CN103279674A - 一种基于蚁群算法的船舶搜救方法 - Google Patents
一种基于蚁群算法的船舶搜救方法 Download PDFInfo
- Publication number
- CN103279674A CN103279674A CN2013102224549A CN201310222454A CN103279674A CN 103279674 A CN103279674 A CN 103279674A CN 2013102224549 A CN2013102224549 A CN 2013102224549A CN 201310222454 A CN201310222454 A CN 201310222454A CN 103279674 A CN103279674 A CN 103279674A
- Authority
- CN
- China
- Prior art keywords
- ant
- search
- path
- algorithm
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蚁群算法的船舶搜救方法,该方法包括以下步骤:步骤1:构造蚁群搜索图;步骤2:蚂蚁从虚拟节点O开始爬行;步骤3:对于每只蚂蚁按照状态转移规则Prs k从由节点r转移到节点s;步骤4:对各代所有蚂蚁爬行完毕后所搜索到的最优解进行判断是否陷入局部最优;步骤5:在船舶搜救问题中当算法未陷入局部最优时,采用算法更新信息素策略①;步骤6:当算法陷入局部最优时,采用更新信息素策略②仅更新局部最优解路径上信息素浓度。本发明设计的船舶搜救方法解决了现有船舶由于故障、操作人员的路径熟练程度,海洋环境参数等原因影响,很难精确到达搜救地点等问题。
Description
技术领域
本发明属于船舶搜救方法,具体涉及一种基于蚁群算法的船舶搜救方法。
背景技术
搜救船舶问题中搜救路径和待搜救船舶位置都是已知的确定量,而在实际搜救中,由于各种随机因素,如港口可用船舶故障,船舶操作人员的路径熟练程度,海洋环境参数的影响,很少能获得精确的到达搜救地点。
发明内容
为了解决现有船舶由于故障、操作人员的路径熟练程度,海洋环境参数等原因的影响,很难精确到达搜救地点等问题,本发明设计了一种基于蚁群算法的船舶搜救方法。
本发明解决上述问题的技术方案是:一种基于蚁群算法的船舶搜救方法,该方法包括以下步骤:
步骤1:构造蚁群搜索图,初始化算法中的各个参数,其中:p表示信息素,Q表示信息素强度,o为船舶出发点,oij表示第i个船舶的第j条搜救路径;
步骤2:蚂蚁从虚拟节点o开始爬行;
步骤3:对于第K只蚂蚁按照状态转移规则Prs k从由节点r转移到节点s;
步骤4:对各代所有蚂蚁爬行完毕后所搜索到的最优解进行判断是否陷入局部最优,当算法陷入了局部最优时,进入步骤5);当算法未陷入局部最优时,进入步骤6);
步骤5:在船舶搜救问题中当算法未陷入局部最优时,采用算法更新信息素策略①,更新全局最优解和当代最优解路径上的信息素浓度,其他解路径上的信息素浓度不变,采用全局更新和局部更新结合的步骤输出最优解。
步骤6:当算法陷入局部最优时,采用更新信息素策略②仅更新局部最优解路径上信息素浓度,ρ不再为常数,而是随着连续最优解相同的代数的增大而增大,并采用时变函数Q(n)来代替基本蚁群算法中调整信息素中为常数项的信息素强度Q,并输出最优解;
所述的基于蚁群算法的船舶搜救方法,步骤3)中的第k只蚂蚁由节点r转移到节点s的概率状态转移规则为
其中,τij表示节点r到节点s的信息素,τij表示第i只船舶的第j条路径,ηij表示节点r到节点s的可见度,pimax表示第i只船舶行进的最大路径数,α、β分别表示信息素和可见度的偏重系数。
所述的基于蚁群算法的船舶搜救方法,可见度ηij公式为
所述的基于蚁群算法的船舶搜救方法,步骤5)更新信息素策略①步骤为:
1)全局更新,计算所有蚂蚁经过路径上的信息素增量:
2)局部更新,如果该代最优解为历代最优解,则调整蚂蚁l经过路径上的信息素增量:
3)更新所有蚂蚁经过路径上的信息素:
τij(new)=(1-ρ)τij(old)+Δτij
其中ρ和Q均为初始值。
所述的基于蚁群算法的船舶搜救方法,步骤6)更新信息素策略②为:
自适应信息素强度Q(n)随人工蚂蚁搜索过程动态的调整为
其中,Q0为初始信息素强度。
自适应信息素挥发系数ρ表达式如下:
其中ρ0为初始挥发度,n为各代最优解连续相等的次数,n0为大于1的整数,当n>n0+1时ρ开始减小,n越大ρ越小。
算法中针对模糊搜救船舶和模糊行进路径以平均满意度最大为搜救目标,算法将待搜救船舶和选择的路径表示为三角模糊数,将到达搜救地方的时间表示为阶梯函数。满意度定义为工件模糊到达时间隶属度函数和模糊期望到达时间隶属函数的交集所围成的图形面积,与模糊到达时间隶属函数形成的面积之比。给出了特定的状态转移规则及自适应信息素更新策略。自适应动态调整陷入局部最优的蚂蚁所经过路径上的信息素ρ和信息素强度Q,使得算法能更快的跳出局部最优。
附图说明
图1为海事搜救船舶调度问题算法流程图。
具体实施方式
下面结合附图对本发明的结构进行详细解释说明,1、一种基于蚁群算法的船舶搜救方法,该方法包括以下步骤:
步骤1:构造蚁群搜索图,初始化算法中的各个参数,其中:p表示信息素,Q表示信息素强度,o为船舶出发点,oij表示第i个船舶的第j条搜救路径;
步骤2:蚂蚁从虚拟节点o开始爬行;
步骤3:对于第K只蚂蚁按照状态转移规则Prs k从由节点r转移到节点s;
步骤4:对各代所有蚂蚁爬行完毕后所搜索到的最优解进行判断是否陷入局部最优,当算法陷入了局部最优时,进入步骤5);当算法未陷入局部最优时,进入步骤6);
步骤5:在船舶搜救问题中当算法未陷入局部最优时,采用算法更新信息素策略①,更新全局最优解和当代最优解路径上的信息素浓度,其他解路径上的信息素浓度不变,采用全局更新和局部更新结合的步骤输出最优解。
步骤6:当算法陷入局部最优时,采用更新信息素策略②仅更新局部最优解路径上信息素浓度,ρ不再为常数,而是随着连续最优解相同的代数的增大而增大,并采用时变函数Q(n)来代替基本蚁群算法中调整信息素中为常数项的信息素强度Q,并输出最优解;
步骤3)中的第k只蚂蚁由节点r转移到节点s的概率状态转移规则为
其中,τij表示节点r到节点s的信息素,τij表示第i只船舶的第j条路径,ηij表示节点r到节点s的可见度,pimax表示第i只船舶行进的最大路径数,α、β分别表示信息素和可见度的偏重系数。
步骤5)更新信息素策略①步骤为:
1)全局更新,计算所有蚂蚁经过路径上的信息素增量:
2)局部更新,如果该代最优解为历代最优解,则调整蚂蚁l经过路径上的信息素增量:
3)更新所有蚂蚁经过路径上的信息素:
τij(new)=(1-ρ)τij(old)+Δτij
其中ρ和Q均为初始值。
步骤6)更新信息素策略②为:
自适应信息素强度Q(n)随人工蚂蚁搜索过程动态的调整为
其中,Q0为初始信息素强度。
自适应信息素挥发系数ρ表达式如下:
其中ρ0为初始挥发度,n为各代最优解连续相等的次数,n0为大于1的整数,当n>n0+1时ρ开始减小,n越大ρ越小。
如图1为海事搜救船舶调度问题算法流程图。算法更新信息素策略①是更新全局最优解和当代最优解路径上的信息素浓度,其他解路径上的信息素浓度不变。更新信息素策略②是仅更新局部最优解路径上信息素浓度。该算法在实际搜救遇事船舶应用中取得了良好的结果。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围之内。
Claims (5)
1.一种基于蚁群算法的船舶搜救方法,其特征在于,该方法包括以下步骤:
步骤1:构造蚁群搜索图,初始化算法中的各个参数,其中:p表示信息素,Q表示信息素强度,o为船舶出发点,oij表示第i个船舶的第j条搜救路径;
步骤2:蚂蚁从虚拟节点o开始爬行;
步骤3:对于第K只蚂蚁按照状态转移规则Prs k从由节点r转移到节点s;
步骤4:对各代所有蚂蚁爬行完毕后所搜索到的最优解进行判断是否陷入局部最优,当算法陷入了局部最优时,进入步骤5);当算法未陷入局部最优时,进入步骤6);
步骤5:在船舶搜救问题中当算法未陷入局部最优时,采用算法更新信息素策略①,更新全局最优解和当代最优解路径上的信息素浓度,其他解路径上的信息素浓度不变,采用全局更新和局部更新结合的步骤输出最优解;
步骤6:当算法陷入局部最优时,采用更新信息素策略②仅更新局部最优解路径上信息素浓度,ρ不再为常数,而是随着连续最优解相同的代数的增大而增大,并采用时变函数Q(n)来代替基本蚁群算法中调整信息素 中为常数项的信息素强度Q,并输出最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102224549A CN103279674A (zh) | 2013-06-06 | 2013-06-06 | 一种基于蚁群算法的船舶搜救方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102224549A CN103279674A (zh) | 2013-06-06 | 2013-06-06 | 一种基于蚁群算法的船舶搜救方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103279674A true CN103279674A (zh) | 2013-09-04 |
Family
ID=49062189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102224549A Pending CN103279674A (zh) | 2013-06-06 | 2013-06-06 | 一种基于蚁群算法的船舶搜救方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103279674A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606005A (zh) * | 2013-09-24 | 2014-02-26 | 西安电子科技大学 | 基于杂草算法的共形天线阵方向图综合方法 |
CN105095681A (zh) * | 2015-09-21 | 2015-11-25 | 武汉理工大学 | 基于积分测度随机相遇不确定性的搜救方法及系统 |
CN105352511A (zh) * | 2015-12-01 | 2016-02-24 | 黎海纤 | 一种小型运输无人机 |
CN105510081A (zh) * | 2015-12-01 | 2016-04-20 | 邱林新 | 一种污水取样车 |
CN109242137A (zh) * | 2018-07-19 | 2019-01-18 | 深圳信息职业技术学院 | 排课方法及系统 |
CN109974708A (zh) * | 2019-04-09 | 2019-07-05 | 集美大学 | 一种无人船航迹规划方法、终端设备及存储介质 |
CN112033369A (zh) * | 2019-12-15 | 2020-12-04 | 张月云 | 失踪船体远程定位平台及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477642A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 基于蚁群算法的飞机进港调度方法 |
CN102932422A (zh) * | 2012-09-29 | 2013-02-13 | 南京邮电大学 | 基于改进蚁群算法的云环境任务调度方法 |
-
2013
- 2013-06-06 CN CN2013102224549A patent/CN103279674A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477642A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 基于蚁群算法的飞机进港调度方法 |
CN102932422A (zh) * | 2012-09-29 | 2013-02-13 | 南京邮电大学 | 基于改进蚁群算法的云环境任务调度方法 |
Non-Patent Citations (3)
Title |
---|
熊婧: "基于改进蚁群算法的车间调度方法及实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵刚: "用蚁群算法求解不定期船调度问题", 《第二十六届中国控制会议论文集》 * |
黄亚平 等: "基于改进蚁群算法作业车间调度问题仿真研究", 《计算机仿真》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606005A (zh) * | 2013-09-24 | 2014-02-26 | 西安电子科技大学 | 基于杂草算法的共形天线阵方向图综合方法 |
CN103606005B (zh) * | 2013-09-24 | 2017-03-01 | 西安电子科技大学 | 基于杂草算法的共形天线阵方向图综合方法 |
CN105095681A (zh) * | 2015-09-21 | 2015-11-25 | 武汉理工大学 | 基于积分测度随机相遇不确定性的搜救方法及系统 |
CN105095681B (zh) * | 2015-09-21 | 2018-04-20 | 武汉理工大学 | 基于积分测度随机相遇不确定性的搜救方法及系统 |
CN105352511A (zh) * | 2015-12-01 | 2016-02-24 | 黎海纤 | 一种小型运输无人机 |
CN105510081A (zh) * | 2015-12-01 | 2016-04-20 | 邱林新 | 一种污水取样车 |
CN105352511B (zh) * | 2015-12-01 | 2018-01-12 | 宁夏冰核科技有限公司 | 一种小型运输无人机 |
CN109242137A (zh) * | 2018-07-19 | 2019-01-18 | 深圳信息职业技术学院 | 排课方法及系统 |
CN109974708A (zh) * | 2019-04-09 | 2019-07-05 | 集美大学 | 一种无人船航迹规划方法、终端设备及存储介质 |
CN112033369A (zh) * | 2019-12-15 | 2020-12-04 | 张月云 | 失踪船体远程定位平台及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279674A (zh) | 一种基于蚁群算法的船舶搜救方法 | |
CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
Hamilton et al. | An Arctic predator–prey system in flux: climate change impacts on coastal space use by polar bears and ringed seals | |
Gende et al. | A Bayesian approach for understanding the role of ship speed in whale–ship encounters | |
CN107293291B (zh) | 一种基于自适应学习率的端到端的语音识别方法 | |
CN108133038A (zh) | 一种基于动态记忆网络的实体级别情感分类系统及方法 | |
Ainley et al. | Seabird flight behavior and height in response to altered wind strength and direction | |
CN110069993A (zh) | 一种基于深度学习的目标车辆检测方法 | |
Müller et al. | Nocturnal departure timing in songbirds facing distinct migratory challenges | |
CN104317293A (zh) | 一种改进蚁群算法的城市救援智能体动态路径规划方法 | |
CN110244759A (zh) | 一种基于区间优化的水下机器人时间最优路径规划方法 | |
CN106649550A (zh) | 一种基于代价敏感学习的联合知识嵌入方法 | |
CN108388250A (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
Robinson Willmott et al. | The relative vulnerability of migratory bird species to offshore wind energy projects on the Atlantic Outer Continental Shelf: an assessment method and database | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN110276472A (zh) | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 | |
CN103995805A (zh) | 面向文本大数据的词语处理方法 | |
Wahyuni et al. | Rainfall prediction with backpropagation method | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
Tong et al. | Design of water distribution network via ant colony optimization | |
CN109902391B (zh) | 一种基于随机挥发系数蚁群算法的油气管道规划方法 | |
Craig et al. | Do state‐and‐transition models derived from vegetation succession also represent avian succession in restored mine pits? | |
CN109445462A (zh) | 一种非确定环境下的无人机鲁棒路径规划方法 | |
Jones et al. | Comparison of ant colony optimisation and differential evolution | |
CN110533905A (zh) | 一种交通流预测的方法、系统及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130904 |
|
RJ01 | Rejection of invention patent application after publication |