CN110969289B - 一种无人船气象航线连续动态优化方法和系统 - Google Patents

Abstract

本发明涉及一种无人船气象航线连续动态优化方法和系统，该方法包括：以能耗和航时为目标计算满足双目标的航线评价函数；对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程；根据航线评价函数和连续航线动态方程得到船舶的气象航线动态优化模型；在船舶按照初始航线航行过程中，根据气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标；根据采集的实时气象数据结合连续航线最优性能指标进行连续动态优化，确定最佳航线。本发明基于航线评价函数和连续航线动态方程得到的气象航线动态优化模型进行动态优化，可以根据变化的实时气象数据连续动态优化航线，得到最佳航线。

Description

一种无人船气象航线连续动态优化方法和系统

技术领域

本发明涉及船舶技术领域，尤其涉及一种无人船气象航线连续动态优化方法和系统。

背景技术

气象航线设计作为保障智能无人船舶安全高效航行的重要研究内容，航线的安全性和经济性也是衡量船舶航线优劣的两个指标，能耗和航行时间是影响航线经济性的两个重要因素。

首先，传统的航线优化方法多采用静态气象信息作为气象航线设计依据，缺乏对气象信息变化情况下航线决策的考量，由于海上气象信息的变化，经过一次规划得出的航线难以保证航行总过程保持最优状态，同时，当船舶偏航时，船舶复航至原航线行驶，提升了行船成本。因此，已有的气象航线静态设计方法难以满足船舶实际的航行需求。其次，前人的研究缺乏对能耗与航时的同时考量，已有研究多为实现航线的单目标最优，仅实现航线的航时最短或能耗最低不能满足船舶实际航行需求。因此，应同时对能耗与航时进行优化，实现航线双目标最优。再次，已有的研究多采用等时线法、变分法和建立网格模型等方法设计气象航线。等时线法是一种递归算法，当气象数据较多时，易引起存储空间的消耗和复杂度的增加，因此，该方法只能用于设计航程较短的航线，且难以利用计算机程序实现。变分法则是构建一个航行时间或能耗的单目标函数，采用欧拉方程进行极值求解。由于方程构建有较多的约束条件，求解难度高，当需要二阶微分时，方程求解将产生不准确的情况。

基于上述，传统的气象航线设计多采用静态路径规划算法重复调用以获取实时最优航线，由于航线计算复杂度较高，新航线被设计完成时，船舶已驶离当前位置，因此被控过程具有较大不确定性。

可见，现有方法在航线规划过程中存在无法基于实时变化的气象数据进行连续动态优化的问题。

上述缺陷是本领域技术人员期望克服的。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种无人船气象航线连续动态优化方法和系统，以解决现有方法在航线规划过程中无法基于实时变化的气象数据进行连续动态优化的问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

本发明一实施例提供一种无人船气象航线连续动态优化方法，其包括：

以能耗和航时为目标计算满足双目标的航线评价函数；

对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程；

根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型；

在船舶按照所述初始航线航行过程中，根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标；

根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线。

本发明的一个实施例中，所述以能耗和航时为目标计算满足双目标的航线评价函数包括：

按照所述初始航线上的航路点获取相应的气象数据；

根据所述气象数据计算船舶的实际航速；

根据所述实际航速以能耗和航时为目标构建双目标航线模型；

在所述双目标航线模型中结合两个目标相应的权重因子和转换因子计算得到所述航线评价函数。

本发明的一个实施例中，所述航线评价函数的计算公式为：

其中h(t₀,t_f)为船舶t₀至t_f时刻一段航线的评价值，ω₁和ω₂分别为能耗与航时的权重因子，且ω₁+ω₂＝1，γ₁和γ₂分别为能耗与航时的转换因子，用于将能耗和航时转化为评价航线的经济性指标，t₀为船舶航行至当前位置的时刻，t_f为船舶航行至下一位置的时刻，v为船舶的实际航速，S为船舶t₀至t_f时刻途经航线的长度，T_e为船舶的主机推力，

和

为t₀至t_f时段所述双目标航线模型中最优能耗和最优航时的两个最优解。

本发明的一个实施例中，所述根据所述气象数据计算船舶的实际航速之后，还包括：

根据所述气象数据计算得到船舶的临界航速；

在进行航线选择时，选择实际航速小于或等于所述临界航速的航线。

本发明的一个实施例中，所述连续航线动态方程为：

其中u(t)为t时刻船舶航行到所述初始航线上航路点的气象数据，x(t)为t时刻的船舶航向决策，f(·)表示在航行区域内连续可微。

本发明的一个实施例中，所述根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型包括：

根据所述连续航线动态方程计算船舶在初始时刻从所述起始点行驶到当前位置的时刻的已航行区段航线评价值的总和；

根据所述航线评价函数计算船舶从当前位置的时刻行驶到下一位置的时刻的未行使区段航线评价值；

根据所述已航行区段航线评价值的总和与所述未行使区段航线评价值构建所述气象航线动态优化模型。

本发明的一个实施例中，所述根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标包括：

根据所述气象航线动态优化模型中所述已航行区段航线评价值的总和与所述未行使区段航线评价值相加后取最小值确定所述连续航线最优性能指标，计算公式为：

其中，J(t₀,t_f)为从当前时刻t₀到下一时刻t_f从当前位置行驶到下一位置的连续航线最优性能指标，h(t₀,t_f)为当前时刻t₀至行驶到下一时刻t_f的未航行区段航线评价值，L为初始时刻t_S至当前时刻t₀船舶已航行区段航线的长度，

为初始时刻t_S至当前时刻t₀已航行区段航线评价值的总和。

本发明的一个实施例中，所述根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线包括：

对蚁群算法中的能见度启发信息、可选位置和信息素浓度进行更新；

利用更新的蚁群算法根据所述实时气象数据结合所述连续航线最优性能指标进行计算，确定下一位置；

通过连续动态优化得到的多个所述下一位置确定所述最佳航线。

本发明的一个实施例中，所述对蚁群算法中的能见度启发信息、可选位置和信息素浓度进行更新包括：

能见度启发信息的公式为：

其中η_uv(n)表示能见度启发因子为β的情况下路径(u,v)上的能见度启发信息变量，反映船舶从位置u到v的启发程度，Lon_u和Lat_u代表位置u的经度值和纬度值，Lon_v和Lat_v代表位置v的经度值和纬度值；

可选位置的计算公式为：

allowed k(n)＝{R_n}-tab u_k

其中allowed k(n)表示蚂蚁k下一步可以选择的位置，R_n是蚂蚁所有可能选择位置的集合，tab u_k是用来存放蚂蚁当前走过的路径的禁忌表；

信息素浓度的公式为：

τ_uv(t+T)＝(1-ρ)·τ_uv(t)+Δτ_uv

其中T为蚂蚁k完成一次循环的周期，ρ表示信息素浓度挥发系数，取值范围为0＜ρ＜1，Δτ_uv表示在路径(u,v)上的信息素增量，m为蚁群数量，k的取值范围为1≤k≤m。

本发明另一实施例还提供一种无人船气象航线连续动态优化系统，包括：

评价函数模块，用于以能耗和航时为目标计算满足双目标的航线评价函数；

动态方程模块，用于对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程；

优化模型模块，用于根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型；

最优指标模块，用于在船舶按照所述初始航线航行过程中，根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标；

最佳航线模块，用于根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线。

(三)有益效果

本发明的有益效果是：本发明上述实施例提供的无人船气象航线连续动态优化方法和系统，基于航线评价函数和连续航线动态方程得到的气象航线动态优化模型进行动态优化，可以根据变化的实时气象数据连续动态优化航线，得到最佳航线。

附图说明

图1为本发明一实施例提供的一种无人船气象航线连续动态优化方法的流程图；

图2为本发明一实施例中N级决策过程的示意图；

图3为本发明一实施例中某一历史时期全球风速分布图；

图4为本发明一实施例中风向计算示意图；

图5为本公开一实施例中航线评价值更新的示意图；

图6为本发明一实施例中格点评价值计算的流程图；

图7为本发明一实施例中航线优化过程的示意图；

图8为本发明一实施例实现上述航线优化方法的寻优流程图；

图9为本发明另一实施例提供的一种无人船气象航线连续动态优化系统的示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本发明以下实施例提供一种无人船气象航线连续动态优化方法，采用最优控制方法解决无人船气象航线连续动态优化的问题，可将航线归结为连续的状态方程，通过决策过程连续转移，将传统的多步决策问题转化为一步最优控制问题，从而避免航线控制延时性的发生，实现航线的精准控制。

图1为本发明一实施例提供的一种无人船气象航线连续动态优化方法的流程图，如图1所示，该方法包括以下步骤：

如图1所示，在步骤S110中，以能耗和航时为目标计算满足双目标的航线评价函数；

如图1所示，在步骤S120中，对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程；

如图1所示，在步骤S130中，根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型；

如图1所示，在步骤S140中，在船舶按照所述初始航线航行过程中，根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标；

如图1所示，在步骤S150中，根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线。

以下对图1所示实施例的各个步骤的具体实现进行详细阐述：

在步骤S110中，以能耗和航时为目标计算满足双目标的航线评价函数。

该步骤中首先在出航前获取气象数据，由于船舶能耗和航时是影响航线经济性的两个重要因素，因此根据气象数据计算满足双目标的航线评价函数。

本发明的一个实施例中，所述气象数据至少包括风速、风向角度。图2为本发明一实施例中某一历史时期全球风速分布图，如图2所示，其中横轴为纬度，纵轴为经度，灰色区域代表陆地，下方的彩色横条下的数字表示风速，风速单位为m·s^-1，图2中海洋区域风速大小用横条中的颜色对应，从图2中可以看出整个海洋环境中的风场分布情况。

本实施例中以经度增大的方向作为横轴的正方向，以纬度增大的方向作为纵轴的正方向，在风场数据中，某一栅格点上的风向通过经度和纬度分量上的风向数据来计算，风向角度的计算公式为：

其中α为风向角度，Lon为经向风的风向值，Lat为纬向风的风向值，根据公式(1)求得风向角度的角度范围为[-π,π]。

基于上述，可以根据船舶航向结合所述风向角度计算得到船体迎风角。风向度量基准为x轴的正方向，航向C的度量基准为y轴正方向，二者角度范围均为[0,π)。因此，需要将风向与航向采取统一的度量基准和方式，具体如下：

首先，改变度量基准：

从而风向的基准变为正北，度量范围变为

其次，改变度量范围：α＝rem(α+π,π)，其中rem函数为趋于，函数α＝rem(α,π)函数作用α除以π的余数，目的是使角度均不小于零且不大于180°，α＝rem(α,π)为：

船体迎风角β是指船舶航向C与风向α之间的夹角，建立直角坐标系，图3为本发明一实施例中风向计算示意图，如图3所示，设y轴正方向为正北方向，根据图3所示，迎风角β的计算公式为：

β＝|180°-|C-α|| 公式(3)

其中β为船体迎风角，C为船舶航向，α为风向角度，根据公式(3)求得船体迎风角的角度范围为[0,π)。

然后，根据风区长度结合所述风速就算得到波高。在实际的海洋气象环境中，风、浪数据都可分别获取，但由于数据时效性不同，不能准确获取同一时刻的风、浪数据，为保证浪数据的精确，采用以下公式推算波高h，计算公式为：

其中g为重力加速度，取9.8m/s，F为风区长度，风区长度F是指状态大致相同的风作用的海域范围。

最后，根据所述船体迎风角、风速、波高结合船舶静水航速、船舶排水量和相对波向计算船舶的实际航速。无人船在航行过程中，会受到气象和水文因素的影响，进而产生失速现象，在其中各种因素中，受到风、浪的影响尤为严重。船舶在航行中由于受到风、浪带来的影响，其受到的航行阻力会远远大于其在静水中所受到的阻力，而这一现象被称为船舶的自然失速，基于上述，船舶实际航速的计算公式为：

v＝v₀-(1.08h-0.126qh+2.77v_windcosβ)(1-2.33Dv₀) 公式(5)

其中v为船舶实际航速，v₀为船舶静水航速，v_wind为风速，h为波高，β为船体迎风角，D为船舶排水量，q为相对波向。

另外，还可以根据波高计算船舶临界航速。船舶在选择航线时，应避免选择实际航速超过临界航速的航线，计算船的临界航速公式为：

v_max＝e^0.13[1.4×10^-4q²³+12.0-h]^1.6+4.0×10^-4q²³+7.0 公式(6)

其中h为所述波高，q为相对波向，用于表示船舶行驶方向与波浪方向的夹角。

图4为本发明一实施例图1中步骤S110的流程图，如图4所示，包括以下步骤：

在步骤S401中，按照所述初始航线上的航路点获取相应的气象数据，气象数据的获取和计算如上述，此处不再赘述。

在步骤S402中，根据所述气象数据计算船舶的实际航速，其中实际航速的计算参见上述公式(5)。

在步骤S403中，根据所述实际航速以能耗和航时为目标构建双目标航线模型。

在步骤S404中，在所述双目标航线模型中结合两个目标相应的权重因子和转换因子计算得到所述航线评价函数。

该步骤中航线评价函数的计算公式为：

其中h(t₀,t_f)为船舶t₀至t_f时刻一段航线的评价值，ω₁和ω₂分别为能耗与航时的权重因子，且ω₁+ω₂＝1，γ₁和γ₂分别为能耗与航时的转换因子，用于将能耗和航时转化为评价航线的经济性指标，t₀为船舶航行至当前位置的时刻，t_f为船舶航行至下一位置的时刻，v为船舶的实际航速，S为船舶t₀至t_f时刻途经航线的长度，T_e为船舶的主机推力，

和/>

为t₀至t_f时段所述双目标航线模型中最优能耗和最优航时的两个最优解。

本发明的一个实施例中，需要说明的是，由于前文中根据所述气象数据计算得到船舶的临界航速；船舶在进行航线选择时，选择实际航速小于或等于所述临界航速的航线，应避免选择实际航速超过临界航速的航线。

在步骤S120中，对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程。

由于船舶从始发港航至终到港是一个连续过程，因此航线优化模型属于连续控制系统的动态规划。该航线优化模型的数学表达由航线优化指标和航线优化约束两部分组成，其中航线优化指标为船舶航行能耗和航行时间的优化(即步骤S110中的两个目标)，航线优化约束包括临界风(浪)速和船舶临界航速，对船舶航行安全造成影响的陆地、岛屿、浅滩、暗礁和沉船等碍航物。根据最优性原理，对于给定的优化指标和约束条件，当船舶从航线上的任一点出发时，其航线最优决策仅取决于航行环境在这一点的状态，与到达该点之前的环境状态无关，即航线的性能指标函数具有马尔科夫特性。

本发明的一个实施例中，所述连续航线动态方程为：

其中u(t)为t时刻船舶航行到所述初始航线上航路点的气象数据，x(t)为t时刻的船舶航向决策，f(·)表示在航行区域内连续可微。船舶从起点行至终点的轨迹集合，即为最优航线。

在步骤S130中，根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型。

该步骤中根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型具体包括以下过程：

1)根据所述连续航线动态方程计算船舶在初始时刻从所述起始点行驶到当前位置的时刻的已航行区段航线评价值的总和；

2)根据所述航线评价函数计算船舶从当前位置的时刻行驶到下一位置的时刻的未行使区段航线评价值；

3)根据所述已航行区段航线评价值的总和与所述未行使区段航线评价值构建所述气象航线动态优化模型。

可见，在该步骤中构建的气象航线动态优化模型同时对已航行区段和未航线区段的评价值分别进行计算，并对航线确定时同时起到决定作用，而不是单纯考虑已航行或未航行的区段，而是综合考虑，对于航线选择和优化而结果起到有利作用。

在步骤S140中，在船舶按照所述初始航线航行过程中，根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标。

该步骤中，根据所述气象航线动态优化模型中所述已航行区段航线评价值的总和与所述未行使区段航线评价值相加后取最小值确定所述连续航线最优性能指标，计算公式为：

其中，J(t₀,t_f)为从当前时刻t₀到下一时刻t_f从当前位置行驶到下一位置的连续航线最优性能指标，h(t₀,t_f)为当前时刻t₀至行驶到下一时刻t_f的未航行区段航线评价值，L为初始时刻t_S至当前时刻t₀船舶已航行区段航线的长度，

为初始时刻t_S至当前时刻t₀已航行区段航线评价值的总和。

在步骤S150中，根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线。

该步骤中根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线包括：

首先，对蚁群算法中的能见度启发信息、可选位置和信息素浓度进行更新；

其次，利用更新的蚁群算法根据所述实时气象数据结合所述连续航线最优性能指标进行计算，确定下一位置；

然后，每一次路径选择时都按照上述方法确定下一位置，通过连续动态优化得到的多个所述下一位置确定所述最佳航线。

在本实施例中，考虑到气象状况瞬息万变，具有很大不确定性，决策方法须保持灵活，因此采用最优控制方法解决无人船全局气象航线动态优化问题。蚁群算法是一种启发式路径搜索算法，蚂蚁可根据环境变化选择合适的路径，通过蚁群间信息传递和互相协作，找到食物源和巢穴间的最优路径。蚂蚁在走过的路径上释放信息素，蚂蚁群体间通过对信息素的感知调整路径方向。经过一段时间后，由此表现出正反馈现象：当某路径走过蚂蚁数量增多，其遗留的信息素也增多，提升其他蚂蚁选择该路径的概率，因此选择该路径的蚂蚁数量随之增多，最终可搜索到最优路径。因此本实施例中在航线选择和优化过程中就结合动态最优控制方法，基于改进蚁群算法建立无人船全局气象航线动态优化模型。

假设船舶航行区域中，地形区域约束集合为R_G,气象威胁区域约束集合为R_W，其中，R_G为固定不可航区域集合，R_W为动态变化的不可航区域集合。航路曲线表示为f(Lon,Lat,t)＝0，其中，Lon是船舶位置的经度值，Lat是船舶位置的纬度值，

由于不断更新的实时气象数据会造成航线评价值的变化，影响航行环境中信息素浓度，因此，蚂蚁k经过时间T完成一次路径搜索过程中，信息素浓度是不断变化的。

假设蚁群数量为m，第k只蚂蚁第n步从位置u转移到下一位置v，其状态转移概率如下：

其中j表示蚂蚁下一步可能到达的位置，

表示信息素浓度启发因子为α的情况下路径(u,v)上的信息素浓度，/>

表示能见度启发因子为β的情况下路径(u,v)上的能见度启发信息变量，可反映位置u到v的启发程度，α和β的值越大，表明蚂蚁k选择多数蚂蚁走过路径的概率高。

本发明的一个实施例中，上述步骤中对蚁群算法中的能见度启发信息、可选位置和信息素浓度进行更新包括：

能见度启发信息的公式为：

其中η_uv(n)表示能见度启发因子为β的情况下路径(u,v)上的能见度启发信息变量，反映船舶从位置u到v的启发程度，Lon_u和Lat_u代表位置u的经度值和纬度值，Lon_v和Lat_v代表位置v的经度值和纬度值。

可选位置的计算公式为：

allowed k(n)＝{R_n}-tab u_k 公式(12)

其中allowed k(n)表示蚂蚁k下一步可以选择的位置，R_n是蚂蚁所有可能选择位置的集合，tab u_k是用来存放蚂蚁当前走过的路径的禁忌表。

信息素浓度的公式为：

τ_uv(t+T)＝(1-ρ)·τ_uv(t)+Δτ_uv 公式(13)

航行环境中初始信息素数量为航线评价值，蚂蚁搜索路径过程中，会释放适量信息素，其中T为蚂蚁k完成一次循环的周期，ρ表示信息素浓度挥发系数，取值范围为0＜ρ＜1，Δτ_uv表示在路径(u,v)上的信息素增量，m为蚁群数量，k的取值范围为1≤k≤m。

基于上述通过更新的这些参数不断对航线进行连续的动态优化，以得到最佳航线。

以下结合一历史气象数据采用本实施例的方法对航线进行动态规划：

本实施例中设立的起始港和目标港分别为日本横滨港(34°40′N，140°E)和美国的长滩港(34°25′N，120°W)。将静态双目标作为初始航线，其航线上部分航路点经纬度值如表1所示。航行环境采用栅格法建模，将2010年3月份风场数据存储在栅格中，由于用于航线优化模型的求解。

表1

本实施例中选取目标仿真船只为普通集装箱船“隆林”轮，其主要船舶参数如表2所示。

表2

根据表2的参数，用迭代法求解船舶失速公式中的各项参数，得到该船舶的失速公式为：

v＝v₀-(1.08h-0.126qh+2.77v_windcosβ)(1-2.33Dv₀) 公式(15)

假设双目标这姑娘能耗与航时在航线设计中权重值相等，令ω₁＝0.5，ω₂＝0.5，γ₁＝1，γ₂＝1.725×10⁸，则航线评价函数h(t₀,t_f)为：

蚁群算法中蚂蚁数量m、启发因子α和β、信息素挥发系数ρ会对算法性能造成影响。为求解最符合航线优化模型的参数值，进行仿真实验，图5-图8示出和分析不同参数对算法性能的影响。

图5为本发明一实施例中蚂蚁数量m对航线评价值的影响的曲线图，由图5可以看出，蚂蚁数量较少时，缺乏信息素交流，路径搜索具有盲目性，随着蚂蚁数量增加，搜索效果有所改善，算法输出结果趋于稳定，由仿真结果得出，蚂蚁数量m＝67时，蚁群算法全局收敛性最好。

图6为本发明一实施例中信息素浓度启发因子α对航线评价值的影响的曲线图，由图6可以看出，信息素浓度启发因子α较小时，蚂蚁搜索路径随机性较强，算法收敛速度较慢。当α较大时，蚂蚁过于依赖信息素作用，局部最优路径正反馈作用大，因此算法易陷入局部最优。由仿真结果得出，α＝1.17时，算法效果最好。

图7为本发明一实施例中能见度启发因子β对航线评价值的影响的曲线图，由图7可以看出，能见度启发因子β较小时，蚂蚁随机搜索路径概率大，算法收敛速度较慢。当β较大时，算法易陷入局部最优，不利于全局路径搜索，因此，选择β＝5.9。

图8为本发明一实施例中信息素挥发系数ρ对航线评价值的影响的曲线图，由图8可以看出，信息素挥发系数ρ较小时，路径信息素保留时间长，算法全局搜索能力强，但算法收敛速度慢。当ρ值较大时，较少被搜索到的路径或未被搜索到的路径信息素挥发快，则全局最优路径搜索能力减弱，因此选择ρ＝0.36。

蚁群算法初始参数如表3所示。

表3

经仿真实验，运行结果如表4所示。

表4

本实施例中为验证所建模型的可靠性，需要进一步与静态双目标气象航线模型和多级动态决策气象航线模型的运行结果对比分析，从而判断模型是否符合动态优化航线设计要求。将本实施例中所建模型分别与静态气象航线模型和动态多级递推航线模型进行比较。

静态双目标航线模型采用理想点法进行求解，设航路点数量N＝10，其航路点经纬度值如表5所示。

表5

动态多级递推航线模型航路点经纬度值如表6所示。

表6

三种模型的运行结果如表7所示。

表7

/>

由表7结果可知，静态双目标航线总航程、能耗值和航行时间在三种模型中均最高，动态多级递推航线的能耗值和航行时间较静态双目标航线低了1.082×10⁸kJ和7.33h，而采用本实施例中的连续动态最优控制航线对总航程、能耗值和航行时间优化效果最为显著，分别较动态多级递推航线低3.5798km、2.294×10⁸kJ、3.89h，可以看出本实施例所建模型具有较高可靠性和适用性。

综上所述，本发明实施例提供的无人船气象航线连续动态优化方法，通过采用最优控制方法建立气象航线动态优化模型，通过航线连续决策，减少航线被控过程的不确定性。该气象航线动态优化模型根据实时气象数据优化航线，采用改进的蚁群算法解模型效率高，当海洋气象条件变化或船舶偏航时，基于连续动态优化和改进的蚁群算法，可准确有效地调整航线，获取最佳航线。

图9为本发明另一实施例提供的一种无人船气象航线连续动态优化系统的示意图，如图9所示，该系统900包括：评价函数模块910、动态方程模块920、优化模型模块930、最优指标模块940和最佳航线模块950。

评价函数模块910用于以能耗和航时为目标计算满足双目标的航线评价函数；动态方程模块920用于对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程；优化模型模块930用于根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型；最优指标模块940用于在船舶按照所述初始航线航行过程中，根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标；最佳航线模块950用于根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线。

由于本公开的示例实施例的无人船气象航线连续动态优化系统的各个功能模块与上述图1所示的无人船气象航线连续动态优化方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的无人船气象航线连续动态优化方法的实施例。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种无人船气象航线连续动态优化方法，其特征在于，其包括：

以能耗和航时为目标计算满足双目标的航线评价函数；

对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程；

根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型；

在船舶按照初始航线航行过程中，根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标；

根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线；

所述以能耗和航时为目标计算满足双目标的航线评价函数包括：

按照所述初始航线上的航路点获取相应的气象数据；

根据所述气象数据计算船舶的实际航速；

根据所述实际航速以能耗和航时为目标构建双目标航线模型；

在所述双目标航线模型中结合两个目标相应的权重因子和转换因子计算得到所述航线评价函数。

2.如权利要求1所述的无人船气象航线连续动态优化方法，其特征在于，所述航线评价函数的计算公式为：

其中h(t₀,t_f)为船舶t₀至t_f时刻一段航线的评价值，ω₁和ω₂分别为能耗与航时的权重因子，且ω₁+ω₂＝1，γ₁和γ₂分别为能耗与航时的转换因子，用于将能耗和航时转化为评价航线的经济性指标，t₀为船舶航行至当前位置的时刻，t_f为船舶航行至下一位置的时刻，v为船舶的实际航速，S为船舶t₀至t_f时刻途经航线的长度，T_e为船舶的主机推力，

和/>

为t₀至t_f时段所述双目标航线模型中最优能耗和最优航时的两个最优解。

3.如权利要求1所述的无人船气象航线连续动态优化方法，其特征在于，所述根据所述气象数据计算船舶的实际航速之后，还包括：

根据所述气象数据计算得到船舶的临界航速；

在进行航线选择时，选择实际航速小于或等于所述临界航速的航线。

4.如权利要求1所述的无人船气象航线连续动态优化方法，其特征在于，所述连续航线动态方程为：

x[t]＝f(x(t),u(t),t),x(t₀)＝x₀

其中u(t)为t时刻船舶航行到所述初始航线上航路点的气象数据，x(t)为t时刻的船舶航向决策，f(·)表示在航行区域内连续可微。

5.如权利要求4所述的无人船气象航线连续动态优化方法，其特征在于，所述根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型包括：

根据所述连续航线动态方程计算船舶在初始时刻从所述起始点行驶到当前位置的时刻的已航行区段航线评价值的总和；

根据所述航线评价函数计算船舶从当前位置的时刻行驶到下一位置的时刻的未行使区段航线评价值；

根据所述已航行区段航线评价值的总和与所述未行使区段航线评价值构建所述气象航线动态优化模型。

6.如权利要求5所述的无人船气象航线连续动态优化方法，其特征在于，所述根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标包括：

根据所述气象航线动态优化模型中所述已航行区段航线评价值的总和与所述未行使区段航线评价值相加后取最小值确定所述连续航线最优性能指标，计算公式为：

其中，J(t₀,t_f)为从当前时刻t₀到下一时刻t_f从当前位置行驶到下一位置的连续航线最优性能指标，h(t₀,t_f)为当前时刻t₀至行驶到下一时刻t_f的未航行区段航线评价值，L为初始时刻t_S至当前时刻t₀船舶已航行区段航线的长度，

为初始时刻t_S至当前时刻t₀已航行区段航线评价值的总和。

7.如权利要求6所述的无人船气象航线连续动态优化方法，其特征在于，所述根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线包括：

对蚁群算法中的能见度启发信息、可选位置和信息素浓度进行更新；

利用更新的蚁群算法根据所述实时气象数据结合所述连续航线最优性能指标进行计算，确定下一位置；

通过连续动态优化得到的多个所述下一位置确定所述最佳航线。

8.如权利要求7所述的无人船气象航线连续动态优化方法，其特征在于，所述对蚁群算法中的能见度启发信息、可选位置和信息素浓度进行更新包括：

能见度启发信息的公式为：

其中η_uv(n)表示能见度启发因子为β的情况下路径(u,v)上的能见度启发信息变量，反映船舶从位置u到v的启发程度，Lon_u和Lat_u代表位置u的经度值和纬度值，Lon_v和Lat_v代表位置v的经度值和纬度值；

可选位置的计算公式为：

allowed k(n)＝{R_n}-tab u_k

其中allowed k(n)表示蚂蚁k下一步可以选择的位置，R_n是蚂蚁所有可能选择位置的集合，tab u_k是用来存放蚂蚁当前走过的路径的禁忌表；

信息素浓度的公式为：

τ_uv(t+T)＝(1-ρ)·τ_uv(t)+Δτ_uv

其中T为蚂蚁k完成一次循环的周期，ρ表示信息素浓度挥发系数，取值范围为0＜ρ＜1，Δτ_uv表示在路径(u,v)上的信息素增量，m为蚁群数量，k的取值范围为1≤k≤m。

9.一种无人船气象航线连续动态优化系统，其特征在于，包括：

评价函数模块，用于以能耗和航时为目标计算满足双目标的航线评价函数；所述以能耗和航时为目标计算满足双目标的航线评价函数包括：按照初始航线上的航路点获取相应的气象数据；根据所述气象数据计算船舶的实际航速；根据所述实际航速以能耗和航时为目标构建双目标航线模型；在所述双目标航线模型中结合两个目标相应的权重因子和转换因子计算得到所述航线评价函数；

动态方程模块，用于对船舶从起始点到终点采用连续控制系统的动态规划构建连续航线动态方程；

优化模型模块，用于根据所述航线评价函数和所述连续航线动态方程得到船舶的气象航线动态优化模型；

最优指标模块，用于在船舶按照所述初始航线航行过程中，根据所述气象航线动态优化模型获取当前位置到下一位置的连续航线最优性能指标；

最佳航线模块，用于根据采集的实时气象数据结合所述连续航线最优性能指标进行连续动态优化，确定最佳航线。

Images