CN114169628B - 基于a*算法和遗传算法的舰载机调度优化方法及系统 - Google Patents

Abstract

本发明公开了基于A*算法和遗传算法的舰载机调度优化方法及系统，通过采集甲板与机库的原始数据，并进行预处理，结合A*算法对预处理后的原始数据搜索舰载机调度路径，构建调度路径集合，并利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案；本发明利用A*算法和遗传算法实现在航空母舰上为舰载机搜索路径并规划调度方案，提高了路径搜索精度，并简化方案筛选的速度，解决了航母空间上的舰载机调度难题，并利用延时启动策略，解决处于行进状态下舰载机发生碰撞，保证了出动方案的安全性与可行性。

Description

基于A*算法和遗传算法的舰载机调度优化方法及系统

技术领域

本发明涉及舰载机调度领域，具体涉及一种基于A*算法和遗传算法的舰载机调度优化方法及系统。

背景技术

航空母舰是现在全球海军体系中，战力最为强大的单位，号称移动的海上国土，是一个国家海上作战的实力体现。而航空母舰的战斗力则取决于其上的舰载机的出动效率。在空间有限、出动流程复杂、资源约束多、任务种类繁多的航空母舰上，进行合理且高效的舰载机甲板调度，体现航母保障的综合软实力。

航母上的舰载机调度是一个典型的任务规划问题，其中包含的资源配置和调度分配使问题变得进一步复杂。同时航空母舰整体空间分为甲板平面与机库，舰载机在出动过程中需经历由机库抵达甲板的转运过程，此过程需要固定数量的升降台进行辅助。在多架舰载机的转运过程中，升降台的使用也是资源配置的一部分。

自从航空母舰出现在战场上以来，舰载机调度指挥的系统经历了人工经验调度、计算机辅助决策和智能决策优化三个阶段的演化。最早由Timothy发表了智能数字化调度系统的概念，Jeffery设计了一种可以在舰载机调运过程中提供预警和和路径规划能力的甲板监控系统，Bernard等人为美国海军设计了一款基于Markov决策过程和反向强化学习方法的航空母舰甲板调度过程规划器(Aircraft Carrier Deck Course of ActionPlanner，DCAP)，之后美国海军又开发了航空数据管理与控制系统(Aviation DataManagement And Control System，ADMACS)和舰船综合信息管理系统(IntegratedShipboard Information System，ISIS)。

目前针对航空母舰上的舰载机调度还存在计算效率不高，难以得出最优方案且鲜少有同时考虑舰载机在机库和甲板平面上进行调度的问题。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于A*算法和遗传算法的舰载机调度优化方法及系统。

为了达到上述发明目的，本发明采用的技术方案为：

一方面，一种基于A*算法和遗传算法的舰载机调度优化方法，包括以下步骤：

S1、采集甲板与机库的原始数据，并进行预处理；

S2、利用A*算法对预处理后的原始数据搜索舰载机调度路径，构建调度路径集合；

S3、利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案。

本发明具有以下有益效果：

优选地，步骤S1具体为：

采集航空母舰的甲板与机库的原始数据，根据原始数据对甲板所在平面进行坐标化处理，构建甲板与机库的三维坐标，并对根据原始数据进行位置标记。

该优选方案具有以下有益效果：

能更加直观方便的对舰载机和障碍物进行标记，且坐标化有利于后续舰载机运动过程中避碰的判断。

优选地，步骤S2具体包括以下分步骤：

S21、根据预处理后的原始数据计算各目标点处各方向上与相邻点的舰载机行进总代价，舰载机行进总代价的计算式表示为：

F(n)＝g(n)+h(n)

其中，F(n)为舰载机行进总代价，n为执行任务的舰载机总数，g(n)为停机位到达第n个节点最佳路径代价，h(n)为到起飞位的最佳路径所付出的代价；

S22、遍历预处理后的原始数据，并筛选各目标点各方向上相邻点处最小的舰载机行进总代价，构建调度路径集合。

该优选方案具有以下有益效果：

使用A星算法在避开障碍物的情况下，便捷快速的筛选处于停机位上的舰载机在机库和甲板上的调度路线。

优选地，步骤S21中停机位到达某个节点最佳路径代价的计算式表示为：

其中，D(t,n)为两点之间的距离，(x_n,y_n)为第n个节点的位置，(x_t,y_t)为舰载机现在的位置。

该优选方案具有以下有益效果：

利用A*算法可以快速在环境信息已知的情况下在狭小空间中进行路径的搜索，得到较为准确的搜索路径。

优选地，步骤S3包括以下分步骤：

S31、采用实值编码法根据调度路径集合构建种群，并进行种群初始化；

S32、利用包络圆法判断初始化种群在同一时刻是否有舰载机是否发生碰撞，若发生则进行延时启动，并进入步骤S33，否则直接进入步骤S33；

S33、对初始化后的种群进行个体适应度评价，若满足预设条件则结束路径筛选，得到舰载机调度最优方案，否则进行遗传迭代，并返回步骤S32，个体适应度计算式表示为：

F＝min{S(A_i)min{T(A_i)}}

其中，F为个体适应度值，A_i为第i种出动方案，S(A_i)为第i种出动方案下的所有舰载机的行进距离之和，T(A_i)为第i种出动方案下总出动时间。

该优选方案具有以下有益效果：

使用遗传算法对路径结合进行筛选，得到舰载机调度最优方案，提高了路径搜素的精准度并提高了方案筛选的速度，解决了在狭窄航母空间上进行舰载机调度的难题。

优选地，步骤S32具体包括以下分步骤：

S321、计算各时刻下舰载机的位置坐标，其中时间计算式表示为：

其中，t为时间，l为距离，v为瞬时速度，a为加速度，l_z为总距离，l_a为使得舰载机加速到最大速度的形式距离；

S322、利用包络圆法根据各时刻下舰载机的位置坐标判断同一时刻下是否发生舰载机碰撞，若发生则进入步骤S323，否则直接进入步骤S33；

S323、对跑道数编号靠后的舰载机进行延时启动，并进入步骤S33。

该优选方案具有以下有益效果：

基于航母与舰载机的外形特点，设计包络圆法来表示舰载机与障碍物边缘膨胀的问题，并结合延时启动策略解决了路径搜索中舰载机易与障碍物发生碰撞的问题，并设置安全距离，保证了路径的准确性与安全性。

另一方面，一种基于A*算法和遗传算法的舰载机调度优化系统，包括：

数据采集模块，用于采集甲板与机库的原始数据，并进行预处理；

调度路径集合构建模块，用于利用A*算法根据预处理后的原始数据搜索舰载机调度路径，构建调度路径集合；

路径优化模块，用于利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案。

本发明具有以下有益效果：

通过采集甲板与机库的原始数据，并进行预处理，结合A*算法对预处理后的原始数据搜索舰载机调度路径，构建调度路径集合，并利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案；利用A*算法和遗传算法实现在航空母舰上为舰载机搜索路径并规划调度方案，提高了路径搜索精度，并简化方案筛选的速度，解决了航母空间上的舰载机调度难题；并结合包络圆法与延时启动策略，解决处于行进状态下舰载机发生碰撞，保证了出动方案的安全性与可行性。

附图说明

图1为本发明提供的一种基于A*算法和遗传算法的舰载机调度优化方法的步骤流程图；

图2为本发明实施例中构建的平面坐标示意图；

图3为本发明中步骤S2的分步骤流程图；

图4为本发明实施例中停放于甲板的舰载机的路径搜素示意图；

图5为本发明实施例中停放于机库的舰载机的路径搜素示意图；

图6为本发明实施例中舰载机设置图；

图7为本发明中步骤S3的分步骤流程图；

图8为本发明中步骤S32的分步骤流程图；

图9为本发明实施例中延时启动策略的效果图；

图10为本发明提供的一种基于A*算法和遗传算法的舰载机调度优化系统的结构框图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

本发明提供一种基于A*算法和遗传算法的舰载机调度优化方法及系统；

如图1所示，一方面，一种基于A*算法和遗传算法的舰载机调度优化方法，包括以下步骤：

S1、采集甲板与机库的原始数据，并进行预处理；

优选地，步骤S1具体为：

采集航空母舰的甲板与机库的原始数据，根据原始数据对甲板所在平面进行坐标化处理，构建甲板与机库的三维坐标，并对根据原始数据进行位置标记。

可选的，本发明实施例中选取辽宁号航空母舰，首先通过公开数据得到其甲板和机库信息，对其平面建模并进行平面坐标化处理，得到甲板与机库上的空间三维关系，但是其只通过两台升降机进行连接，因此可将其作为两个存在部分重叠的平面图形，且在其构建的平面坐标中将诸如停机位、升降机与起飞位等重要位置进行标记，如图2所示，其中白色方框编号1、2、3分别表示三个不同的起飞位置；黑色块编号1、2分别表示升降梯；带虚线的白色方框表示起飞跑道；起飞位置具体参数如表1所示；升降梯具体位置参数如表2所示；

考虑到舰载机应当和障碍物之间报纸一定的安全距离，此时对障碍物(包含船舷、舰岛在内)进行膨大化处理，以保证舰载机的安全，本发明中使用包络圆对舰载机进行处理，由于飞机本身是不规则多边形，用圆把飞机包络起来，这样飞机间的距离可以简化为两圆的圆心距，得到两架舰载机之间的安全距离，在行进过程中，时刻满足距离始终大于两舰载机半径与安全距离之和。

表1弹射器坐标表

位置编号	横坐标	纵坐标	朝向角度
				1	112	51.2	-173
2	112	25	173
				3	189	15.5	173

表2升降机坐标表

位置编号	横坐标	纵坐标	朝向角度
				1	133.5	62	-90
2	226.5	62	-90

S2、利用A*算法对预处理后的原始数据搜索舰载机调度路径，构建调度路径集合；

可选的，假定某次出动任务中需要n架舰载机执行任务，其中m架停放于甲板，(n-m)架停放于机库，在此出动任务中，需要做到保证出动时间消耗最少的同时尽可能减少舰载机在航母上的行进距离，从而节约燃料提高舰载机作战效率，搜集到足够的环境信息之后，使用A星算法在航母中进行路径搜索。

如图3所示，步骤S2具体包括以下分步骤：

S21、根据预处理后的原始数据计算各目标点处各方向上与相邻点的舰载机行进总代价，舰载机行进总代价的计算式表示为：

F(n)＝g(n)+h(n)

其中，n为执行任务的舰载机总数，F(n)为舰载机行进总代价；g(n)为停机位到达某个节点最佳路径代价；h(n)为到起飞位的最佳路径所付出的代价；

可选的，到起飞位的最佳路径所付出的代价h(n)计算式表示为，其中：其中，(x_p，y_p)为当前舰载机的停机位置，D(n,p)为当前位置到目标位置的距离估值信息，

优选地，步骤S21中停机位到达某个节点最佳路径代价的计算式表示为：

其中，D(t,n)为两点之间的距离，(x_n,y_n)为第n个节点的位置，(x_t,y_t)为舰载机现在的位置。

S22、遍历预处理后的原始数据，并筛选各目标点各方向上相邻点处最小的舰载机行进总代价，构建调度路径集合。

可选的，首先创建用于存放当前栅格搜索路径时需考虑的其他栅格的open list和用于存放不再考虑close list，初始化open list，并放入起点和目标点，计算每一个目标点相邻八个点的适应度函数，根据计算结果筛选总代价最小点，以此更新目标点，且将未选择的目标点存入close list，完成搜素后则由open list输出搜素路径，并得到调度路径集合，可得到包含(6n-3m)条路径的集合，放于甲板的舰载机有分别抵达3个起飞位的3m路径，停放于机库的舰载机有抵达2台升降机和3个起飞位的(6n-3m)条路径，如图4、图5所示。

S3、利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案。

可选的，设置种群大小为50，最大进化代数为100，交叉率为0.8，变异率为0.2；采用实值编码方式，每一种整体出动方案由一条染色条代表，每一架舰载机的移动路径选择由染色体上的基因片段按顺序表示，第n架需要执行起飞操作的舰载机由其中第n个基因片段表示；本次出动任务所需的舰载机数量决定染色体的长度，可设置本次出动任务需要12架舰载机一起执行，其中6架位于甲板，6架位于机库，如图6所示。

如图7示，步骤S3包括以下分步骤：

S31、采用实值编码法根据调度路径集合构建种群，并进行种群初始化；

S32、利用包络圆法判断初始化种群在同一时刻是否有舰载机是否发生碰撞，若发生则进行延时启动，并进入步骤S33，否则直接进入步骤S33；

如图8，优选地，步骤S32具体包括以下分步骤：

S321、计算各时刻下舰载机的位置坐标，其中时间计算式表示为：

其中，t为时间，l为距离，v为瞬时速度，a为加速度，l_z为总距离，l_a为使得舰载机加速到最大速度的形式距离；

可选的，表示总距离不满足2倍于足以使得舰载机加速到最大速度的形式距离的情况，t＝l/v+v/a，表示总距离满足2倍于足以使得舰载机加速到最大速度的形式距离的情况。

S322、利用包络圆法根据各时刻下舰载机的位置坐标判断同一时刻下是否发生舰载机碰撞，若发生则进入步骤S323，否则直接进入步骤S33；

可选的，包络圆法，即由于飞机本身作为不规则多边形，用圆将飞机包括起来，可将舰载机间距离简化为两圆的圆心距，从而设定舰载机间的安全距离，计算出每一时刻舰载机将出现的位置，即利用距离公式结合时间，计算每一秒钟舰载机会出现的坐标，从而判断舰载机是否发生碰撞，若发生则对分配跑道编号靠后的舰载机采用延时启动，此时可设定两舰载机间的安全距离为2，则小于2则会发生碰撞，否则为安全，如图9。

S323、对跑道数编号靠后的舰载机进行延时启动，并进入步骤S33。

S33、对初始化后的种群进行个体适应度评价，并根据个体适应度评价结果判断是否满足预设条件，若满足则结束路径筛选，得到舰载机调度最优方案，否则进行遗传迭代，并返回步骤S32，个体适应度计算式表示为：

F＝min{S(A_i)min{T(A_i)}}

其中，F为个体适应度值，A_i为第i种出动方案，由各舰载机的出动顺序与选择路径组成，S(A_i)为第i种出动方案下的所有舰载机的行进距离之和，T(A_i)为第i种出动方案下总出动时间。

可选的，第i种出动方案A_i的计算式表示为：A_i＝(a_i1,a_i2,…a_in)，其中，a_in表示在第i个方案中第n架顺序出动的舰载机，编号从1到n，所有舰载机不会重复出动。

另一方面，如图10所示，一种基于A*算法和遗传算法的舰载机调度优化系统，包括：

数据采集模块，用于采集甲板与机库的原始数据，并进行预处理；

调度路径集合构建模块，用于利用A*算法根据预处理后的原始数据搜索舰载机调度路径，构建调度路径集合；

路径优化模块，用于利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案。

本发明实施例中提供的一种基于A*算法和遗传算法的舰载机调度优化系统包含上述的一种基于A*算法和遗传算法的舰载机调度优化方法的全部有益效果。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于A*算法和遗传算法的舰载机调度优化方法，其特征在于，包括以下步骤：

S1、采集甲板与机库的原始数据，并进行预处理；

S2、利用A*算法对预处理后的原始数据搜索舰载机调度路径，构建调度路径集合，具体包括以下分步骤：

S21、根据预处理后的原始数据计算各目标点处各方向上与相邻点的舰载机行进总代价，舰载机行进总代价的计算式表示为：

F(n)＝g(n)+h(n)

其中，n为执行任务的舰载机总数，F(n)为舰载机行进总代价；g(n)为停机位到达第n个节点最佳路径代价；h(n)为到起飞位的最佳路径所付出的代价；

S22、遍历预处理后的原始数据，并筛选各目标点各方向上相邻点处最小的舰载机行进总代价，构建调度路径集合；

S3、利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案，包括以下分步骤：

S31、采用实值编码法根据调度路径集合构建种群，并进行种群初始化；

S32、利用包络圆法判断初始化种群在同一时刻是否有舰载机是否发生碰撞，若发生则进行延时启动，并进入步骤S33，否则直接进入步骤S33；具体包括以下分步骤：

S321、计算各时刻下舰载机的位置坐标，其中时间计算式表示为：

其中，t为时间，l为距离，v为瞬时速度，a为加速度，l_z为总距离，l_a为使得舰载机加速到最大速度的形式距离；

S322、利用包络圆法根据各时刻下舰载机的位置坐标判断同一时刻下是否发生舰载机碰撞，若发生则进入步骤S323，否则直接进入步骤S33；

S323、对跑道数编号靠后的舰载机进行延时启动，并进入步骤S33；

S33、对初始化后的种群进行个体适应度评价，并根据个体适应度评价结果判断是否满足预设条件，若满足则结束路径筛选，得到舰载机调度最优方案，否则进行遗传迭代，并返回步骤S32，个体适应度计算式表示为：

F＝min{S(A_i)|min{T(A_i)}}

其中，F为个体适应度值，A_i为第i种出动方案，S(A_i)为第i种出动方案下的所有舰载机的行进距离之和，T(A_i)为第i种出动方案下总出动时间。

2.根据权利权要1中基于A*算法和遗传算法的舰载机调度优化方法，其特征在于，步骤S1具体为：

采集航空母舰的甲板与机库的原始数据，根据原始数据对甲板所在平面进行坐标化处理，构建甲板与机库的三维坐标，并对根据原始数据进行位置标记。

3.根据权利权要1中基于A*算法和遗传算法的舰载机调度优化方法，其特征在于，步骤S21中停机位到达某个节点最佳路径代价的计算式表示为：

其中，D(t,n)为两点之间的距离，(x_n,y_n)为第n个节点的位置，(x_t,y_t)为舰载机现在的位置。

4.一种应用权利要求1所述方法的基于A*算法和遗传算法的舰载机调度优化系统，其特征在于，包括：

数据采集模块，用于采集甲板与机库的原始数据，并进行预处理；

调度路径集合构建模块，用于利用A*算法根据预处理后的原始数据搜索舰载机调度路径，构建调度路径集合；

路径优化模块，用于利用遗传算法对调度路径集合进行筛选，得到舰载机调度最优方案。

Images