CN116911560B - 一种基于多目标优化的船舶任务系统决策规划方法 - Google Patents
一种基于多目标优化的船舶任务系统决策规划方法 Download PDFInfo
- Publication number
- CN116911560B CN116911560B CN202310935736.7A CN202310935736A CN116911560B CN 116911560 B CN116911560 B CN 116911560B CN 202310935736 A CN202310935736 A CN 202310935736A CN 116911560 B CN116911560 B CN 116911560B
- Authority
- CN
- China
- Prior art keywords
- ship
- navigation
- target
- combat
- scene
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009471 action Effects 0.000 claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,包括以下步骤:采用CNN‑ATT方法分析船舶任务系统的子系统之间的约束关系,构建子系统的作战性能与作用关系之间的关联映射;根据子系统的作战性能与作用关系之间的关联映射,构建船舶任务系统的快速可重构建模机制;通过多目标优化遗传算法对船舶任务系统的多个需求优化目标进行优化描述,得到优化后的船舶任务系统;根据优化后的船舶任务系统对船舶任务进行决策规划。根据船舶的航行参数信息和规划航行路线,确定船舶当前所处的航行场景和航行场景的转换标志位,基于预设的状态预测模型,根据航行场景、转换标志位以及航行参数信息,确定船舶的目标航行状态。
Description
技术领域
本发明涉及船舶任务决策技术领域,尤其涉及一种基于多目标优化的船舶任务系统决策规划方法。
背景技术
为适应国内外船舶建造技术的发展趋势,计算机、微电子、网络通信和传感器等信息技术大量应用于船舶之中,直接导致船舶设备及系统的复杂程度日益提高,全船资源调度的信息量飞速增长。执行任务时,传统的人工调度方法将面对大量涌入的资源调度信息,受人的记忆和判断等约束,不可避免的会忽略部分调度信息,存在着对实时设备情况及人员状态等宝贵资源调度信息的浪费,也存在着一定的处理滞后性,影响船舶效率。
中国专利CN111967642A《一种基于时间窗策略的资源约束型动态船舶调度方法及调度平台》公开了一种基于时间窗策略的资源约束型动态船舶调度方法及调度平台,其通过时间窗动态调度策略调整任务执行顺序,但其通过对于多目标问题,仅仅考虑使用多目标算法NSGA-II(Non-dominated Sorting Genetic Algorithm-ll,非支配排序遗传算法)和MOPSO(Multiple Objective Particle Swarm Optimization,多目标粒子群算法)来处理,没有考虑到各目标之间的关联,然而对于船舶任务多目标问题需要明确各目标问题之间的依赖关系和支持关系从而对多目标这个离散的组合进行优化。
发明内容
有鉴于此,本发明提出了一种基于多目标优化的船舶任务系统决策规划方法,通过多目标优化遗传算法迭代,优化船舶任务系统不同子系统及单元组合重构,对多个需求优化目标进行准确描述,解决了如何对船舶任务系统进行快速重构的问题。
本发明的技术方案是这样实现的:本发明提供了一种基于多目标优化的船舶任务系统决策规划方法,包括以下步骤:
S1,采用CNN-ATT方法分析船舶任务系统的子系统之间的约束关系,构建子系统的作战性能与作用关系之间的关联映射;
S2,根据子系统的作战性能与作用关系之间的关联映射,构建船舶任务系统的快速可重构建模机制;
S3,通过多目标优化遗传算法对船舶任务系统的多个需求优化目标进行优化描述,得到优化后的船舶任务系统;
S4,根据优化后的船舶任务系统对船舶任务进行决策规划。
优选的,步骤S1包括以下步骤:
将子系统的作战指标以及作战性能数据输入到关系抽取网络CNN-ATT,创建上下文向量,将子系统的作战指标以及作战性能数据与上下文向量拼接成新的输入量A:
其中,i为子系统的数量,j为各个子系统的作战指标以及作战性能数据,n为各个子系统的作战指标以及作战性能数据的总数,αi,j为第i个子系统的第j个作战指标或作战性能数据对于船舶任务系统的多目标优化重构的影响权重,bi为第i个子系统的约束关系。
优选的,所述第i个子系统的第j个作战指标或作战性能数据对于船舶任务系统的多目标优化重构的影响权重的计算过程为:
其中,score值通过多层感知机MLP计算,bi,j为第i个子系统的第j个作战指标或作战性能数据,n为各个子系统的作战指标以及作战性能数据的总数;
所述关联映射通过子系统的约束关系、作战指标和作战性能数据构成。
优选的,步骤S2包括以下步骤:
通过卷积和池化操作得到子系统的约束关系、作战指标的权重影响、作战性能数据的传递规律与重构目标的关系矩阵,通过关系矩阵构建快速可重构建模机制;
所述快速可重构建模机制通过子系统的约束关系、作战指标的权重影响以及作战性能数据的传递规律来共同约束。
优选的,快速可重构建模机制通过多目标优化遗传算法来构建。
优选的,基于预设的状态预测模型,根据所述航行场景和所述目标航行状态,确定船舶的目标航行动作,包括:
若确定航行场景为开阔水域航行场景,且目标航行状态为开阔水域自主避障状态,则基于预设的状态预测模型,确定船舶的候选避障方向;
根据船舶的航行参数信息和规划航行路线,分别确定沿候选避障方向进行避障并回归规划航行路线所需的移动距离;
根据所述移动距离,从船舶的候选避障方向中确定目标避障方向,并根据所述目标避障方向,确定船舶的目标航行动作;
当目标为多个时,计算多个目标之间的作用力fxy:
fxy=G·Dxy;
其中,G为多个目标之间构成的弹簧模型的弹性系数,Dxy为目标x和目标y之间的距离;
多个目标之间构成的弹簧模型具体为与多个目标之间的距离相关的线性项,弹性系数与距离呈负相关;
计算出多个目标之间的作用力后,根据作用力约束多个目标的位置关系,对多个目标进行任务决策。
优选的,基于预设的状态预测模型,根据航行场景和所述目标航行状态,确定船舶的目标航行动作,包括:
若确定航行场景为开阔水域航行场景,且目标航行状态为开阔水域自由航行状态,则基于预设的状态预测模型,直接确定船舶的目标航行动作为保速保向。
优选的,基于预设的状态预测模型,根据航行场景和所述目标航行状态,确定船舶的目标航行动作,并根据所述目标航行动作,确定船舶的航行决策;所述状态预测模型包含各航行场景、航行状态和航行动作之间的关联关系。
优选的,根据船舶的航行参数信息、船舶所处的航路点,以及航行路线信息,确定船舶当前所处的航行场景,包括:若船舶的离开泊位与船舶之间的距离大于预设的离泊阈值,且船舶位于驶离港口的港口航道区域,则确定船舶当前所处的航行场景为航道航行场景;若船舶的目标泊位与船舶之间的距离小于或等于预设的靠泊阈值、船舶所处的航路点为规划航行路线的最后一个航路点,且船舶位于目标港口的泊船区域,则确定船舶当前所处的航行场景为靠泊航行场景;所述离泊阈值和所述靠泊阈值为不同的常数;若船舶与目标泊位或离开泊位之间的距离小于预设系泊距离,且船舶的航行参数信息中的航速小于预设系泊航速阈值,则确定船舶当前所处的航行场景为系泊场景。
优选的,基于预设的状态预测模型,根据所述航行场景、所述转换标志位以及所述航行参数信息,确定船舶的目标航行状态,包括:若确定航行场景为航道航行场景,且航行场景未进入转换标志位,则基于预设的状态预测模型,确定航道航行场景关联的候选航行状态为航道内自由航行状态、跟驰前船状态、航道内自主避碰状态以及紧急制动状态;若根据所述航行参数信息中的环境信息和方位信息,检测到本机船舶的预设距离范围内存在其他船舶、位于本机船舶前方的目标船舶与本机船舶的航向航速均相同、且目标船舶与本机船舶同在航道内航行,则确定本机船舶的目标航行状态为跟驰前船状态;若根据所述航行参数信息中的环境信息和方位信息,检测到其他船舶与本机船舶的航向不同,且其他船舶与本机船舶之间的距离小于预设安全距离阈值,则确定本机船舶的目标航行状态为紧急制动状态。
本发明的一种基于多目标优化的船舶任务系统决策规划方法相对于现有技术具有以下有益效果:
(1)通过创建上下文向量以及多目标优化重构,对任务系统的各子系统的任务指标和任务性能进行约束,实现对船舶任务系统的多目标优化,促进船舶任务系统的任务决策;
(2)根据船舶的航行参数信息和规划航行路线,确定船舶当前所处的航行场景和航行场景的转换标志位,基于预设的状态预测模型,根据航行场景、转换标志位以及航行参数信息,确定船舶的目标航行状态,基于预设的状态预测模型,根据航行场景和所述目标航行状态,确定船舶的目标航行动作,并根据目标航行动作,确定船舶的航行决策;
(3)通过基于状态预测模型,针对不同的航行场景,确定相应的航行状态和航行动作从而做出航行决策,能够在全航程环境中对船舶进行高效决策,实现船舶的全航程自动航行,降低值班驾驶员的劳动强度,节省人力;
(4)通过多目标拟合人群之间的关系和影响,就算多目标之间的作用力,根据作用力对多个目标之间的位置关系进行约束,并根据约束关系进行任务决策。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于多目标优化的船舶任务系统决策规划方法流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
提供一种基于多目标优化的船舶任务系统决策规划方法,如图1所示,包括以下步骤:
S1,采用CNN-ATT方法分析船舶任务系统的子系统之间的约束关系,构建子系统的作战性能与作用关系之间的关联映射;
S2,根据子系统的作战性能与作用关系之间的关联映射,构建船舶任务系统的快速可重构建模机制;
S3,通过多目标优化遗传算法对船舶任务系统的多个需求优化目标进行优化描述,得到优化后的船舶任务系统;
S4,根据优化后的船舶任务系统对船舶任务进行决策规划。
应说明的是:执行任务时,传统的人工调度方法将面对大量涌入的资源调度信息,受人的记忆和判断等约束,不可避免的会忽略部分调度信息,存在着对实时设备情况及人员状态等宝贵资源调度信息的浪费,也存在着一定的处理滞后性,影响船舶效率。
步骤S1包括以下步骤:
将子系统的作战指标以及作战性能数据输入到关系抽取网络CNN-ATT,创建上下文向量,将子系统的作战指标以及作战性能数据与上下文向量拼接成新的输入量A:
其中,i为子系统的数量,j为各个子系统的作战指标以及作战性能数据,n为各个子系统的作战指标以及作战性能数据的总数,αi,j为第i个子系统的第j个作战指标或作战性能数据对于船舶任务系统的多目标优化重构的影响权重,bi为第i个子系统的约束关系。
应说明的是:输入到关系抽取网络CNN-ATT,CNN网络将数据输入到Attention层,为每个子系统、指标及任务性能数据创建上下文向量,并将每个子系统、指标及任务性能数据与上下文向量拼接成新的输入量A,
所述第i个子系统的第j个作战指标或作战性能数据对于船舶任务系统的多目标优化重构的影响权重的计算过程为:
其中,score值通过多层感知机MLP计算,bi,j为第i个子系统的第j个作战指标或作战性能数据,n为各个子系统的作战指标以及作战性能数据的总数;
所述关联映射通过子系统的约束关系、作战指标和作战性能数据构成。
应说明的是:经过训练后,输出船舶任务系统子系统约束规则、任务指标与任务性能传递的关联映射,为船舶任务系统提供快速可重构机制。
步骤S2包括以下步骤:
通过卷积和池化操作得到子系统的约束关系、作战指标的权重影响、作战性能数据的传递规律与重构目标的关系矩阵,通过关系矩阵构建快速可重构建模机制;
所述快速可重构建模机制通过子系统的约束关系、作战指标的权重影响以及作战性能数据的传递规律来共同约束。
快速可重构建模机制通过多目标优化遗传算法来构建。
基于预设的状态预测模型,根据所述航行场景和所述目标航行状态,确定船舶的目标航行动作,包括:
若确定航行场景为开阔水域航行场景,且目标航行状态为开阔水域自主避障状态,则基于预设的状态预测模型,确定船舶的候选避障方向;
根据船舶的航行参数信息和规划航行路线,分别确定沿候选避障方向进行避障并回归规划航行路线所需的移动距离;
根据所述移动距离,从船舶的候选避障方向中确定目标避障方向,并根据所述目标避障方向,确定船舶的目标航行动作;
当目标为多个时,计算多个目标之间的作用力fxy:
fxy=G·Dxy;
其中,G为多个目标之间构成的弹簧模型的弹性系数,Dxy为目标x和目标y之间的距离;
多个目标之间构成的弹簧模型具体为与多个目标之间的距离相关的线性项,弹性系数与距离呈负相关;
计算出多个目标之间的作用力后,根据作用力约束多个目标的位置关系,对多个目标进行任务决策。
应说明的是:船舶任务目标可能存在多个,而多个目标之间的关系可以类比人与人之间,人与人之间的力量是一种“力”,这种力用来使人和邻居中别人保持一定的距离,船舶任务目标中的每个个体就类似于移动的人群中的人,因此以人群之间的社会力来类比任务目标之间影响。
基于预设的状态预测模型,根据所述航行场景和所述目标航行状态,确定船舶的目标航行动作,包括:
若确定航行场景为开阔水域航行场景,且目标航行状态为开阔水域自由航行状态,则基于预设的状态预测模型,直接确定船舶的目标航行动作为保速保向。
基于预设的状态预测模型,根据所述航行场景和所述目标航行状态,确定船舶的目标航行动作,并根据所述目标航行动作,确定船舶的航行决策;所述状态预测模型包含各航行场景、航行状态和航行动作之间的关联关系。
根据船舶的航行参数信息、船舶所处的航路点,以及所述航行路线信息,确定船舶当前所处的航行场景,包括:若船舶的离开泊位与船舶之间的距离大于预设的离泊阈值,且船舶位于驶离港口的港口航道区域,则确定船舶当前所处的航行场景为航道航行场景;若船舶的目标泊位与船舶之间的距离小于或等于预设的靠泊阈值、船舶所处的航路点为规划航行路线的最后一个航路点,且船舶位于目标港口的泊船区域,则确定船舶当前所处的航行场景为靠泊航行场景;所述离泊阈值和所述靠泊阈值为不同的常数;若船舶与目标泊位或离开泊位之间的距离小于预设系泊距离,且船舶的航行参数信息中的航速小于预设系泊航速阈值,则确定船舶当前所处的航行场景为系泊场景。
基于预设的状态预测模型,根据所述航行场景、所述转换标志位以及所述航行参数信息,确定船舶的目标航行状态,包括:若确定航行场景为航道航行场景,且航行场景未进入转换标志位,则基于预设的状态预测模型,确定航道航行场景关联的候选航行状态为航道内自由航行状态、跟驰前船状态、航道内自主避碰状态以及紧急制动状态;若根据所述航行参数信息中的环境信息和方位信息,检测到本机船舶的预设距离范围内存在其他船舶、位于本机船舶前方的目标船舶与本机船舶的航向航速均相同、且目标船舶与本机船舶同在航道内航行,则确定本机船舶的目标航行状态为跟驰前船状态;若根据所述航行参数信息中的环境信息和方位信息,检测到其他船舶与本机船舶的航向不同,且其他船舶与本机船舶之间的距离小于预设安全距离阈值,则确定本机船舶的目标航行状态为紧急制动状态。
另一方面,本发明的实施例还提供了一种设备,该设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现该基于多目标优化的船舶任务系统决策规划方法的步骤。
另一方面,本发明的实施例还提供了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计算机程序,所述计算机程序被处理器执行时实现该基于多目标优化的船舶任务系统决策规划方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
以上对本发明所提供的一种基于多目标优化的船舶任务系统决策规划方法,进行了详细介绍,本文中应用了具体个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。
以上所述仅为本发明的较佳实施方式而已,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,包括以下步骤:
S1,采用CNN-ATT方法分析船舶任务系统的子系统之间的约束关系,构建子系统的作战性能与作用关系之间的关联映射;
步骤S1包括以下步骤:
将子系统的作战指标以及作战性能数据输入到关系抽取网络CNN-ATT,创建上下文向量,将子系统的作战指标以及作战性能数据与上下文向量拼接成新的输入量A:
其中,i为子系统的数量,j为各个子系统的作战指标以及作战性能数据,n为各个子系统的作战指标以及作战性能数据的总数,αi,j为第i个子系统的第j个作战指标或作战性能数据对于船舶任务系统的多目标优化重构的影响权重,bi为第i个子系统的约束关系;
所述第i个子系统的第j个作战指标或作战性能数据对于船舶任务系统的多目标优化重构的影响权重的计算过程为:
其中,score值通过多层感知机MLP计算,bi,j为第i个子系统的第j个作战指标或作战性能数据,n为各个子系统的作战指标以及作战性能数据的总数;
所述关联映射通过子系统的约束关系、作战指标和作战性能数据构成;
S2,根据子系统的作战性能与作用关系之间的关联映射,构建船舶任务系统的快速可重构建模机制;
S3,通过多目标优化遗传算法对船舶任务系统的多个需求优化目标进行优化描述,得到优化后的船舶任务系统;
S4,根据优化后的船舶任务系统对船舶任务进行决策规划。
2.如权利要求1所述的一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,步骤S2包括以下步骤:
通过卷积和池化操作得到子系统的约束关系、作战指标的权重影响、作战性能数据的传递规律与重构目标的关系矩阵,通过关系矩阵构建快速可重构建模机制;
所述快速可重构建模机制通过子系统的约束关系、作战指标的权重影响以及作战性能数据的传递规律来共同约束。
3.如权利要求2所述的一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,快速可重构建模机制通过多目标优化遗传算法来构建。
4.如权利要求1所述的一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,基于预设的状态预测模型,根据航行场景和目标航行状态,确定船舶的目标航行动作,包括:
若确定航行场景为开阔水域航行场景,且目标航行状态为开阔水域自主避障状态,则基于预设的状态预测模型,确定船舶的候选避障方向;
根据船舶的航行参数信息和规划航行路线,分别确定沿候选避障方向进行避障并回归规划航行路线所需的移动距离;
根据所述移动距离,从船舶的候选避障方向中确定目标避障方向,并根据所述目标避障方向,确定船舶的目标航行动作;
当目标为多个时,计算多个目标之间的作用力fxy:
fxy=G·Dxy;
其中,G为多个目标之间构成的弹簧模型的弹性系数,Dxy为目标x和目标y之间的距离;
多个目标之间构成的弹簧模型具体为与多个目标之间的距离相关的线性项,弹性系数与距离呈负相关;
计算出多个目标之间的作用力后,根据作用力约束多个目标的位置关系,对多个目标进行任务决策。
5.如权利要求1所述的一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,基于预设的状态预测模型,根据航行场景和目标航行状态,确定船舶的目标航行动作,包括:
若确定航行场景为开阔水域航行场景,且目标航行状态为开阔水域自由航行状态,则基于预设的状态预测模型,直接确定船舶的目标航行动作为保速保向。
6.如权利要求5所述的一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,基于预设的状态预测模型,根据所述航行场景和目标航行状态,确定船舶的目标航行动作,并根据所述目标航行动作,确定船舶的航行决策;所述状态预测模型包含各航行场景、航行状态和航行动作之间的关联关系。
7.如权利要求6所述的一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,根据船舶的航行参数信息、船舶所处的航路点,以及航行路线信息,确定船舶当前所处的航行场景,包括:若船舶的离开泊位与船舶之间的距离大于预设的离泊阈值,且船舶位于驶离港口的港口航道区域,则确定船舶当前所处的航行场景为航道航行场景;若船舶的目标泊位与船舶之间的距离小于或等于预设的靠泊阈值、船舶所处的航路点为规划航行路线的最后一个航路点,且船舶位于目标港口的泊船区域,则确定船舶当前所处的航行场景为靠泊航行场景;所述离泊阈值和所述靠泊阈值为不同的常数;若船舶与目标泊位或离开泊位之间的距离小于预设系泊距离,且船舶的航行参数信息中的航速小于预设系泊航速阈值,则确定船舶当前所处的航行场景为系泊场景。
8.如权利要求7所述的一种基于多目标优化的船舶任务系统决策规划方法,其特征在于,基于预设的状态预测模型,根据所述航行场景、转换标志位以及所述航行参数信息,确定船舶的目标航行状态,包括:若确定航行场景为航道航行场景,且航行场景未进入转换标志位,则基于预设的状态预测模型,确定航道航行场景关联的候选航行状态为航道内自由航行状态、跟驰前船状态、航道内自主避碰状态以及紧急制动状态;若根据所述航行参数信息中的环境信息和方位信息,检测到本机船舶的预设距离范围内存在其他船舶、位于本机船舶前方的目标船舶与本机船舶的航向航速均相同、且目标船舶与本机船舶同在航道内航行,则确定本机船舶的目标航行状态为跟驰前船状态;若根据所述航行参数信息中的环境信息和方位信息,检测到其他船舶与本机船舶的航向不同,且其他船舶与本机船舶之间的距离小于预设安全距离阈值,则确定本机船舶的目标航行状态为紧急制动状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935736.7A CN116911560B (zh) | 2023-07-27 | 2023-07-27 | 一种基于多目标优化的船舶任务系统决策规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935736.7A CN116911560B (zh) | 2023-07-27 | 2023-07-27 | 一种基于多目标优化的船舶任务系统决策规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911560A CN116911560A (zh) | 2023-10-20 |
CN116911560B true CN116911560B (zh) | 2024-03-12 |
Family
ID=88350901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310935736.7A Active CN116911560B (zh) | 2023-07-27 | 2023-07-27 | 一种基于多目标优化的船舶任务系统决策规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911560B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117793A (zh) * | 2015-08-10 | 2015-12-02 | 大连海事大学 | 一种双向通航港口船舶调度优化方法 |
CN107341573A (zh) * | 2017-07-05 | 2017-11-10 | 大连海事大学 | 一种复式航道水域的船舶交通组织优化方法 |
CN109298712A (zh) * | 2018-10-19 | 2019-02-01 | 大连海事大学 | 一种基于自适应航行态势学习的无人驾驶船舶自主避碰决策方法 |
CN110737267A (zh) * | 2019-09-30 | 2020-01-31 | 智慧航海(青岛)科技有限公司 | 一种无人船多目标优化方法及无人船智能综合管控系统 |
CN111930123A (zh) * | 2020-08-13 | 2020-11-13 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 多目标综合优化决策方法、装置及电子设备 |
CN113096446A (zh) * | 2021-03-30 | 2021-07-09 | 武汉理工大学 | 混合航行场景下的多船避碰决策方法、存储介质及处理器 |
CN113191571A (zh) * | 2021-05-26 | 2021-07-30 | 上海海事大学 | 基于多目标适应性权重进化算法的航线优化方法 |
CN113962153A (zh) * | 2021-10-22 | 2022-01-21 | 大连海事大学 | 一种基于注意力机制的船舶碰撞风险评估方法 |
CN114882737A (zh) * | 2022-04-20 | 2022-08-09 | 集美大学 | 多船危险避碰决策方法、系统和存储介质 |
CN115167404A (zh) * | 2022-06-24 | 2022-10-11 | 大连海事大学 | 一种基于迁移强化学习的海上自主水面船舶避碰决策方法 |
CN115239181A (zh) * | 2022-07-31 | 2022-10-25 | 海博泰科技(青岛)有限公司 | 一种单向航道船舶靠离泊规划算法 |
CN115407786A (zh) * | 2022-11-01 | 2022-11-29 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶全航程自动航行决策方法、装置、设备及介质 |
CN115657663A (zh) * | 2022-09-30 | 2023-01-31 | 中船航海科技有限责任公司 | 一种狭窄水域船舶避碰算法 |
CN115755934A (zh) * | 2022-12-14 | 2023-03-07 | 武汉理工大学 | 一种船舶进港航迹控制方法、装置、电子设备及存储介质 |
CN116312063A (zh) * | 2023-05-23 | 2023-06-23 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶避让决策方法、装置、设备及介质 |
CN116468235A (zh) * | 2023-04-11 | 2023-07-21 | 烟台大学 | 一种多港池混合型通航的港口船舶交通组织优化方法 |
-
2023
- 2023-07-27 CN CN202310935736.7A patent/CN116911560B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117793A (zh) * | 2015-08-10 | 2015-12-02 | 大连海事大学 | 一种双向通航港口船舶调度优化方法 |
CN107341573A (zh) * | 2017-07-05 | 2017-11-10 | 大连海事大学 | 一种复式航道水域的船舶交通组织优化方法 |
CN109298712A (zh) * | 2018-10-19 | 2019-02-01 | 大连海事大学 | 一种基于自适应航行态势学习的无人驾驶船舶自主避碰决策方法 |
CN110737267A (zh) * | 2019-09-30 | 2020-01-31 | 智慧航海(青岛)科技有限公司 | 一种无人船多目标优化方法及无人船智能综合管控系统 |
CN111930123A (zh) * | 2020-08-13 | 2020-11-13 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 多目标综合优化决策方法、装置及电子设备 |
CN113096446A (zh) * | 2021-03-30 | 2021-07-09 | 武汉理工大学 | 混合航行场景下的多船避碰决策方法、存储介质及处理器 |
CN113191571A (zh) * | 2021-05-26 | 2021-07-30 | 上海海事大学 | 基于多目标适应性权重进化算法的航线优化方法 |
CN113962153A (zh) * | 2021-10-22 | 2022-01-21 | 大连海事大学 | 一种基于注意力机制的船舶碰撞风险评估方法 |
CN114882737A (zh) * | 2022-04-20 | 2022-08-09 | 集美大学 | 多船危险避碰决策方法、系统和存储介质 |
CN115167404A (zh) * | 2022-06-24 | 2022-10-11 | 大连海事大学 | 一种基于迁移强化学习的海上自主水面船舶避碰决策方法 |
CN115239181A (zh) * | 2022-07-31 | 2022-10-25 | 海博泰科技(青岛)有限公司 | 一种单向航道船舶靠离泊规划算法 |
CN115657663A (zh) * | 2022-09-30 | 2023-01-31 | 中船航海科技有限责任公司 | 一种狭窄水域船舶避碰算法 |
CN115407786A (zh) * | 2022-11-01 | 2022-11-29 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶全航程自动航行决策方法、装置、设备及介质 |
CN115755934A (zh) * | 2022-12-14 | 2023-03-07 | 武汉理工大学 | 一种船舶进港航迹控制方法、装置、电子设备及存储介质 |
CN116468235A (zh) * | 2023-04-11 | 2023-07-21 | 烟台大学 | 一种多港池混合型通航的港口船舶交通组织优化方法 |
CN116312063A (zh) * | 2023-05-23 | 2023-06-23 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶避让决策方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116911560A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
Zhou et al. | The review unmanned surface vehicle path planning: Based on multi-modality constraint | |
Chun et al. | Deep reinforcement learning-based collision avoidance for an autonomous ship | |
Xie et al. | Model predictive ship collision avoidance based on Q-learning beetle swarm antenna search and neural networks | |
CN111780777A (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
CN110083155B (zh) | 一种实现船舶拟人智能避碰决策的机器学习方法 | |
Grigorescu et al. | Neurotrajectory: A neuroevolutionary approach to local state trajectory learning for autonomous vehicles | |
CN113156947B (zh) | 一种船舶在动态环境下的路径规划的方法 | |
Li et al. | Ship’s trajectory planning based on improved multiobjective algorithm for collision avoidance | |
CN113176776A (zh) | 基于深度强化学习的无人艇天气自适应避障方法 | |
Yu et al. | USV path planning method with velocity variation and global optimisation based on AIS service platform | |
Wang et al. | Collision avoidance for autonomous ship using deep reinforcement learning and prior-knowledge-based approximate representation | |
Zheng et al. | A Decision‐Making Method for Ship Collision Avoidance Based on Improved Cultural Particle Swarm | |
Wang et al. | Local path optimization method for unmanned ship based on particle swarm acceleration calculation and dynamic optimal control | |
Chen et al. | Survey on cooperative control for waterborne transport | |
US11941553B1 (en) | Methods, electronic devices and storage media for ship route optimization | |
CN110487290A (zh) | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 | |
Zhao et al. | Global-local hierarchical path planning scheme for unmanned surface vehicles under dynamically unforeseen environments | |
Wang et al. | Path-following optimal control of autonomous underwater vehicle based on deep reinforcement learning | |
Zheng et al. | Regulation aware dynamic path planning for intelligent ships with uncertain velocity obstacles | |
Zhang et al. | Collision avoidance method for autonomous ships based on modified velocity obstacle and collision risk index | |
Guo et al. | Mission-driven path planning and design of submersible unmanned ship with multiple navigation states | |
Wu et al. | A novel fuzzy control path planning algorithm for intelligent ship based on scale factors | |
CN116911560B (zh) | 一种基于多目标优化的船舶任务系统决策规划方法 | |
Yuan et al. | A second-order dynamic and static ship path planning model based on reinforcement learning and heuristic search algorithms |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |