一种船舶航海路径规划方法

1.本发明涉及船舶海运技术领域，具体为一种船舶航海路径规划方法。


背景技术：

2.中国作为世界第二大经济体，2020年中国gdp总额占全球经济总额的 17％。自2001年加入wto后，我国的进出口贸易量飞速增长，中国海运进口量年均复合增速达到12％，出口增速保持4％以上；其中2009-2020期间,随着中国固定资产投资以及工业生产进一步扩大，全球海运贸易增量(289亿吨) 中约65％由中国贡献。2020年，中国海运进口贸易量已经占到全球总量的1/4。航运具有运量大、运距长、成本低、低碳环保等优点，当前国际货运运输80％靠航运，尤其我国90％的进出口货运通过航运完成。航运业的发展水平和便利程度，不仅已经成为影响“中国制造”在国际竞争中成本优势的重要因素，更有助于我国在经济双循环建设中碳中和、碳达峰的目标实现。
3.影响航运的因素很多，其中环境因素作为主要因素之一不能忽略。环境因素包括天气、海况、水域等，也包括船舶自身的环境因素。影响海运安全的气象海况条件包括能见度、风、洋流和潮汐等。海上是自由选择航路的水域，但海域航道宽度、航道深度、航道弯曲角度、航道交叉等对航运安全有一定的影响，海域交通因素也非常重要。海域船舶交流流量、海域通航秩序是衡量海域交通环境的重要指标。
4.伴随着电子信息技术的发展，电子图像信息显示系统广泛的应用于船舶航海运输中。相比于传统的图纸模式，该系统能提供更准确、详细的环境信息，且具有自动判断功能，能对障碍物、相关标识物进行精准定位，极大的推动了整个航海业的发展。相应的，为提高该系统的精准性和有效性，国内外大量开展了相关路径规划的研究，提出了多种路径规划的智能算法，这些算法广泛的应用于船舶的航海运输中，使目前的船舶路径规划更加智能、高效。
5.路径规划算法的定义是移动设备在具有障碍物的环境中按照一定的评价标准，寻找一条从起始状态到目标状态的无碰路径。路径规划算法的其中一种分类方法是分为全局路径规划和局部路径规划。全局路径规划是根据环境全局的信息，这包括移动设备在当前状态下探测不到的信息。全局规划将环境信息存储在一张图中，利用这张图找到可行的路径。全局算法往往需要耗费大量的计算时间，不适于快速变化的动态环境，同时由于全局路径规划需要事先获得全局环境信息，也不适于未知环境下的规划任务。局部路径规划只考虑移动设备的瞬时环境信息，因此计算量减小，速度大大提高。但是局部路径规划算法有时不一定能够使其到达目标点，造成算法全局不收敛。为此我们提出一种新型的船舶航海路径规划方法解决上述问题。


技术实现要素：

6.本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使
本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
7.鉴于现有船舶航海路径规划方法中存在的问题，提出了本发明。
8.因此，本发明的目的是提供一种船舶航海路径规划方法，得出混合了免疫算法的粒子群算法收敛速度更快，全局搜索性和求解过程都最好。
9.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
10.一种船舶航海路径规划方法，其包括如下步骤：
11.步骤1：建立航线下船舶路径规划的数学模型，包括环境模型的建立、航线模型的建立和路径规划算法的评价标准建立；
12.步骤2：研究船舶海上的失速特性，包括海洋环境对船舶速度的影响、气象环境的建立、气象环境对船舶运动的失速特性研究、建立临界速度的计算方法；
13.步骤3：建立粒子群算法，包括粒子群算法的建立、免疫算法的建立、免疫-粒子群算法的结合应用和免疫-粒子群算法的仿真分析；
14.步骤4：航线设计算法的仿真及结果分析，包括改进粒子群算法在航线设计中的应用、航线仿真设计仿真平台的设计和仿真及结果分析。
15.作为本发明所述的一种船舶航海路径规划方法的一种优选方案，其中：所述步骤1中环境模型的建立包括栅格法建模和墨卡托投影，航线模型的建立包括航段数量、位置变量、航向变量、速度变量和航线计算，路径规划算法的评价标准建立包括安全考虑因素和经济性考虑因素。
16.作为本发明所述的一种船舶航海路径规划方法的一种优选方案，其中：所述步骤2中海洋环境对船舶速度的影响包括风的影响、浪的影响和海流影响。
17.作为本发明所述的一种船舶航海路径规划方法的一种优选方案，其中：所述步骤3在基本的粒子群算法包含以下几个步骤：
18.(1)初始化粒子群，初始化信息包括每个粒子的随机位置和随机速度；
19.(2)根据自适应方程，计算每个粒子的自适应度；
20.(3)对于每个粒子，将当前的自适应度与历史最佳位置所对应的自适应度做比较；若当前自适应值更高，则将当前的自适应度作为历史最佳位置；
21.(4)对于每个粒子，将当前的自适应度与群体历史最佳的位置所对应的自适应度做比较；若当前的自适应值更高，则将当前的自适应度作为群体最佳位置；
22.(5)根据公式更新每个粒子的速度和位置；
23.(6)如果未找到最佳，则返回到步骤(2)；若达到了最佳迭代数量或者最佳自适应度小于给定的阈值，则算法结束。
24.作为本发明所述的一种船舶航海路径规划方法的一种优选方案，其中：所述步骤3在基本的粒子群算法包含以下几个步骤：
25.(1)初始化粒子群，初始化信息包括每个粒子的随机位置和随机速度；
26.(2)根据自适应方程，计算每个粒子的自适应度；
27.(3)对于每个粒子，将当前的自适应度与历史最佳位置所对应的自适应度做比较；若当前自适应值更高，则将当前的自适应度作为历史最佳位置；
28.(4)对于每个粒子，将当前的自适应度与群体历史最佳的位置所对应的自适应度
做比较；若当前的自适应值更高，则将当前的自适应度作为群体最佳位置；
29.(5)根据公式更新每个粒子的速度和位置；
30.(6)如果未找到最佳，则返回到步骤(2)；若达到了最佳迭代数量或者最佳自适应度小于给定的阈值，则算法结束。
31.5.根据权利要求1所述的一种船舶航海路径规划方法，其特征在于：所述步骤3免疫-粒子群算法步骤描述如下；
32.(1)随机初始化粒子，如果记忆库中有粒子，使用记忆库中的粒子；如果记忆库中无粒子，则随机初始化粒子。；
33.(2)依然选取公式作为求解函数，计算各个粒子的适应度；
34.(3)粒子的促进和抑制通过粒子的期待繁殖率计算，此处引入免疫算法，我们把每个粒子设计为抗体，每个粒子的个体适应度值作为抗原；
35.a.抗体与抗原的亲和力
36.抗体与抗原的亲和力fw，用于表示抗体与抗原的识别程度，针对公式求最优解的亲和力，在此定义粒子的自适应值作为亲和度的值，即自适应值越高，亲和力也高；
37.b.抗体与抗体的亲和力
38.抗体与抗体的亲和力反应了抗体和抗体之间的相似度，对本文来说，指粒子坐标的相似度，此处借鉴由forrest提出的r位连续法计算抗体与抗体之间的亲和力，r位连续法是一种部分匹配的规则，该方法的关键是确定一个r 值，代表亲和度判定的阈值，此种方法不需考虑编码的顺序，进行考虑编码的数值是否相同，具体公式如下：
[0039][0040]
其中，k
v,s
表示抗体v和抗体s之间相同的位数，l表示抗体的长度，将各个粒子表示不同的抗体。；
[0041]
c.抗体浓度
[0042]
抗体的浓度表示，群体中相似抗体所占的比例，抗体浓度表示公式如下：
[0043][0044]
其中n为抗体的总数，其中t表示阈值
[0045]
d.期待繁殖率
[0046]
在群体中，每个抗体的期待繁殖率由抗体和抗原的亲和力fw和抗体浓度 cw决定，计算公式如下：
[0047][0048]
其中，α作为常数。有上式可知，个体适应度值越高，则繁衍概率越大；个体的浓度越大，则期待的繁衍概率越低，对α的取值，说明更侧重于个体适应度对期待繁殖率的影响；
[0049]
(4)记忆库的产生，设计的记忆库粒子为m个；在免疫算法中，在抑制高浓度个体时，与抗原亲和度高的抗体(个体适应度高的粒子)也可能被抑制，导致丢失了最优解；在此采取精英保留策略，在记忆库的分化过程中，先将个体适应度最高的n个粒子先放到记忆库
中，再按照期待繁殖率将剩余群体中优秀的m-n个粒子放入记忆库中；
[0050]
(5)根据粒子的适应度更新最优，粒子根据繁殖率计算后，重新计算其个体适应度，更新粒子群中的个体适应度值；
[0051]
(6)粒子的选择、交叉和变异；此处引入遗传算法原理，对各个粒子的编码进行选择、交叉和变异操作，对记忆库外的粒子重新定位；
[0052]
(7)将重新定位后的粒子与记忆库的粒子合并，更新粒子群的状态；
[0053]
(8)确定是否到达迭代步数，确定的迭代最大限制为t；若迭代步数小于t，则使用全新的粒子群返回步骤(1)；如此反复循环，直到达到最大的迭代步数，停止迭代。
[0054]
与现有技术相比，本发明的有益效果是：能提供更准确、详细的环境信息，且具有自动判断功能，能对障碍物、相关标识物进行精准定位，极大的推动了整个航海业的发展，使目前的船舶路径规划更加智能、高效。
附图说明
[0055]
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0056]
图1为本发明步骤流程结构示意图；
[0057]
图2为本发明粒子群算法基本流程结构示意图；
[0058]
图3为本发明免疫-粒子群算法设计流程图结构示意图。
[0059]
图4为本发明改进惯性权值的免疫-粒子群多目标船舶航线规划。
具体实施方式
[0060]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
[0061]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
[0062]
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0063]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
[0064]
实施例1
[0065]
本发明提出了一种改进优化算法，可用于单目标函数的求解，也可用于船舶航行的路径规划，对于单目标函数求解该改进算法如下：
[0066]
(1)随机初始化粒子，如果记忆库中有粒子，使用记忆库中的粒子；如果记忆库中无粒子，则随机初始化粒子；
[0067]
(2)选取目标，计算各个粒子的适应度，使用惯性权值；
[0068][0069]
(3)粒子的促进和抑制通过粒子的期待繁殖率计算，此处引入免疫算法，我们把每个粒子设计为抗体，每个粒子的个体适应度值作为抗原。
[0070]
a.抗体与抗原的亲和力
[0071]
抗体与抗原的亲和力fw计算，用于表示抗体与抗原的识别程度，求最优解的亲和力，在此定义粒子的自适应值作为亲和度的值，即自适应值越高，亲和力也高。
[0072]
b.抗体与抗体的亲和力
[0073]
抗体与抗体的亲和力反应了抗体和抗体之间的相似度，对本文来说，指粒子坐标的相似度，使用forrest提出的r位连续法计算抗体与抗体之间的亲和力。此种方法不需考虑抗体编码的顺序，仅考虑编码的内容是否相同，具体公式如下：
[0074][0075]
其中，l表示抗体的总长度，k
v,s
表示抗体v和抗体s之间相同的位数。
[0076]
c.抗体浓度
[0077]
抗体的浓度表示群体中相似抗体所占的比例，抗体浓度表示公式如下：
[0078][0079]
其中n为抗体的总数，其中t表示阈值，本文设置t＝0.7。
[0080]
d.期待繁殖率
[0081]
抗体浓度cw和抗体和抗原的亲和力fw决定了每个抗体的繁殖率，计算公式如下：
[0082][0083]
其中，α作为常数，表示期待繁殖率的权衡值。有上式可知，个体适应度值越高，则繁衍概率越大；个体的浓度越大，则期待的繁衍概率越低。本文对α的取值，说明更侧重于个体适应度对期待繁殖率的影响。
[0084]
(4)记忆库的产生，本文设计的记忆库粒子为m个。在基础的免疫算法的抑制过程中，有可能会抑制掉个体适应度较高的粒子(亲和度高的抗体)，这样就会丢失群体最优解。在此采取精英保留策略，在记忆库的分化过程中，先将个体适应度最高的n个粒子先放到记忆库中，再按照期待繁殖率将剩余群体中优秀的m-n个粒子放入记忆库中。
[0085]
(5)根据粒子的适应度更新最优。粒子根据繁殖率计算后，重新计算其个体适应度，更新粒子群中的个体适应度值。
[0086]
(6)粒子的选择、交叉和变异。此处引入遗传算法原理，对各个粒子的编码进行选择、交叉和变异操作。对记忆库外的粒子重新定位。
[0087]
(7)将重新定位后的粒子与记忆库的粒子合并，更新粒子群的状态；
[0088]
(8)确定是否到达迭代步数，若到达迭代步数，结束；否则则使用全新的粒子群返回步骤(1)。如此反复循环，直到达到最大的迭代步数，停止迭代。
[0089]
实验验证分析：
[0090]
目标函数：求该函数最大值。
[0091]
实验结果：基本粒子算法与混合免疫粒子群算法求解对比表
[0092]
算法类型最终解的迭代数最终解基本pso4118.3888混合免疫pso2298.3890
[0093]
从上分析得出，混合了免疫算法的粒子群算法收敛速度更快，最终求解粒子的个体适应度更高。这是因为增加了免疫算法后，每一代最优良的解都放入了记忆算法库中，这样减少了基本粒子群算法每一代寻找最优解的时间。同时，在粒子交叉、选择和变异过程中，粒子的位置也重新做了调整，减少了原粒子群算法陷入局部最优解的概率，从而得到全局最优解。整体来说，混合了免疫算法的粒子群算法无论从收敛性和全局搜索性性能都有很大的提高。
[0094]
对于多目标函数船舶航线规划过程，该改进算法设计如下：
[0095]
(1)导入船舶航行区域数据，下载一段时间内的气象数据，初始化混合算法参数，如粒子群数量、迭代次数、粒子群算法参数、免疫算法的记忆库计算以及粒子繁殖概率的计算等信息；
[0096]
(2)计算各个粒子的适应度，此处的适应度函数包含航行时间以及航行风险；选择个体最优粒子和群体最优粒子进入到记忆库；
[0097]
(3)计算期待繁殖率，对粒子进行促进和抑制，同样将最优的粒子放入记忆库中；
[0098]
(4)再次利用适应度函数计算个体最优解和群体最优解，利用改进惯性权值的方法更新粒子的速度和位置；
[0099]
(5)利用遗传算法的选择、交叉和变异操作对粒子的位置进行更新，重新对粒子群进行规划，避免出现局部最优的情况；
[0100]
(6)将记忆库中的粒子与选择、交叉、变异后的粒子合并，更新粒子群落；
[0101]
(7)获得pareto的最优解集；
[0102]
(8)更新个体最优粒子及群体最优粒子，与迭代的退出条件进行比对。如果满足迭代的退出条件，则此时获得的将是最优等级的粒子；如果不满足迭代推出条件，则跳转至步骤(2)，继续进行新一轮的计算。
[0103]
船舶算法的仿真实验结果：
[0104]
使用matlab软件搭建仿真平台，对上述算法进行仿真分析。该平台提供 gui图形显示系统，能方便的进行算法调试和数据分析，具有很好的灵活性，同时使仿真过程和仿真结果具有良好的视觉效果。建立的仿真平台调试界面如下：
[0105]
以航行时间、航行风险作为目标函数，将传统粒子群算法和改进惯性权重的免疫-粒子群算法进行对比，验证改进算法在航线设计优化问题上的可靠性和有效性，分析改进算法的改进情况。具体参数如下：
[0106]
表1：传统粒子群算法与改进算法的参数比较
[0107][0108]
表2传统粒子群算法的三种航线性能对比
[0109][0110]
表3：使用改进惯性权值的免疫-粒子群算法三种航线性能对比
[0111][0112]
最短时间航线分析：上表分析，通过改进惯性权值的免疫-粒子群算法的航行距离有所减少，航行时间相比于传统的粒子群算法减少了1.128小时，选取的路线航行风险系数也有所降低。说明在以最短航行时间作为目标函数时，改进惯性权值的免疫-粒子群算法明显优于传统的粒子群算法。
[0113]
航行风险航线分析：从以上两表对比分析，通过改进惯性权值的免疫-粒子群算法选择的最低风险航线相比于传统粒子群算法的航行风险系数有所降低，该航线在降低航线风险的同时也减少了航行距离和航行时间，各个方面都有所提高。
[0114]
综合航线分析：对比上述两表分析，综合航行风险以及航行最短时间两方面考虑，两个航线的航行风险系数基本相同，但改进惯性权值的免疫-粒子群算法明显在航行时间和航行距离上有所减少。综合分析，该改进算法优于传统的粒子群算法，整个改进方案具有研究和推广价值。
[0115]
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。