2. Seafarers Examination Center, Liaoning Maritime Safety Administration, Dalian 116001, China;
3. School of Automation, Qingdao University of Science and Technology, Qingdao 266041, China
机舱资源管理期望成为解决机舱人为失误、减少海上安全事故的重要途径。在《STCW公约马尼拉修正案》中,机舱资源管理是船舶值班标准中值班应遵循的一般原则,且明确成为轮机部高级船员的强制性适任标准并体现在“保持安全的轮机值班”(操作级) 和“领导力和管理技能的使用”(管理级) 等适任能力中[1]。目前我国的船员适任能力评估仍然采用人工评估的模式,具有较强的主观性。结合轮机模拟器和专家系统的智能评估能够实现智能评判和回放操作过程等功能,实现评估的客观化,进一步排除人为因素、提高评估的公正性[2]。近几年相关专家提出了基于轮机模拟器的自动评估,但在权重确定等方面仍具有较大的主观性,并且仅限于单人评估,不能满足机舱资源管理协作训练和评估的特殊需求。本文结合轮机模拟器评估系统的建设,提出任务型协作训练模式和基于遗传算法优化的机舱协作智能评估方法。
1 任务型虚拟机舱协作训练通过完成不同的机舱协作训练任务,开展与航海模拟器联动模式的任务型协作训练,使船员提高资源管理能力,降低发生人为事故的概率。机舱资源大致分为人力资源、能耗类资源、设备及系统类资源、信息类资源和环境资源等[3]。船员是否严格按规程操作并及时维护、保养船舶营运及人员生活需要的各种机舱设备和系统,是否能够合理配置管理船舶航行所需的油、水、气、电等能耗类资源,是否能实现机舱人员以及甲板部人员的有效沟通和协作,是否能够及时传递并有效应用数据、资料等信息类资源,特殊水域以及恶劣海况下的航行环境是否能被有效应对,这些都能对船舶的运营的效率甚至航行安全产生较大的影响。
机舱资源管理侧重于团队协作和管理,而传统的轮机模拟器在团队协作训练、机舱环境的逼真度和实训规模等方面存在欠缺,不利于培养学员的情景意识和应急管理能力,学员的角色扮演式协作训练在一定程度上依赖于背“脚本”。特别是缺乏实船工作经验的航海院校学生,训练的效果不够理想。大连海事大学设计开发了更加逼真的DMS-2015系列网络版三维模拟器,实现了机舱虚拟漫游和设备的虚拟交互操作[4]。多名学员能够在不同的地点通过不同的网络终端登录模拟器训练系统,选择某项训练情景,组成一个团队进行多角色网上协作训练,分别完成相应的任务。这突破了必须在模拟器实训室轮流训练的限制,也节省了训练成本。主机舱虚拟漫游如图 1所示。
![]() |
图1 主机舱虚拟漫游 Figure 1 Virtual roaming in the main engine-room |
智能评估首先生成评估情景知识库和任务知识库,特定的情景和任务确定了一个船员实操评估项目。再提取评估规则并生成规则知识库,每一条规则都对应着一组模拟器的状态和操作数据。构造评估指标隶属度函数库和不同需求下的优化目标函数,采用熵权法和历史评估数据动态调整评估指标的权重并利用遗传算法优化。在协作训练过程中,实时记录并检测每一位学员的操作步骤和模拟器的状态变量等相关的参数数据,并解释相应的评估规则,经多重模糊综合评判计算评估结果[5]。评估数据可用于数据挖掘和评估过程回放,实现评估结果的可追溯性。智能评估流程如图 2所示。
![]() |
图2 智能评估流程 Figure 2 The intelligent assessment processes |
按照公约和海船船员适任评估规范,结合专家经验建立了分层的树状结构的机舱协作评估知识库[6]。评估情景知识库又分为应急情况下协作、常规工况下协作和检修工作中协作三个子集。除了机舱人员的协作情景,情景知识库还包含了备车与完车、机动航行、正常航行、锚泊、靠港作业、恶劣海况、搁浅、碰撞、机舱火灾、主机故障、全船失电、舵机失灵、机舱进水、海盗袭击和溢油等驾机联动模拟协作训练的情景。评估任务知识库分为主机备车子集、船舶电站手动并电子集、机旁操作子集等。评估规则知识库按机舱协作的系统模块分为主机操作子集、船舶电站操作子集和燃油系统操作子集等。每一个训练情景和任务都尽可能融入情景意识保持和团队协作等各项要求。
评估规则是判断评估结果的依据,由前件和后件构成。每一条机舱协作评估规则都至少包含一个操作或一个性能参数变量。操作是学员实施任务时按照规程控制特定系统和设备所需的步骤,有的操作存在先后顺序的要求。性能参数是操作系统和设备触发事件后可能发生变化的状态参数,每一个状态参数都对应一组数值或者区间,状态参数可以预设也可以由管理人员修正设置。系统实时记录学员的实际操作和系统的参数变化并自动检测,根据评估规则判断操作的符合性和准确性。例如,系统检测到船舶电站手动准同步并车操作时未及时关闭同步表,则得出不符合操作要求的评判结果,得不到相应的分数。目前轮机协作训练相关的操作变量和性能参数变量已多达39 068个,满足机舱协作智能评估的基本要求,能够达到比较理想的效果。
2.3 机舱协作多重模糊综合评判机舱协作评估比较复杂,评估结果具有模糊性,采用模糊综合评判法可以较好的处理模糊性的问题,得到量化的评估结果。该方法的主要步骤如下[7]:
1) 构建多层次评估指标集。
根据协作训练的情景、任务和评估规则的前件确定评估指标集U,由k个指标组成,U=(u1,u2,…,uk)。针对一些较为复杂的过程进行评估时,一般采用分层处理的方式将操作过程进行再分解,形成多个相对简单且独立的评估过程。每一个独立的评估过程对应的一个评判因素子集合up(p=1,2,…,k) 由q个因素组成,up=(up1,up2,…,upq)。最终的评估结果采用对多个独立过程的评估结果的多层次加权汇总。
2) 建立评估结果集。
针对评估指标集,根据评估规则的后件建立评估结果集V=(v1,v2,…,vl),l为评语的数量。评估的结果可以用定量的百分制评分表示,也可以用“优、良、中、差”等定性的评语表示。
3) 计算底层模糊关系矩阵。
根据隶属度确定最底层的评估指标集up到评估结果集上的模糊关系矩阵Rp=(rij)q×l,矩阵内的元素均在[0, 1]闭区间内取值,表示指标upi对结果vj的隶属度。
4) 计算和优化指标权重。
指标权重是影响评估结果的重要因素,也是评估的核心步骤。根据评估指标集U中元素的相对重要程度和评估结果数据,逐层计算各评估指标的权重,并进行智能优化,得到优化后的权重集W=(w1,w2,…,wk),且wp=(wp1,wp2,…,wpq)。
5) 单层次模糊综合评判。
采用加权平均法即矩阵的乘法作为模糊合成运算模型,计算底层的模糊评判结果Bp=wp×Rp。如果评估的结果用定量的百分制评分表示,则底层的模糊评判结果Bp=100wp×Rp。系统根据操作过程和系统参数的检测结果,结合相应的隶属度函数得出模糊关系矩阵,再采用加权平均法进行单层次模糊综合评判得出每个评估过程的评估结果。
6) 多重模糊综合评判。
采用加权平均法逐层对多个评判结果进行加权汇总得出最后的评判结果S=W×BT,其中B=(B1,B2,…,Bk)。
2.4 构造评估隶属函数库本文主要采用专家经验法和模糊分布法设计了机舱协作评估的隶属函数,有布尔型函数、岭形函数和梯形函数等,评估结果采用百分制评分表示。
对于操作类和开关类状态变量采用布尔型隶属函数计算评估结果隶属度,这类变量包括海水弦外排出阀、应急舱底水吸入阀和主机燃油回路三通阀等各类阀门的开关状态,燃油粘度控制模式、滑油温度控制模式和分油机操作模式等是否选择自动模式,燃油泵、滑油泵和分油机等是否启动,配电板的开关是否闭合,以及是否关闭同步表等操作。隶属函数为
$A\left( x \right) = \left\{ {\begin{array}{*{20}{l}} 1 & {x = a}\\ 0 & {x \ne a} \end{array}} \right.$ | (1) |
式中a是状态参数变量的期望值。
在机舱协作过程中,某些操作类和开关类状态的变化会触发相关参数变量的数值变化,这类运行参数变量采用升半岭形隶属函数计算评估结果隶属度。比如发电机燃油入口压力、发电机启动空气入口压力和主机空气冷却器淡水流量等采用式 (2) 计算隶属度。
$\begin{array}{l} \quad \quad \quad \quad \quad \quad A\left( x \right) = \\ \left\{ {\begin{array}{*{20}{l}} 0 & {x \le {a_1}}\\ {\frac{1}{2} + \frac{1}{2}{\rm{sin}}\frac{{\rm{\pi }}}{{{a_2} - {a_1}}}\left( {x - \frac{{{a_1} + {a_2}}}{2}} \right)} & {{a_1}<x \le {a_2}}\\ 0 & {x > {a_2}} \end{array}} \right. \end{array}$ | (2) |
评估操作的持续时间是每一个评估任务都有的一个特殊的评估指标。评估操作的持续时间、燃烧室压力、淡水发生器的压力和舱底污水水位等变量的分布是降半岭形分布,隶属度表示为
$\quad \quad \quad \quad \quad \quad A\left( x \right) = \\ \left\{ {\begin{array}{*{20}{l}} 1 & {\quad x \le {a_1}}\\ {\frac{1}{2} - \frac{1}{2}{\rm{sin}}\frac{{\rm{\pi }}}{{{a_2} - {a_1}}}\left( {x - \frac{{{a_1} + {a_2}}}{2}} \right)} & {{a_1}<x \le {a_2}}\\ 0 & {\quad x > {a_2}} \end{array}} \right.$ | (3) |
为保证系统和设备的安全,大部分运行参数都有一个理想的上限和下限,高于上限值或低于下限值都不能得到最好的评估结果。这类变量的分布是中间型的梯形分布,比如船舶电站的电压、频率和相位,以及燃油粘度、滑油冷却温度和燃油泵出口压力等,隶属度可表示为
$A\left( x \right) = \left\{ {\begin{array}{*{20}{l}} 0 & {\quad x \le {a_1}}\\ {\frac{{x - {a_1}}}{{{a_2} - {a_1}}}} & {{a_1}<x \le {a_2}}\\ 1 & {{a_2}<x \le {a_3}}\\ {\frac{{{a_4} - x}}{{{a_4} - {a_3}}}} & {{a_3}<x \le {a_4}}\\ 0 & {\quad x > {a_2}} \end{array}} \right.$ | (4) |
式中:a1、a2、a3和a4是参数变量的关键值,可由专家配置。
3 机舱协作评估权重的智能优化 3.1 基于熵权法的权重向量计算熵可以用来度量信息量的大小。熵值越小,表示指标的变异程度越大,则该指标携带和传输的信息量就越多,对决策的影响也就越大。熵权来自于评价对象集的各种评价指标值具体的评价数据,利用机舱协作评估的大量历史数据计算评估指标的熵权,进而求得权重,并可根据数据的变化对权重进行动态调整。采用向量规范法对数据进行无量纲化处理[8]。设评价体系有n个评价对象,每个评价对象包含m个评价指标,该指标体系的原始数据经无量纲化处理后的矩阵Y=(yij)n×m。基于熵权法的权重计算步骤如下:
1) 对矩阵进行归一化处理,归一化的结果是Y矩阵中的列向量yij与该矩阵中所有元素之和的比值,其计算公式如下
${z_{ij}} = \frac{{{y_{ij}}}}{{\sum\limits_{i = 1}^n {{y_{ij}}} }},\quad j = 1,2, \ldots ,m$ |
式中:zij为归一化后矩阵中的元素。
2) 计算各评价指标的熵值。本文采用的计算公式如下
$H({x_j}) = - k\sum\limits_{i = 1}^n {{z_{ij}}{\rm{ln}}{z_{ij}}} {\rm{, }}\quad j = 1,2, \ldots ,m$ |
式中:k为调节系数,k=1/lnn,因此k=0.256 9;zij为第i个评价对象第j个指标的标准化值。
3) 将评价指标的熵值转化为权重值:
${d_j} = \frac{{1 - H({x_j})}}{{m - \sum\limits_{j = 1}^m {H({x_j})} }}{\rm{, }}\quad j = 1,2, \ldots ,m$ | (5) |
式中:
至此,得到权重值。
3.2 基于遗传算法的权重优化常用的权重确定方法有主观赋权法和客观赋权法两类。指标的权重对机舱协作的评估成绩有着较大的影响,在实际的机舱协作评估中,应根据历史数据动态的调整指标权重,并进行智能优化。权重的智能优化步骤如下:
1) 确定主观权重向量Ws=(ws1,ws2,…,wsm)。
2) 确定客观权重向量Wo=(wo1,wo2,…,wom)。
3) 根据需要采用遗传算法优化权重。
假设主观权重的比例向量X=(x1,x2,…,xm),客观权重向量的比例X′=(x1′,x2′,…,xm′),其中xi+xi′=1,(i=1,2,…,m)。则优化后的权重向量W由主客观权重按比例合成,向量X为被优化的参数向量。
适任能力评估对船员的任职资格和职务晋升有着非常关键的影响。本文通过遗传算法进行非线性寻优,采用成绩的区分度来表示离差程度,通过提取最优化目标函数,找到离差化最小的权重,从而使得评价结果离差最小。采用主客观偏差最小化的权重组合,可避免单一的主客观权重影响评估结果的公平性。优化的目标函数F为
$\left\{ {\begin{array}{*{20}{l}} {F = {\rm{min}}\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {{{[{y_{ij}} \times {w_{sj}} \times {x_j} - {y_{ij}} \times {w_{oj}} \times x_j^\prime ]}^2}} } }\\ {{\rm{s}}{\rm{.t}}.\quad {x_j} + x_j^\prime = 1}\\ {\quad \quad \;0 \le {x_j} \le 1}\\ {\quad \quad \;0 \le x_j^\prime \le 1} \end{array}} \right.$ | (6) |
我国已经举办了多届中国海员技能大比武,基于轮机模拟器的瘫船启动是团队协作比赛项目之一,要求参赛团队在规定时间内恢复主推进装置、锅炉和辅机正常运转并分析排除设置的故障。针对此类比赛性质的评估,本文提出评估结果差异最大化的权重优化方法,拉开评估结果的档次。用遗传算法进行寻优的目标函数F′如下式:
$\begin{array}{l} {F^\prime } = {\rm{max}}\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {\left[ {{y_{ij}} \times {w_{sj}}\left( {{x_j} - \frac{1}{2}} \right) + } \right.} } \\ {\left. {\quad \quad {y_{ij}} \times {w_{oj}}\left( {x_j^\prime - \frac{1}{2}} \right)} \right]^2}\\ \quad \quad \quad {\rm{s}}{\rm{.t}}.\quad {x_j} + x_j^\prime = 1\\ \quad \quad \quad \quad \quad 0 \le {x_j} \le 1\\ \quad \quad \quad \quad \quad 0 \le x_j^\prime \le 1 \end{array}$ | (7) |
以船舶离港备车这一评估情景为例,船舶即将离港,机舱值班人员接到驾驶台要求备车的通知,轮机部团队人员进入机舱备车。团队要完成的主要任务有与驾驶台沟通并核对时钟和车钟、操作船舶电站并正常供电、舵机的检查和对舵、滑油系统的检查和操作、燃油系统的检查和操作、气动系统的检查和操作、冷却水系统的检查和操作以及盘车、冲车和试车等8项任务,每一项任务又都包含一系列逻辑相关的操作过程。船舶离港备车属于常规协作的情景之一,主要评估船舶离港备车情景下轮机部团队的协作、资源的分配、任务的分派和优先排序等能力,以及团队人员的情景意识和实操技能。实例中的船舶离港备车评估指标集U由8个评估指标子集组成,U=(u1,u2,…,u8)。每一个评估指标子集由若干个单因素组成,构成了多级评估指标集。随机抽取7个协作训练团队,每一个团队由5名人员组成,通过虚拟机舱协作完成案例中的8个任务。采用传统的百分制评分来表示评估结果,系统通过单层次模糊评判分别计算出7个团队每个任务的评分如表 1所示。
团队 | u1 | u2 | u3 | u4 | u5 | u6 | u7 | u8 |
1 | 92 | 81 | 88 | 78 | 80 | 85 | 86 | 89 |
2 | 75 | 80 | 86 | 90 | 70 | 78 | 65 | 88 |
3 | 79 | 41 | 75 | 70 | 45 | 60 | 50 | 78 |
4 | 88 | 89 | 76 | 87 | 90 | 88 | 79 | 97 |
5 | 65 | 70 | 56 | 58 | 67 | 45 | 63 | 50 |
6 | 85 | 83 | 89 | 80 | 79 | 83 | 86 | 84 |
7 | 73 | 67 | 83 | 90 | 93 | 89 | 85 | 75 |
由层次分析法确定船舶离港备车各任务评判的主观权重向量,根据3.1节中的熵权法和历史数据库中的数据确定客观权重向量。采用遗传算法分别优化主客观偏差最小化的组合权重和评估结果差异最大化的权重。式 (6) 是有约束的函数极小值寻优问题,将其直接作为主客观偏差最小化寻优的适应度函数。式 (7) 是有约束的函数极大值寻优问题,将其倒数作为评估结果差异最大化寻优的适应度函数。遗传算法的种群规模选择100,交叉概率设为0.007,变异概率设为0.003,经过500代进化后得出优化后的权重比例向量,进而求得经遗传算法优化后的权重[9]。评估结果主客观偏差最小化和评估结果差异最大化寻优的适应度变化曲线分别如图 3和图 4所示,可知实例中遗传算法收敛性较好,取得了较好的优化效果。
![]() |
图3 主客观偏差最小化适应度曲线 Figure 3 Fitness curve of minimization of subjective and objective deviation |
![]() |
图4 评估结果差异最大化适应度曲线 Figure 4 Fitness curve of maximization of evaluation results deviation |
评估员和教练员可以通过管理平台选择设置不同的赋权方法,不同赋权方法下各任务权重如表 2所示。各团队不同权重下多重模糊综合智能评估结果和评估员人工评估结果如表 3所示,结果对比曲线如图 5所示。以不同权重下多重模糊综合智能评估结果和评估员人工评估结果的均值作为理想值,各种方法评估结果的误差[10]如表 4所示。
赋权方法 | u1 | u2 | u3 | u4 | u5 | u6 | u7 | u8 |
层次分析法 | 0.060 5 | 0.249 1 | 0.065 0 | 0.179 9 | 0.186 5 | 0.110 9 | 0.070 8 | 0.077 3 |
熵权法 | 0.150 8 | 0.110 7 | 0.111 2 | 0.127 4 | 0.121 1 | 0.126 0 | 0.141 8 | 0.111 0 |
主客观偏差最小化优化 | 0.062 1 | 0.174 4 | 0.096 8 | 0.173 3 | 0.160 6 | 0.123 3 | 0.099 7 | 0.109 9 |
结果差异最大化优化 | 0.069 3 | 0.243 5 | 0.119 4 | 0.139 4 | 0.133 4 | 0.128 6 | 0.078 6 | 0.087 9 |
团队 | 层次分析法 | 熵权法 | 主客观偏差最小化优化 | 评估结果差异最大化优化 | 人工评估 |
1 | 82.810 | 85.035 | 83.550 | 83.657 | 88 |
2 | 79.356 | 78.485 | 79.534 | 79.698 | 80 |
3 | 57.077 | 62.467 | 59.622 | 58.671 | 56 |
4 | 87.721 | 86.614 | 87.252 | 87.022 | 93 |
5 | 61.255 | 59.435 | 59.796 | 60.385 | 63 |
6 | 82.515 | 83.639 | 82.951 | 83.227 | 84 |
7 | 81.722 | 81.975 | 82.470 | 80.947 | 83 |
![]() |
图5 不同权重下智能评估结果和人工评估的结果对比 Figure 5 Result contrast between intelligent system and manual assessment |
误差 | 层次分析法 | 熵权法 | 主客观偏差最小化优化 | 评估结果差异最大化优化 | 人工评估 |
平均绝对误差 | 0.812 | 1.217 | 0.692 | 0.591 | 2.194 |
平均相对误差 | 1.137 | 1.762 | 0.948 | 0.739 | 2.877 |
均方误差 | 1.025 | 1.673 | 0.781 | 0.756 | 2.614 |
分析图 5、表 3和表 4可知,不同权重下多重模糊综合智能评估结果和评估员人工评估的结果对比曲线的趋势基本一致,数据偏差也不大,说明基于专家系统且融合了大量专家经验的评估知识库和多重模糊综合评判模型是有效的。从各类误差的对比可知,基于遗传算法优化的智能评估误差最小,熵权法和层次分析法的误差较大,人工评估的误差最大。
人工评估结果存在较强的主观性,相对较优团队的人工评估结果明显比系统智能评估的结果更好,而相对较差团队的人工评估结果却比系统智能评估的结果更差,这可能是由于人工评估凭主观印象放大了两个极端结果 (较好和较差) 的原因。层次分析法和熵权法的部分评估结果差异较大,最大的分值差达到5.39分。单一的主观权重难免具有一定的主观随意性,而单一的客观权重又忽视了评价专家的主观经验信息,都有一定的局限性。基于遗传算法主客观偏差最小化优化和评估结果差异最大化优化的两种方法的评估结果误差最小。经过基于遗传算法的主客观偏差最小化优化,团队3和团队5以及团队6和团队7的评估结果差异都小于0.5分。而经过基于遗传算法的评估结果差异最大化优化,团队3和团队5以及团队6和团队7的评估结果差异都大于1.7分,验证了遗传算法优化的有效性,这种方法更加适合用于大比武等各类比赛。
5 结论1) 根据数据分析验证和专家意见,本文提出的基于遗传算法优化的机舱协作智能评估方法比较合理,评估结果的误差最小。可构造不同需求下的优化目标函数并采用熵权法动态调整评估指标的权重,应用智能算法优化进一步改进了基于轮机模拟器的评估方法。机舱协作智能评估符合机舱资源管理评估的特殊要求,可用于虚拟仿真系统和半实物模拟机舱的协作训练评估。
2) 任务型虚拟协作训练模式和驾机联动模拟训练弥补了传统的轮机模拟器用于机舱资源管理培训的不足,对于缺少实船服务经历的航海院校学生具有较大的实用价值。经参加培训的轮机部高级船员在局域网环境下使用,采用该训练模式和训练系统取得了比较理想的效果。这种训练模式得到了业内专家的认可,将进一步完善后进行推广应用。
3) 需根据实船操作情景进一步验证并完善智能评估隶属度函数,提高驾机联动模拟训练情景的逼真度,提升系统的性能和训练实效。将结合应用实践开发驾机联动训练仿真平台,并建立基于云服务的训练中心,为广大船员提供便利的协作训练考核和评估服务,促进船员实操技能的交流和素质的提高,从而促进航运的安全、高效。
[1] | 中华人民共和国海事局. 1978年海员培训、发证和值班标准国际公约马尼拉修正案[S]. 大连: 大连海事大学, 2010. |
[2] |
张桂臣. 船舶电站实操考试自动评分系统的设计与实现[J].
中国航海, 2010, 33(3): 27–30.
ZHANG Guichen. Design and implementation of an automatic grading system for practical examination in marine power station[J]. Navigation of China, 2010, 33(3): 27–30. |
[3] |
蒋德志, 赵晓玲. 基于轮机模拟器的机舱资源管理研究与实践[J].
中国航海, 2011, 34(1): 22–25.
JIANG Dezhi, ZHAO Xiaoling. Engine room resource management using engine room simulator[J]. Navigation of China, 2011, 34(1): 22–25. |
[4] |
曾鸿, 张均东, 任光, 等. 船舶机舱三维视景仿真系统设计与实现[J].
系统仿真学报, 2014, 26(2): 363–368.
ZENG Hong, ZHANG Jundong, REN Guang, et al. Design and implementation of marine engine room three-dimensional visual simulation system[J]. Journal of system simulation, 2014, 26(2): 363–368. |
[5] |
张巧芬, 孙建波, 史成军. 新型轮机仿真平台实操考试自动评估算法[J].
哈尔滨工程大学学报, 2014, 35(6): 725–730.
ZHANG Qiaofen, SUN Jianbo, SHI Chengjun, et al. An automatic-evaluation algorithm for the operation examination of the novel marine engine simulation platform[J]. Journal of Harbin Engineering University, 2014, 35(6): 725–730. |
[6] |
曹辉, 马玉鑫, 贾宝柱. 基于模糊综合评判的轮机模拟器智能评估系统[J].
大连海事大学学报, 2015, 41(1): 104–108.
CAO Hui, MA Yuxin, JIA Baozhu. Intelligent assessment system of engine-room simulator based on fuzzy comprehensive assessment[J]. Journal of Dalian Maritime University, 2015, 41(1): 104–108. |
[7] |
段尊雷, 任光, 张均东, 等. 船舶机舱协作式模拟训练智能评估[J].
交通运输工程学报, 2016, 16(06): 82–90.
DUAN Zunlei, REN Guang, ZHANG Jundong, et al. Intelligent assessment for collaborative simulation training in ship engine room[J]. Journal of traffic and transportation engineering, 2016, 16(06): 82–90. DOI:10.3969/j.issn.1671-1637.2016.06.010 |
[8] |
张占安, 蔡兴国. 采用熵理论确定抽水蓄能容量[J].
电机与控制学报, 2014, 18(3): 34–38.
ZHANG Zhan'an, CAI Xingguo. Determination of pumped storage capacity based on entropy[J]. Electric machines and control, 2014, 18(3): 34–38. |
[9] |
何燕平, 何辉, 张筱磊. 遗传算法中群体多样性评价指标的研究[J].
哈尔滨工业大学学报, 2009, 41(3): 67–70.
HE Yanping, HE Hui, ZHANG Xiaolei. Evaluation index of population diversity in genetic algorithm[J]. Journal of Harbin Institute of Technology, 2009, 41(3): 67–70. |
[10] |
闫滨. 大坝安全监控及评价的智能神经网络模型研究[D]. 大连理工大学, 2006: 31-32.
YAN Bin. Study of intelligent neural network model for dam safety monitoring and safety evaluation[D]. Dalian:Dalian University of Technology, 2006:31-32. |