CN101916312A - 基于人工免疫和蚁群算法结合的船舶航线智能生成方法 - Google Patents

Abstract

本发明提供的是一种基于人工免疫和蚁群算法结合的船舶航线智能生成方法。前半部分通过对障碍物进行凸壳提取及多边形合，并对航行环境进行描述，接着按照一定的规则随机产生初始路径群，并对初始路径群进行预处理，最后对路径群进行匹配选择。后半部分则利用获得的较优可行解，生成信息素初始分布，然后利用蚁群算法进行最优路径的搜索。本发明的方法中前期采用基于亲和度的选择更新，从而有效地防止了“早熟”的问题，将搜索过程引向全局最优。后期利用蚁群算法的并行计算及正反馈的特点，提高了算法效率。

Description

基于人工免疫和蚁群算法结合的船舶航线智能生成方法

技术领域

本发明涉及的是一种设计船舶航路线的方法。

背景技术

设计计划航线是航海中的一项重要工作，需要考虑海区环境、水文气象、海盗威胁等影响，以经济、隐蔽、安全等性能为指标，争取达到综合最优。早期的航线设计需要人工进行绘图，而人的思维往往受时间、环境影响，会考虑不周或前后不一，影响航线设计的科学性。随着电子海图技术和计算机决策技术的应用，航线智能设计已经成为可能。

目前有多种方法应用于航线智能设计，如Dijkstra算法、神经网络算法、遗传算法、蚁群算法等，其中Dijkstra算法遍历计算的节点很多，效率低；神经网络算法需要考虑的因素多，对硬件要求高；遗传算法用于航路规划比较费时，不适合用来进行实时规划。下面着重讨论蚁群算法用于航线自动生成的相关问题。

意大利学者M.Dorigo等人于1991年提出了一种新型的模拟进化算法---蚂蚁系统(AntSystem，AS)，它是一种新兴的启发式搜索算法。蚁群算法来源于对自然界蚂蚁寻找从蚁巢到食物源的最短路径行为的研究，它通过许多蚂蚁共同完成寻求最优解的任务。蚂蚁个体在候选解的空间中独立地搜索解，并在所寻得的解上留下一定量的信息素，个体之间通过这些信息素进行信息传递和相互协作，从而完成复杂任务。蚁群算法具有很强的鲁棒性。

航线智能设计是根据起航点与目的地之间的海区环境、安全条件，寻求一条最安全、经济的航线，与蚁群算法的条件和目标基本一致。电子海图提供了海区的水深、岸线、碍航物、禁航区、威胁区等信息，为蚁群算法的信息素生成提供了素材。也使航线的智能设计具有可行性。虽然传统的蚁群算法具有很强的全局寻优解的能力，但缺点就是其搜索时间长，也容易出现停滞、早熟现象，特别是问题规模较大时容易出现陷入局部最优的现象，因此会制约航线的智能设计。

人工免疫算法(Atificial Immune Algorithm，AIA)是一种随机优化方法，它模拟生物免疫系统，用亲和力来描述抗体与抗原之间的匹配程度，用排斥力来描述两个抗体之间的相似程度，依据抗体与抗原之间的亲和力以及抗体与抗体之间的排斥力来选择抗体。在用AIA求解优化问题时，一个抗体用一个字符串表示，满足约束条件的最优解即是抗原，候选解即是抗体。抗体与抗原之间的亲和力反映了候选解与最优解的接近程度，也即反映候选解对目标函数和约束条件的满足程度；抗体与抗体之间的排斥力反映了不同候选解之间的异同，也即反映了抗体的多样性。保持抗体的多样性可以防止算法陷入局部最优解。

人工免疫算法立足于已有的蚂蚁算法，吸取了其中有益的思想，并在进化的过程中把随机搜索和确定性的变化结合在一起，减少了随机因素对算法本身的影响，能较好地克服不成熟收敛。通过蚂蚁算法与人工免疫算法的相结合，使蚂蚁不再仅仅依靠信息素的引导进行新的搜索，而是在与免疫的结合基础上进行的。

人工免疫和蚁群算法的结合曾被应用于旅行商问题，胡纯德等在《基于人工免疫算法和蚁群算法求解旅行商问题》中前过程利用人工免疫生成信息素分布，后过程利用蚁群算法求优化解，汲取两种算法优点，获得了好的结果。然而在船舶航线智能设计中，两种算法的结合还没有得到应用。

发明内容

本发明的目的在于提供一种能够找到最优路径，速度快的基于人工免疫和蚁群算法结合的船舶航线智能生成方法。

本发明的目的是这样实现的：

步骤1、描述环境并生成初始种群

(1.1)确定种群规模M，个体节点数范围[min，max]；

(1.2)随机生成M个个体，每个个体由随机生成的一系列中间节点组成；

步骤2、选择抗原，确定抗体的编码方式

(2.1)将问题的目标函数和约束条件，作为AIA的抗原；

(2.2)AIA的抗体采用实数编码；

步骤3、抗体选择

(3.1)对初始抗体进行预处理；

(3.2)计算抗体与抗原之间的亲和力，所有抗体与最佳抗体之间的排斥力；

(3.3)构造人工免疫算子，产生新抗体，计算新抗体的亲和力和排斥力，若抗体中有与抗原相匹配的抗体，则获得较优的可行解；否则转(3.4)；

(3.4)按照“优胜劣汰”的自然选择机制，在新产生的抗体群中选择出若干个与抗原匹配较好的抗体构成新的抗体群，转(3.3)；

步骤4、蚁群搜索

(4.1)初始化参数τ_c、τ_A、m、ρ、α、β、Q，根据步骤3获得的较优可行解，生成信息素初始分布，将蚂蚁置于始发点；m是蚁群中蚂蚁的数量，τ_c是信息素常数，τ_A是通过AIA计算得到的信息素值，ρ是信息素挥发系数，α、β分别表示蚂蚁在运动过程中所积累的信息素和启发信息在路径选择中所起的不同作用，Q是一常数，表示信息素强度；

(4.2)计算每只蚂蚁的选择概率，根据选择概率，蚂蚁将移动到下一节点；

(4.3)所有蚂蚁都到达终点后，对各个路径进行信息素更新；

(4.4)进行循环，直到满足算法停止条件，输出最优解。

本发明针对应用基本蚁群算法进行航线设计可能出现的搜索时间长和陷入局部停滞等缺陷，设计了一种基于人工免疫和蚁群算法结合的船舶航线智能设计方法。本发明的方法区别于现有方法的显著特征在于：通过亲和度、排斥度计算，将与抗原匹配较好的抗体保留，淘汰匹配较差的抗体，得到较优的抗体，得到较优的可行路径；然后利用蚁群算法，根据较优可行路径生成信息素分布，接着蚁群在已生成信息素初始分布的路径群中进行寻优，最终找到最优路径。

本发明的有益效果主要体现在：本发明利用人工免疫和蚁群算法的结合对传统的航线设计方法进行改进。把需要解决的问题看作抗原，通过免疫算法产生抗体(初始路径群)，并应用于具体问题的求解。通过亲和度、排斥度计算，将与抗原匹配较好的抗体保留，淘汰匹配较差的抗体，经过多次迭代，最终得到较优的抗体，也就得到了对具体问题来说较优的蚁群算法的路径。根据较优可行解生成信息素分布，接着蚁群在已生成信息素初始分布的路径群中进行寻优，最终找到最优路径。算法中前期采用基于亲和度的选择更新，从而有效地防止了“早熟”的问题，将搜索过程引向全局最优。后期利用蚁群算法的并行计算及正反馈的特点，提高了算法效率。

附图说明

图1为本发明所述航线设计流程图；

图2为本发明所述人工免疫算法抗体选择流程图；

图3为本发明所述蚂蚁搜索流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

本发明的方法的具体实施包括环境建模、抗体选择、蚁群搜索等内容。下面将按照航线设计流程图1详述本发明的具体实施方式。该实施方式主要包含以下几个内容：

步骤1、环境建模

(1.1)障碍物预处理

由于舰船航行的障碍物多是岛屿暗礁等，而这些障碍物可以通过岛屿简化、合并的方法简化成多边形的表达形式，因此本发明将环境中的障碍物都以多边形形式进行表达。多边形围成的区域为障碍物，路径不能通过，其他区域为可行域，路径可以通过。

(1.2)一个个体代表了一条从起点到终点的路径，该路径由一系列的线段组成。个体可以看作是一个节点的序列。第一个节点为第一条线段的起点，接着是组成路径的一系列线段的交点，最后一个节点是终点即船舶需要到达的目的地。如果一个节点不在任何一个障碍物内，则该节点是可行的；如果一条线段不与任何一个障碍物相交，则该线段是可行的。一条路径是可行的，当且仅当组成该路径的所有节点和线段都是可行的。每个节点可用一个平面坐标(x，y)来表示，个体p可以如下表示：

p＝{m_s，m₁，m₂，...，m_N，m_E}＝{(x_s，y_s)，(x₁，y₁)(x₂，y₂)...(x_N，y_N)(x_E，y_E)}  (1)其中：(x_s，y_s)，(x_E，y_E)分别代表起点和终点。个体p的长度是指p中节点的数目，其长度是可变的。初始时个体随机产生，预先给定个体的最小长度min和最大长度max，随机产生一个区间[min，max]内的整数，作为个体的长度。再随机产生n-2个平面坐标点作为个体的中间节点。

步骤2、选择抗原，确定抗体的编码方式

起始港口与终点港口之间的最优路径作为AIA的抗原。目标函数为：f_l＝min{(x₁，y₁)(x₂，y₂)...(x_n，y_n)}，即所选节点连线的最小值。约束条件：安全代价最小，这里只考虑障碍物和水深影响。

水深代价的计算：

$V_d=C_d\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_{\mathrm{di}}---\left(2\right)$

$V_{\mathrm{di}}=\left\{\begin{array}{cc}{d}_s/(\mathrm{Depth}-\mathrm{Draft})& \mathrm{Depth}<d_s\\ 0& \mathrm{Depth}>d_s\end{array}\right.---\left(3\right)$

C_d为系数，n为航路点数，Depth为航路点水深，d_s为安全水深，Draft为吃水。

碍航物的代价计算：

$V_a=C_a\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{V}_{\mathrm{ai}}---\left(4\right)$

$V_{\mathrm{ai}}=\left\{\begin{array}{cc}{d}_{\mathrm{sl}}/(D_p-R)& D_p<d_{\mathrm{sl}}\\ 0& D_p>d_{\mathrm{sl}}\end{array}\right.---\left(5\right)$

C_a为系数，n为碍航物数，D_p为碍航物到航线的最近距离，d_sl为安全距离，R为碍航物的危险半径。

AIA抗体采用实数编码方式，一个字符串代表一个候选解。假设有n个节点，各节点编码分别为1，2，...，n，起始节点为1，终点为n，每条初始路径的节点按顺序进行编码。

步骤3、抗体选择

(3.1)首先对初始抗体进行预处理。

对海区进行栅格化分，判断初始路径的可行性。这里将环境理想化处理，假设船舶为一个质点。

路径的结构体定义为

struct Route

{

   Point_R*firstPoint；//路径首路径点指针

   double longth；     //路径总长度

   int nodeNum；       //路径点个数

   bool feasble；      //路径是否可行标志

   short*passGrid；    //路径经过栅格号结构指针

   short numOfUnfea    //穿过障碍物的线段数量

}

路径点结构体定义为：

struct Point_R

{

    double longitude；//点的经度值单位为度

    double latitude； //点的纬度值单位为度

    short state；     //点的状态：0为正常状态

                      //1为此点与前一点的连线穿过障碍物

                         //2为此点与后一点的连线穿过障碍物

                         //3为前后都穿过障碍物

}

对于拥有较多障碍物的环境，路径可能在其经过的区域中没有或只有很少的障碍物，而在检测时却要将环境中所有的障碍物都与其每一个线段进行检测，这种情况下，要将整个种群检测完毕要经过大量的计算，影响算法性能。

基于以上考虑，现将障碍物结构设为：

struct Block

{

   Line*firstLine；//边线段链表首指针

   double s；      //此障碍物面积

    Block*next；   //下一个障碍物指针

   short*passGrid；//障碍物边线段经过的栅格号指针

}；

其中passGrid的结构与路径结构中的passGrid相同。在进行检测前先进行路径与障碍物的栅格号对比。如果两者有相同的栅格号则进行碰撞检测，否则可以肯定两者并不相交，可以跳过检测过程。这样，在障碍物多的复杂地形中，可以尽量减少对障碍物的碰撞检测，可以节省大量的时间。

如果路径不可行，则需要对路径进行处理，如果一个节点在一个障碍物内，则重新生成该节点；如果一条线段与一个障碍物相交，则插入一个点，并判断新生成的点和线段的两个节点的连线是否和障碍物相交，若相交则生成无效，重新生成。

(3.2)计算抗体与抗原之间的亲和力，所有抗体与最佳抗体之间的排斥力。

(3.3)根据优质字符串的保留构造人工免疫算子，产生新抗体，计算新抗体的亲和力和排斥力。若抗体中有与抗原相匹配的抗体，从而获得较优的可行解。否则转(3.4)。

(3.4)按照“优胜劣汰”的自然选择机制，在新产生的抗体群中选择出若干个与抗原匹配较好的抗体构成新的抗体群，转(3.3)。

步骤4、蚁群搜索主要有以下三个步骤

(4.1)根据经验值初始化蚂蚁种群M各参数。根据步骤3获得的较优可行解，生成信息素初始分布。

各个参数通常取值范围：0≤α≤5，0≤β≤5，0.1≤ρ≤0.99，10≤Q≤100。根据段海滨等在《蚁群算法的原理及应用》中提出的“三步走”策略，得到参数的最优组合。

第一步：根据城市规模得到蚁群数目，城市规模/蚂蚁数目≈1.5。

第二步：参数粗调。可以大范围调整α，β，Q参数值。

第三步：参数微调。在小范围内调整参数ρ取值。

以上三步反复进行，直至结果最优。

τ_c＝100，τ_A＝4，m＝20，ρ＝0.5，α＝0.5，β＝0.9，Q＝100，

(4.2)计算每只蚂蚁的选择概率，根据选择概率移动蚂蚁到下一结点。

根据蚂蚁寻优的思想和计划航线制定的特点，蚂蚁从一个节点向下一个节点前行时，遵循下列原则：

①下一节点为可行节点。

②下一节点到航线终点的距离应比现在的距离近；

③当满足上面原则的下一节点有多个可选时，采用加权随机的方法选取。加权随机的做法是：根据搜索的进程，确定采用轮盘赌和最优两种方法的权重，即随机采用两种方法的随机数范围，根据产生的随机数值，确定哪种方法。这样既保证各可航点均有被选的可能，增强搜索的多样性，避免过早出现搜索停滞，同时又保证经济路径被选的可能性大，最优路径通过的概率高。在确定两种方法权值时，搜索开始轮盘赌方法的权值取0.9，最优法取0.1，以保证搜索的多样性；搜索结束时两者的权值互换，以保证快速收敛；搜索过程中，轮盘赌方法的权值为：0.9-0.8*i/N，i为迭代次数，N为总迭代数。两种方法都需要计算第k只蚂蚁在t时刻的转移概率p_ij(t)，启发信息为η_ij(t)

η_ij(t)＝1/d_ij                (8)

${p_{\mathrm{ij}}}^k\left(t\right)=\frac{{\left[{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\&alpha;}}*{\left[{\mathrm{\&eta;}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\&beta;}}}{\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[{\mathrm{\&tau;}}_{\mathrm{il}}\left(t\right)\right]}^{\mathrm{\&alpha;}}*{\left[{\mathrm{\&eta;}}_{\mathrm{il}}\left(t\right)\right]}^{\mathrm{\&beta;}}}---\left(9\right)$

式中，α、β为常数，用来调节信息浓度τ和启发信息η的影响强度，n为可选的下一节点数。最优方法是选取代价最小的节点为前行的下一节点；轮盘赌法则需根据各点的代价值，及产生的随机数落人各点对应区间情况，确定前行的下一节点。

(4.3)所有蚂蚁都到达终点后，对各个路径进行信息素更新。

蚂蚁k循环结束后留在路径(i，j)上的信息量Δτ^k _ij由下式求取：

f_k为蚂蚁k在本次循环中所走路径的长度。根据下式对各个路径信息素进行更新：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+Δτ_ij(t)；    (11)

其中

${\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}\left(t\right)=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{{\mathrm{\&tau;}}^k}_{\mathrm{ij}}$

经过信息素的更新，未被蚂蚁“访问”的节点，由于“挥发”作用，信息素强度将越来越小，未来对蚂蚁的吸引力也就越小；经常被蚂蚁“访问”的点，由于“奖励”作用，信息素强度将越来越大，未来对蚂蚁的吸引力也就越大。

(4.4)进行循环，直到满足算法停止条件。输出最优解。蚂蚁完成一个搜索周期，进入下一个循环，若每个蚂蚁的结果收敛于同一路径或者循环次数达到预设值，则输出最优解。

Claims (1)

1.基于人工免疫和蚁群算法结合的船舶航线智能生成方法，其特征是：

步骤1、描述环境并生成初始种群

(1.1)确定种群规模M，个体节点数范围[min，max]；

(1.2)随机生成M个个体，每个个体由随机生成的一系列中间节点组成；

步骤2、选择抗原，确定抗体的编码方式

(2.1)将问题的目标函数和约束条件，作为AIA的抗原；

(2.2)AIA的抗体采用实数编码；

步骤3、抗体选择

(3.1)对初始抗体进行预处理；

(3.2)计算抗体与抗原之间的亲和力，所有抗体与最佳抗体之间的排斥力；

(3.3)构造人工免疫算子，产生新抗体，计算新抗体的亲和力和排斥力，若抗体中有与抗原相匹配的抗体，则获得较优的可行解；否则转(3.4)；

(3.4)按照“优胜劣汰”的自然选择机制，在新产生的抗体群中选择出若干个与抗原匹配较好的抗体构成新的抗体群，转(3.3)；

步骤4、蚁群搜索

(4.1)初始化参数τ_c、τ_A、m、ρ、α、β、Q，根据步骤3获得的较优可行解，生成信息素初始分布，将蚂蚁置于始发点；m是蚁群中蚂蚁的数量，τ_c是信息素常数，τ_A是通过AIA计算得到的信息素值，ρ是信息素挥发系数，α、β分别表示蚂蚁在运动过程中所积累的信息素和启发信息在路径选择中所起的不同作用，Q是一常数，表示信息素强度；

(4.2)计算每只蚂蚁的选择概率，根据选择概率，蚂蚁将移动到下一节点；

(4.3)所有蚂蚁都到达终点后，对各个路径进行信息素更新；

(4.4)进行循环，直到满足算法停止条件，输出最优解。

Images