CN112819255B - 多准则船舶航线确定方法、装置、计算机设备及可读存储介质 - Google Patents

Abstract

本发明适用船舶航行领域，提供了一种多准则船舶航线确定方法、装置、计算机设备及存储介质，包括：船舶航行区域模型建立与航线模型建立；根据预设的船舶航线优化目标，提出多准则船舶路线规划算法，优化目标为减少燃油消耗、降低航行风险和缩短航行时间；根据船舶航线的起点位置信息与目标终点位置信息规划多准则船舶航线；本发明采用的多准则船舶路线规划算法不仅具粒子群算法收敛速度快的特点，且通过应用遗传算法中交叉操作、选择操作、多种群精英选择操作也可增强种群多样性。以一艘集装箱船为研究对象进行了仿真实验，实验结果表明，本发明能够以安全性、高效性、经济性为目标规划出一系列船舶航线解集，为船长及航运公司提供航线选择参考。

Description

多准则船舶航线确定方法、装置、计算机设备及可读存储介质

技术领域

本发明属于船舶航行技术领域，尤其涉及一种多准则船舶航线确定方法、装置、计算机设备及可读存储介质。

背景技术

随着航海技术的进步，海上航行的安全问题、节能问题逐渐成为人类关注的重点方向。船舶在海上航行时，恶劣的风浪等气象因素严重影响着船舶的安全航行，如今气象预报技术已得到了快速的发展，利用预报气象信息为船舶规划避开恶劣风浪区域的航线已成为可能。近年来国际海上组织(IMO)和各国政府同样高度关注船舶产生的大气污染与能源消耗问题，2018年国际海事组织决议通过了《IMO船舶温室气体减排初步战略》，向国际社会传递出航运业加快向低碳转型的有力信号，通过合理的航线规划来减少燃油消耗与碳排放是响应低碳战略的一项重要措施。

随着最优化理论的快速发展，一些针对船舶的单准则以及多准则航线规划算法也被提了出来。最初应用传统的数学方法对船舶航线规划问题进行求解，如James最早使用等时线法解决船舶在气象状况下的航线规划问题，但该方法存在″等时线环″问题。Hagiwara等人为了解决该问题，提出了修正等时线法，Lin提出了三维修正等时线法，这两种方法以最小燃油消耗与预期到达时间为优化目标进行了航线优化；Smierzchalskil利用等时线法生成初始航线，用进化算法求解了最优航线；Shao提出了一种前向三维动态规划算法，并以燃油消耗最小为目标规划了航线；Sen和Mannarini等人使用Dijkstra算法来解决船舶多准则航线规划问题，重点考虑了燃油消耗与航行时间两个优化目标；随着智能优化算法发展，它们也逐渐被用于求解船舶航线规划问题，如Wang等人应用实数编码的遗传算法以航行时间与风险为目标规划了单目标船舶航线；Chuang等人应用模糊遗传方法，考虑集装箱船的运输和停泊时间规划船舶航线；Wang LP等人考虑船舶操纵性能，应用双循环遗传算法进行了船舶动态路径规划；Vlachos根据预测的风浪数据应用模拟退火算法进行了最优船舶路径规划；Tsou使用蚁群算法与遗传算法规划了最小燃油消耗船舶航线；Zhang GY等人使用多目标蚁群算法，以航行时间与航行风险为优化目标进行船舶航线规划。

但现有船舶航线确定方法存在没有全面考虑更多的优化目标，致使生成航线不佳且无法给出更多可供选择的航线的问题。

发明内容

本发明是一种多准则船舶航线确定方法，包括：

船舶航行区域模型建立与航线模型建立；

根据预设的船舶航线优化目标，提出一种多准则船舶路线规划算法，优化目标为减少燃油消耗、降低航行风险和缩短航行时间；最终根据船舶航线的起点位置信息与目标终点位置信息规划船舶的多准则航线；

本发明实施例的另一目的在于一种船舶航线确定装置，包括：

数学模型建立单元，用于船舶航行区域模型建立与航线模型建立；

船舶航线确定单元，根据船舶航线优化目标所设立的多准则船舶路线规划算法，确定所述船舶航线的起点与终点间的多准则船舶航线；

本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述船舶航线确定方法的步骤。

本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述船舶航线确定方法的步骤。

本发明所采用的多准则船舶路线规划算法不仅具有粒子群算法收敛速度快的特点，而且应用遗传算法中交叉操作、选择操作、多种群精英选择操作增强了种群多样性。以一艘集装箱船为研究对象进行了仿真实验，实验结果表明，本发明能够以安全性、高效性、经济性为目标规划出一系列船舶航线解集，为船长及航运公司提供航线选择参考。

附图说明

图1为本发明实施例提供的多准则航线规划框架的示意图；

图2为本发明实施例提供的多准则船舶航线确定方法的流程图；

图3为本发明实施例提供的多个航路点组成的航线的示意图；

图4为本发明实施例提供的多准则船舶路线规划算法的流程图；

图5为本发明实施例提供的根据多准则船舶路线规划算法确定多准则优化船舶航线的步骤流程图；

图6为本发明实施例提供的大圆航线为基准航线示意图；

图7为本发明实施例提供的对粒子的当前位置坐标及速度向量进行更新的步骤流程图；

图8为本发明实施例提供的对粒子的当前位置坐标进行交叉和变异操作的步骤流程图；

图9为本发明实施例提供的多种群精英选择操作处理的步骤流程图；

图10为本发明实施例提供的船舶航线确定装置的结构示意图；

图11为本发明实施例提供的可视化仿真界面示意图；

图12为本发明实施例提供的恶劣海况下的Pareto最优解集；

图13为本发明实施例提供的恶劣海况下的Pareto最优前沿；

图14为本发明实施例提供的恶劣海况下的五条航线；

图15为本发明实施例提供的恶劣海况下的推荐航线；

图16为本发明实施例提供的恶劣海况下的推荐航线不同时刻轨迹图；

图17为本发明实施例提供的近海综合海况下的Pareto最优解集；

图18为本发明实施例提供的近海综合海况下的Pareto最优前沿；

图19为本发明实施例提供的近海综合海况下的四条航线；

图20为本发明实施例提供的近海综合海况下的推荐航线；

图21为本发明实施例提供的近海综合海况下的推荐航线不同时刻轨迹图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明建立了多准则航线规划框架，该框架由六个部分组成，分别是优化准则、船速分析、模型构建、多准则算法、航线评估与航线选择。

其中，优化准则部分包括航行时间、气象风险与燃油消耗，航行时间由每个航路段的时间累加得到。气象风险是根据风与浪对船舶造成的潜在风险进行了数值化处理，燃油消耗通过额定功率与船舶速度等参数模拟得到。船速分析部分分析了船舶在风浪条件下的速度损失状况。模型构建部分包括航线模型的构建与种群编码方式的构建。多准则算法部分包括粒子群-遗传算法中的粒子协同操作、交叉操作、变异操作、多种群精英选择操作以及改进的Pareto解集生成方法，通过多则准算法的优化得到一系列可选的Pareto最优解集；航线评估部分主要的评估标准包括：时间短、油耗少、风险低；航线选择部分包括两个子部分，一是提供算法优化得到的多条航线解集，二是根据自定义目标值提供最符合要求的推荐航线。

图2为本发明实施例提供的一种多准则船舶航线确定方法实现流程图，详述如下。

步骤S201，船舶航行区域模型建立与航线模型建立。

步骤S202，根据预设的船舶航线优化目标，提出一种多准则船舶路线规划算法，根据船舶航线的起点位置信息与目标终点位置信息规划多准则航线。

在本发明实施例中，为了反映船舶路线质量的优劣，有必要设定船舶航线优化的准则。本发明应用以下三个变量来衡量航线的优劣：航行时间、气象风险与燃油消耗。

如图3所示，对于航行时间优化目标函数的构建，航线由一系列航路点组成，因此总航行时间可由每条航路所花费时间求和得到，如公式(1)所示：

其中，T_total为总的航行时间，t_i为船载在第i个航段的航行时间，

为第i个航段的实际速度。如果把地球看作椭圆体，则任意两点在墨卡托投影地图上的恒向线航程可由下式计算：

其中，λ₁和l₁分别为第一个点的纬度坐标和经度坐标，λ₂和l₂分别为第二个点的纬度坐标和经度坐标，

为恒向线方向，L_rh为两点间距离(弧度表示)，e为地球偏心率。上两式对于船舶沿非等纬线航行是适用的，而对于等纬线航线，即船舶航向为90°或270°时可采用下式进行计算：

L_rh＝(l₂-l₁)×cosλ₁ (4)

对于气象风险优化目标函数的构建，为了减少恶劣天气对航行安全的影响，需要了解气象状况对船舶带来的风险。其中最常见的是风浪对船舶安全的威胁。

根据″2008年国际完整性规则″规定，若要保证船舶在大风中安全航行，稳性衡准数K应满足公式(5)

其中L_q表示最小倾覆力臂(m)，可根据动稳性曲线以及横摇角求得。L_f表示风压横倾力臂(m)，其值可由公式(6)与(7)计算得到。

其中P表示单位计算风压(kgf/m²)，A_f表示船舶受风面积(m²)，Z表示受风面积中心距离水面的高度，g＝9.81m/s²表示重力加速度，C_p是风压系数，ρ＝0.125kgf.s²/m⁴表示空气密度，u表示平均风速(m/s)，联立公式(5)、(6)和(7)，可得到船舶在距离海面10米高处所能承受的横风风速应满足公式(8)

根据最大能承受风速，建立大风对船舶造成的风险数值表达式，如公式(9)所示，其中u_cross表示船舶航行过程中实际受到的横向风速。

船舶在恶劣天气状况下，横摇是造成船舶倾覆的重要因素，因此本发明根据船舶横摇来描述海浪造成的风险值。船舶与波浪横向的遭遇周期如公式(10)所示。

其中λ表示波长(m)，V表示船速，μ表示船舶运动方向与波浪方向之间的夹角。

船舶的横摇固有周期T_θ根据公式(11)计算：

其中C表示船舶横摇周期；B表示船宽(m)；GM表示初稳性高度(m)。

根据船舶在波浪中的谐振理论，在0.70＜T_θ/T_E＜1.3时，船舶处于谐摇区，可能出现较大的横摇角，因此建立波浪对船舶造成的风险表达式，如公式(12)。

在以上分析的基础上，本发明建立了在第i个航段中，船舶受到风与浪干扰的综合风险值根据公式(13)计算。

整条航线的风险分布为：

risk＝{risk⁰，risk¹，…，risk^n-2，risk^n-1} (14)

一条航线的总风险为：

RISK＝max(risk) (15)

对于燃油消耗优化目标函数的构建，每条船舶航线的总油耗可由多个航路段中的油耗累加得到，船舶燃油消耗的总量由公式(16)确定

船舶在航行过程中的实时油耗与多种因素有关，比如主机结构、船型结构、装载量、航行速度、燃油品种和海况等，在不考虑环境因素时，船舶单位时间的油耗量可以由式(17)表示。

其中η_s表示轴系传动装置效率，ρ表示水密度，S表示船体浸湿表面积，上述三个参数在船速改变前后几乎不变，可以视为常数，η_DS表示船体推进效率，C_TS表示船舶实际总的阻力系数，g_e表示船舶每小时单位有效功率所消耗的燃油量。通过上述两式可得到船舶的总油耗。

在本发明实施例中，船舶在海上航行时，风浪会对船体产生附加阻力，在保持船舶推进功率不变的情况下，风浪中船舶的实际速度一般会低于静水中的速度。船舶速度损失将会影响航行时间以及船舶燃料消耗，并且对船舶多准则航线规划的结果有重要影响，因此，速度损失是航线规划中必须考虑的一个因素。

本发明的船舶失速计算公式如式(18)所示。

V_a＝V₀-(1.08h-0.126qh+2.77×10^-3×F cosα)(1-2.33×10^-7DV₀) (18)

其中V_a为船舶在风浪中的实际速度(kn)；V₀为船舶的静水速度(kn)；F为风速大小(m/s)；D为船舶的实际排水量(t)；h为有义波高(m)；q为船舶航向与浪向之间的相对夹角(rad)；α为船舶航向与风向之间的相对夹角(rad)。

在本发明实施例中，本发明将粒子群算法与遗传算法结合，提出了多准则粒子群-遗传算法来解决船舶航线规划问题。该算法主要结合了粒子群中的粒子协同操作，遗传算法中的交叉操作、变异操作、多种群精英选择操作，以及对Pareto解集的分布进行了改进，算法的流程图如图4所示。

如图5所示，为本发明实施例提供的一种根据多准则船舶路线规划算法确定多准则优化船舶航线的步骤流程图，具体包括以下步骤：

步骤S501，构建包含多个粒子的初始种群。

X＝[X₀，X₁，…X_i…，X_n-1，X_n] (19)

具体地，多准则粒子群-遗传算法的种群由多个个体组成，每个个体通过实数编码的一系列经纬度坐标表示，如公式(19)，其中X_i是一个二维向量。

每条航线可以根据基准航线在限定搜索区域中生成，其中基准航线是船舶在历次航行任务中的高频航线，限定搜索区域是在基准航线两侧进行区域拓展，如图6所示基准航线为两点间的大圆航线，点划线包围的区域为航路点搜索区域。搜索区域的上边界为UB，下边界为LB，分别由公式(20)和(21)表示。

UB＝{Up₀…Up_i…Up_n} (20)

LB＝{Low₀…Low_i…Low_n} (21)

其中Up_i、Low_i分别表示上边界点、下边界点的位置坐标。

X′＝rand×{UB-LB}+LB (22)

为了使初始种群均匀分布在整个解空间中，应用公式(22)按照均匀分布随机生成初始种群。

步骤S502，根据粒子的当前位置坐标向量以及速度向量确定粒子下一次迭代中的位置坐标向量并确定全局最优粒子的位置坐标向量。

步骤S503，判断是否满足预设的迭代完成条件。当判断否时，执行步骤S504；当判断是时，执行步骤S507。

步骤S504，基于预设的粒子协同更新规则对所述粒子的当前位置坐标向量以及速度向量进行更新，获得粒子协同后种群。

在粒子群算法中，粒子通过跟踪两个″极值″来更新自己，第一称为个体最优解，另一个是全局最优解，基本粒子群算法通过公式(23)与(24)更新位置，在解空间中迭代寻优。

其中

是在第k次迭代中，第i个粒子的第d个维度的粒子速度值；

是在第k次迭代中，第i个粒子的第d个维度的粒子位置；ω、c₁、c₂是系数，rand是(0，1)的随机数。

在本发明实施例中，具体的更新规则请参阅图7及其解释说明。

步骤S505，基于交叉和变异规则对所述粒子的当前位置坐标进行交叉和变异操作，获得交叉和变异后种群。

在本发明实施例中，具体的交叉和变异规则请参阅图8及其解释说明。

步骤S506，将所述初始种群、粒子协同后种群以及交叉和变异后种群进行多种群精英选择操作处理，获得下一代新种群，并返回至所述步骤S502。

在本发明实施例中，具体的多种群精英选择操作处理流程请参阅图9及其解释说明。

步骤S507，根据所述全局当前优化位置坐标确定多准则船舶航线。

如图7所示，为本发明实施例提供的一种对粒子的当前位置坐标向量以及速度向量进行更新的步骤流程图，具体包括以下步骤：

步骤S701，根据粒子当前优化位置坐标向量和速度向量对粒子的当前位置坐标向量进行更新。

步骤S702，根据粒子的当前速度向量、粒子的当前位置坐标向量、粒子的个体最优位置坐标向量、粒子的全局最优位置坐标向量以及相应的权重因子对粒子的当前速度向量进行更新。

在迭代初期，为提高种群的多样性，应增大公式(23)中的ω值，随着迭代次数增加，解趋向于最优，为了提高算法的收敛速度，再逐渐降低ω的值。因此速度更新根据公式(25)确定，位置更新根据公式(24)确定。对于经过陆地的航线将进行重新生成。

如图8所示，为本发明实施例提供的一种对粒子的当前位置坐标向量进行交叉和变异操作的步骤流程图，具体包括以下步骤：

步骤S801，根据算术交叉规则对所述粒子的当前位置坐标进行交叉处理。

在本发明实施例中，本发明使用的是实数编码，在这里采用一种算术交叉的方法，由两个个体的线性组合而产生出两个新的个体。假设两个个体分别为

和

则交叉操作后的新个体的计算方法如下式所示：

其中α是与种群具有相同维数的向量参数，取值为(0，1)区间内的随机数。步骤S802，根据预设的变异规则以及变异概率对交叉处理后的位置坐标向量进行变异处理，生成交叉和变异后种群。

在本发明实施例中，为了提升算法的局部搜索能力，在基准航线附近进行最优航线搜索，本发明以基准航线作为均值，进行单点的高斯变异。

如图9所示，为本发明实施例提供的一种多种群精英选择操作处理的步骤流程图，具体包括以下步骤：

步骤S901，将所述初始种群、粒子协同后种群以及交叉和变异后种群合并，计算种群中每个粒子的支配等级。

本文将原种群、粒子协同后种群、交叉和变异后种群三个种群合并，进行非支配排序，将排序后的前N个精英个体作为下一代新种群。支配与非支配的定义如下式：

式中p′与q′是决策变量向量，算法中表示两个粒子的位置信息；u与u′是分别对应p′与q′的优化目标向量。如果向量u与u′满足(29)式，则称粒子p′支配q′，若一个粒子既不支配其它粒子，又不被其它粒子支配，则称该粒子为非支配解，所有满足非支配解的粒子被称为非支配解集，按照(29)式计算种群中每个个体所述的支配等级。

步骤S902，根据所述支配等级，确定下一代种群以及全局最优粒子。

在本发明实施例中，为了进一步评估每个支配等级中的粒子，根据式(30)定义每个支配等级下粒子群的拥挤度：

式中Crowd(m)是第m个粒子的拥挤度，f_j表示第j个目标函数值，f_jMax和f_jMin是第j个优化目标的最大最小值，N′是该支配等级下的总粒子数，对于边缘粒子的拥挤度设置为无穷大。在最高支配等级、且拥挤度不等于无穷大的粒子中，随机选择全局最优粒子。

在本发明一个优选实施例中，根据上述多种群精英选择操作处理得到的Pareto最优解，可能会出现多个解聚集在同一块区域的情况，为了使Pareto解集在整个解空间中分布更加均匀，避免算法局部收敛，本发明将通过以下方法对上述多种群精英选择操作处理中生成的Pareto解集进行改进。

1)将最高支配等级解集中的个体按照航行风险值从小到大进行排序；

2)计算非支配解i与非支配解i+l在目标空间中的欧式距离：

3)判断dis是否小于规定值dis_res，其中dis_res按照公式(32)确定，若dis_i-1＜dis_res并且dis_i＜dis_res，则删除第i个非支配解，并且计算第i-1个非支配解和第i+1个非支配解之间的欧式距离作为dis_i-1。

4)判断非支配解的个数是否超过设定值SetNum，如果超过，跳转到步骤5)，否则跳转到步骤6)；

5)对拥挤度区域的非支配解进行精简，按照以下步骤进行，其中p为需要删除的非支配解数目：

6)改进后的最终Pareto最优解集。

在本发明实施例中，根据多准则船舶路线规划算法得到的Pareto前沿和Pareto解集，根据公式(33)来给出推荐航线

式中，N是优化目标的数量，c_ij是归一化后的第i个粒子的第j个目标函数值，y_j是归一化后的设定期望目标函数值，M是Pareto解集中的粒子数量，Z是满足等式右边条件的推荐航线，即最优船舶航线。

如图10所示，为本发明实施例提供的一种船舶航线确定装置的结构示意图。

仿真实验

算法参数设置：

本发明的实验船舶为一艘S-175型的集装箱船，标准排水量为23740吨，设置静水速度15节，满载航行，航行区域沿基准线的角平分线方向，双向拓展8弧度，多准则算法参数如下表：

表1.粒子群算法参数

表中Gen表示算法迭代次数，Pop表示粒子种群数量，c₁、c₂与ω为粒子群算法中的参数，MutP是均匀变异概率，CrP是交叉概率，SetNum是设定的最大支配解个数，MaxV是粒子群的速度最大值。为了船舶航线优化的便捷性，本文建立了可视化仿真界面，如图11所示。

仿真结果分析：

根据上节中设置的算法参数，对S-175型集装箱船的多准则船舶航线进行优化，本文设置两个实验，一个是在气象条件较差的海况下规划航线，第二个是在近海综合海况下规划航线。

a)实验一(恶劣海况)

为了进一步证明本文算法的有效性，在船舶航行区域内，针对恶劣气象条件进行了多准则船舶航线规划。船舶航运的起始港口分别为St.John`s(47N，52W)和Porto(41N，9W)根据气象预报，在2019年7月22日至29日中，船舶沿等航向线航行将遭遇大风大浪天气。在这种海况下，设置两港口之间的等航线向为基准航线，经过算法优化后，得到气象航线的Pareto最优解集如图12所示，Pareto最优前沿如图13所示。根据Pareto解集中的航线位置信息，可以分别得到最小航行时间航线、最小安全风险航线与最小燃油消耗航线，设置期望航行时间157小时、航行风险0.4、燃油消耗430吨，包括最佳推荐航线和大圆航线在内的五条航线示意图如图14所示，推荐航线如图15所示，该航线的具体数据如表2所示。

表2.五条航线的目标函数值信息

根据表2与图14可知，船舶沿大圆航线航行时，虽然航程相比于最小航行时间航线与推荐航线减少了144.25海里和170.62海里，航行时间仅分别缩短了0.696小时与1.954小时，但是船舶沿大圆航线航行时，船舶受到的风险较大(风险值大于0.5认为有航行风险)，故不推荐沿大圆航线航行。最小时间航线、最安全路线、最小油耗路线分别是Pareto解集中按照单目标准则计算得到的航线，根据期望目标函数值，综合三种因素而得到一个较优推荐航线。按照推荐航线航行时，船舶在四个不同航行时刻的位置如图16所示，由图可知在恶劣海况中，船舶能够沿推荐航线以较小的航行风险、燃油消耗与航行时间航行。

b)实验二(近海综合海况)

为了验证算法在近海附近进行路线规划的有效性，在好望角附近海域进行多准则船舶航线规划。船舶的起始位置为(23°S，6°E)，目的点位置为(26°S，42°E)根据气象预报，在2019年3月1日至7日中，船舶沿基准航线航行将遭遇较大风浪天气。经过算法优化后，得到船舶航线的Pareto最优解集如图17所示，Pareto最优前沿如图18所示。根据Pareto解集中的航线位置信息可以分别计算得到最小航行时间航线、最小安全风险航线与最小燃油消耗航线，设置期望航行时间180小时、航行风险0.4、燃油消耗510吨，得到推荐航线，四条航线示意图如图19所示，推荐航线如图20所示。航线的具体数据如表3所示。

根据表3与图19可知，经过算法对航线进行规划，在综合近海海况下能够得到满足不同准则的航线。最小时间航线、最安全路线、最小油耗路线分别是Pareto解集中按照单目标准则计算得到的航线。推荐航线是根据期望目标函数值，综合三种因素而得到一个较优推荐航线。按照推荐航线航行时，船舶在四个不同航行时刻的位置如图21所示。由图可知在复杂海况中，能够沿推荐航线以较小的航行风险、燃油消耗与航行时间航行。

表3.四条航线的目标函数值信息

综上，本发明根据船舶远洋航行的特点，建立了船舶多准则航线规划框架，该框架分别由优化目标、船速分析、模型构建、多准则算法、航线评估与航线选择组成。基于该框架，本发明提出了一种适用于船舶多准则航线规划的粒子群-遗传算法，该算法具有良好的收敛性与对解的搜索能力。通过路线规划算法求解，能够分别得到最小航行时间航线、最小燃油消耗航线、最小航行风险航线与推荐航线，并且船长可根据航线解集自定义选择合适航线，进而保障船舶能够高效、安全、经济地航行。为了验证算法的性能，本发明针对两种不同的情形设置了实验，根据实验结果可知，推荐航线能够综合三种指标，既能够避开大风浪与岛屿等风险区域，又尽可能保证了较少的航行时间与燃油消耗。

虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种多准则船舶航线确定方法，其特征在于，包括：

结合任务信息获取船舶航线的起点位置信息与目标终点位置信息；

根据在预设的船舶航线优化目标下所设立的多准则船舶路线规划算法，确定所述船舶航线的起点位置信息与目标终点位置信息之间的多准则优化船舶航线；

所述多准则船舶路线规划算法是通过将粒子群算法与遗传算法结合所得；

所述根据在预设的船舶航线优化目标函数下所设立的多准则船舶路线规划算法，确定所述船舶航线的起点位置信息与目标终点位置信息之间的多准则优化船舶航线的步骤，包括六大步骤：

步骤一：构建粒子初始种群，粒子种群由多个二维位置坐标向量以及二维速度向量构成；所述位置坐标向量对应航线搜索区域内起点位置信息与目标终点位置信息之间的经度与纬度值；所述速度向量对应在每个位置上的拓展方向变化量；

步骤二：根据粒子的当前位置坐标向量以及速度向量确定下一次迭代中的位置坐标向量和全局最优粒子位置，所述全局最优粒子位置基于船舶航线优化目标确定；

步骤三：基于粒子协同更新规则对所述粒子的当前位置坐标向量以及速度向量进行更新，获得粒子协同后种群；包括以下三个子步骤：

子步骤1：根据粒子当前位置坐标向量和速度向量对粒子的位置坐标向量进行更新；

式中

是在第k次迭代中，第i个粒子的D个维度中的第d个维度的粒子位置，式中

是在第k次迭代中，第i个粒子的第d个维度的粒子速度值；

子步骤2：根据粒子的当前速度向量、位置坐标向量、个体最优位置坐标向量、全局最优位置坐标向量以及相应的权重因子对粒子的当前速度向量进行更新；

式中ω为速度向量权重因子，c₁、c₂为系数，rand为(0,1)的随机数，p_pBest为个体最优位置坐标向量，p_gBest为全局最优位置坐标向量；

子步骤3：所述粒子的速度向量权重因子ω随迭代次数增加逐渐降低；

式中MaxGen为最大迭代次数；

步骤四：对所述粒子的当前位置坐标进行交叉和变异操作，获得交叉和变异后种群；包括以下2个子步骤：

子步骤1：根据算术交叉规则对所述粒子的当前位置坐标进行交叉处理；

式中，

表示第g次迭代中第一个个体的坐标，

表示第g次迭代中第二个个体的坐标，α是与种群具有相同维数的向量参数，取值为(0,1)区间内的随机数；

子步骤2：根据高斯变异规则对交叉后的位置坐标进行变异处理，生成交叉和变异后种群；

步骤五：将所述初始种群、粒子协同后种群以及交叉和变异后种群进行多种群精英选择操作处理，获得下一代新种群；包括以下3个子步骤：

子步骤1：将所述初始种群、粒子协同后种群以及交叉和变异后种群合并，计算种群中每个粒子的支配等级；

式中，u_i与u_i′表示两组航线的第i个优化目标向量值，n₀表示优化目标的数量；

子步骤2：为了进一步评估每个支配等级中的粒子，定义每个支配等级下粒子群的拥挤度，

式中，Crowd(m)是第m个粒子的拥挤度，f_j表示第j个目标函数值，f_jMax和f_jMin是第j个优化目标的最大最小值，N′是该支配等级下的总粒子数，对于边缘粒子的拥挤度设置为无穷大；

子步骤3：根据所述支配等级与拥挤度，进行精英选择，确定下一代种群以及全局最优粒子；精英选择操作包括以下五个分步骤：

分步骤a：将所述初始种群、粒子协同后种群以及交叉和变异后种群合并，计算种群中每个粒子的支配等级与拥挤度；

分步骤b：根据所述支配等级与拥挤度将合并后种群按照航行风险值从小到大排序；

分步骤c：计算相邻两个非支配解在目标空间中的欧式距离；

分步骤d：如果非支配解数量超过设定值SetNum，则以相邻两个非支配解在目标空间中欧式距离最小为优先删除原则，删除p个非支配解，所述p为超过设定值的数量；

分步骤e：在小于等于所述设定值数量的非支配解中选择前N个作为下一代种群，在最高支配等级、且拥挤度不等于无穷大的粒子中，随机选择全局最优粒子；

步骤六：算法迭代满足完成条件时，根据推荐航线准则确定多准则优化船舶航线，所述船舶航线优化目标包括:缩短航行时间、降低气象风险以及减少燃油消耗；包括以下2个子步骤：

子步骤1：根据航线优化目标建立的多准则船舶路线规划算法，确定船舶航线起点与终点间的Pareto最优路线解集、最小航时航线、最安全航线以及最低油耗航线；

子步骤2：根据所述Pareto最优路线解集及预设期望目标函数值，确定最优船舶航线；

式中，a_j为权重系数，表示j个目标函数的目标值重要程度，其和值为1，值N是优化目标的数量，c_ij是归一化后的第i个粒子的第j个目标函数值，y_j是归一化后的设定期望目标函数值，M是Pareto解集中的粒子数量，Z是满足等式右边条件的推荐航线，即最优船舶航线。

2.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1中所述多准则船舶航线确定方法的步骤。

3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1所述多准则船舶航线确定方法的步骤。

Images