بهینه‌سازی افق‌های کنترل پیش‌بین مدل با استفاده از الگوریتم ازدحام ذرات در راستای هم‌گام‌سازی حرکت شبیه‌ساز دریایی

شبیه‌سازهای دریایی، ابزارهای موثری برای احساس راندن یک شناور دریایی از طریق ایجاد یک محیط مشابه با استفاده از فرمان‌های حرکتی هستند. مشکل اصلی شبیه‌سازها فضای کار محدودی است که به آن ها اجازه نمی‌دهد تا حرکات دقیق شناور واقعی را ایجاد کنند؛ در نتیجه آن ها به الگوریتم هم‌گام‌سازی حرکت نیاز دارند. اخیراً استفاده از کنترل پیش‌بین در شبیه‌سازهای دریایی به محبوبیت رسیده است. دریچه‌های افق کنترل و پیش‌بینی آینده بر بار محاسباتی تاثیر می‌گذارد اما از آن جا که این افق ها به‌صورت دستی توسط طراح انتخاب می شوند، پایین‌تر از سطح بهینه می‌باشند. در این مقاله، روشی نوین بر مبنای الگوریتم ازدحام ذرات برای دستیابی به بهترین افق‌های کنترل و پیش‌بینی با توجه به حداقل‌رسانی برخی از کمیت‌ها مانند خطای حسی، جابه‌جایی و بار محاسباتی به‌کار گرفته شده است. روش پیشنهادی معایب روش mpcmca مانند تخمین تجربی وقت گیر از طریق تکرار آزمون و خطا برای تعیین افق های کنترل و پیش‌بینی را برطرف می کند و در عین حال هزینه و بار محاسباتی را به حداقل می‌رساند. نتایج شبیه‌سازی، کارآمدی روش پیشنهادی را بر مبنای بهبود خروجی عملکرد و بار محاسباتی نشان می دهد.

Optimization of Model Predictive Control Horizons Using Particle Swarm Algorithm to Synchronize Marine Simulator Motion

Marine simulators are effective tools for making a ship feel like driving by creating a similar environment using motion commands. The main problem with simulators is the limited workspace which does not allow them to generate accurate realtime floating movements, so they require a motion synchronization algorithm. Recently, the use of predictive control has become popular in marine simulators. Values of control horizon and future forecast affect the computational load. However, because the designer manually selects these horizons, they are lower than the optimal level. In this paper, a new method based on particle swarm algorithm was used to achieve the best control and forecast horizons by minimizing some periods such as sensory error, displacement and computational load. The proposed method eliminates the disadvantages of the MPCMCA method such as timeconsuming empirical estimation through trial and error for initial control and forecast horizons, while minimizing optimal cost performance and computational load. The simulation results showed the efficiency of the proposed method based on the improvement of performance output and computational load.