包括第一粒子数量n、最大迭代次数maxiter、惯性权重、加速系数、动量系数、收敛系数、第二粒子数量m、包围系数和螺旋系数；并设置混合控制器的参数范围，包括pid控制器的kp、ki、kd，模糊控制器的模糊规则参数，神经网络控制器的隐层权重和偏置；
59、s432 利用第一优化算法进行初步搜索：
60、a.初始化第一粒子位置和速度，每个第一粒子代表一组混合控制器参数；
61、b.评估每个第一粒子的适应度，即根据当前控制模式计算目标函数j的值；
62、c.更新每个第一粒子的个体最优位置pi和全局最优位置pg；
63、d.根据速度和位置更新公式更新第一粒子；
64、e.重复步骤b-d，直至达到预设迭代次数或收敛条件；
65、s433 将第一优化算法得到的候选解作为第二优化算法的初始第二粒子；
66、s434 利用第二优化算法进行全局搜索：
67、a.利用包围系数更新每个第二粒子的位置，探索参数空间；
68、b.使用螺旋系数更新位置，细化局部最优解；
69、c.随机选择第二粒子进行全局搜索；
70、s435 根据当前控制模式动态调整优化目标函数，并计算目标函数j的值；
71、s436 迭代执行步骤s434-s435，直到满足终止条件之一：达到最大迭代次数maxiter、连续n次迭代最优解改善幅度小于预设阈值、目标函数j达到预设的优化目标值；
72、s437 输出最优解作为混合控制器的参数，包括pid控制器的kp、ki、kd，模糊控制器的模糊规则参数，神经网络控制器的隐层权重和偏置。
73、在上述方案的基础上，优选的，目标函数j的表达式如下：
74、航向保持模式：
75、，
76、式中，表示航向保持模式下的目标函数，为估计的偏航角，表示偏航角的期望值，表示估计的偏航角速度，表示航向保持模式下的积分平方误差，，，为权重系数；
77、航迹跟踪模式：
78、，
79、式中，表示航迹跟踪模式下的目标函数，，，为估计的经度、纬度、高度，下标d表示对应的期望值，表示航迹跟踪模式下的积分平方误差，，，为权重系数；
80、动态定位模式：
81、，
82、式中，表示动态定位模式下的目标函数，，，为估计的北向、东向、垂向速度，表示动态定位模式下的积分平方误差，，，，为权重系数；
83、节能巡航模式：
84、，
85、式中，表示节能巡航模式下的目标函数，fc表示燃料消耗率，表示节能巡航模式下的积分平方误差，，，，为权重系数；
86、避碰模式：
87、，
88、式中，表示避碰模式下的目标函数，表示与障碍物的距离，表示偏离原航线的距离，表示避碰模式下的积分平方误差，，，为权重系数。
89、在上述方案的基础上，优选的，步骤s432中，速度更新公式为：
90、，
91、式中，和分别为第i个第一粒子在第t次迭代时的速度和位置，表示个体最优位置，表示全局最优位置，表示全局最差位置，为惯性权重，，，，为加速系数，，，，为[0,1]间的随机数，f(e)为环境因素函数，其考虑舰船动力学约束；
92、位置更新公式为：
93、，
94、式中，为动量系数，为收敛系数。
95、在上述方案的基础上，优选的，步骤s5包括：
96、s51 获取当前的状态信息，包括估计的运动状态和环境信息；
97、s52 根据当前控制模式，计算实际状态与期望状态之间的误差，其中：
98、航向保持模式下，计算航向偏差；
99、航迹跟踪模式下，计算位置偏差和航向偏差；
100、动态定位模式下，计算位置偏差、航向偏差和速度偏差；
101、节能巡航模式下，计算速度偏差和航向偏差；
102、避碰模式下，计算与障碍物的距离和偏离原航线的距离；
103、s53 使用混合控制器根据误差计算控制量：
104、pid控制器计算比例、积分、微分控制量；
105、模糊控制器进行模糊推理，得到模糊控制量；
106、神经网络控制器通过前向传播计算神经网络控制量；
107、融合各控制器的输出，得到混合控制器的最终控制量；
108、s54 将控制量转换为具体的执行机构控制指令，包括主推进器转速和方向、舵角、侧推器推力和方向、减摇鳍角度；
109、s55 通过控制系统将生成的控制指令传递给相应的执行机构；
110、s56 各执行机构接收到控制指令后，执行相应的动作，包括主推进器调整转速和方向、舵机转动到指定角度、侧推器产生指定推力和方向、减摇鳍调整到指定角度；
111、s57 持续监测执行机构的运行状态和舰船的响应，将监测数据反馈给控制系统。
112、本发明相对于现有技术具有以下有益效果：
113、（1）通过融合多源传感器数据、自适应卡尔曼滤波和两阶段融合优化算法，实现了对舰船执行机构的精确控制。该方法能够适应不同的控制模式，考虑环境因素影响，动态优化控制器参数，从而提高了舰船在复杂海况下的操控性能和适应性，增强了舰船运动控制的精度和可靠性；
114、（2）采用自适应卡尔曼滤波算法对多源传感器数据进行融合，并引入跟踪因子和自适应噪声协方差调整，提高了状态估计的精度和稳定性。通过对不同传感器数据调整观测矩阵，充分利用了各类传感器的优势，有效提升了舰船状态估计的准确性和鲁棒性；
115、（3）预设多种舰船控制模式，并为每种模式定义了特定的优化目标函数，使控制系统能够根据当前任务需求和环境条件灵活切换控制策略。这种多模式控制方法提高了舰船控制系统的适应性和灵活性，能够满足不同航行任务的需求；
116、（4）采用两阶段融合优化算法，结合第一优化算法的初步搜索和第二优化算法的全局搜索，有效避免了单一算法容易陷入局部最优的问题。通过动态调整优化目标函数，考虑了环境因素的影响，使得优化结果更加符合实际航行需求，提高了控制器参数优化的效果；
117、（5）构建了包含pid控制器、模糊控制器和神经网络控制器的混合控制器，并通过融合优化算法对各控制器参数进行动态优化。这种混合控制策略充分发挥了各类控制器的优势，能够更好地应对舰船运动控制中的非线性、时变和不确定性问题。
1.基于融合优化算法的舰船执行机构运动控制方法，其特征在于，包括：
2.如权利要求1所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，舰船控制模式包括：
3.如权利要求2所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，步骤s2包括：
4.如权利要求3所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，步骤s23包括：
5.如权利要求4所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，对于不同的传感器数据，相应调整观测矩阵，包括：
6.如权利要求4所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，步骤s4包括：
7.如权利要求6所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，融合优化算法包括第一优化算法和第二优化算法，步骤s43包括：
8.如权利要求7所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，目标函数j的表达式如下：
9.如权利要求7所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，步骤s432中，速度更新公式为：
10.如权利要求7所述的基于融合优化算法的舰船执行机构运动控制方法，其特征在于，步骤s5包括：
