基于智能優(yōu)化算法的港口國監(jiān)督選船模型研究.pdf

1、PSC選船算法模型是近幾年港口國監(jiān)督領(lǐng)域的熱點研究方向之一。本論文在分析國際上多個PSC諒解備忘錄(Memorandum of Understanding，MoU)組織的選船機制、選船算法基礎(chǔ)上，提出非線性的基于智能優(yōu)化算法的PSC選船評價因素優(yōu)化選擇、船舶分類算法等，并重點對船舶評價算法展開深入的研究和探討，初步建立了一套較為科學的PSC選船數(shù)學模型體系，本論文的主要研究內(nèi)容如下:
　　 一方面是關(guān)于PSC選船系統(tǒng)目標因素的屬

2、性約簡方面的研究工作，主要包括:
　　 (1)提出基于粗糙集的PSC選船目標因素算法。采用RSES粗糙集理論軟件進行屬性約簡。由于粗糙集理論具有很強的容錯能力，經(jīng)過屬性約簡后，將有效減小計算時間，采集最重要的有效數(shù)據(jù)即可進行測算和船舶安全評價，規(guī)則簡明合理，節(jié)省資源，提高效率。
　　 (2)基于單獨應(yīng)用粗糙集理論可能會出現(xiàn)多個屬性約簡的問題，將層次分析法與粗糙集理論相結(jié)合，提出改進的PSC選船系統(tǒng)目標因素算法。該算法將在

3、不降低有效分類信息的前提下，基于簡化分明矩陣的基礎(chǔ)上，通過非核屬性中引入重要性概念，應(yīng)用屬性重要性進行排序判斷找到最小屬性集。該算法可以利用簡化分明矩陣結(jié)合粗糙集理論的優(yōu)勢和層次分析模型的特點對屬性進行約簡，避免了存在多個約簡集時受到?jīng)Q策人員選擇時主觀性的影響。
　　 另一方面是關(guān)于構(gòu)建PSC選船的數(shù)學模型方面的研究工作，主要包括:
　　 (3)在已得到的PSC選船評價指標的基礎(chǔ)上，采用(Backward Propaga

4、tion，BP)神經(jīng)網(wǎng)絡(luò)來訓練樣本構(gòu)建PSC選船的評價模型。實驗結(jié)果表明該算法有效發(fā)揮了粗糙集理論與BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點，規(guī)則簡明合理，網(wǎng)絡(luò)訓練結(jié)果逼近全局最小值。可見將粗糙集理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合應(yīng)用于PSC選船模型，切實有效。采用徑向基函數(shù)（Radial Base Function，RBF）神經(jīng)網(wǎng)絡(luò)來訓練樣本構(gòu)建PSC選船的評價模型。實驗結(jié)果表明徑向基方法雖然結(jié)構(gòu)較簡單，易于編程實現(xiàn)且使用方便，但從本例當中其運行效果與BP神經(jīng)網(wǎng)絡(luò)相比不

5、是特別好，訓練次數(shù)雖然很短，但訓練誤差較大，分析原因可能是由于在使用k-均值聚類算法時只利用了輸入樣本，每個隱含層中心寬度相同且其初始值是根據(jù)經(jīng)驗設(shè)定的，所以誤差相對較大。
　　 (4)針對單獨使用神經(jīng)網(wǎng)絡(luò)算法時容易陷入局部最小值的缺點，提出了基于改進的粒子群-BP神經(jīng)網(wǎng)絡(luò)算法的PSC的新選船模型。該算法根據(jù)群體早熟收斂度及個體適應(yīng)值調(diào)整慣性權(quán)重，更新粒子速度和位置。仿真結(jié)果表明該網(wǎng)絡(luò)同樣具有可逼近性，但很大程度上克服了BP神經(jīng)

6、網(wǎng)絡(luò)易陷入局部極小值、網(wǎng)絡(luò)收斂速度慢的缺點，迭代次數(shù)少，提高了選船效率和質(zhì)量。
　　 (5)采用BP神經(jīng)網(wǎng)絡(luò)方法時，可能會出現(xiàn)在參數(shù)合適和樣本足夠多的情況下能夠得到比較好的辨別效果，但隱層個數(shù)和學習率的確定是一個難點，具體應(yīng)用到PSC選船實際工作中這些參數(shù)是需要根據(jù)實際情況來確定的，本文提出了基于改進的粒子群算法與支持向量機理論相結(jié)合的快速風險評價模型，并應(yīng)用于PSC選船進行實證分析。該算法可十分有效地對船舶進行快速分類，訓練步