文摘

为了解决船舶在海上路线规划的问题,我们减少船舶导航规划的经济成本,提高船舶航行效率。因此,这项工作的目标是深入研究数学建模和海洋船舶路线规划的最佳算法。首先,创建一个船路线规划的数学模型,考虑不均匀性的影响在离岸风场船路线规划,船舶航行时间最短为目标。基于数学模型,使用蚁群算法来优化初始路线的船。最后,通过蚁群算法的优化、最优路线的总长度最短,较小的转向角,和最佳的船舶导航规划方案。仿真结果表明,人工智能和遗传算法相比,本研究中所提出的优化算法产生最好的船的路线规划成果和经济成本最低,这可能会有效提高船舶航线工作的效率。

1。介绍

船的路线规划是海上运输领域的一个研究热点。如果在运输的过程中发生碰撞事故,船及其货物也容易损失。同时,碰撞事故对海洋环境造成的污染也很严重。的主要目的研究路线规划船舶避碰是减少交通事故的概率。因此,它变得非常重要的船舶避碰规划的路线。科学和技术,如人工智能和深度学习经常出现在各种社会公共生活领域由于计算机技术的快速发展。人工智能等新技术对海上运输也有重要的影响,有效地促进船舶无人驾驶技术的快速发展和智能导航技术。船的渐进发展过程中无人驾驶技术,核心技术,更重要的是船的路线规划技术,尤其是在复杂的海域。

真正的海上交通运输活动的船只非常复杂,面临的交通环境和船舶事故的概率大大增加在复杂多变的海域。近年来,频繁的海上交通事故促使人们关注解决不同的问题面临的海上运输。如何降低海上交通事故的概率,确保人员和财产的安全,最大程度是一个重要的问题,迫切需要解决。船舶导航和自动驾驶仪是有效的方法能够有效地解决目前的问题。船舶智能导航的过程中,自动路线规划是一个重要的环节。在某种程度上,这是有关船舶驾驶员劳动强度和船舶安全性能和将有一个直接影响社会公众生命和财产的安全。因此,研究船舶路线规划,特别是在复杂水域船舶的路线规划,具有重要意义。

本文的创新如下:(1)考虑非均质性的影响船离岸风场的路线规划,以船舶航行时间最短为目标,本文构造的数学模型船路线规划。船最初的路线使用蚁群算法进行了优化,和最优路径总长度最短,最小的转向角。(2)仿真结果表明,与其他算法相比,该船的路线规划结果本文提出的优化算法是最好的,和计划经济成本是最低的,这可以有效地提高船舶航线工作效率。

2。相关工作

海事水域地区海上交通事故经常发生。因为海事水域的复杂多变的特点,很难船只计划他们的海上航线。在特殊水域船舶航线的规划和发展是当前该领域研究的的重点船舶航线,并有许多文献研究结果。为了提高船舶路线自动行驶的科学性,锅等人综合考虑船舶航线环境的影响因素,提出智能船的路线规划路线。基于德劳内三角剖分算法,构造环境模型和区域禁止船舶航行环境模型搜索利用船舶航行安全理论。切图的方法是用于构造船航线网络,船的干扰力路线是使用船舶力学建模原则,和船的路线基于环境干扰力的修正算法。智能船路线规划算法应用于模拟和分析的海域。分析结果表明,该算法在不同环境中可以计划船的路线,使船在各种环境中适应船舶路线规划。虽然这一方法的可行性较高,工作效率很差,由于复杂的过程(1]。王等人设计了一种优化规划方法整合船舶导航的特点,综合考虑现有船舶操纵性的约束,获得准确的船路线规划,建造一艘船模型。为了完成检测的船在大海,计划路线和位置检测算法采用基于四叉树和不规则边界解决规划问题避免碰撞的静态障碍和动态障碍。基于二次遗传算法的路径规划的目的是实现海洋船舶路线规划的有效的解决方案。验证分析是进行模拟船路由平台。该方法优化五路线规划,证明了算法的有效性,但这个方法的可行性差由于复杂的过程(2]。姚等人设计了一个船的路线规划方法,集成了大量的数据通过船舶导航轨迹。首先,船舶导航轨迹数据是由Doug Las Peucker处理算法,然后船轨迹DBSCAN算法处理的数据集中提取拐点船的路线,它澄清之间的连接关系的转折点附近的导航地理数据和纠正的障碍。海上网络图了,船航线密度计算,密度值作为信息素浓度,解决了船舶导航的最佳路线,散装货船的航行轨迹数据作为样本。仿真实验表明,虽然该方法的收敛速度快,过程很复杂,导致工作效率变差(3]。汉等人设计了一个船的路线规划算法基于深度网络,拟在电子海域提供模拟路线地图,为了形成合适的船的路线规划,为了有效地解决传统船舶路线规划经验的问题参考路线和不满足实际的导航需求。该算法需要使用两层神经网络结构的神经网络和目标神经网络,从而达到破坏数据的目的,商店的经验,并使用随机抽样数据,以避免局部收敛,从而完成未经训练的路线规划电子海域地图。计算机仿真和实际规划用于验证该方法具有良好的实用性,但仍存在低效率的问题4]。

3所示。船在海上路线规划的数学模型

3.1。坐标系统

船舶导航通常使用卫星导航的大地坐标位置,以及一个电子海图。平面直角坐标系建立基于图表,和大地坐标转换为平面直角坐标系,使计算更容易(5,6]。纬度的增加速度缓慢被忽略而翻译坐标的高质量导航图。因此,直角坐标从大地坐标转换飞机表示为

在公式(1), 代表一个点的大地坐标的船舶导航图, 代表相应的平面直角坐标系,代表之间的映射关系 和 。公式(1)也可以表示为

即经度差异之间的比例和范围内任意两个点的纬度不同的图表。在平面直角坐标系中,纵坐标的比值差异和横坐标的区别是平等的7,8]。在公式(2), 代表大地任意点的坐标图,和 代表了相应的平面直角坐标系。

3.2。数字化的风电场

一般来说,风矢量数据在不同的位置不能准确测量大海。只有风矢量数据的气象船或可获得气象浮标站(9,10]。表1显示了关键点的位置坐标有关船的路线规划和相应的平面直角坐标系,以及风的数据向量的气象站。

大多数对象在海面没有住所,和均匀风场变化。因此,整个风矢量插值法获得的数据。查询风风场的矢量数据可以获得任意点的风矢量数据范围内的图表。

有很多插值方法。本文主要采用反距离加权插值法。我们发现附近气象站插值点,并插入数据的气象台根据面积的大小,由以下公式表示:

在公式(3)和(4),代表了在直角坐标系中风速值 海域的飞机,代表船舶导航点之间的水平距离 和船舶导航点 , , 代表一个常数大于0,可以称为加权指数。在这篇文章中,被认为是1。

插值后的风速值离岸风场可以形成矩阵m .当地的风速值和船在风场的导航图所示1。在图1曲线代表了风速轮廓,代表的转折点的位置,船在风场,和转折点之间的箭头代表了导航路线。

3.3。目标函数

总体船舶航行时间为目标函数,优化模型与船舶最短的时间计划路线的目标是建造,表示为

在公式(5),代表船航行所花费的时间从以前的转折点到下一个转折点 。由于风场之间的点和不均匀变化,很难直接计算船舶在此导航(所使用的时间11,12]。在这篇文章中,想法是用于计算的积分。假设风场在l0船舶导航部分是统一的,点的起点船舶航行速度而不是平均船船的速度在这个导航部分,风向和风速获得了这个位置的风速值矩阵 ,从点和船舶导航方向对点B 代入公式(7)和(8)计算船速和导航的腿积累,这大约是 。本文的价值是0.5,从点和航行时间对点表示为

在公式(6),代表两个转折点之间的距离和l0比船舶导航, , 代表任何点的直角坐标平面的船舶导航、风场 代表了风矢量的数据在这一点上,和代表表观风速的计算。

如图2向量之间的关系,真实的风速和船的速度和表观风速表示为表观风速= true风速,船的速度。明显的风速可以计算

在公式(7)和(8),代表了船舶导航、表观风速代表着明显的方向风速的船,代表了这艘船的速度,代表了这艘船的航行方向,代表的真实风速船,代表真实的风速方向的船。

4所示。数学建模和优化的基于蚁群算法的初始船路线

结合上面的船舶航行数学模型构建中,蚁群算法用于优化船舶航行数学模型。

4.1。离散化的工作区

如果代表了自由空间和链接和代表的两个端点 ,其他链接上点线表示为

在公式(9),表示导航链接上的任意点的船,代表一个随机数从0到1,主要用于表示参数的两个端点之间的比例,和代表节点通过链接传递的数量。

使用前的蚁群优化算法来优化船路线规划模型,我们必须使工作空间离散,我们可以把链接线,采用固定长度划分方法。为了满足的需求约束距离船舶路线规划和最小距离危险的区域,每个链接线分为分数:

在公式(10),功能代表了舍入功能。当 是一个奇数,为了确保链接的中点线是一个等距点,离散化后,将会有吗 从船上导航路线,可以选择路线链接线l_我−1 邻船导航链接线 。

4.2。蚂蚁路径搜索和信息素更新

搜索后的计划路线从开始到结束每一船舶导航,相应的参数集船舶导航路线 将生成的。在船舶运动的过程中,当蚂蚁导航链接线 ,选择标题节点的方法在接下来的导航链接是计算的概率选定的节点到下一个船route节点反过来。根据选择的概率 ,轮盘赌方法用于寻找下一个船route节点 ,和的计算表示为

在公式(11),代表了启发式价值和代表了信息素。信息素的浓度越高,的概率就越大的选择。当一个节点被选中在船的运动路线,该节点将发布节点的信息和更新信息素,表示为

在公式(12),代表了信息素的初始值和表示参数的区间。当所有蚂蚁完成搜索,保存的最短路径长度和每个点的信息素更新(13,14]。更新可以被称为信息素挥发更新和信息素挥发的公式表示为船的路线

在公式(13),代表船的路线信息素的挥发参数和的值是0.003。

4.3。蚁群算法优化船的路线转向角

当蚂蚁寻找下一个节点在节点 ,如果选定的路由节点和在直线和角度之间的起点和终点这艘船的路线很小,点是最重要的点,如图3。

在图3,和代表链接的两个端点,点船的路线的起点,点的终点是船的路线规划,意义是蚂蚁的当前位置,和选择节点位置为下一个搜索的位置船的路线,然后呢1,代表船当前位置的路线,替代节点之间的连接位置和角度之间的起点和终点 。当使用蚁群算法来优化船的路线,以确保蚂蚁会选择节点与一个更大的概率,引入信息素更新公式当船的路线信息素更新完成蚂蚁选择下一个节点构成与更大的概率更小的路由节点,修改后的船的路线信息素更新表示为

公式(14)是船舶信息素的更新公式修正。代表新引入的校正因子船的路线信息素更新。公式(15)的计算公式是船的路线信息素校正因子。其中,当前位置之间的角度是船的路线和替代的位置,开始和结束的位置,这消除了角的积极和消极影响。

当使用蚁群算法来优化船路线规划,10蚂蚁会在每个迭代搜索最优路径。为了有效地观察的收敛过程中的蚁群算法搜索最优的船的路线,如图4。下面的图4显示了初始解的收敛过程优化船的路线规划模型的蚁群算法(15,16]。

5。实验结果分析

为了验证船舶路线规划的有效性基于蚁群算法的优化算法(17)提出,进行仿真实验,仿真实验环境建立了根据实验测试的需要。结合视觉控制在MATLAB软件的应用特点,选择GUI控件的可视化程序设计模拟实验。为了测试计划的效果基于蚁群算法,人工智能算法,遗传算法,蚁群算法提出了选择的数学模型来解决海洋船的路线,和三种方法计算的迭代次数。测试结果如表所示2。

从测试结果表1可以看出,本文中提到的方法的迭代次数明显低于人工智能算法和遗传算法,可有效减少优化时间和提高效率的优化。因此,基于蚁群算法的优化性能更好。进一步验证本文提出的算法的优化性能,三种算法进行了优化,重复五次,耗时的结果进行了比较。不同的算法的平均耗时的结果进行比较,如图5。

通过对图的分析5,可以看出,船舶平均路由基于蚁群算法提出了花费更少的时间,表明路线规划效果好,而基于人工智能算法的初始时间相对较长。与时间的增加,虽然略有波动,但整体耗时更多。大致相同的遗传算法作为人工智能算法,耗时较长。这表明本文提出的算法可以有效地减少船的冗余路由规划和计算,以减少船舶耗时路线的数学模型。的成功率船的路线规划和计划中的最优路径长度的船的路线选择船路线规划的评级指标性能,如表所示3。

从表可以看出3船路线规划算法的成功率,提出了为96.3%,明显高于运输路线规划算法基于人工智能算法和遗传算法。与其他两种算法相比,最优路径长度的船路线规划算法提出了较短,可有效减少船舶导航规划的经济成本。数据6和7显示三个数学模型的燃料消耗船舶导航规划条件下的航行距离1200 nm和2400 nm。值越小,数学模型的性能越好。

它可以看到从数据中的数据6和7如果船的计划路线是避免障碍,它可以被视为一个失败的路线。不同条件下的航行距离,船的路线规划的数学模型图中可以避免障碍在海上和计划最优路线。与航行距离的增加,燃料消耗方法的提出总是最少的三个方法,表明本文提出的方法可以有效降低船舶航线操作的经济成本,提高船舶航行效率。

6。结论

理想的船的路线规划,结合上面的内容,可以有效地提高船舶航行安全,减少船舶的风险,这是至关重要的,以及改善船舶路线规划的程度。因此,本文设计一艘路线规划模型基于蚁群算法和仿真结果表明,本文提出的方法的迭代次数相对较小,可有效缩短优化时间的数学模型,以提高工作效率,具有很高的参考价值。

数据可用性

数据可从相应的作者。

的利益冲突

作者宣称没有利益冲突的出版工作。