CN118095600A - 一种基于油耗预测的船舶航线优化方法 - Google Patents
一种基于油耗预测的船舶航线优化方法 Download PDFInfo
- Publication number
- CN118095600A CN118095600A CN202410299392.XA CN202410299392A CN118095600A CN 118095600 A CN118095600 A CN 118095600A CN 202410299392 A CN202410299392 A CN 202410299392A CN 118095600 A CN118095600 A CN 118095600A
- Authority
- CN
- China
- Prior art keywords
- model
- route
- genetic algorithm
- oil consumption
- ship
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 230000002068 genetic effect Effects 0.000 claims abstract description 67
- 239000000446 fuel Substances 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- MYVIATVLJGTBFV-UHFFFAOYSA-M thiamine(1+) chloride Chemical compound [Cl-].CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N MYVIATVLJGTBFV-UHFFFAOYSA-M 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 31
- 210000000349 chromosome Anatomy 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 239000013535 sea water Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于油耗预测的船舶航线优化方法，包括：整合多源数据；采用零均值标准化对油耗特征参数进行标准化处理，得到目标特征参数；根据目标特征参数，建立基于遗传算法的BP神经网络优化模型；获取当前特征参数，并采用训练好的基于遗传算法的BP神经网络优化模型处理当前特征参数，得到油耗预测值；选取航线，建立船舶航线数学模型；基于油耗预测模型建立评价航线优劣的指标函数；利用改进的遗传算法优化出指标函数最小的航线信息。本发明通过将油耗模型的输出作为航线模型的输入，将两者紧密结合在一起，实现了动态的航线规划，考虑了船舶在不同航线上的实际燃油消耗情况，这种综合考虑油耗与航线之间的关系的方法，使得航线规划更加精准和有效，从而为船舶的节能和经济效益提供了更强大的支持。
Description
技术领域
本发明涉及一种船舶航线优化方法，尤其涉及一种基于油耗预测的船舶航线优化方法。
背景技术
现有基于油耗预测的系统主要通过优化船舶航线以降低油耗，这些系统通常依赖于先进的数据分析、气象预测和船舶性能模型等技术。主要存在以下缺点：模型精度限制：一些油耗预测模型受到模型的限制，无法准确地考虑所有影响油耗的复杂因素，这包括船舶的具体设计、装备、负载、航速以及神经网络模型内部参数设置影响等因素；未充分考虑环境因素：现有的航线优化中未充分考虑环境因素，比如海洋气象条件、潮汐和其他自然影响，这些因素对船舶的燃油产生显著影响；数据不准确性和实时性：现有系统在油耗预测中受到数据不准确性和实时性的挑战，海洋环境和船舶状况的快速变化导致预测结果和实际油耗存在差异。
传统上，航线规划往往仅基于静态的地理信息和航行条件，而油耗模型则独立于航线规划，根据船舶性能和环境因素预测油耗。即现有技术往往只注重航线规划或油耗模型的单一方面，缺乏整合性的考虑。
发明内容
发明目的：本发明目的是提出一种基于油耗预测的船舶航线优化方法，通过将油耗模型的输出作为航线模型的输入，实现了动态的航线规划。
技术方案：本发明包括以下步骤：
整合多源数据；
对油耗特征参数进行标准化处理，得到目标特征参数；
根据目标特征参数，建立基于遗传算法的BP神经网络优化模型；
获取当前特征参数，并采用训练好的基于遗传算法的BP神经网络优化模型处理当前特征参数，得到油耗预测值；
选取航线，建立船舶航线数学模型；
基于油耗预测模型建立评价航线优劣的指标函数；
利用改进的遗传算法优化出指标函数最小的航线信息。
所述利用改进的遗传算法优化出指标函数最小的航线信息，包括油耗预测模型和航线优化模型。
所述油耗预测模型中具体的模型参数设置步骤如下：
基于遗传算法的BP神经网络优化模型中遗传算法参数的设定，包括：种群初始化、适应度函数、选择算子、交叉算子、变异算子；
基于遗传算法的BP神经网络模型网络参数的设定及性能分析，用评价指标训练出指标性能最优的隐藏神经元节点个数的网络，模型评价指标1：
式中，N为数据样本的个数，为模型的实际输出，yi为模型的期望输出；
模型评价指标2：
式中，N为数据样本的个数，为模型的实际输出，yi为模型的期望输出；
通过评价指标1和2得到最优的隐藏神经元节点数后更改上述的基于遗传算法的油耗预测模型的神经元节点数再进一步利用遗传算法优化BP神经网络的初始权值和阈值。
所述航线优化模型采用改进的遗传算法对船舶航线优化，具体算法改进步骤包括：
遗传算法的算子自适应：采用交叉和概率自适应规则，概率自适应规则为当该个体适应度值小于均值时，个体交叉概率和交叉概率取较大的值，否则求取概率值；
遗传算法并行化。
所述概率自适应规则具体如下：
其中，α、β分别为种群适应度最大值和均值；αmin和αmax分别为交叉概率阈值上下限；ω为两个交叉个体较大的适应度值；βmax和βmin分别为变异概率阈值上下限；ω为变异个体的适应度值。
所述建立船舶航线数学模型包括：定义航行区域的航路点信息、航段数量、航路点选择的约束和不可航行区域约束。
所述建立船舶航线数学模型，具体过程为：
(1)定义航路点信息的向量为：
Pi＝{(L0,N0),(L1,N1),...,(Ln,Nn)}
其中Ln表示第n个航路点坐标的纬度，Nn表示第n个航路点坐标的经度；
(2)航行区域表示为：
Ω∈{(L,N)|Lmin≤L≤Lmax,Nmin≤N≤Nmax}
其中，Lmin和Lmax分别表示航行区域的最小和最大经度坐标；Nmin和Nmax分别表示行区域的最小和最大纬度。
所述基于油耗预测模型建立评价航线优劣的指标函数，具体为：
(1)建立总油耗指标函数：
其中，q为船舶油耗模型；(Li,Ni)为第i个航路点坐标；根据各航路点确定的航段上的气象信息给出油耗值；
(2)建立航时指标函数：
其中，Si表示第i航段的航程距离；Vi表示为第i航段的速度；根据航路点的信息确定航段距离以及预测出的航速求得总航时。
所述根据目标特征参数，建立基于遗传算法的BP神经网络优化模型，具体为：确定BP神经网络的拓扑结构，对神经网络的权值和阈值编码得到初始种群，将权值和阈值赋给新建的BP网络；使用目标特征参数训练网络并使用测试的特征参数测试网络测试误差；通过遗传算法操作寻找最优的BP神经网络初始权值和阈值。
所述对油耗特征参数进行标准化处理时采用零均值标准化。
有益效果：本发明通过将油耗模型的输出作为航线模型的输入，将两者紧密结合在一起，实现了动态的航线规划，考虑了船舶在不同航线上的实际燃油消耗情况，这种综合考虑油耗与航线之间的关系的方法，使得航线规划更加精准和有效，从而为船舶的节能和经济效益提供了更强大的支持。
附图说明
图1为本发明的流程图；
图2为实施例中基于油耗预测的船舶航线优化方法的整体设计框图；
图3为实施例中油耗模型的遗传算法和BP神经网络的参数设定步骤的流程示意图；
图4为实施例中基于遗传算法的BP神经网络模型训练成油耗预测模型的步骤流程图；
图5为实施例中基于遗传算法的航线优化迭代实验结果；
图6为实施例中航线优化中算法迭代航时最小实验结果；
图7为实施例中航线优化前和优化后的对比。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明基于油耗预测的船舶航线优化方法包括以下步骤：
S110、整合多源数据
多源数据包括但不限于：卫星数据、气象站数据、船舶传感器数据、历史航行数据等，在本实施例中，采用的是船队在线的智能航行系统的船舶航行数据和哥白尼气象海洋数据监测局的气象数据，可以包括主机功率、船速、吃水深度、主机转速、风速、风向、洋流速度等一系列可以影响到油耗的特征参数。并通过油耗数据关联分析得出影响油耗的目标特征参数。
S120、采用零均值标准化对油耗特征参数进行标准化处理，得到目标特征参数
零均值标准化是一种常见的数据预处理技术，用于使数据的均值为零，标准差为一。这种标准化方法有助于消除不同特征之间的量纲差异，确保它们具有相似的尺度，从而更好地适用基于遗传算法的BP神经网络和统计分析。零均值的标准化步骤如下：
(1)计算均值：对每个特征的所有样本进行求和，除以样本数量得到每个特征的均值：
其中，μ是均值，n是样本数量，xi是第i个样本；
(2)计算标准差：对每个特征的所有样本进行方差计算，取平方根，得到每个特征的标准差，公式如下所示：
其中，σ为标准差，μ为均值，n是样本数量，xi是第i个样本。
(3)零均值标准化：对每个样本的特征应用以下公式：
其中，zi是标准后的样本值，xi是原始样本值，μ是对应特征的均值，σ是对应特征的标准差。通过零均值标准化，每个特征的均值都变成了零，标准差变成1，这有助于消除不同特征之间的数量级差异，使得数据更容易在神经网络模型中进行训练和收敛。
S130、根据目标特征参数，建立基于遗传算法的BP神经网络优化模型
基于遗传算法的BP神经网络模型结合了遗传算法和反向传播神经网络，以优化神经网络的权值和阈值，提高网络的性能和收敛速度。油耗预测往往涉及多种因素，包括船舶特性、环境条件、航线等。该模型能够适应复杂的非线性关系，从而更好地捕捉和建模这些多因素的影响。基于以上特点，采用基于遗传算法的BP神经网络进行油耗模型的构建。
具体为：首先确定BP神经网络的拓扑结构，对神经网络的权值和阈值编码得到初始种群，将权值和阈值赋给新建的BP网络。然后使用目标特征参数训练网络并使用测试的特征参数测试网络测试误差。由于预测特征参数的BP神经网络的测试误差的范数作为目标函数的输出，进而计算该个体的适应度值，最后通过遗传算法的选择、交叉、变异操作寻找最优个体，即最优的BP神经网络初始权值和阈值。
S140、获取当前特征参数，并采用训练好的基于遗传算法的BP神经网络优化模型处理当前特征参数，得到油耗预测值；
S150、选取航线，建立船舶航线数学模型；
S160、定义航行区域的航路点信息、航段数量、航路点选择的约束和不可航行区域约束；
船舶航线数学建模是描述和表示船舶在海上的航行路径的一种数学化过程。这种建模旨在通过数学模型来描绘船舶在水域中的运动、导航和路径规划，以便进行分析、优化和预测。以下是具体的船舶航线数学建模的过程：
(1)定义航路点信息的向量为：
Pi＝{(L0,N0),(L1,N1),...,(Ln,Nn)}
其中Ln表示第n个航路点坐标的纬度，Nn表示第n个航路点坐标的经度。
(2)航行区域表示为：
Ω∈{(L,N)|Lmin≤L≤Lmax,Nmin≤N≤Nmax}
其中，Lmin和Lmax分别表示航行区域的最小和最大经度坐标；Nmin和Nmax分别表示行区域的最小和最大纬度。
S170、基于油耗预测模型建立评价航线优劣的指标函数
建立评价航线优劣的指标函数时，通常需要综合考虑多个因素，包括油耗、航行时间、航线安全性等。具体包括以下步骤：
(1)建立总油耗指标函数：
其中，q为船舶油耗模型；(Li,Ni)为第i个航路点坐标；根据各航路点确定的航段上的气象信息给出油耗值；
(2)建立航时指标函数：
其中，Si表示第i航段的航程距离；Vi表示为第i航段的速度。根据航路点的信息确定航段距离以及预测出的航速求得总航时。
S180、利用改进的遗传算法优化出指标函数最小的航线信息，具体包括油耗预测模型和航线优化模型，如图2所示。
其中，油耗预测模型中具体的模型参数设置步骤如图3和图4所示，包括：
S210、基于遗传算法的BP神经网络优化模型中遗传算法参数的设定，具体为：
(1)种群初始化：个体编码使用二进制编码，每个个体均为一个二进制串，由输入层于隐藏层连接权值、隐藏层阈值、隐藏层与输出层连接权值、输出层阈值四部分组成，每个权值和阈值使用M位二进制编码，将所有权值和阈值的编码连接起来即为一个个体编码。在本次实施例中网络结构是3-7-1，所以权值和阈值的个数如表1所示：
表1权值和阈值的个数
(2)适应度函数：为了使BP网络在预测时，预测值和期望值的残差尽可能小，所以选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出。适应度函数采用排序的适应度分配函数：FitnV＝ranking(obj)，其中obj为目标函数的输出；
(3)选择算子：选择算子采用随机遍历抽样(sus)；
(4)交叉算子：采用单点交叉算子；
(5)变异算子：变异以一定概率产生变异基因数，用随机方法选出产生变异的基因。如果所选的基因的编码为1，则变为0；反之，则变为1。
优化BP神经网络模型的遗传算法运行参数设定如表2所示。
表2遗传算法运行参数设定
S220、基于遗传算法的BP神经网络模型网络参数的设定及性能分析，具体为：
对于BP神经网络，其输入权值和阈值可以由遗传算法优化得出，在给定的训练集明确网络输入、输出的前提下，只需要设置隐藏层神经元节点个数便可完成对网络的训练，而节点个数的设置在一定程度上会影响网络的预测精度。为确定神经元节点个数和避免参数选择过程中的信息泄露，将样本数据按6：2：2的比例划分为训练集、验证集和测试集。训练集用于训练，得到不同神经元节点个数下的BP网络；验证集用于评估神经元节点个数的变化对整个模型预测精度的影响，辅助确定模型的最佳参数:测试集用于检验模型最终的预测精度。对于BP网络，激活函数通常选择Sigmod函数，同时设定其神经元节点数由1逐步递增至1000。由于BP网络的输入权值和隐藏层的阈值是随机给定的，其预测的结果存在一定程度的浮动。因此隐藏层神经元节点个数由1逐步增至1000的过程中，对于每个不同的BP网络，均利用训练集和验证集重复验证50次。最后用两个评价指标训练出指标性能最优的隐藏神经元节点个数的网络。
模型评价指标1：
式中，N为数据样本的个数，为模型的实际输出，yi为模型的期望输出。
模型评价指标2：
式中，N为数据样本的个数，为模型的实际输出，yi为模型的期望输出。
通过评价指标1和2得到最优的隐藏神经元节点数后更改上述的基于遗传算法的油耗预测模型的神经元节点数再进一步利用遗传算法优化BP神经网络的初始权值和阈值。
航线优化模型采用改进的遗传算法对船舶航线优化，具体算法改进步骤包括：
S310、遗传算法的算子自适应
遗传算法在迭代寻优时，染色体之间按照一定概率发生交叉变异来生成新解，一般设置染色体发生交叉和变异为固定值，其缺陷是忽视了染色体之间信息优劣差异，使优势信息和劣势信息以相同的概率进入到下一代中。因此，设计了交叉和概率自适应调整办法。概率自适应规则为当该个体适应度值小于均值时，个体交叉概率和交叉概率取较大的值，否则按照一定的方式求取概率值，这种概率选择方式提高了优势信息的进化概率，有助于提升求解质量和效率。概率自适应规则具体如下：
其中，分别为种群适应度最大值和均值；αmin和αmax分别为交叉概率阈值上下限，取值分别为0.94和0.9；ω为两个交叉个体较大的适应度值；βmax和βmin分别为变异概率阈值上下限，取值分别为0.1和0.01；ω为变异个体的适应度值。
S320、遗传算法并行化；
具体的，算法并行化指利用计算机的不同核心单元同时计算程序的各部分，以此减少程序运行时间。由于遗传算法依次迭代过程中每个染色体的评估都是独立的，所以每一代染色体的评估都适合并行化。并行式自适应遗传算法将各个染色体的适应度评估分配到计算机的各个核心上进行计算，这种并行模式也被称为主从模型并行机制。
主从模型并行机制的理想加速比计算如式：
下面结合具体示例验证本申请提供的基于船舶油耗预测的航线优化方法，以及本申请提供的航线优化的处理过程。
具体的，根据一艘集装箱船航行历史数据进行特征选择，步骤如下：
(1)数据获取：AIS和哥白尼海洋数据集提供的主要数据包括平均速度、平均吃水深度、航向、洋流速度、风速、风力、海水温度、海水盐度和有效波高。其中，航行的平均速度和平均吃水深度是由船队在线官网直接获取的数据。洋流速度、风速、海水温度等气象数据是根据哥白尼海洋环境检测局获取的。获得如下部分数据如表3所示。
表3数据获取
(2)数据处理：原始数据包括490个样本和10个特征向量，为了对模型进行更精准地训练。表4显示了零均值标准化后的原始数据集。
表4零均值标准化后的原始数据集
(3)油耗预测模型：结合样本数据特征确定基于遗传算法的BP神经网络的输入为航行速度、吃水深度、风速、风力、海水盐度等特征参数并根据图3的流程构建油耗模型。为了验证上述模型的准确性，其中当神经元节点个数在176时，航速的δMAE会随着节点数的增加而急剧增大，于是设定BP神经网络的隐藏神经元个数为176同时引入遗传算法再次用训练集训练出BP神经网络最佳的初始阈值和权值，经过50次迭代测试误差目标函数达到最小并得到在176个隐藏节点个数下的最优初始权值和阈值，示例结果如图5所示。
基于油耗预测的航线数值仿真：为了评估遗传算法在船舶航线优化的效果，采用船队在线提供的航线历史信息作为样本数据分析利用改进的遗传算法和传统遗传法对航线优化模型进行求解，在传统的遗传算法中选择、交叉和变异的概率是随机给定的而改进的遗传算法采用本申请中的自适应机制进行迭代的。图6和图7分别给出了航行时间和油耗。通过数值模拟比较历史航线和优化路线的油耗值。图7显示了在不同路段上和历史航线对比研究效果，发现15-30段在气象条件的影响下最佳航行时间和最小油耗存在显著差异，发现在最佳航行时间的情况下，洋流和巨浪的影响一定会使得油耗增加。同时，图6给出了迭代算法中整段航线航行时间的最优状态。通过对航线上各航段的油耗进行比较，发现其油耗差异还受到风、浪和流影响包括航线的长度和速度大小这些都会导致更高的油耗，这是因为在航行过程中需要更多的燃料消耗来保持船舶航行稳定。图7进一步对各航段的油耗与历史航线上的燃油消耗进行对比分析，结果表明，在大多数情况下，优化后各航段的消耗均低于历史航段。这表明本发明提出的航线优化模型可以在一定程度上降低航线上的燃油消耗。
本发明通过整合来自船队在线和哥白尼海洋检测局的多源数据，包括气象环境数据，以全面考虑环境因素对油耗的影响。提高了数据的准确性和实时性，为航线优化提供更全面的信息基础，然后进行特征参数标准化，采用零均值标准化对油耗特征参数进行处理，确保它们具有一致的尺度。这有助于避免不同量级的特征参数对优化模型的影响不均衡，提高了模型的稳定性，其次建立基于遗传算法的BP神经网络优化模型，以确保模型在航线优化方面具有高精度，这种结合，利用了遗传算法的全局搜索和BP神经网络的非线性拟合能力，提高了对复杂关系的建模效果。利用训练好的模型对当前特征参数进行处理，得到实时的油耗预测值帮助船舶在航行中根据实际环境动态调整航线，实现更有效的油耗管理。最后采用数学建模对船队在线的待优化航线进行描述，定义了约束和不可行区域。通过改进的遗传算法，优化出指标函数最小的航线信息，实现了对航线的智能优化。总体而言，这一创新方法通过综合多源数据、合理处理特征参数、结合遗传算法和神经网络模型，以及实时油耗预测，实现了对航线的智能优化，为航运行业提供了一种更有效、实用的管理和运营方案。
Claims (10)
1.一种基于油耗预测的船舶航线优化方法，其特征在于，包括以下步骤：
整合多源数据；
对油耗特征参数进行标准化处理，得到目标特征参数；
根据目标特征参数，建立基于遗传算法的BP神经网络优化模型；
获取当前特征参数，并采用训练好的基于遗传算法的BP神经网络优化模型处理当前特征参数，得到油耗预测值；
选取航线，建立船舶航线数学模型；
基于油耗预测模型建立评价航线优劣的指标函数；
利用改进的遗传算法优化出指标函数最小的航线信息。
2.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述利用改进的遗传算法优化出指标函数最小的航线信息，包括油耗预测模型和航线优化模型。
3.根据权利要求2所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述油耗预测模型中具体的模型参数设置步骤如下：
基于遗传算法的BP神经网络优化模型中遗传算法参数的设定，包括：种群初始化、适应度函数、选择算子、交叉算子、变异算子；
基于遗传算法的BP神经网络模型网络参数的设定及性能分析，用评价指标训练出指标性能最优的隐藏神经元节点个数的网络，模型评价指标1：
式中，N为数据样本的个数，为模型的实际输出，yi为模型的期望输出；
模型评价指标2：
式中，N为数据样本的个数，为模型的实际输出，yi为模型的期望输出；
通过评价指标1和2得到最优的隐藏神经元节点数后更改上述的基于遗传算法的油耗预测模型的神经元节点数再进一步利用遗传算法优化BP神经网络的初始权值和阈值。
4.根据权利要求2所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述航线优化模型采用改进的遗传算法对船舶航线优化，具体算法改进步骤包括：
遗传算法的算子自适应：采用交叉和概率自适应规则，概率自适应规则为当该个体适应度值小于均值时，个体交叉概率和交叉概率取较大的值，否则求取概率值；
遗传算法并行化。
5.根据权利要求4所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述概率自适应规则具体如下：
其中，α、β分别为种群适应度最大值和均值；αmin和αmax分别为交叉概率阈值上下限；ω为两个交叉个体较大的适应度值；βmax和βmin分别为变异概率阈值上下限；ω为变异个体的适应度值。
6.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述建立船舶航线数学模型包括：定义航行区域的航路点信息、航段数量、航路点选择的约束和不可航行区域约束。
7.根据权利要求6所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述建立船舶航线数学模型，具体过程为：
(1)定义航路点信息的向量为：
Pi＝{(L0,N0),(L1,N1),...,(Ln,Nn)}
其中Ln表示第n个航路点坐标的纬度，Nn表示第n个航路点坐标的经度；
(2)航行区域表示为：
Ω∈{(L,N)|Lmin≤L≤Lmax,Nmin≤N≤Nmax}
其中，Lmin和Lmax分别表示航行区域的最小和最大经度坐标；Nmin和Nmax分别表示行区域的最小和最大纬度。
8.根据权利要求7所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述基于油耗预测模型建立评价航线优劣的指标函数，具体为：
(1)建立总油耗指标函数：
其中，q为船舶油耗模型；(Li,Ni)为第i个航路点坐标；根据各航路点确定的航段上的气象信息给出油耗值；
(2)建立航时指标函数：
其中，Si表示第i航段的航程距离；Vi表示为第i航段的速度；根据航路点的信息确定航段距离以及预测出的航速求得总航时。
9.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述根据目标特征参数，建立基于遗传算法的BP神经网络优化模型，具体为：确定BP神经网络的拓扑结构，对神经网络的权值和阈值编码得到初始种群，将权值和阈值赋给新建的BP网络；使用目标特征参数训练网络并使用测试的特征参数测试网络测试误差；通过遗传算法操作寻找最优的BP神经网络初始权值和阈值。
10.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述对油耗特征参数进行标准化处理时采用零均值标准化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410299392.XA CN118095600A (zh) | 2024-03-15 | 2024-03-15 | 一种基于油耗预测的船舶航线优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410299392.XA CN118095600A (zh) | 2024-03-15 | 2024-03-15 | 一种基于油耗预测的船舶航线优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118095600A true CN118095600A (zh) | 2024-05-28 |
Family
ID=91156182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410299392.XA Pending CN118095600A (zh) | 2024-03-15 | 2024-03-15 | 一种基于油耗预测的船舶航线优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095600A (zh) |
-
2024
- 2024-03-15 CN CN202410299392.XA patent/CN118095600A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
| Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
| CN110160526B (zh) | 基于遗传算法的航线规划方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
| CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
| CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
| CN111199270A (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN115081592B (zh) | 基于遗传算法和前馈神经网络的公路低能见度预估方法 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
| CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
| CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
| CN114254767A (zh) | 基于Stacking集成学习的气象水文特征预测方法及系统 | |
| CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN113640712B (zh) | 一种舰船垂向感应磁场垂向分量的预测方法 | |
| Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
| Ma et al. | Solving heterogeneous USV scheduling problems by problem-specific knowledge based meta-heuristics with Q-learning | |
| CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
| CN113743662A (zh) | 一种基于机器学习的船舶关键技术参数预测方法及系统 | |
| CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |