CN105005823A - 一种基于遗传算法的船舶分支管路路径规划方法 - Google Patents

Abstract

一种基于遗传算法的船舶分支管路路径规划方法：对布局空间进行网格划分和空间网格能量值分布，确定空间中管路路径的评价函数，构建出数学模型；构建包含N个连接点的点集合；确定各组两点间管路路径的始末点，作为两点间管路路径优化算法的连接点；构建两点间管路路径规划体系，并对两点间管路路径进行路径规划；对得到的两点间管路路径编码进行记录，并在下一组两点间管路路径规划完成后对编码存储文档进行更新；如果所有的连接点已经连接完毕，则到最后一步，否则再确定各组两点间管路路径的始末点；在第N-1组两点间管路路径规划结束后，存储文档中更新后的管路路径编码便是分支管路路径编码。本发明解决了分支管路的布局问题，构建了分支管路路径规划体系。

Description

一种基于遗传算法的船舶分支管路路径规划方法

技术领域

本发明涉及一种船舶管路路径规划方法。特别是涉及一种基于遗传算法的船舶分支管路路径规划方法。

背景技术

船舶管路设计是船舶设计过程中的核心工作之一。当前船舶管路设计与建造技术的重点在于：研究、开发并运用现代船舶CAD\CAE技术，同时结合人工智能领域的研究成果，在对船舶领域现有的专家知识进行收集、汇总、分析、总结和归纳的基础上，开发使用于船舶行业的专家系统或其他智能设计工具。随着优化算法的发展，管路路径智能规划方法也得到了推动。具有代表性的优化算法为：迷宫算法、遗传算法、蚁群算法、粒子群算法等。

其中，遗传算法是美国密歇根大学教授John Holland于1975年创立的，是一种借鉴生物界自然选择、进化机制而发展的启发式优化算法。在利用遗传算法进行路径规划的应用中，典型的代表是日本学者Ito，他将遗传算法应用于二维平面的两点管路路径搜索，取得了突破性的进展。另有多名学者也提出了基于遗传算法的两点路径规划算法，并取得了良好的布局效果。目前对船舶管路路径规划方法的研究主要集中于两点管路的连接问题，但在实际管路布局过程中，连接管路大部分是分支管路，单纯的两点路径规划算法无法解决此类问题。并且现有的船舶管路多分支管路路径优化算法多是建立于启发式算法之上，难以取得良好的应用效果。

发明内容

本发明所要解决的技术问题是，提供一种可进一步实现船舶管路智能设计系统集成的基于遗传算法的船舶分支管路路径规划方法。

本发明所采用的技术方案是：一种基于遗传算法的船舶分支管路路径规划方法，包括如下步骤：

1)在对布局空间进行网格划分和空间网格能量值分布的基础上，确定空间中管路路径的评价函数，从而构建出管路路径规划问题的数学模型；

2)假定分支管路包含N个连接点，依据各连接点的坐标值和管路直径信息，构建包含N个连接点的点集合，将分支管路连接的问题转换成N-1组两点间管路的连接问题；

3)确定各组两点间管路路径的始末点，作为两点间管路路径优化算法的连接点；

4)基于遗传算法的框架，引入迷宫算法，构建两点间管路路径规划体系，并对步骤3)中的两点间管路路径进行路径规划；

5)建立两点间管路路径编码的存储文档，对得到的两点间管路路径编码进行记录，并在下一组两点间管路路径规划完成后对编码存储文档进行更新；

6)判断是否所有的连接点连接完毕，如果所有的连接点已经连接完毕，则转到步骤7)输出管路最优解，否则转到步骤3)；

7)在第N-1组两点间管路路径规划结束后，存储文档中更新后的管路路径编码便是分支管路路径编码，也即分支管路的路径规划最优解。

步骤1)所述的管路路径规划问题的数学模型是：从路径长度、路径拐弯次数和路径的能量值三个方面对路径进行评价，从而确定空间中管路路径的评价函数Obj(f₁)、Obj(f₂)和Obj(f₃)如式(1)～(3)：

$Obj\left(f_1\right)=L_p=\underset{i=2}{\overset{n}{\Σ}}\left|node\left(i\right)node\left(i-1\right)\right|---\left(1\right)$

Obj(f₂)＝B_p                   (2)

$Obj\left(f_3\right)=E_p=\underset{j=1}{\overset{n}{\Σ}}E\left(node\right(j\left)\right)---\left(3\right)$

其中，假定当前管路p＝{node(1),node(2),node(3)...node(n-1)node(n)}，L_p表示当前管路路径的总长度，|node(i)node(i-1)|表示构成当前管路的节点中两个相邻节点之间的距离；B_p表示当前管路路径的拐弯次数；E_p表示当前管路路径所穿过的节点的能量值之和，E(node(j))表示当前管路中第j个节点的能量值；

将以上所述的空间中管路路径的三个评价函数分别赋予一个权值，将多目标优化问题转换成单目标优化问题，转换后的评价函数Obj(f)如式(4)所示：

Obj(f)＝c₁×Obj(f₁)+c₂×Obj(f₂)+c₃×Obj(f₃)            (4)

其中，c₁、c₂和c₃分别为三个评价函数的权值；权值反应了评价函数的相对重要程度，以及设计者的设计意图，具体数值由反复试验确定。

步骤3)所述的各组两点间管路路径的始末点的确定方法为：

第一组两点间管路路径始末点的确定：对于当前点集合中的N个连接点，分别计算任一个连接点point(k)和其他连接点的欧式距离之和，得到表示该连接点point(k)与其他连接点相对位置关系的距离值distance(k)，选出距离值distance(k)最小的第k个连接点作为起始点，随机选取一个其余的连接点作为终止点，从而得到了第一组两点间管路路径的始末点，其中，k的取值范围为1～N；

对于第m组两点间管路路径始末点的确定：对于未联通的连接点，随机选取一个连接点作为两点间管路路径的起始点，然后以所述连接点为起点，利用迷宫算法的扩展过程在布局空间中进行扩展搜索，并对网格值进行标记，直到搜索到已生成的管路上的网格点为止；由迷宫算法的特点可知，最先搜索到的已生成管路上的网格点与起始点的距离最近，则该网格点被选取为两点间管路路径的终止点，其中m的取值范围为1～N-1。

步骤4)具体包括：

(1)种群初始化：将空间S分别沿着坐标轴的方向进行扩充得到了扩展空间S'，为了能够遍历扩展空间S'中所有的区域，增加管路多样性，在扩展空间S'中随机产生一个辅助点P；以原起始点为起点，辅助点P为终点，利用迷宫算法生成一条辅助路径A-P1；然后以辅助点P为起点，原终止点为终点，产生另一条辅助路径A-P2；将两条辅助路径A-P1和A-P2连接，便构成了一条新的路径；

在扩展空间S'中，由于辅助点位置的差异性，两点间管路路径的长度也有所不同，分别选取扩展空间S'中的八个顶点作为辅助点，与原始末点共同构造出联通路径，并比较联通路径长度，找出最大值，所述最大值即为遗传算法过程中染色体编码的固定长度值；

(2)选择操作：采用随机联赛选择机制，从种群中随机选择M个个体进行适应度大小比较，将其中适应度最高的个体遗传到下一代；重复上述选择过程l次，便得到了包含l个个体的下一代种群；但是，单纯采用联赛选择机制会造成最优个体的丢失，因此，引入最优个体保留策略，在不失种群多样性的同时保证了最优个体的优先权；

(3)交叉、变异操作：

交叉操作的实现过程：随机选定两个父代染色体；分别在两个父代染色体上选择两个交叉点；然后分别以这两个交叉点为始末点，利用迷宫算法生成一条辅助路径；再将辅助路径分别与两个父代染色体结合，构成两个新的子代染色体；其中，如果子代染色体的长度在设定的长度内，子代染色体不足位置由0补充；如果子代染色体的长度超过了限定的长度，则直接将子代染色体删除；

变异操作实现过程：随机选定一个父代染色体，在父代染色体上随机选择两个变异点，分别以这两个变异点作为始末点，利用迷宫算法过程构造一条辅助路径，并以所述的辅助路径替换父代染色体上变异点间的基因段，生成一个子代染色体；若生成的子代染色体个体长度超过了设定的长度，则直接将生成的子代染色体删除，不计入子种群当中，若生成的子代染色体个体长度在设定的长度内，则将生成的子代染色体计入子种群当中；

第(3)步所述的迷宫算法不同于第(1)步种群初始化中采用的迷宫算法，第(3)步在扩展过程结束后，算法的回溯过程采用方向优先的搜索策略，利用两点的位置关系确定优选方向的矢量，随机选择初始方向，沿网格值减小的方向搜索，遇到障碍后改变回溯方向，直到找到终止点形成一条有效的联通路径作为子路径；如果多次改变方向仍无法找到有效的联通路径则重新选择交叉点重复上述操作，直到找到可行的路径。

(4)最优路径输出：在利用两点间管路路径优化算法得出当前的两点间管路路径连接点的联通路径最优解后输出，记录联通路径最优解管路编码。

本发明的一种基于遗传算法的船舶分支管路路径规划方法，结合船舶管路特点，引入了改进的迷宫算法，并对传统迷宫算法进行了改进，解决了分支管路的布局问题，并实现改进迷宫算法和遗传算法的融合，完成了分支管路路径规划方法的评价函数设计，构建了分支管路路径规划体系，可进一步实现船舶管路智能设计系统的集成。

附图说明

图1是基于遗传算法的船舶分支管路路径规划方法的流程图；

图2是两点间管路路径规划流程图；

图3是辅助点的引入示例；

图4是定长度编码交叉方法示例；

图5是定长度编码变异方法示例。

具体实施方式

下面结合实施过程和附图对本发明的一种基于遗传算法的船舶分支管路路径规划方法做出详细说明。

本发明的一种基于遗传算法的船舶分支管路路径规划方法，如图1所示，包括如下步骤：

1)船舶管路的布局工作是在既定的工作环境中完成的，设计人员需要将位于其中的船舶设备、船体结构等作为布局过程中的障碍。完整的表达设备的模型信息需要大量的数据存储空间，影响算法的运行效率。因此采用设备模型的简化表达方法：即先将设备分离为几个主要的部分，然后利用轴平行包围盒对各个部分进行包络，再依据原始的相对位置关系进行装配，得到简化后的设备模型。将简化后是设备按照装配关系进行装配，初步构建了布局环境的三维实体模型。在此基础之上，根据与船舶船体壁的距离、与特定设备的距离、与已生成管路的距离对布局空间的网格赋予不用的能量值，表示通过该区域的难易程度，至此完成布局空间的构建。

本发明在对布局空间进行网格划分和空间网格能量值分布的基础上，确定空间中管路路径的评价函数，从而构建出管路路径规划问题的数学模型；

所述的管路路径规划问题的数学模型是：船舶管路路径寻优问题是典型的多目标优化问题，其本质是寻找一组满足约束并使评价函数得到最优组合的解。评价函数值表明了管路路径的好坏程度，本发明主要从路径长度、路径拐弯次数和路径的能量值三个方面对路径进行评价，从而确定空间中管路路径的评价函数Obj(f₁)、Obj(f₂)和Obj(f₃)如式(1)～(3)：

$Obj\left(f_1\right)=L_p=\underset{i=2}{\overset{n}{\Σ}}\left|node\left(i\right)node\left(i-1\right)\right|---\left(1\right)$

Obj(f₂)＝B_p                    (2)

$Obj\left(f_3\right)=E_p=\underset{j=1}{\overset{n}{\Σ}}E\left(node\right(j\left)\right)---\left(3\right)$

其中，假定当前管路p＝{node(1),node(2),node(3)...node(n-1)node(n)}，L_p表示当前管路路径的总长度，|node(i)node(i-1)|表示构成当前管路的节点中两个相邻节点之间的距离；B_p表示当前管路路径的拐弯次数；E_p表示当前管路路径所穿过的节点的能量值之和，E(node(j))表示当前管路中第j个节点的能量值；

由于本发明采用的是单目标优化遗传算法，因此，需要将以上所述的空间中管路路径的三个评价函数分别赋予一个权值，将多目标优化问题转换成单目标优化问题，转换后的评价函数Obj(f)如式(4)所示：

Obj(f)＝c₁×Obj(f₁)+c₂×Obj(f₂)+c₃×Obj(f₃)              (4)

其中，c₁、c₂和c₃分别为三个评价函数的权值；权值反应了评价函数的相对重要程度，以及设计者的设计意图，具体数值由反复试验确定。

2)假定分支管路包含N个连接点，依据各连接点的坐标值和管路直径信息，构建包含N个连接点的点集合，将分支管路连接的问题转换成N-1组两点间管路的连接问题；

即，根据船舶管路原理图，确定设备的连接关系，并根据连接关系对设备连接点进行分组，将复杂的管路系统设计问题转换成多个分支管路连接的子问题。基于设备在布局空间中的位置，确定各个设备连接点的坐标及连接管路的管径信息，然后根据分组关系对连接点坐标值和对应的管径信息进行分类汇总，构建出若干个包含N个连接点的点集，以便利用分支管路路径规划方法进行连接。

3)确定各组两点间管路路径的始末点，作为两点间管路路径优化算法的连接点；

所述的各组两点间管路路径的始末点的确定方法为：

第一组两点间管路路径始末点的确定：对于当前点集合中的N个连接点，分别计算任一个连接点point(k)和其他连接点的欧式距离之和，得到表示该连接点point(k)与其他连接点相对位置关系的距离值distance(k)，选出距离值distance(k)最小的第k个连接点作为起始点，随机选取一个其余的连接点作为终止点，从而得到了第一组两点间管路路径的始末点，其中，k的取值范围为1～N；

对于第m组两点间管路路径始末点的确定：对于未联通的连接点，随机选取一个连接点作为两点间管路路径的起始点，然后以所述连接点为起点，利用迷宫算法的扩展过程在布局空间中进行扩展搜索，并对网格值进行标记，直到搜索到已生成的管路上的网格点为止；由迷宫算法的特点可知，最先搜索到的已生成管路上的网格点与起始点的距离最近，则该网格点被选取为两点间管路路径的终止点，其中m的取值范围为1～N-1。

4)基于遗传算法的框架，引入迷宫算法，构建两点间管路路径规划体系，并对步骤3)中的两点间管路路径进行路径规划，是基于迷宫算法搜索的无重复性和连续性，利用迷宫算法产生少量初始种群，然后利用利用遗传算法进行优化；基于迷宫算法，提出了定长度方法，并将其应用于交叉、变异操作，提高了算法的运行效率；优化进程结束后，便可得到一条最优管路路径编码，作为子分支管路路径规划的最优解。图2为利用优化算法对两点管路路径进行规划的流程图。具体包括：

(1)种群初始化：迷宫搜索的特点是逐点搜索，直接利用迷宫算法可以对由以始末点为对角顶点构成的空间S进行全局的搜索，但却难以到达除此之外的布局空间；试验发现，在利用迷宫算法进行路径搜索过程中存在与单纯方向优先搜索策略相同的问题：可行解多集中于始末点对角连接线附近，而无法均匀遍布布局空间。因此，在布局空间中引入了辅助点的概念。以图3为例，将空间S分别沿着坐标轴的方向进行扩充得到了扩展空间S'，为了能够遍历扩展空间S'中所有的区域，增加管路多样性，在扩展空间S'中随机产生一个辅助点P；以原起始点为起点，辅助点P为终点，利用迷宫算法生成一条辅助路径A-P1；然后以辅助点P为起点，原终止点为终点，产生另一条辅助路径A-P2；将两条辅助路径A-P1和A-P2连接，便构成了一条新的路径；辅助点的引入增加了迷宫算法的搜索范围，增加了可行管路的多样性，有助于算法搜寻到最优的管路段，提高了算法的搜索效率。

结合迷宫算法自身的特点，进一步提出了管路染色体的定长度编码策略；一般的，在由始末点所构成的布局空间S中可以搜索到有效的管路路径，因此假定扩展的空间即S'-S是无障碍的；由迷宫算法的搜索原理易知，利用其在布局空间S中搜索到的路径长度是相同的；在扩展空间S'中，由于辅助点位置的差异性，两点间管路路径的长度也有所不同，并且有一个最大长度值，为了找到这个最大的长度值，分别选取扩展空间S'中的八个顶点作为辅助点，与原始末点共同构造出联通路径，并比较联通路径长度，找出最大值，所述最大值即为遗传算法过程中染色体编码的固定长度值；

(2)选择操作：本发明采用的选择方法为随机联赛选择机制，其具体操作过程如下：从种群中随机选择M个个体进行适应度大小比较，将其中适应度最高的个体遗传到下一代；重复上述选择过程l次，便得到了包含l个个体的下一代种群；但是，单纯采用联赛选择机制会造成最优个体的丢失，因此，引入最优个体保留策略，在不失种群多样性的同时保证了最优个体的优先权；

(3)交叉、变异操作：

交叉操作的实现过程：随机选定两个父代染色体；分别在两个父代染色体上选择两个交叉点；然后分别以这两个交叉点为始末点，利用迷宫算法生成一条辅助路径；再将辅助路径分别与两个父代染色体结合，构成两个新的子代染色体；其中，如果子代染色体的长度在设定的长度内，子代染色体不足位置由0补充；如果子代染色体的长度超过了限定的长度，则直接将子代染色体删除；

以图4为例来说明定长度编码的交叉策略：随机选定两个父代染色体Parent 1和Parent 2；分别在两个父代染色体上选择两个交叉点，本例假设Parent 1上的交叉点为(1,5,3)，Parent 2上的交叉点为(1,2,1)；分别以这两个交叉点为始末点，利用改进迷宫算法生成一条辅助路径Mid-path 1，并与父代染色体重新结合生成两个子代个体Child 1和Child 2，结合方法如图所示。本例中，子代染色体Child 1长度在限定长度内，不足位置由0补充；子代染色体Child 2的长度超过了限定长度，直接删除。

其中，此处的迷宫算法不同于初始路径生成时采用的改进迷宫算法，在扩展过程结束后，算法的回溯过程采用方向优先的搜索策略：利用两点的位置关系确定优选方向的矢量，随机选择初始方向，沿网格值减小的方向搜索，遇到障碍后改变回溯方向，直到找到终止点形成一条有效的联通路径作为子路径；多次改变方向仍无法找到有效的联通路径则重新选择交叉点重复以上操作，直到找到可行的路径。

变异操作实现过程：随机选定一个父代染色体，在父代染色体上随机选择两个变异点，分别以这两个变异点作为始末点，利用迷宫算法过程构造一条辅助路径，并以所述的辅助路径替换父代染色体上变异点间的基因段，生成一个子代染色体；若生成的子代染色体个体长度超过了设定的长度，则直接将生成的子代染色体删除，不计入子种群当中，若生成的子代染色体个体长度在设定的长度内，则将生成的子代染色体计入子种群当中；

以图5为例详细叙述该策略的实现过程：随机选定一个父代染色体Parent 3；在父代染色体上随机选择两个变异点，本例假设选定的变异点为(1,3,1)与(1,7,3)；分别以这两个变异点作为始末点，利用与交叉操作中相同的迷宫算法过程构造一条辅助路径Mid-path 2，并以该路径替换父代染色体Parent 3上变异点间的基因段，生成一个子代染色体Child 3。同样，若生成的子代个体长度超过了定长度编码限定的长度则直接将其删除，不计入子种群当中。

第(3)步所述的迷宫算法不同于第(1)步种群初始化中采用的迷宫算法，第(3)步在扩展过程结束后，算法的回溯过程采用方向优先的搜索策略，利用两点的位置关系确定优选方向的矢量，随机选择初始方向，沿网格值减小的方向搜索，遇到障碍后改变回溯方向，直到找到终止点形成一条有效的联通路径作为子路径；如果多次改变方向仍无法找到有效的联通路径则重新选择交叉点重复上述操作，直到找到可行的路径。

(4)最优路径输出：在利用两点间管路路径优化算法得出当前的两点间管路路径连接点的联通路径最优解后输出，记录联通路径最优解管路编码。

5)建立两点间管路路径编码的存储文档，对得到的两点间管路路径编码进行记录，并在下一组两点间管路路径规划完成后对编码存储文档进行更新；

本发明将分支管路连接问题分解为多个两点管路连接问题，并依次按照始末点的确定方法进行路径的规划，因此需要建立存储文档，对每组两点管路路径规划后得到的管路路径编码进行记录，并在下一组子分支管路路径规划完成后对编码存储文档进行更新。

6)判断是否所有的连接点连接完毕，如果所有的连接点已经连接完毕，则转到步骤7)输出管路最优解，否则转到步骤3)；

7)输出分支管路的最优解，在第N-1组两点间管路路径规划结束后，存储文档中更新后的管路路径编码便是分支管路路径编码，也即分支管路的路径规划最优解。利用该编码结合三维设计软件如SolidWorks等的二次开发技术，即可实现管路路径的三维可视化。

尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护范围之内。

Claims (4)

1.一种基于遗传算法的船舶分支管路路径规划方法，其特征在于，包括如下步骤：

1)在对布局空间进行网格划分和空间网格能量值分布的基础上，确定空间中管路路径的评价函数，从而构建出管路路径规划问题的数学模型；

2)假定分支管路包含N个连接点，依据各连接点的坐标值和管路直径信息，构建包含N个连接点的点集合，将分支管路连接的问题转换成N-1组两点间管路的连接问题；

3)确定各组两点间管路路径的始末点，作为两点间管路路径优化算法的连接点；

4)基于遗传算法的框架，引入迷宫算法，构建两点间管路路径规划体系，并对步骤3)中的两点间管路路径进行路径规划；

5)建立两点间管路路径编码的存储文档，对得到的两点间管路路径编码进行记录，并在下一组两点间管路路径规划完成后对编码存储文档进行更新；

6)判断是否所有的连接点连接完毕，如果所有的连接点已经连接完毕，则转到步骤7)输出管路最优解，否则转到步骤3)；

7)在第N-1组两点间管路路径规划结束后，存储文档中更新后的管路路径编码便是分支管路路径编码，也即分支管路的路径规划最优解。

2.根据权利要求1所述的一种基于遗传算法的船舶分支管路路径规划方法，其特征在于，步骤1)所述的管路路径规划问题的数学模型是：从路径长度、路径拐弯次数和路径的能量值三个方面对路径进行评价，从而确定空间中管路路径的评价函数Obj(f₁)、Obj(f₂)和Obj(f₃)如式(1)～(3)：

$Obj\left(f_1\right)=L_p=\underset{i=2}{\overset{n}{\Σ}}\left|node\left(i\right)node(i-1)\right|---\left(1\right)$

Obj(f₂)＝B_p     (2)

$Obj\left(f_3\right)=E_p=\underset{j=1}{\overset{n}{\Σ}}E\left(node\right(j\left)\right)---\left(3\right)$

其中，假定当前管路p＝{node(1),node(2),node(3)...node(n-1)node(n)}，L_p表示当前管路路径的总长度，|node(i)node(i-1)|表示构成当前管路的节点中两个相邻节点之间的距离；B_p表示当前管路路径的拐弯次数；E_p表示当前管路路径所穿过的节点的能量值之和，E(node(j))表示当前管路中第j个节点的能量值；

将以上所述的空间中管路路径的三个评价函数分别赋予一个权值，将多目标优化问题转换成单目标优化问题，转换后的评价函数Obj(f)如式(4)所示：

Obj(f)＝c₁×Obj(f₁)+c₂×Obj(f₂)+c₃×Obj(f₃)    (4)

其中，c₁、c₂和c₃分别为三个评价函数的权值；权值反应了评价函数的相对重要程度，以及设计者的设计意图，具体数值由反复试验确定。

3.根据权利要求1所述的一种基于遗传算法的船舶分支管路路径规划方法，其特征在于，步骤3)所述的各组两点间管路路径的始末点的确定方法为：

第一组两点间管路路径始末点的确定：对于当前点集合中的N个连接点，分别计算任一个连接点point(k)和其他连接点的欧式距离之和，得到表示该连接点point(k)与其他连接点相对位置关系的距离值distance(k)，选出距离值distance(k)最小的第k个连接点作为起始点，随机选取一个其余的连接点作为终止点，从而得到了第一组两点间管路路径的始末点，其中，k的取值范围为1～N；

对于第m组两点间管路路径始末点的确定：对于未联通的连接点，随机选取一个连接点作为两点间管路路径的起始点，然后以所述连接点为起点，利用迷宫算法的扩展过程在布局空间中进行扩展搜索，并对网格值进行标记，直到搜索到已生成的管路上的网格点为止；由迷宫算法的特点可知，最先搜索到的已生成管路上的网格点与起始点的距离最近，则该网格点被选取为两点间管路路径的终止点，其中m的取值范围为1～N-1。

4.根据权利要求1所述的一种基于遗传算法的船舶分支管路路径规划方法，其特征在于，步骤4)具体包括：

(1)种群初始化：将空间S分别沿着坐标轴的方向进行扩充得到了扩展空间S'，为了能够遍历扩展空间S'中所有的区域，增加管路多样性，在扩展空间S'中随机产生一个辅助点P；以原起始点为起点，辅助点P为终点，利用迷宫算法生成一条辅助路径A-P1；然后以辅助点P为起点，原终止点为终点，产生另一条辅助路径A-P2；将两条辅助路径A-P1和A-P2连接，便构成了一条新的路径；

在扩展空间S'中，由于辅助点位置的差异性，两点间管路路径的长度也有所不同，分别选取扩展空间S'中的八个顶点作为辅助点，与原始末点共同构造出联通路径，并比较联通路径长度，找出最大值，所述最大值即为遗传算法过程中染色体编码的固定长度值；

(2)选择操作：采用随机联赛选择机制，从种群中随机选择M个个体进行适应度大小比较，将其中适应度最高的个体遗传到下一代；重复上述选择过程l次，便得到了包含l个个体的下一代种群；但是，单纯采用联赛选择机制会造成最优个体的丢失，因此，引入最优个体保留策略，在不失种群多样性的同时保证了最优个体的优先权；

(3)交叉、变异操作：

交叉操作的实现过程：随机选定两个父代染色体；分别在两个父代染色体上选择两个交叉点；然后分别以这两个交叉点为始末点，利用迷宫算法生成一条辅助路径；再将辅助路径分别与两个父代染色体结合，构成两个新的子代染色体；其中，如果子代染色体的长度在设定的长度内，子代染色体不足位置由0补充；如果子代染色体的长度超过了限定的长度，则直接将子代染色体删除；

变异操作实现过程：随机选定一个父代染色体，在父代染色体上随机选择两个变异点，分别以这两个变异点作为始末点，利用迷宫算法过程构造一条辅助路径，并以所述的辅助路径替换父代染色体上变异点间的基因段，生成一个子代染色体；若生成的子代染色体个体长度超过了设定的长度，则直接将生成的子代染色体删除，不计入子种群当中，若生成的子代染色体个体长度在设定的长度内，则将生成的子代染色体计入子种群当中；

第(3)步所述的迷宫算法不同于第(1)步种群初始化中采用的迷宫算法，第(3)步在扩展过程结束后，算法的回溯过程采用方向优先的搜索策略，利用两点的位置关系确定优选方向的矢量，随机选择初始方向，沿网格值减小的方向搜索，遇到障碍后改变回溯方向，直到找到终止点形成一条有效的联通路径作为子路径；如果多次改变方向仍无法找到有效的联通路径则重新选择交叉点重复上述操作，直到找到可行的路径。

(4)最优路径输出：在利用两点间管路路径优化算法得出当前的两点间管路路径连接点的联通路径最优解后输出，记录联通路径最优解管路编码。