基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计

第四章基于遗传算法的船、机、桨匹配优化设计4.1 引言长期以来，以推进装置的最高效率为目标，借用传统的优化算法——如复合形法、罚函数等方法，已形成了比较有效的优化设计方法。

但由于设计变量较多，导致上述方法的运算量普遍较大，初值对优化结果的影响明显，且易陷于局部最优[8]。

因此，寻找更为有效的优化算法一直为人们所关注。

遗传算法能够很好地适应大规模优化问题[9~10]。

文中将GA引入机桨匹配优化设计，较好地改善了计算规模和优化效果，而且对求解问题的适应能力更强。

图4—1 船、机、桨配合特性曲线4.2 优化设计的数学模型船、机、桨的配合特性如图4—1所示。

图中AB，CD分别为柴油机允许长期工作的最大负荷和最小负荷限制线，AD，BC分别为柴油机允许长期工作的最高转速和最低转速限制线，EF为某工况下螺旋桨的推进曲线。

船、机、桨匹配的优化设计，就是通过选取适当的主机和螺旋桨，使船舶推进系统的效率、寿命、可靠性等指标达到最优[11]。

4.2.1 设计变量通常，螺旋桨转速p n ，螺旋桨叶数z ，螺旋桨有效功率e P ，船速v 和桨轴浸深h 在设计前均已给定，推力减额系数t 和伴流分数W 也可根据经验选定。

此时影响其性能的主要参数为主机转速n ，螺旋桨直径D ，螺距比P/D 和盘面比/e o A A ，这4个参数构成设计变量X 。

4.2.2 目标函数推进装置的总效率t η由敞水螺旋桨效率o η，相对旋转效率r η，船身效率h η和轴系效率s η共同决定 t o r h ηηηηη=(4—1)式(4—1)中，敞水螺旋桨效率[12]2t o q kJk ηπ=(4—2)式中：J 为进速系数；,t q k k 分别为螺旋桨的推力系数和转矩系数。

对于B 系列螺旋桨，,t q k k 可采用下列回归公式1,,,,,,()(/)(/)()s t u vt s t u v e o s t u vk C J P D A A Z =∑(4—3)2,,,,,,()(/)(/)()s t u vq s t u v e o s t u vk C J P D A A Z =∑(4—4)式(4—1)中，船身效率 11h t Wη-=- (4—5)相对旋转效率和轴系效率按实际工况选定。

基于人工神经网络的船舶智能控制技术研究船舶智能控制技术是航行方式、能源使用、产品和服务、安全和环境保护等方面都可以发挥重要作用的领域。

船舶智能控制系统有望实现从驾驶自动化到体系结构优化的全面应用，实现船舶运行的高效、安全、低耗和环保。

而人工神经网络可以学习大量数据和信息，能够进行复杂的非线性映射来实现对船舶的智能控制。

因此，本文重点研究基于人工神经网络的船舶智能控制技术。

一、人工神经网络的基本原理人工神经网络是由大量相互连接的单元构成，可以通过学习来逐步改善自身的输出效果。

人工神经网络的基本结构包括输入层、输出层和隐藏层。

输入层是指数据输入的地方，隐藏层是指数据处理的地方，而输出层则是指数据输出的地方。

人工神经网络在不同的领域中都有广泛应用，如语音识别、图像处理、数据分类等。

二、船舶智能控制技术的发展趋势船舶智能控制技术在过去的几十年中取得了长足的发展，越来越多的船舶开始应用这项技术来提高航行效率和安全性。

随着人工智能技术的发展，船舶智能控制技术也得到了快速发展。

船舶智能控制技术的应用领域正在不断拓宽，包括推进系统、舵机系统、控制系统、能量管理等。

现代船舶智能控制技术结合了物联网、云计算、大数据等多种技术手段，实现了船舶信息化和智能化。

三、基于人工神经网络的船舶智能控制技术人工神经网络是一种强大的信息处理工具，因此可以应用于船舶的智能控制技术中。

在“机器学习”算法的基础上，结合船舶特有的监测数据和实时反馈，人工神经网络可以实现船舶推进、控制、能耗等多个环节的优化。

同时，基于人工神经网络的船舶智能控制技术能够识别船舶的不同运行状态和环境下的变化，并进行相应的控制，提高了船舶的安全性。

四、人工神经网络在船舶智能控制系统中的应用人工神经网络在船舶智能控制系统中的应用有很多，以下介绍几个：1. 船舶推进系统优化在船舶推进系统中，通过人工神经网络学习大量的实测数据并进行动态调整，在提高船舶速度的同时保持能源的高效利用。

基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计曾志波;丁恩宝;唐登海【摘要】在原有图谱设计方法的基础上,采用BP(Back-Propagation)人工神经网络模型和遗传算法GA(GeneticAlgorithm),建立了一种船舶螺旋桨优化设计方法.BP人工神经网络模型通过训练可以具备强大的非线性映射能力,以数学解析的形式,较好地提取了海量螺旋桨水动力性能数据特征;GA不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,为计算机辅助船舶螺旋桨优化设计提供了一种通用的多参数优化框架.针对三体消波艇半浸式螺旋桨和沿海巡逻艇螺旋桨的设计实例表明,该方法能快速可靠地搜索到最优解,不仅具有足够的工程精度,而且实用方便,适用性强.【期刊名称】《船舶力学》【年(卷),期】2010(014)001【总页数】8页(P20-27)【关键词】半浸式螺旋桨;BP人工神经网络;遗传算法;优化设计【作者】曾志波;丁恩宝;唐登海【作者单位】中国船舶科学研究中心,江苏,无锡,214082;中国船舶科学研究中心,江苏,无锡,214082;中国船舶科学研究中心,江苏,无锡,214082【正文语种】中文【中图分类】U661.311 引言船舶螺旋桨设计是整个船舶设计中的一个重要组成部分。

随着船舶航速的提高和吨位的增加，螺旋桨的工况越来越复杂，设计要求须综合考虑螺旋桨的效率、空泡和激振性能以及低噪声性能等。

在这种背景下，螺旋桨图谱设计并没有失去它原有的快捷实用的优点，特别是空泡螺旋桨、超空泡螺旋桨和半浸式螺旋桨（以下简称半浸桨）等，目前还没有成熟的物理模型模拟其运动状态，因此仍然需要由模型试验方法开发图谱来设计。

计算机辅助螺旋桨图谱设计面临着两大难题：一是海量螺旋桨性能数据的数学表达；二是优化算法的选取。

软计算是正在发展起来的一种计算方法，它与人脑相对应，具有在不确定及不精确环境中进行推理和学习的卓越能力[1]。

软计算由若干计算方法组成，包括神经元网络、模糊集合理论和一些非导数优化方法，如遗传算法（GA），它能够很好地解决以上两个问题。

基于BP-GA算法实现船体结构多目标优化随着人们对船舶性能和安全性的要求不断提高，船体结构的多目标优化成为了船舶设计中重要的任务之一。

为了实现船体结构多目标优化，人们提出了多种算法，其中基于BP-GA算法的优化方法由于其高效性和可行性逐渐受到了广泛关注。

BP-GA算法是将BP神经网络和遗传算法相结合的一种优化方法。

其中BP神经网络可以对复杂的非线性函数进行拟合和预测，而遗传算法则可以通过优秀的进化策略进行全局搜索。

这两种算法互补优势，可以有效地实现多目标优化。

实现船体结构多目标优化的第一步是确定目标函数，包括船体强度、稳定性、耐波性、速度等多个方面。

然后将这些目标函数作为BP神经网络的输入和输出。

通过训练使得BP神经网络能够预测不同设计参数下的目标函数值。

接下来，将遗传算法的进化策略应用到BP神经网络中，通过优秀的遗传算法调节各个设计参数，不断逼近最优解，从而实现优化目标的最大化。

基于BP-GA算法的船体结构多目标优化不仅可以提高船舶的性能和安全性，同时也可以降低船体结构的重量和成本，让船舶在满足多个目标的同时，达到更加理想的经济性能。

考虑到船舶的设计参数及船体结构的复杂性，这种基于算法的优化方法为船舶设计提供了一种高效可行的方式，能够加快进展并优化设计方案。

同时，它还为船体结构优化的研究提供了新的视角和思路，也将会在船舶制造业的发展中起到越来越重要的作用。

为了进行基于BP-GA算法的船体结构多目标优化，需要收集一定量的相关数据并进行分析。

以下是可能收集的数据和分析方法：1. 船体结构强度相关数据：包括钢板材质、厚度、尺寸、焊接缺陷等数据。

可以通过有限元分析等方法计算出结构强度的指标值。

2. 船体稳定性相关数据：包括船体形状、吃水等数据。

可以通过稳性计算软件进行计算，得出稳定性的各项参数。

3. 耐波性相关数据：包括波浪参数、船速等数据。

可以通过数值模拟软件进行计算，并得出船体受到波浪作用时的压力分布图和形变情况。

基于人工神经网络的船舶船速预测技术研究随着航海技术的发展，船舶船速预测在航海领域中变得越来越重要。

船舶航行速度的准确预测对于航海安全、航线优化以及油耗规划等方面具有重要意义。

人工神经网络（Artificial Neural Network，ANN）是一种模仿人脑神经元工作方式而设计的计算模型，其具有良好的非线性拟合能力和自学习能力。

因此，基于ANN的船舶船速预测技术具有很大的潜力。

首先，基于ANN的船舶船速预测技术需要进行训练数据的采集和处理。

通过大量的船舶历史数据，包括船舶运行状态、海洋环境因素、船舶结构参数等，建立一个全面而准确的船舶船速预测模型。

然后，对采集到的训练数据进行预处理，包括数据清洗、特征提取等。

在训练数据准备完毕后，可以开始构建ANN模型。

其次，ANN模型的构建需要确定网络的结构和参数。

ANN由输入层、隐藏层和输出层组成，其中隐藏层的层数和每层的神经元个数是需要确定的关键参数。

一般来说，隐藏层较多的ANN模型具有更好的拟合能力，但同时也容易出现过拟合现象。

因此，需要通过交叉验证等方法来确定最优的网络结构和参数。

最后，在ANN模型构建完成后，需要进行模型的训练和验证。

采用适当的算法和方法对模型进行训练，使其能够对船舶船速进行准确预测。

同时，需要进行模型的验证和评估，通过与实际船舶船速数据进行对比，评估模型的预测精度和准确性。

同时，还可以通过引入其他的辅助数据，如气象数据、航线数据等，进一步提高船舶船速预测的准确性。

此外，还可以应用深度学习的方法，如卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN），来提高模型的预测能力和稳定性。

综上所述，基于ANN的船舶船速预测技术具有重要的应用价值。

通过充分利用船舶历史数据和海洋环境数据等相关信息，构建ANN模型，并进行合理的训练和验证，可以实现对船舶船速的准确预测，为航海操作和规划提供有效的支持。

编号：审定成绩：重庆邮电大学毕业设计（论文）设计（论文）题目：基于遗传算法的BP神经网络的优化问题研究学院名称：学生姓名：专业：班级：学号：指导教师：答辩组负责人：填表时间：2010年06月重庆邮电大学教务处制摘要本文的主要研究工作如下：1、介绍了遗传算法的起源、发展和应用，阐述了遗传算法的基本操作，基本原理和遗传算法的特点。

2、介绍了人工神经网络的发展，基本原理，BP神经网络的结构以及BP算法。

3、利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点，把遗传算法用于神经网络初始权重的优化，设计出混合GA-BP算法，可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。

4、对某型导弹测试设备故障诊断建立神经网络，用GA直接训练BP神经网络权值，然后与纯BP算法相比较。

再用改进的GA-BP算法进行神经网络训练和检验，运用Matlab软件进行仿真，结果表明，用改进的GA-BP算法优化神经网络无论从收敛速度、误差及精度都明显高于未进行优化的BP神经网络，将两者结合从而得到比现有学习算法更好的学习效果。

【关键词】神经网络BP算法遗传算法ABSTRACTThe main research work is as follows:1. Describing the origin of the genetic algorithm, development and application, explain the basic operations of genetic algorithm, the basic principles and characteristics of genetic algorithms.2. Describing the development of artificial neural network, the basic principle, BP neural network structure and BP.3. Using the genetic algorithm global search capability of the characteristics and learning ability of artificial neural network model with strong features, the genetic algorithm for neural network initial weights of the optimization, design hybrid GA-BP algorithm, to a certain extent, overcome nerves ubiquitous network model training local minimum problem.4. A missile test on the fault diagnosis of neural network, trained with the GA directly to BP neural network weights, and then compared with the pure BP algorithm. Then the improved GA-BP algorithm neural network training and testing, use of Matlab software simulation results show that the improved GA-BP algorithm to optimize neural network in terms of convergence rate, error and accuracy were significantly higher than optimized BP neural network, a combination of both to be better than existing learning algorithm learning.Key words：neural network back-propagation algorithms genetic algorithms目录第一章绪论 (1)1.1 遗传算法的起源 (1)1.2 遗传算法的发展和应用 (1)1.2.1 遗传算法的发展过程 (1)1.2.2 遗传算法的应用领域 (2)1.3 基于遗传算法的BP神经网络 (3)1.4 本章小结 (4)第二章遗传算法 (5)2.1 遗传算法基本操作 (5)2.1.1 选择(Selection) (5)2.1.2 交叉(Crossover) (6)2.1.3 变异(Mutation) (7)2.2 遗传算法基本思想 (8)2.3 遗传算法的特点 (9)2.3.1 常规的寻优算法 (9)2.3.2 遗传算法与常规寻优算法的比较 (10)2.4 本章小结 (11)第三章神经网络 (12)3.1 人工神经网络发展 (12)3.2 神经网络基本原理 (12)3.2.1 神经元模型 (12)3.2.2 神经网络结构及工作方式 (14)3.2.3 神经网络原理概要 (15)3.3 BP神经网络 (15)3.4 本章小结 (21)第四章遗传算法优化BP神经网络 (22)4.1 遗传算法优化神经网络概述 (22)4.1.1 用遗传算法优化神经网络结构 (22)4.1.2 用遗传算法优化神经网络连接权值 (22)4.2 GA-BP优化方案及算法实现 (23)4.3 GA-BP仿真实现 (24)4.3.1 用GA直接训练BP网络的权值算法 (25)4.3.2 纯BP算法 (26)4.3.3 GA训练BP网络的权值与纯BP算法的比较 (28)4.3.4 混合GA-BP算法 (28)4.4 本章小结 (31)结论 (32)致谢 (33)参考文献 (34)附录 (35)1 英文原文 (35)2 英文翻译 (42)3 源程序 (47)第一章绪论1.1 遗传算法的起源从生物学上看，生物个体是由细胞组成的，而细胞则主要由细胞膜、细胞质、和细胞核构成。

基于人工神经网络的船舶识别技术研究近年来，随着海洋经济的快速发展，全球船舶数量不断增加，这为海上交通安全带来了挑战。

针对这一问题，人工智能技术被广泛应用于航海领域，其中基于人工神经网络的船舶识别技术尤为重要。

一、人工神经网络的基本原理人工神经网络是模拟生物神经网络的计算模型，它由神经元和连接它们的突触构成。

当神经元收到输入信号时，会进行一系列计算，并将结果通过输出神经元传递给下一层神经元，最终得到整个网络的输出结果。

二、船舶识别技术船舶识别技术是指通过对船舶的图像或信号进行处理和分析，识别出船舶的各种属性和特征。

这些特征包括船舶类型、尺寸、船名、MMSI号码等。

在航海领域，船舶识别技术对于提高海上交通管制能力、防范海上安全事故具有重要意义。

三、基于人工神经网络的船舶识别技术基于人工神经网络的船舶识别技术是利用神经网络对船舶图像或信号进行处理和分析，从中提取出船舶的特征和属性，实现对船舶的自动识别和分类。

该技术与传统的船舶识别方法相比，具有以下优点：1. 对噪声和干扰具有较强的鲁棒性，可在复杂海上环境下实现高效识别；2. 可通过对大量数据的学习和模拟，不断提高其准确性和稳定性；3. 适用于不同种类和尺寸的船舶，可实现快速、准确的分类识别。

四、船舶识别技术的应用前景随着技术的不断发展和应用的广泛推广，基于人工神经网络的船舶识别技术在海上交通、海上救援、海洋环境保护等领域将得到广泛应用。

例如，在海上交通管制中，该技术可自动识别船舶，并将其与其他船舶进行区分，从而实现对海上交通的有效监控和管理。

在海上救援中，该技术可通过对事故现场的船舶图像进行分析和处理，快速确定船只的位置和状态，帮助救援人员做出正确的决策。

在海洋环境保护方面，该技术可通过对海洋中船舶的种类和数量进行监测和分析，及时发现和预防污染物的排放和扩散，保护海洋环境的生态平衡。

综上所述，基于人工神经网络的船舶识别技术具有广泛的应用前景，它将为海洋经济的发展和海上交通的安全提供强有力的支持。