CN116244929A - 一种面向中远海救援的两栖飞机着水救援流程规划方法 - Google Patents
一种面向中远海救援的两栖飞机着水救援流程规划方法 Download PDFInfo
- Publication number
- CN116244929A CN116244929A CN202310096022.1A CN202310096022A CN116244929A CN 116244929 A CN116244929 A CN 116244929A CN 202310096022 A CN202310096022 A CN 202310096022A CN 116244929 A CN116244929 A CN 116244929A
- Authority
- CN
- China
- Prior art keywords
- distress
- rescue
- amphibious aircraft
- information
- personnel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种面向中远海救援的两栖飞机着水救援流程规划方法,包括:遇险信息想定模块,设定遇险信息,所述遇险信息包括遇险环境信息和遇险单位信息;两栖飞机信息想定模块,设定参与救援两栖飞机的参数信息;遇险人员漂移预测模块,基于海洋环境数据信息对遇险人员漂移运动轨迹进行计算与预测;救援流程规划模块,基于时间域对所述两栖飞机着水救援流程进行规划。本发明充分利用两栖飞机速度快、航程大、调运能力较大并且具有实施着水救援的能力,能够很好满足中远海救援需求的特性,提供一种可以面向中远海救援的两栖飞机着水救援流程规划方法和相应的仿真验证,弥补现有救援方案的不足,为应用两栖飞机进行中远海救援提供了参考。
Description
技术领域
本发明涉及计算机仿真领域,尤其涉及一种面向中远海救援的两栖飞机着水救援流程规划方法。
背景技术
我国海洋面积广阔,快速发展的海洋事业导致海难事故的发生频率也较高。按距离海岸的远近,可以将海洋区域划分为近海、中海以及远海。目前对于近海救援的研究较为成熟,多用直升机、船舶以及直升机与船舶协同救援。但随着海洋事业的范围向中远海发展,相应在中远海发生海难事故的概率也在增加,所以对于中远海救援领域的研究越来越重要。因而如何进行中远海救援流程规划,快速高效的进行中远海航空应急救援的重要性日益凸显。
随着国家科技水平和航空力量的不断发展与增强,海上航空应急救援越来越完善。虽然对于近海救援,直升机与船舶能满足救援需求,但是直升机与船舶的速度较慢,并且直升机的航程与调运能力有限,以及直升机与船舶协同救援存在较大困难,导致直升机与船舶在中远海救援的效果不理想。
发明内容
本发明的目的在于,为加强我国海上航空应急救援的能力建设,提高中远海救援能力,并推进两栖飞机的应用研究,充分利用两栖飞机速度快、航程大、调运能力较大并且具有实施着水救援的能力,能够很好满足中远海救援需求的特性,提供一种可以面向中远海救援的两栖飞机着水救援流程规划方法和相应的仿真验证,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种面向中远海救援的两栖飞机着水救援流程规划方法,包括:
遇险信息想定模块,设定遇险信息,所述遇险信息包括遇险环境信息和遇险单位信息;两栖飞机信息想定模块,设定参与救援两栖飞机的参数信息;遇险人员漂移预测模块,基于海洋环境数据信息对遇险人员漂移运动轨迹进行计算与预测;救援流程规划模块,基于时间域对所述两栖飞机着水救援流程进行规划。
优选的,所述设定遇险信息具体包括:
设定遇险环境信息,所述遇险环境信息即为遇险单位周围的海洋环境数据信息,包括海水温度、海面风速方向与大小以及海洋流速方向与大小;
设定遇险人员信息,所述遇险人员信息包括遇险人员位置、遇险人员数量、以及遇险人员健康信息;所述遇险人员健康信息包括基于遇险海水温度计算生成的遇险人员最大生存时间,所述最大生存时间的计算公式为:
Tmax=σ·5.75·exp(0.1·wt),0.5≤σ≤1
式中:Tmax为遇险人员最大生存时间,单位为小时;σ为修正因子,受遇险人员的健康情况、衣着、年龄以及水性等不确定性因素影响,并且不同遇险人员的σ修正因子一般不同;wt为遇险人员所处位置的海洋温度。
优选的,所述设定参与救援两栖飞机的参数信息,具体包括:设定所述两栖飞机部署位置、所述两栖飞机巡航速度、所述两栖飞机保障时间、所述两栖飞机最大载人数、所述两栖飞机携带救生艇数量、所述救生艇速度、所述救生艇最大载人数、所述救生艇航程以及所述救生艇救助一位遇险人员所需的时间。
优选的,所述对遇险人员漂移运动轨迹进行计算与预测,具体包括:首先基于海面风速以及海洋流速确定遇险人员的漂移速度,遇险人员漂移速度计算公式为:
Vdrift=Vwt+γ·Vwd
其中Vwt为海洋水流速度,Vwd为海洋风速,γ为风因子,范围取[0.4,0.6],Vdrift为遇险人员漂移速度;
其次通过拉格朗日追踪法预测漂移轨迹,漂移位置预测公式为:
在每一个时刻t0,遇险人员根据当前的漂移速度Vdrift,初始位置s0,以及一段时间Δt,就能获得t0+Δt时刻的目标预测位置;
所述漂移位置预测公式,考虑到由于遇险海洋周围的风速以及海洋流速大小与方向的不确定性、风因子的不确定性以及仿真步长Δt不能做到无限接近于0带来的不确定性,应用蒙特卡洛实验进行模拟仿真遇险人员漂移预测中的不确定性。
优选的,所述蒙特卡洛实验为多次进行漂移轨迹预测,取多次预测结果的平均值作为漂移轨迹预测值,提高漂移预测位置的准确性。
优选的,对所述两栖飞机着水救援流程进行规划,基于时间域的迭代方法,具体包括:遇险人员分类、遇险人员救援权重计算、两栖飞机着水点选择、遇险人员救援顺序规划与两栖飞机救援行为决策;在整个救援任务过程中,遇险人员的位置与剩余生存时间随着时间的推进而改变。
优选的,具体包括以下步骤:
S1在python中按照险情想定输入遇险信息与两栖飞机信息;
S2基于所述遇险信息进行遇险人员漂移轨迹预测,基于所述遇险信息与所述两栖飞机信息计算所述两栖飞机到达遇险位置的时间,并基于所述遇险人员漂移轨迹预测及预测与所述两栖飞机到达遇险位置的时间确定所述两栖飞机到达时所述遇险人员的位置;
S3基于自适应k聚类算法对所述遇险人员进行分类;
S4基于所述遇险人员的救援权重进行两栖飞机着水点的选择;
S5基于自适应优化过的遗传算法进行遇险人员救援顺序规划;
S6基于所述两栖飞机的机载人数以及救援数据进行两栖飞机救援决策;
S7基于所述险情想定进行的仿真验证救援过程输出图以及输出数据。
优选的,S3基于自适应K聚类算法对遇险人员分类的具体流程与步骤为:
S31确定遇险人员聚类初始分类数量:
kcluster=[Ninputn/Anum]
式中,kcluster为遇险人员聚类初始分类数量,Ninputn为遇险人员总数量,Anum为两栖飞机最大载人数,其中[Ninputn/Anum]的[]表示向上取整数;
S32随机选择kcluster个遇险人员位置坐标作为初始聚类中心;
S33对每个遇险人员位置依次求其到每个聚类中心的欧氏距离,将遇险人员划分到距离最近的聚类中心所在的类别,所述欧氏距离为两点间真实直线距离;
S34利用均值的方法更新每类遇险人员聚类中心的位置坐标;
S35检查每一类别聚类中心的位置是否发生变化,如果发生变化,则返回重新执行S33和S34,如果没有发生变化,执行S36;
S36输出每类聚类中心中各点距离中心的最大的距离,如果最大距离中的最大值小于式[SLmax/Smn],其中,SLmax为救生艇的最大航程,Smn为救生艇最大载人数,结束迭代,否则,要把kcluster+1赋值给kcluster,返回S32;
S37输出每个聚类中心点坐标C[cluster]、每个聚类类别的的遇险人员数量Cnum以及遇险人员位置坐标Clocation。
优选的,S4基于所述遇险人员的救援权重进行两栖飞机着水点的选择的具体流程与步骤为:
遇险人员生存概率计算,某个遇险人员在遇险后第T时刻的生存概率计算方法可以表示为:
式中,P表示为该遇险人员的生存概率;
基于遇险人员健康信息与遇险时间,计算每位遇险人员遇险后第T时刻的救援权重,计算方法表示为:
式中,Wi代表在遇险后第i个遇险人员的救援权重,Pi代表第i名遇险人员在遇险后第T时刻生存概率,N代表遇险人员数量;
两栖飞机着水点选择,基于自适应K-聚类算法聚类结果与遇险人员的救援权重,计算每个聚类类别的遇险人员的总救援权重,计算方法表示为:
两栖飞机在kcluster个聚类类别中选择总救援权重最大的聚类类别的中心坐标作为着水点。
优选的,所述S5基于自适应优化过的遗传算法进行遇险人员救援顺序规划的具体流程与步骤:
所述自适应优化过的遗传算法流程包括种群定义、种群个体染色体编码、适应度函数、基于邻域搜索的自我优化、选择操作、交叉操作、变异操作;
所述种群定义,即种群由一定数量的救援遇险人员顺序组成;
所述种群个体染色体编码,设两栖飞机选择第j个聚类中心作为落点,对于该聚类的个遇险人员,对其进行0到/>的数字编码,作为种群内个体的染色体组成部分,考虑到救生艇的最大载人数,救生艇的救援路径会受到限制,即救生艇达到最大载人数之后就要回到两栖飞机进行转运以及补给,所以对两栖飞机的落点进行数字编码为/>每隔Smn个编码就需要插入一个/>数字编码,而且染色体编码要保证除数字编码/>之外其他染色体编码为不重复的0到/> 的数字编码;若最后剩余的编码个数不到Smn,也要在最后插入一个数字编码/>以保证救生艇能回到两栖飞机;
所述适应度函数,即为种群的优化目标,适应度可以表示为:
式中,D代表一种遇险人员的救援顺序,其中di(i+1)代表该路径顺序中第i个点与第i+1个点的距离;
所述基于邻域搜索的自我优化的流程:
S511给定总优化次数Im_count,初始化优化次数k=0;
S512随机选择种群中的一个个体;
S514随机生成两个整数j,k,为生成原染色体近邻解;
S515毁坏:将染色体的第j与k位编码取出;
S516修复:将j与k编码对调位置放入;
S518比较原染色体个体的适应度与新生成染色体的适应度,取适应度较大的作为该个体的新染色体;
S519如果k=Im_count,输出当前染色体个体,否则返回S512;
所述选择操作,基于精英选择与随机选择相结合的方法,在每一代种群中选择一定数量的个体保留下来;所述精英选择,即在每一代种群中选择一定数量适应度最高的个体保留到下一代作为父代,保证种群向着好的方向进化;所述随机选择,即在每一代种群经历精英选择之后剩余的个体,随机选择一定数量的个体保留下来作为父代,保证种群的多样性;
所述交叉操作的步骤为:
S521首先为满足种群数量稳定,种群交叉生成子代的数量等于种群数量减去种群选择保留个体的数量;
S522在选择操作留下的种群个体中随机选择两个不同的个体F与M;
S524随机生成交叉片段长度CL,随机选择交叉片段起始点i;
S525复制if,…,jf与im,…,jm片段作为交叉片段,其中if,…,jf来自个体F,im,…,jm来自个体M;
S526为保证路径点不重复,再F中的编码任一编码,如果它的编码数字存在于M(CL)片段im,…,jm中,那就移除它;再M中的编码任一编码,如果它的编码数字存在于F(CL)片段if,…,jf中,那就移除它,移除相应编码后的个体,Fre和Mre;
S527将复制的if,…,jf与im,…,jm片段交换插入到Fre和Mre的交叉起始片段i的位置上;
S529如果种群数量达到预设值,则停止,否则返回第S522步;
所述变异操作的步骤为:
S531给定变异概率Murate,对于每个交叉操作产生的CH,进行变异操作;
S532生成随机数,如果小于Murate则到S533,若大于Murate,则停止变异;
S534为保证变异后染色体编码符合要求,随机生成两个整数j,k;
S535交换两个编码位置;
本发明的有益效果是:
本发明围绕中远海救援的任务需求,充分利用两栖飞机速度快、航程大、调运能力较大并且具有实施着水救援的能力,能够很好满足中远海救援需求的特性,弥补现有救援方案的不足,通过设定遇险信息想定模块、两栖飞机信息想定模块、遇险人员漂移预测模块与救援流程规划模块,完成了一种面向中远海救援的两栖飞机着水救援流程规划方法,并进行仿真验证,为应用两栖飞机进行中远海救援提供了参考。
附图说明
图1是本发明面向中远海救援的两栖飞机着水救援流程规划方法框架图;
图2是基于自适应K聚类算法对遇险人员分类的伪代码;
图3是基于自适应优化过的遗传算法对遇险人员的救援顺序进行规划的流程图;
图4是自适应优化过的遗传算法中种群个体染色体编码实例;
图5是两栖飞机行为决策流程图;
图6是面向中远海救援的两栖飞机着水救援流程规划方法仿真实施流程图;
图7是具体仿真实例的过程输出图;
图8是具体仿真实例的输出数据。
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,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方式仅仅用以解释本发明,并不用于限定本发明。
本发明的面向中远海救援的两栖飞机着水救援流程规划方法,包括遇险信息想定模块、两栖飞机信息想定模块、遇险人员漂移预测模块与救援流程规划模块。
所述遇险信息想定模块,用于设定遇险信息,包括遇险环境信息和遇险单位信息;
所述两栖飞机信息想定模块,用于设定两栖飞机的参数信息;
所述遇险人员漂移预测模块,用于基于海洋环境数据信息对遇险人员漂移运动轨迹进行计算与预测;
所述救援流程规划模块,用于基于时间域对两栖飞机着水救援流程进行规划。
进一步,实现遇险环境信息的设定,所述遇险环境信息即为遇险单位周围的海洋环境数据信息,包括海水温度、海面风速方向与大小以及海洋流速方向与大小;
实现遇险人员信息的设定,所述遇险人员信息包括遇险人员位置、遇险人员数量、以及遇险人员健康信息;所述遇险人员健康信息包括基于遇险海水温度计算生成的最大生存时间,所述最大生存时间的计算公式为:
Tmax=σ·5.75·exp(0.1·wt),0.5≤σ≤1
式中,Tmax为遇险人员最大生存时间,单位为小时;σ为修正因子,受遇险人员的健康情况、衣着、年龄以及水性等不确定性因素影响,并且不同遇险人员的σ修正因子一般不同;wt为遇险人员所处位置的海洋温度。
进一步,所述两栖飞机信息具体包括两栖飞机部署位置、两栖飞机巡航速度、两栖飞机保障时间、两栖飞机最大载人数、两栖飞机携带救生艇数量、救生艇速度、救生艇最大载人数、救生艇航程以及救生艇救助一位遇险人员所需时间;
进一步,所述遇险人员漂移预测模块,基于海洋环境数据信息对遇险人员漂移运动轨迹进行计算与预测:
首先基于海面风速以及海洋流速确定遇险人员的漂移速度,遇险人员漂移速度公式为:
Vdrift=Vwt+γ·Vwd
其中Vwt为海洋水流速度,Vwd为海洋风速,γ为风因子,范围取[0.4,0.6],Vdrift为遇险人员漂移速度;
其次通过拉格朗日追踪法预测漂移轨迹,漂移位置预测公式为:
在每一个时刻t0,遇险人员根据当前的漂移速度Vdrift,初始位置s0,以及一段时间Δt,就能获得t0+Δt时刻的目标预测位置;
所述漂移位置预测公式,考虑到由于遇险海洋周围的风速以及海洋流速大小与方向的不确定性、风因子的不确定性以及仿真步长Δt不能做到无限接近于0带来的不确定性,应用蒙特卡洛实验进行模拟仿真遇险人员漂移预测中的不确定性。
进一步,所述蒙特卡洛实验为多次进行漂移轨迹预测,取多次结果的平均值作为漂移轨迹预测值,从而提高漂移预测位置的准确性。
进一步,所述救援流程规划模块,具体包括遇险人员分类模块、遇险人员救援权重计算模块、两栖飞机着水点选择模块、遇险人员救援顺序规划模块与两栖飞机救援行为决策模块。基于时间域对所述两栖飞机着水救援流程进行规划,基于时间域的迭代方法,具体包括遇险人员分类、遇险人员救援权重计算、两栖飞机着水点选择、遇险人员救援顺序规划与两栖飞机救援行为决策。
所述时间域的迭代方法,是指在整个救援任务过程中,遇险人员的位置与剩余生存时间随着时间的推进而改变。
进一步,两栖飞机收到遇险信息后,基于遇险人员位置信息、两栖飞机部署位置以及两栖飞机巡航速度,计算到达遇险位置的时间:
Tarrive=L/Vc
式中,Tarrive为两栖飞机在部署位置出发到达遇险位置的时间,L为两栖飞机部署位置与遇险位置的距离,Vc为两栖飞机的巡航速度。
进一步,结合附图2,说明所述遇险人员分类模块,基于自适应K聚类算法对遇险人员分类的具体流程与步骤。
所述自适应K聚类算法的流程如下:
S1确定遇险人员聚类初始分类数量:
kcluster=[Ninput[n]/Anum]
式中,kcluster为遇险人员聚类初始分类数量,Ninput[n]为遇险人员总数量,Anum为两栖飞机最大载人数,其中[Ninput[n]/Anum]的[]表示向上取整数;
S2随机选择kcluster个遇险人员位置坐标作为初始聚类中心;
S3对每个遇险人员位置依次求其到每个聚类中心的欧氏距离,将遇险人员划分到距离最近的聚类中心所在的类别,所述欧氏距离为两点间真实直线距离;
S4利用均值的方法更新每类遇险人员聚类中心的位置坐标;
S5检查每一类别聚类中心的位置是否发生变化,如果发生变化,则返回重新执行S3和S4,如果没有发生变化,执行S6;
S6输出每类聚类中心中各点距离中心的最大的距离,如果最大距离中的最大值小于式[SLmax/Smn],其中,SLmax为救生艇的最大航程,Smn为救生艇最大载人数,结束迭代,否则,要把kcluster+1赋值给kcluster,返回S2;
S7输出每个聚类中心点坐标C[cluster]、每个聚类类别的的遇险人员数量Cnum以及遇险人员位置坐标Clocation。
进一步,所述遇险人员救援权重计算模块包括遇险人员生存概率计算与救援权重计算,基于遇险人员健康信息与遇险时间,计算每位遇险人员的救援权重。
进一步,所述某个遇险人员在遇险后第T时刻的生存概率计算方法可以表示为:
式中,P表示为该遇险人员的生存概率。
所述遇险人员在遇险后第T时刻的救援权重计算方法可以表示为:
式中,Wi代表在遇险后第i个遇险人员的救援权重,Pi代表第i名遇险人员在遇险后第T时刻生存概率,N代表遇险人员数量;
进一步,所述两栖飞机着水点选择模块,基于自适应K-聚类算法聚类结果与遇险人员的救援权重,计算每个聚类类别的遇险人员的总救援权重,计算方法表示为:
进一步,两栖飞机在kcluster个聚类类别中选择总救援权重最大的聚类类别的中心坐标作为着水点。
进一步,所述遇险人员救援顺序规划模块,基于遇险人员漂移预测模块、遇险人员分类模块遇险人员救援权重计算模块以及两栖飞机着水点选择模块的计算结果,进行两栖飞机着水后遇险人员救援顺序的规划。
进一步,结合附图3,说明所述遇险人员救援规划模块,基于自适应优化过的遗传算法对遇险人员的救援顺序进行规划的具体流程与步骤。
所述自适应优化过的遗传算法流程包括种群定义、种群个体染色体编码、适应度函数、基于邻域搜索的自我优化、选择操作、交叉操作、变异操作。
进一步,所述种群定义,即种群由一定数量的救援遇险人员顺序组成;
进一步,结合图4,说明所述种群个体染色体编码。假设两栖飞机选择第j个聚类中心作为落点,对于该聚类的个遇险人员,对其进行0到/>的数字编码,作为种群内个体的染色体组成部分,与此之外,考虑到救生艇的最大载人数,救生艇的救援路径会受到限制,即救生艇达到最大载人数之后就要回到两栖飞机进行转运以及补给,所以对两栖飞机的落点进行数字编码为/>每隔Smn个编码就需要插入一个/>数字编码,而且染色体编码要保证除数字编码/>之外其他染色体编码为不重复的0到/>的数字编码。例外的,若最后剩余的编码个数不到Smn,也要在最后插入一个数字编码/>保证救生艇能回到两栖飞机;
进一步,所述适应度函数,即为种群的优化目标,适应度可以表示为:
式中,D代表一种遇险人员的救援顺序,其中di(i+1)代表该路径顺序中第i个点与第i+1个点的距离;
进一步,所述基于邻域搜索的自我优化的流程如下:
S1给定总优化次数Im_count,初始化优化次数k=0;
S2随机选择种群中的一个个体;
S4随机生成两个整数j,k,为生成原染色体近邻解;
S5毁坏:将染色体的第j与k位编码取出;
S6修复:将j与k编码对调位置放入;
S8比较原染色体个体的适应度与新生成染色体的适应度,取适应度较大的作为该个体的新染色体;
S9如果k=Im_count,输出当前染色体个体,否则返回S2;
进一步,所述选择操作,基于精英选择与随机选择相结合的方法,在每一代种群中选择一定数量的个体保留下来;
进一步,所述精英选择,即在每一代种群中选择一定数量适应度最高的个体保留到下一代作为父代,保证种群向着好的方向进化;
进一步,所述随机选择,即在每一代种群经历精英选择之后剩余的个体,随机选择一定数量的个体保留下来作为父代,保证种群的多样性;
进一步,所述交叉操作的流程如下:
S1首先为满足种群数量稳定,种群交叉生成子代的数量等于种群数量减去种群选择保留个体的数量;
S2在选择操作留下的种群个体中随机选择两个不同的个体F与M;
S4随机生成交叉片段长度CL,随机选择交叉片段起始点i;
S5复制if,…,jf与im,…,jm片段作为交叉片段,其中if,…,jf来自个体F,im,…,jm来自个体M;
S6为保证路径点不重复,再F中的编码任一编码,如果它的编码数字存在于M(CL)片段im,…,jm中,那就移除它;再M中的编码任一编码,如果它的编码数字存在于F(CL)片段if,…,jf中,那就移除它,移除相应编码后的个体,Fre和Mre;
S7将复制的if,…,jf与im,…,jm片段交换插入到Fre和Mre的交叉起始片段i的位置上;
S9如果种群数量达到预设值,则停止,否则返回第二步。
进一步,所述变异操作的流程如下:
S1给定变异概率Murate,对于每个交叉操作产生的CH,进行变异操作;
S2生成随机数,如果小于Murate则到S3,若大于Murate,则停止变异;
S4为保证变异后染色体编码符合要求,随机生成两个整数j,k;
S5交换两个编码位置;
进一步,所述两栖飞机救援行为决策模块包括两栖飞机基于遇险人员分类模块、遇险人员救援权重计算模块、两栖飞机着水点选择模块、遇险人员救援顺序规划模块的计算结果进行相应的着水救援,并在完成一次着水救援后根据救援总数据与飞机上的载人数量进行行为决策。
进一步,结合图5,所述行为决策,即为两栖飞机完成一次着水救援后进行行为决策,根据如果目前飞机上的机载人数达到最大载人数就返回部署位置,否则根据救援总数据进行行为决策,如果救援已结束,则返回部署位置,否则就再次进行遇险人员分类模块、遇险人员救援权重计算模块、两栖飞机着水点选择模块、遇险人员救援顺序规划模块的计算,并基于计算结果进行着水救援;如果两栖飞机返回部署位置,需要根据救援总数据进行行为决策,如果救援结束就不在前往遇险位置救援,否则就再次前往遇险位置进行救援。
下面结合某一具体险情想定进一步描述本发明,应该理解,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
险情想定为在我国东海远海区域发生的一船舶倾覆案例,具体遇险位置为31°12'28.8"N,127°0'43.2"E,发生时间为2022年6月11号上午九点,周围海水温度设置为16℃,遇险位置平均风速想定为4米每秒,风速改变范围为3.5米每秒到4米每秒,遇险位置平均海洋流速想定为0.5米每秒,海洋流速改变范围为0.4米每秒到0.6米每秒,险情想定遇险人员人数为45人,并随机生成遇险人员的健康信息。想定遇险人员初始位置分布在遇险位置坐标周围边长为2千米的正方形内,对于每个遇险人员,应用30个样本应用蒙特卡洛实验进行轨迹预测。
两栖飞机信息想定为,包括两栖飞机部署位置为31°9'0"N,121°48'21.6"E、两栖飞机巡航速度为480千米每小时、两栖飞机保障时间为30分钟、两栖飞机最大载人数为30人、两栖飞机携带救生艇数量为1量、救生艇速度为28千米每小时、救生艇最大载人数为5人、救生艇航程为93千米以及考虑到蒙特卡洛实验得到的漂移位置预测结果与真实位置有一定误差,设置救生艇救助一位遇险人员所需时间为5分钟。
为更贴合实际情况,假设两栖飞机收到遇险信息的时间晚于遇险人员遇险30分钟。
本发明利用python进行仿真验证。
S1在python中按照险情想定输入遇险信息与两栖飞机信息;
S2基于遇险信息进行遇险人员漂移轨迹预测,基于遇险信息与两栖飞机信息计算两栖飞机到达遇险位置的时间,并基于遇险人员漂移轨迹预测及预测与两栖飞机到达遇险位置的时间确定两栖飞机到达时遇险人员的位置;
S3基于自适应k聚类算法对遇险人员进行分类;
S4基于遇险人员的救援权重进行两栖飞机着水点的选择;
S5基于自适应优化过的遗传算法进行遇险人员救援顺序规划;
S6基于两栖飞机机载人数以及救援数据进行两栖飞机救援决策;
基于python进行的面向中远海救援的两栖飞机着水救援流程规划的仿真验证流程如图6所示。
基于该险情想定进行的仿真验证救援过程输出图以及输出数据如图7与图8所示。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明围绕中远海救援的任务需求,充分利用两栖飞机速度快、航程大、调运能力较大并且具有实施着水救援的能力,能够很好满足中远海救援需求的特性,弥补现有救援方案的不足,通过设定遇险信息想定模块、两栖飞机信息想定模块、遇险人员漂移预测模块与救援流程规划模块,完成了一种面向中远海救援的两栖飞机着水救援流程规划方法,并进行仿真验证,为应用两栖飞机进行中远海救援提供了参考。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,包括:
遇险信息想定模块,设定遇险信息,所述遇险信息包括遇险环境信息和遇险单位信息;
两栖飞机信息想定模块,设定参与救援两栖飞机的参数信息;
遇险人员漂移预测模块,基于海洋环境数据信息对遇险人员漂移运动轨迹进行计算与预测;
救援流程规划模块,基于时间域对所述两栖飞机着水救援流程进行规划。
2.根据权利要求1所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,所述设定遇险信息具体包括:
设定遇险环境信息,所述遇险环境信息即为遇险单位周围的海洋环境数据信息,包括海水温度、海面风速方向与大小以及海洋流速方向与大小;
设定遇险人员信息,所述遇险人员信息包括遇险人员位置、遇险人员数量、以及遇险人员健康信息;所述遇险人员健康信息包括基于遇险海水温度计算生成的遇险人员最大生存时间,所述最大生存时间的计算公式为:
Tmax=σ·5.75·exp(0.1·wt),0.5≤σ≤1
式中:Tmax为遇险人员最大生存时间,单位为小时;σ为修正因子,受遇险人员的健康情况、衣着、年龄以及水性等不确定性因素影响,并且不同遇险人员的σ修正因子一般不同;wt为遇险人员所处位置的海洋温度。
3.根据权利要求1所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,所述设定参与救援两栖飞机的参数信息,具体包括:设定所述两栖飞机部署位置、所述两栖飞机巡航速度、所述两栖飞机保障时间、所述两栖飞机最大载人数、所述两栖飞机携带救生艇数量、所述救生艇速度、所述救生艇最大载人数、所述救生艇航程以及所述救生艇救助一位遇险人员所需的时间。
4.根据权利要求1所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,所述对遇险人员漂移运动轨迹进行计算与预测,具体包括:首先基于海面风速以及海洋流速确定遇险人员的漂移速度,遇险人员漂移速度计算公式为:
Vdrift=Vwt+γ·Vwd
其中Vwt为海洋水流速度,Vwd为海洋风速,γ为风因子,范围取[0.4,0.6],Vdrift为遇险人员漂移速度;
其次通过拉格朗日追踪法预测漂移轨迹,漂移位置预测公式为:
在每一个时刻t0,遇险人员根据当前的漂移速度Vdrift,初始位置s0,以及一段时间Δt,就能获得t0+Δt时刻的目标预测位置;
所述漂移位置预测公式,考虑到由于遇险海洋周围的风速以及海洋流速大小与方向的不确定性、风因子的不确定性以及仿真步长Δt不能做到无限接近于0带来的不确定性,应用蒙特卡洛实验进行模拟仿真遇险人员漂移预测中的不确定性。
5.根据权利要求4所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,所述蒙特卡洛实验为多次进行漂移轨迹预测,取多次预测结果的平均值作为漂移轨迹预测值,提高漂移预测位置的准确性。
6.根据权利要求1所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,对所述两栖飞机着水救援流程进行规划,基于时间域的迭代方法,具体包括:遇险人员分类、遇险人员救援权重计算、两栖飞机着水点选择、遇险人员救援顺序规划与两栖飞机救援行为决策;在整个救援任务过程中,遇险人员的位置与剩余生存时间随着时间的推进而改变。
7.根据权利要求1所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,具体包括以下步骤:
S1在python中按照险情想定输入遇险信息与两栖飞机信息;
S2基于所述遇险信息进行遇险人员漂移轨迹预测,基于所述遇险信息与所述两栖飞机信息计算所述两栖飞机到达遇险位置的时间,并基于所述遇险人员漂移轨迹预测及预测与所述两栖飞机到达遇险位置的时间确定所述两栖飞机到达时所述遇险人员的位置;
S3基于自适应k聚类算法对所述遇险人员进行分类;
S4基于所述遇险人员的救援权重进行两栖飞机着水点的选择;
S5基于自适应优化过的遗传算法进行遇险人员救援顺序规划;
S6基于所述两栖飞机的机载人数以及救援数据进行两栖飞机救援决策;
S7基于所述险情想定进行的仿真验证救援过程输出图以及输出数据。
8.根据权利要求7所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,S3基于自适应K聚类算法对遇险人员分类的具体流程与步骤为:
S31确定遇险人员聚类初始分类数量:
kcluster=[Ninput[n]/Anum]
式中,kcluster为遇险人员聚类初始分类数量,Ninput[n]为遇险人员总数量,Anum为两栖飞机最大载人数,其中[Ninput[n]/Anum]的[]表示向上取整数;
S32随机选择kcluster个遇险人员位置坐标作为初始聚类中心;
S33对每个遇险人员位置依次求其到每个聚类中心的欧氏距离,将遇险人员划分到距离最近的聚类中心所在的类别,所述欧氏距离为两点间真实直线距离;
S34利用均值的方法更新每类遇险人员聚类中心的位置坐标;
S35检查每一类别聚类中心的位置是否发生变化,如果发生变化,则返回重新执行S33和S34,如果没有发生变化,执行S36;
S36输出每类聚类中心中各点距离中心的最大的距离,如果最大距离中的最大值小于式[SLmax/Smn],其中,SLmax为救生艇的最大航程,Smn为救生艇最大载人数,结束迭代,否则,要把kcluster+1赋值给kcluster,返回S32;
S37输出每个聚类中心点坐标C[cluster]、每个聚类类别的的遇险人员数量Cnum以及遇险人员位置坐标Clocation。
9.根据权利要求7所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,S4基于所述遇险人员的救援权重进行两栖飞机着水点的选择的具体流程与步骤为:
遇险人员生存概率计算,某个遇险人员在遇险后第T时刻的生存概率计算方法可以表示为:
式中,P表示为该遇险人员的生存概率;
基于遇险人员健康信息与遇险时间,计算每位遇险人员遇险后第T时刻的救援权重,计算方法表示为:
式中,Wi代表在遇险后第i个遇险人员的救援权重,Pi代表第i名遇险人员在遇险后第T时刻生存概率,N代表遇险人员数量;
两栖飞机着水点选择,基于自适应K-聚类算法聚类结果与遇险人员的救援权重,计算每个聚类类别的遇险人员的总救援权重,计算方法表示为:
两栖飞机在kcluster个聚类类别中选择总救援权重最大的聚类类别的中心坐标作为着水点。
10.根据权利要求7所述的面向中远海救援的两栖飞机着水救援流程规划方法,其特征在于,所述S5基于自适应优化过的遗传算法进行遇险人员救援顺序规划的具体流程与步骤:
所述自适应优化过的遗传算法流程包括种群定义、种群个体染色体编码、适应度函数、基于邻域搜索的自我优化、选择操作、交叉操作、变异操作;
所述种群定义,即种群由一定数量的救援遇险人员顺序组成;
所述种群个体染色体编码,设两栖飞机选择第j个聚类中心作为落点,对于该聚类的个遇险人员,对其进行0到/>的数字编码,作为种群内个体的染色体组成部分,考虑到救生艇的最大载人数,救生艇的救援路径会受到限制,即救生艇达到最大载人数之后就要回到两栖飞机进行转运以及补给,所以对两栖飞机的落点进行数字编码为/>每隔Smn个编码就需要插入一个/>数字编码,而且染色体编码要保证除数字编码/>之外其他染色体编码为不重复的0到/> 的数字编码;若最后剩余的编码个数不到smn,也要在最后插入一个数字编码/>以保证救生艇能回到两栖飞机;
所述适应度函数,即为种群的优化目标,适应度可以表示为:
式中,D代表一种遇险人员的救援顺序,其中di(i+1)代表该路径顺序中第i个点与第i+1个点的距离;
所述基于邻域搜索的自我优化的流程:
S511给定总优化次数Im_count,初始化优化次数k=0;
S512随机选择种群中的一个个体;
S514随机生成两个整数j,k,为生成原染色体近邻解;
S515毁坏:将染色体的第j与k位编码取出;
S516修复:将j与k编码对调位置放入;
S518比较原染色体个体的适应度与新生成染色体的适应度,取适应度较大的作为该个体的新染色体;
S519如果k=Im_count,输出当前染色体个体,否则返回S512;
所述选择操作,基于精英选择与随机选择相结合的方法,在每一代种群中选择一定数量的个体保留下来;所述精英选择,即在每一代种群中选择一定数量适应度最高的个体保留到下一代作为父代,保证种群向着好的方向进化;所述随机选择,即在每一代种群经历精英选择之后剩余的个体,随机选择一定数量的个体保留下来作为父代,保证种群的多样性;
所述交叉操作的步骤为:
S521首先为满足种群数量稳定,种群交叉生成子代的数量等于种群数量减去种群选择保留个体的数量;
S522在选择操作留下的种群个体中随机选择两个不同的个体F与M;
S524随机生成交叉片段长度cL,随机选择交叉片段起始点i;
S525复制if,...,jf与im,...,jm片段作为交叉片段,其中if,...,jf来自个体F,im,...,jm来自个体M;
S526为保证路径点不重复,再F中的编码任一编码,如果它的编码数字存在于M(CL)片段im,...,jm中,那就移除它;再M中的编码任一编码,如果它的编码数字存在于F(CL)片段if,...,jf中,那就移除它,移除相应编码后的个体,Fre和Mre;
S527将复制的if,...,jf与im,...,jm片段交换插入到Fre和Mre的交叉起始片段i的位置上;
S529如果种群数量达到预设值,则停止,否则返回第S522步;
所述变异操作的步骤为:
S531给定变异概率Murate,对于每个交叉操作产生的CH,进行变异操作;
S532生成随机数,如果小于Mutate则到S533,若大于Murate,则停止变异;
S534为保证变异后染色体编码符合要求,随机生成两个整数j,k;
S535交换两个编码位置;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096022.1A CN116244929A (zh) | 2023-01-18 | 2023-01-18 | 一种面向中远海救援的两栖飞机着水救援流程规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096022.1A CN116244929A (zh) | 2023-01-18 | 2023-01-18 | 一种面向中远海救援的两栖飞机着水救援流程规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244929A true CN116244929A (zh) | 2023-06-09 |
Family
ID=86632499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310096022.1A Pending CN116244929A (zh) | 2023-01-18 | 2023-01-18 | 一种面向中远海救援的两栖飞机着水救援流程规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244929A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115704A (zh) * | 2023-08-03 | 2023-11-24 | 武汉理工大学 | 一种基于多传感器融合的海洋搜救系统及方法 |
-
2023
- 2023-01-18 CN CN202310096022.1A patent/CN116244929A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115704A (zh) * | 2023-08-03 | 2023-11-24 | 武汉理工大学 | 一种基于多传感器融合的海洋搜救系统及方法 |
CN117115704B (zh) * | 2023-08-03 | 2024-04-02 | 武汉理工大学 | 一种基于多传感器融合的海洋搜救系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116244929A (zh) | 一种面向中远海救援的两栖飞机着水救援流程规划方法 | |
Demirel et al. | A fuzzy AHP and ELECTRE method for selecting stabilizing device in ship industry | |
CN110737267A (zh) | 一种无人船多目标优化方法及无人船智能综合管控系统 | |
Paolo et al. | Investigating the role of the human element in maritime accidents using semi-supervised hierarchical methods | |
Browne et al. | Consequence modelling for Arctic ship evacuations using expert knowledge | |
CN115081731A (zh) | 一种基于海域事故特点的应急资源优化配置方法 | |
CN104182613A (zh) | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 | |
Karczewski et al. | Variant designing in the preliminary small ship design process | |
Krata et al. | Bayesian approach to ship speed prediction based on operational data | |
Bucci et al. | On advanced ship evacuation analysis | |
Dąbrowska | Conception of oil spill trajectory modelling: Karlskrona seaport area as an investigative example | |
Konovessis et al. | Risk evaluation for RoPax vessels | |
CN113887789B (zh) | 一种基于循环神经网络的改进船舶轨迹预测方法及其装置 | |
Nwaoha et al. | A fuzzy genetic algorithm approach for analysing maintenance cost of high risk liquefied natural gas carrier systems under uncertainty | |
Collette et al. | Needs Exploration for Long-Term Autonomous Marine Systems: Working Report | |
Vanem et al. | Collision damage stability of passenger ships: Holistic and risk-based approach | |
Kawamura et al. | Maintenance planning optimization of a reinforced concrete bridge element using genetic algorithms and dynamic programming | |
Wang et al. | Ship Navigation Safety Assessment Based on Improved Particle Swarm Algorithm | |
Braidotti et al. | Fuzzy analytical hierarchical process to assess weights of importance in ship operation risk assessment | |
Zeng et al. | Planning a collision avoidance model for ship using genetic algorithm | |
Bondarenko et al. | Effectiveness and optimization of harbour tug fleet | |
Gerigk | Modeling of hazards, consequences and risk for safety assessment of ships in damaged conditions in operation | |
Shabakhty et al. | System reliability of jack-up structures based on fatigue degradation | |
Bucci et al. | Evacuation analysis of open deck areas on passenger ships | |
Monisha et al. | A Step Towards Imo Greenhouse Gas Reduction Goal: Effectiveness of Machine Learning Based Co2 Emission Prediction Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |