CN118153791A - 一种基于遗传算法的航线规划方法 - Google Patents
一种基于遗传算法的航线规划方法 Download PDFInfo
- Publication number
- CN118153791A CN118153791A CN202410579686.8A CN202410579686A CN118153791A CN 118153791 A CN118153791 A CN 118153791A CN 202410579686 A CN202410579686 A CN 202410579686A CN 118153791 A CN118153791 A CN 118153791A
- Authority
- CN
- China
- Prior art keywords
- route
- navigation
- ship
- genetic algorithm
- processor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 30
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 50
- 239000000446 fuel Substances 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本发明提供了一种基于遗传算法的航线规划方法，包括以下步骤：S1、采集全球气象预报数据；S2、根据航速和航向构建航行目标函数，根据全球气象预报数据建立可航行区域；S3、通过遗传算法搜索满足船舶出发时间和计划到达时间的最优航线。本发明有益效果：通过利用全球气象预报数据和遗传算法，为远洋船舶规划安全可行的航线，相较于当前的单目标优化不能满足目前船舶远洋航行，通过多目标优化方案，给出了固定到达时间和油耗这两个目标函数，在优化目标中考虑船舶偏航角度，船舶航行轨迹更加平滑，更贴近船舶实际应用。
Description
技术领域
本发明属于航线规划领域，尤其是涉及一种基于遗传算法的航线规划方法。
背景技术
航运作为国际贸易跨境运输网络的重要运输方式，其连通着世界各国，促进文化与经济的进一步融合发展，气象导航能够使船舶避开恶劣天气区，减少风浪对船体的损害，从而显著降低因天气海况原因引发的事故，保障船舶和船员的安全，通过气象导航，船舶可以利用有利的环境，缩短航时，节省燃料费用，降低成本，从而提高运营的经济性，船舶航线优化仅需要对环境信息、船舶自身的性能、技术条件、航行成本和航期计划等信息进行充分考虑，还需要考虑风、浪、洋流、涌浪等气象因素对船舶实际航行的影响，如何保障性安全的前提下，设计出一条满足优化需求且合理可行的航线是目前船舶航线优化的关键问题。
目前常用的路径规划算法主要包括改进的等时线法、动态规划法和图形搜索算法，等时线法包括修正等时线法和三维等时线法，这种方法可解释性好，但优化效果不明显；动态规划法包括改进的动态规划法和三维动态规划法，这种方法动态性能较好，但不容易求出全局最优解，图形搜索算法包括Dijkstra算法，但对启发函数的要求较高、需要一些理想化条件影响求解精度，导致航线规划不合理。
发明内容
有鉴于此，本发明旨在提出一种基于遗传算法的航线规划方法，以期解决上述部分技术问题中的至少之一。
为达到上述目的，本发明的技术方案是这样实现的：
本发明第一方面提供了一种基于遗传算法的航线规划方法，其特征在于，包括以下步骤：
S1、采集全球气象预报数据；
S2、根据航速和航向构建航行目标函数，根据全球气象预报数据建立可航行区域；
S3、通过遗传算法搜索满足船舶出发时间和计划到达时间的最优航线。
进一步的，所述S3包括以下步骤：
以航线的起点和终点位置的大圆航线或经典航线为基础获得多个备用航线，以船舶自身最大和最小航行速度作为速度搜索区间；
S31、将所有备选航线上的航路点坐标、航速信息进行编码，每个备选航线中起点到终点的一个航路点坐标和航速信息作为一个基因，备选航线上的起点到终点作为染色体，多个备选航线作为初始种群；
S32、根据全球气象预报数据、船舶参数、环境信息及航行目标函数，计算每条备选航线的航行目标函数值，根据目标函数值为每条备选航线分配适应度；
S33、根据航行目标函数及对应的边界解计算每个备选航线的拥挤距离；
S34、根据拥挤距离对备选航线进行筛选，对筛选出的备选航线进行交叉和变异操作形成筛选种群；
S35、使用筛选种群重复步骤S32至S34得到直至计算出满足航线固定到达时间，且燃油消耗量处于收敛状态的备用航线作为最优航线。
进一步的，所述S31中，将地图进行栅格化处理生成0.5°×0.5°精度的栅格地图，将备选航线上的航路点坐标、航速信息按照实数编码的方式进行编码。
进一步的，所述S32中，根据航行目标函数计算每条染色体的航行目标函数值，根据航行目标函数值对所有备用航线进行降序排序，然后根据排序位置对所有备用航线分配适应度值，排在前面的个体适应度值低。
进一步的，所述S34中，根据种群中个体适应度的大小来确定需要被复制到子代种群中的个体，个体的适应度越大则被复制到子代种群的概率越大，使用锦标赛选择方法进行选择，具体步骤如下：
S341、从种群中随机选择多个备用航线；
S342、根据备用航线的适应度值和拥挤度选择备用航线，适应度值和拥挤度越大被选择的概率越大；
S343、在Sigmoid函数的基础上增加了迭代次数进行交叉和变异操作形成筛选种群。
进一步的，所述S2中：
根据航线的航路点、航路点之前各航段的航速区间、船舶的航行方向，构建船舶航线固定到达时间和船舶航行燃油消耗的航行目标函数；
根据航线的禁止船舶航行的区域建立可航行区域；
根据船舶自身可航行的最大船速信息建立约束条件。
进一步的，所述S1中采集全球气象预报数据并将全球气象预报数据精度统一，所述全球气象预报数据包括风、有效波高、涌浪、洋流的数据。
本发明第二方面提供了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行上述第一方面所述的方法。
本发明第三方面提供了一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如第一方面所述的方法。
本发明第四方面提供了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。
相对于现有技术，本发明所述的一种基于遗传算法的航线规划方法具有以下有益效果：
本发明所述的一种基于遗传算法的航线规划方法，通过利用全球气象预报数据和遗传算法，为远洋船舶规划安全可行的航线，相较于当前的单目标优化不能满足目前船舶远洋航行，通过多目标优化方案，给出了固定到达时间和油耗这两个目标函数，在优化目标中考虑船舶偏航角度，船舶航行轨迹更加平滑，更贴近船舶实际应用。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的航线规划方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例一：
如图1所示，一种基于遗传算法的航线规划方法，其特征在于，包括以下步骤：
S1、采集全球气象预报数据；
S1中采集全球气象预报数据并将全球气象预报数据精度统一，全球气象预报数据包括风、有效波高、涌浪、洋流的数据。
S2、根据航速和航向构建航行目标函数，根据全球气象预报数据建立可航行区域；
S2中：
根据航线的航路点、航路点之前各航段的航速区间、船舶的航行方向，构建船舶航线固定到达时间和船舶航行燃油消耗的航行目标函数；
根据航线的禁止船舶航行的区域建立可航行区域；
可航行区域Ωa(t)可表示为静态可行区域Ωj与动态天气可行区Ωw(t)的差集公式如下：
；
根据船舶自身可航行的最大船速信息建立约束条件，公式如下：
，其中Vi为航速限制。
S3、以航线的起点和终点位置的大圆航线或经典航线为基础获得多个备用航线，以船舶自身最大和最小航行速度作为速度搜索区间，通过遗传算法搜索满足船舶出发时间和计划到达时间的最优航线。
S3包括以下步骤：
S31、将所有备选航线上的航路点坐标、航速信息进行编码，每个备选航线中起点到终点的一个航路点坐标和航速信息作为一个基因，备选航线上的起点到终点作为染色体，多个备选航线作为初始种群；
S31中，将地图进行栅格化处理生成0.5°×0.5°精度的栅格地图，将备选航线上的航路点坐标、航速信息按照实数编码的方式进行编码。相较于传统的二进制编码，通过对航线的坐标和速度进行实数编码，使得编码后优化情况更加明确，算法能较快的收敛得到最优解。
起点坐标(lats,lons)和终点坐标(late,lone)按照以下公式计算大圆航线的航程Dis和初始航向Azi,
；
；
S32、根据全球气象预报数据、船舶参数、环境信息及航行目标函数，计算每条备选航线的航行目标函数值，根据目标函数值为每条备选航线分配适应度；
船舶固定到达时间目标函数模型为：
；
船舶最低油耗目标函数模型为：
；
其中Feta(t)为航行固定到达时间函数的目标值，FQ(t)为最低燃油消耗函数的目标值，Talarm为危险航行时间，Dturn为船舶航行方向偏移量，Ts为船舶出发时间,Te为船舶期望到达时间，Q为整条航线船舶燃油消耗量。
；
船舶燃油总消耗量由每个航段燃油消耗量总和得到，每个航段燃油消耗量q(vi)的计算由船舶速度与公式对应关系，利用三次拟合函数进行曲线拟合得到。
危险航行时间由航段上危险航行区域的时间和危险航行速度的时间累计求和得到，在计算时会检测航段上每个航段是否通过陆地、浅滩水域、警戒区这种不可航行区域，船舶在超过自身抗风浪等级的区域中的航行时间也记录在危险航行区域时间中；船舶在海上航行时由于设计原因会有最大可航行速度和最小可航行速度区间，超出此区间的航行时间记录在危险航行时间中。
S32中，根据航行目标函数计算每条染色体的航行目标函数值，根据航行目标函数值对所有备用航线进行降序排序，用P来表示目标函数值，P=[P1...Pi...Pn],n表示种群数量，然后根据排序位置对所有备用航线分配适应度值，排在前面的个体适应度值低。
适应度fiti如公式如下：
,其中,posi表示第i个备用航线的位置；
S33、根据航行目标函数及对应的边界解计算每个备选航线的拥挤距离；
为了获得对种群中某一特定解附近的密度估计，可以沿着对应目标计算这个解到两侧点间的平均距离，这个值是两个最近的相邻的点形成的矩形的周长，称为拥挤距离。拥挤距离需要根据目标函数值和对应函数最大最小的解（边界解）进行计算。将每个个体按照目标函数值进行排序后，边界点赋值为∞，使之总是被选中；第m个目标函数中第i个染色体的拥挤度CDim具体计算公式为：
；
其中Lm表示第m个目标函数，Xmax表示所有个体在第m个目标函数下的最大值，Xmin表示所有个体在第m个目标函数下的最小值。
S34、根据拥挤距离对备选航线进行筛选，对筛选出的备选航线进行交叉和变异操作形成筛选种群；
S34中，根据种群中个体适应度的大小来确定需要被复制到子代种群中的个体，个体的适应度越大则被复制到子代种群的概率越大，使用锦标赛选择方法进行选择，使用锦标赛选择方法，不易陷入局部最优解且易于并行化处理，具体步骤如下：
S341、首先确定每次选择的备用航线N；从种群中随机选择多个备用航线N(每个个体被选择的概率相同)；
S342、根据备用航线的适应度值和拥挤度选择备用航线，适应度值和拥挤度越大被选择的概率越大,根据每个个体的适应度值和拥挤度，选择其中最好的个体进入下一代种群；
重复步骤S341-S342直到新得到的种群规模达到原来的种群规模。
S343、在Sigmoid函数的基础上增加了迭代次数进行交叉和变异操作形成筛选种群。
交叉概率Pc和变异概率Pm公式如下所示：
其中为当前种群的最大值，/>为当前种群的平均值，/>为两个交叉对象中适应度函数值较大个体的值，/>为要变异个体的值,/>、/>分别为交叉概率的最大值与最小值，/>、/>分别为变异概率的最大值与最小值。g为当前迭代次数，G为算法的迭代次数。
S35、使用筛选种群重复步骤S32至S34得到直至计算出满足航线固定到达时间，且燃油消耗量处于收敛状态的备用航线作为最优航线。
通过遗传算法，不断的迭代后燃油消耗量会处于收敛，燃油消耗量处于收敛状态的备用航线作为最优航线。
通过利用全球气象预报数据和遗传算法，为远洋船舶规划安全可行的航线，相较于当前的单目标优化不能满足目前船舶远洋航行，通过多目标优化方案，给出了固定到达时间和油耗这两个目标函数，在优化目标中考虑船舶偏航角度，使船舶航行轨迹更加平滑，更贴近船舶实际应用。
本发明可结合电子海图设备或船舶气象导航系统应用于船舶气象导航，结合船舶自身数据、环境数据船舶航行需求同时结合最新的气象预报数据进行航线规划，为船舶提供安全可行的航线航速方案，减少船舶遭遇大风浪的情况，提高航线的安全等级与经济效益。另外，本发明可以结合最新的航行需求和气象预报对比计算结果及时调整航线推荐方案，更具有实际应用价值。
实施例二：
一种电子设备，包括处理器以及与处理器通信连接，且用于存储处理器可执行指令的存储器，处理器用于执行上述实施例一的方法。
实施例三：
一种服务器，包括至少一个处理器，以及与处理器通信连接的存储器，存储器存储有可被至少一个处理器执行的指令，指令被处理器执行，以使至少一个处理器执行如实施例一的方法。
实施例四：
一种计算机可读取存储介质，存储有计算机程序，计算机程序被处理器执行时实现实施例一的方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
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、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遗传算法的航线规划方法，其特征在于，包括以下步骤：
S1、采集全球气象预报数据；
S2、根据航速和航向构建航行目标函数，根据全球气象预报数据建立可航行区域；
S3、通过遗传算法搜索满足船舶出发时间和计划到达时间的最优航线。
2.根据权利要求1所述的一种基于遗传算法的航线规划方法，其特征在于：所述S3包括以下步骤：
以航线的起点和终点位置的大圆航线或经典航线为基础获得多个备用航线，以船舶自身最大和最小航行速度作为速度搜索区间；
S31、将所有备选航线上的航路点坐标、航速信息进行编码，每个备选航线中起点到终点的一个航路点坐标和航速信息作为一个基因，备选航线上的起点到终点作为染色体，多个备选航线作为初始种群；
S32、根据全球气象预报数据、船舶参数、环境信息及航行目标函数，计算每条备选航线的航行目标函数值，根据目标函数值为每条备选航线分配适应度；
S33、根据航行目标函数及对应的边界解计算每个备选航线的拥挤距离；
S34、根据拥挤距离对备选航线进行筛选，对筛选出的备选航线进行交叉和变异操作形成筛选种群；
S35、使用筛选种群重复步骤S32至S34得到直至计算出满足航线固定到达时间，且燃油消耗量处于收敛状态的备用航线作为最优航线。
3.根据权利要求2所述的一种基于遗传算法的航线规划方法，其特征在于：所述S31中，将地图进行栅格化处理生成0.5°×0.5°精度的栅格地图，将备选航线上的航路点坐标、航速信息按照实数编码的方式进行编码。
4.根据权利要求2所述的一种基于遗传算法的航线规划方法，其特征在于：所述S32中，根据航行目标函数计算每条染色体的航行目标函数值，根据航行目标函数值对所有备用航线进行降序排序，然后根据排序位置对所有备用航线分配适应度值，排在前面的个体适应度值低。
5.根据权利要求2所述的一种基于遗传算法的航线规划方法，其特征在于：所述S34中，根据种群中个体适应度的大小来确定需要被复制到子代种群中的个体，个体的适应度越大则被复制到子代种群的概率越大，使用锦标赛选择方法进行选择，具体步骤如下：
S341、从种群中随机选择多个备用航线；
S342、根据备用航线的适应度值和拥挤度选择备用航线，适应度值和拥挤度越大被选择的概率越大；
S343、在Sigmoid函数的基础上增加了迭代次数进行交叉和变异操作形成筛选种群。
6.根据权利要求1所述的一种基于遗传算法的航线规划方法，其特征在于，所述S2中：
根据航线的航路点、航路点之前各航段的航速区间、船舶的航行方向，构建船舶航线固定到达时间和船舶航行燃油消耗的航行目标函数；
根据航线的禁止船舶航行的区域建立可航行区域；
根据船舶自身可航行的最大船速信息建立约束条件。
7.根据权利要求1所述的一种基于遗传算法的航线规划方法，其特征在于：所述S1中采集全球气象预报数据并将全球气象预报数据精度统一，所述全球气象预报数据包括风、有效波高、涌浪、洋流的数据。
8.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-7任一所述的方法。
9.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求1-7任一所述的方法。
10.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410579686.8A CN118153791A (zh) | 2024-05-11 | 2024-05-11 | 一种基于遗传算法的航线规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410579686.8A CN118153791A (zh) | 2024-05-11 | 2024-05-11 | 一种基于遗传算法的航线规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118153791A true CN118153791A (zh) | 2024-06-07 |
Family
ID=91297185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410579686.8A Pending CN118153791A (zh) | 2024-05-11 | 2024-05-11 | 一种基于遗传算法的航线规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118153791A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110160526A (zh) * | 2019-04-23 | 2019-08-23 | 北京海兰信数据科技股份有限公司 | 基于遗传算法的时间最短航线规划方法、燃油量最小航线规划方法、成本最低航线规划方法 |
| CN110288118A (zh) * | 2019-05-14 | 2019-09-27 | 湖北工业大学 | 一种基于无人机的空中救援响应方法 |
| CN111260157A (zh) * | 2020-02-21 | 2020-06-09 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于优化小生境遗传算法的熔炼配料优化方法 |
-
2024
- 2024-05-11 CN CN202410579686.8A patent/CN118153791A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110160526A (zh) * | 2019-04-23 | 2019-08-23 | 北京海兰信数据科技股份有限公司 | 基于遗传算法的时间最短航线规划方法、燃油量最小航线规划方法、成本最低航线规划方法 |
| CN110288118A (zh) * | 2019-05-14 | 2019-09-27 | 湖北工业大学 | 一种基于无人机的空中救援响应方法 |
| CN111260157A (zh) * | 2020-02-21 | 2020-06-09 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于优化小生境遗传算法的熔炼配料优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘祥坤: "基于改进遗传算法的物流配送路径优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2024 (2024-02-15), pages 22 - 23 * |
| 张颖等: "航路流量间隔限制及排序策略一体化决策模型及算法", 《系统工程理论与实践》, 30 September 2013 (2013-09-30), pages 2433 - 2434 * |
| 文婷: "多约束条件下气象航线规划的智能混合算法", 《船舶设计通讯》, 31 December 2019 (2019-12-31), pages 70 - 73 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Application of real-coded genetic algorithm in ship weather routing | |
| CN112906830B (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
| Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
| Cheng et al. | Using big data to track marine oil transportation along the 21st-century Maritime Silk Road | |
| CN106845716A (zh) | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 | |
| CN111222701B (zh) | 一种基于海洋环境图层的船舶航线自动规划与评价方法 | |
| CN110906935B (zh) | 一种无人艇路径规划方法 | |
| CN106546244A (zh) | 一种针对凸形障航物确定船舶航行局部最优路径的方法 | |
| CN112819255B (zh) | 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 | |
| Tsou | Integration of a geographic information system and evolutionary computation for automatic routing in coastal navigation | |
| CN107220724A (zh) | 客流量预测方法及装置 | |
| Zhao et al. | Multi-objective weather routing algorithm for ships based on hybrid particle swarm optimization | |
| CN113610312A (zh) | 基于改进遗传算法的船舶航行实时最优航线规划方法 | |
| Copping et al. | Likelihood of a marine vessel accident from wind energy development in the Atlantic | |
| CN109765890A (zh) | 一种基于遗传算法的多usv群体协同避碰规划方法 | |
| Wen et al. | Spatio-temporal route mining and visualization for busy waterways | |
| CN114387822B (zh) | 船舶避碰方法 | |
| CN116678422A (zh) | 基于多邻域规则格网的舰船最短时间航线自动规划方法 | |
| CN109974708A (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
| Gao et al. | An optimized path planning method for container ships in Bohai bay based on improved deep Q-learning | |
| CN118153791A (zh) | 一种基于遗传算法的航线规划方法 | |
| CN112833882A (zh) | 一种动态加权航线自动推荐方法 | |
| CN116224999A (zh) | 一种基于数据驱动的船舶全局路径规划方法 | |
| CN113689738B (zh) | 一种长航道大型船舶精细化逐段乘潮进港方法 | |
| Grinyak et al. | Ship routes planning based on traffic clustering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |