段尊雷， 任光， 曹輝， 姚文龍

(1.大連海事大學 輪機工程學院，遼寧 大連 116026; 2.遼寧海事局 船員考試中心，遼寧 大連 116001; 3.青島科技大學 自動化學院，山東 青島 266041)

?

基于遺傳算法優(yōu)化的虛擬機艙協(xié)作智能評估

段尊雷1，2， 任光1， 曹輝1， 姚文龍3

(1.大連海事大學 輪機工程學院，遼寧 大連 116026; 2.遼寧海事局 船員考試中心，遼寧 大連 116001; 3.青島科技大學 自動化學院，山東 青島 266041)

為滿足機艙資源管理的特殊要求，針對傳統(tǒng)的輪機模擬器存在的問題，提出了任務(wù)型協(xié)作訓練模式和基于遺傳算法優(yōu)化的智能評估方法。該方法包括建立駕機聯(lián)動模擬的評估知識庫；構(gòu)造評估指標隸屬度函數(shù)庫和不同需求下的優(yōu)化目標函數(shù)；采用熵權(quán)法和歷史評估數(shù)據(jù)動態(tài)調(diào)整評估指標的權(quán)重并利用遺傳算法優(yōu)化；根據(jù)實時的系統(tǒng)參數(shù)檢測結(jié)果和隸屬度函數(shù)得出模糊關(guān)系矩陣；經(jīng)多重模糊綜合評判得出評估結(jié)果。在實例中對遺傳算法優(yōu)化的效果進行了對比分析。結(jié)果表明：評估結(jié)果比較客觀，誤差最?。惶岢龅挠柧毮Ｊ胶驮u估方法科學合理，尤其是對于缺少實船服務(wù)經(jīng)歷的學員具有一定的實用價值。

遺傳算法；機艙；資源管理；協(xié)作；智能評估；隸屬度函數(shù)；機艙資源

機艙資源管理期望成為解決機艙人為失誤、減少海上安全事故的重要途徑。在《STCW公約馬尼拉修正案》中，機艙資源管理是船舶值班標準中值班應(yīng)遵循的一般原則，且明確成為輪機部高級船員的強制性適任標準并體現(xiàn)在“保持安全的輪機值班”(操作級)和“領(lǐng)導力和管理技能的使用”(管理級)等適任能力中[1]。目前我國的船員適任能力評估仍然采用人工評估的模式，具有較強的主觀性。結(jié)合輪機模擬器和專家系統(tǒng)的智能評估能夠?qū)崿F(xiàn)智能評判和回放操作過程等功能，實現(xiàn)評估的客觀化，進一步排除人為因素、提高評估的公正性[2]。近幾年相關(guān)專家提出了基于輪機模擬器的自動評估，但在權(quán)重確定等方面仍具有較大的主觀性，并且僅限于單人評估，不能滿足機艙資源管理協(xié)作訓練和評估的特殊需求。本文結(jié)合輪機模擬器評估系統(tǒng)的建設(shè)，提出任務(wù)型協(xié)作訓練模式和基于遺傳算法優(yōu)化的機艙協(xié)作智能評估方法。

1 任務(wù)型虛擬機艙協(xié)作訓練

通過完成不同的機艙協(xié)作訓練任務(wù)，開展與航海模擬器聯(lián)動模式的任務(wù)型協(xié)作訓練，使船員提高資源管理能力，降低發(fā)生人為事故的概率。機艙資源大致分為人力資源、能耗類資源、設(shè)備及系統(tǒng)類資源、信息類資源和環(huán)境資源等[3]。船員是否嚴格按規(guī)程操作并及時維護、保養(yǎng)船舶營運及人員生活需要的各種機艙設(shè)備和系統(tǒng)，是否能夠合理配置管理船舶航行所需的油、水、氣、電等能耗類資源，是否能實現(xiàn)機艙人員以及甲板部人員的有效溝通和協(xié)作，是否能夠及時傳遞并有效應(yīng)用數(shù)據(jù)、資料等信息類資源，特殊水域以及惡劣海況下的航行環(huán)境是否能被有效應(yīng)對，這些都能對船舶的運營的效率甚至航行安全產(chǎn)生較大的影響。

機艙資源管理側(cè)重于團隊協(xié)作和管理，而傳統(tǒng)的輪機模擬器在團隊協(xié)作訓練、機艙環(huán)境的逼真度和實訓規(guī)模等方面存在欠缺，不利于培養(yǎng)學員的情景意識和應(yīng)急管理能力，學員的角色扮演式協(xié)作訓練在一定程度上依賴于背“腳本”。特別是缺乏實船工作經(jīng)驗的航海院校學生，訓練的效果不夠理想。大連海事大學設(shè)計開發(fā)了更加逼真的DMS-2015系列網(wǎng)絡(luò)版三維模擬器，實現(xiàn)了機艙虛擬漫游和設(shè)

備的虛擬交互操作[4]。多名學員能夠在不同的地點通過不同的網(wǎng)絡(luò)終端登錄模擬器訓練系統(tǒng)，選擇某項訓練情景，組成一個團隊進行多角色網(wǎng)上協(xié)作訓練，分別完成相應(yīng)的任務(wù)。這突破了必須在模擬器實訓室輪流訓練的限制，也節(jié)省了訓練成本。主機艙虛擬漫游如圖1所示。

圖1 主機艙虛擬漫游Fig.1 Virtual roaming in the main engine-room

2 虛擬機艙協(xié)作智能評估

2.1 智能評估流程

智能評估首先生成評估情景知識庫和任務(wù)知識庫，特定的情景和任務(wù)確定了一個船員實操評估項目。再提取評估規(guī)則并生成規(guī)則知識庫，每一條規(guī)則都對應(yīng)著一組模擬器的狀態(tài)和操作數(shù)據(jù)。構(gòu)造評估指標隸屬度函數(shù)庫和不同需求下的優(yōu)化目標函數(shù)，采用熵權(quán)法和歷史評估數(shù)據(jù)動態(tài)調(diào)整評估指標的權(quán)重并利用遺傳算法優(yōu)化。在協(xié)作訓練過程中，實時記錄并檢測每一位學員的操作步驟和模擬器的狀態(tài)變量等相關(guān)的參數(shù)數(shù)據(jù)，并解釋相應(yīng)的評估規(guī)則，經(jīng)多重模糊綜合評判計算評估結(jié)果[5]。評估數(shù)據(jù)可用于數(shù)據(jù)挖掘和評估過程回放，實現(xiàn)評估結(jié)果的可追溯性。智能評估流程如圖2所示。

圖2 智能評估流程Fig.2 The intelligent assessment processes

2.2 駕機聯(lián)動模擬協(xié)作評估知識庫

按照公約和海船船員適任評估規(guī)范，結(jié)合專家經(jīng)驗建立了分層的樹狀結(jié)構(gòu)的機艙協(xié)作評估知識庫[6]。評估情景知識庫又分為應(yīng)急情況下協(xié)作、常規(guī)工況下協(xié)作和檢修工作中協(xié)作三個子集。除了機艙人員的協(xié)作情景，情景知識庫還包含了備車與完車、機動航行、正常航行、錨泊、靠港作業(yè)、惡劣海況、擱淺、碰撞、機艙火災(zāi)、主機故障、全船失電、舵機失靈、機艙進水、海盜襲擊和溢油等駕機聯(lián)動模擬協(xié)作訓練的情景。評估任務(wù)知識庫分為主機備車子集、船舶電站手動并電子集、機旁操作子集等。評估規(guī)則知識庫按機艙協(xié)作的系統(tǒng)模塊分為主機操作子集、船舶電站操作子集和燃油系統(tǒng)操作子集等。每一個訓練情景和任務(wù)都盡可能融入情景意識保持和團隊協(xié)作等各項要求。

評估規(guī)則是判斷評估結(jié)果的依據(jù)，由前件和后件構(gòu)成。每一條機艙協(xié)作評估規(guī)則都至少包含一個操作或一個性能參數(shù)變量。操作是學員實施任務(wù)時按照規(guī)程控制特定系統(tǒng)和設(shè)備所需的步驟，有的操作存在先后順序的要求。性能參數(shù)是操作系統(tǒng)和設(shè)備觸發(fā)事件后可能發(fā)生變化的狀態(tài)參數(shù)，每一個狀態(tài)參數(shù)都對應(yīng)一組數(shù)值或者區(qū)間，狀態(tài)參數(shù)可以預設(shè)也可以由管理人員修正設(shè)置。系統(tǒng)實時記錄學員的實際操作和系統(tǒng)的參數(shù)變化并自動檢測，根據(jù)評估規(guī)則判斷操作的符合性和準確性。例如，系統(tǒng)檢測到船舶電站手動準同步并車操作時未及時關(guān)閉同步表，則得出不符合操作要求的評判結(jié)果，得不到相應(yīng)的分數(shù)。目前輪機協(xié)作訓練相關(guān)的操作變量和性能參數(shù)變量已多達39 068個，滿足機艙協(xié)作智能評估的基本要求，能夠達到比較理想的效果。

2.3 機艙協(xié)作多重模糊綜合評判

機艙協(xié)作評估比較復雜，評估結(jié)果具有模糊性，采用模糊綜合評判法可以較好的處理模糊性的問題，得到量化的評估結(jié)果。該方法的主要步驟如下[7]：

1)構(gòu)建多層次評估指標集。

根據(jù)協(xié)作訓練的情景、任務(wù)和評估規(guī)則的前件確定評估指標集U，由k個指標組成，U=(u1，u2，…，uk)。針對一些較為復雜的過程進行評估時，一般采用分層處理的方式將操作過程進行再分解，形成多個相對簡單且獨立的評估過程。每一個獨立的評估過程對應(yīng)的一個評判因素子集合up(p=1，2，…，k)由q個因素組成，up=(up1，up2，…，upq)。最終的評估結(jié)果采用對多個獨立過程的評估結(jié)果的多層次加權(quán)匯總。

2)建立評估結(jié)果集。

針對評估指標集，根據(jù)評估規(guī)則的后件建立評估結(jié)果集V=(v1，v2，…，vl)，l為評語的數(shù)量。評估的結(jié)果可以用定量的百分制評分表示，也可以用“優(yōu)、良、中、差”等定性的評語表示。

3)計算底層模糊關(guān)系矩陣。

根據(jù)隸屬度確定最底層的評估指標集up到評估結(jié)果集上的模糊關(guān)系矩陣Rp=(rij)q×l，矩陣內(nèi)的元素均在[0，1]閉區(qū)間內(nèi)取值，表示指標upi對結(jié)果vj的隸屬度。

4)計算和優(yōu)化指標權(quán)重。

指標權(quán)重是影響評估結(jié)果的重要因素，也是評估的核心步驟。根據(jù)評估指標集U中元素的相對重要程度和評估結(jié)果數(shù)據(jù)，逐層計算各評估指標的權(quán)重，并進行智能優(yōu)化，得到優(yōu)化后的權(quán)重集W=(w1，w2，…，wk)，且wp=(wp1，wp2，…，wpq)。

5)單層次模糊綜合評判。

采用加權(quán)平均法即矩陣的乘法作為模糊合成運算模型，計算底層的模糊評判結(jié)果Bp=wp×Rp。如果評估的結(jié)果用定量的百分制評分表示，則底層的模糊評判結(jié)果Bp=100wp×Rp。系統(tǒng)根據(jù)操作過程和系統(tǒng)參數(shù)的檢測結(jié)果，結(jié)合相應(yīng)的隸屬度函數(shù)得出模糊關(guān)系矩陣，再采用加權(quán)平均法進行單層次模糊綜合評判得出每個評估過程的評估結(jié)果。

6)多重模糊綜合評判。

采用加權(quán)平均法逐層對多個評判結(jié)果進行加權(quán)匯總得出最后的評判結(jié)果S=W×BΤ，其中B=(B1，B2，…，Bk)。

2.4 構(gòu)造評估隸屬函數(shù)庫

本文主要采用專家經(jīng)驗法和模糊分布法設(shè)計了機艙協(xié)作評估的隸屬函數(shù)，有布爾型函數(shù)、嶺形函數(shù)和梯形函數(shù)等，評估結(jié)果采用百分制評分表示。

對于操作類和開關(guān)類狀態(tài)變量采用布爾型隸屬函數(shù)計算評估結(jié)果隸屬度，這類變量包括海水弦外排出閥、應(yīng)急艙底水吸入閥和主機燃油回路三通閥等各類閥門的開關(guān)狀態(tài)，燃油粘度控制模式、滑油溫度控制模式和分油機操作模式等是否選擇自動模式，燃油泵、滑油泵和分油機等是否啟動，配電板的開關(guān)是否閉合，以及是否關(guān)閉同步表等操作。隸屬函數(shù)為

(1)

式中a是狀態(tài)參數(shù)變量的期望值。

在機艙協(xié)作過程中，某些操作類和開關(guān)類狀態(tài)的變化會觸發(fā)相關(guān)參數(shù)變量的數(shù)值變化，這類運行參數(shù)變量采用升半嶺形隸屬函數(shù)計算評估結(jié)果隸屬度。比如發(fā)電機燃油入口壓力、發(fā)電機啟動空氣入口壓力和主機空氣冷卻器淡水流量等采用式(2)計算隸屬度。

A(x)=

(2)

評估操作的持續(xù)時間是每一個評估任務(wù)都有的一個特殊的評估指標。評估操作的持續(xù)時間、燃燒室壓力、淡水發(fā)生器的壓力和艙底污水水位等變量的分布是降半嶺形分布，隸屬度表示為

A(x)=

(3)

為保證系統(tǒng)和設(shè)備的安全，大部分運行參數(shù)都有一個理想的上限和下限，高于上限值或低于下限值都不能得到最好的評估結(jié)果。這類變量的分布是中間型的梯形分布，比如船舶電站的電壓、頻率和相位，以及燃油粘度、滑油冷卻溫度和燃油泵出口壓力等，隸屬度可表示為

(4)

式中：a1、a2、a3和a4是參數(shù)變量的關(guān)鍵值，可由專家配置。

3 機艙協(xié)作評估權(quán)重的智能優(yōu)化

3.1 基于熵權(quán)法的權(quán)重向量計算

熵可以用來度量信息量的大小。熵值越小，表示指標的變異程度越大，則該指標攜帶和傳輸?shù)男畔⒘烤驮蕉?，對決策的影響也就越大。熵權(quán)來自于評價對象集的各種評價指標值具體的評價數(shù)據(jù)，利用機艙協(xié)作評估的大量歷史數(shù)據(jù)計算評估指標的熵權(quán)，進而求得權(quán)重，并可根據(jù)數(shù)據(jù)的變化對權(quán)重進行動態(tài)調(diào)整。采用向量規(guī)范法對數(shù)據(jù)進行無量綱化處理[8]。設(shè)評價體系有n個評價對象，每個評價對象包含m個評價指標，該指標體系的原始數(shù)據(jù)經(jīng)無量綱化處理后的矩陣Y=(yij)n×m。基于熵權(quán)法的權(quán)重計算步驟如下：

1)對矩陣進行歸一化處理，歸一化的結(jié)果是Y矩陣中的列向量yij與該矩陣中所有元素之和的比值，其計算公式如下

式中：zij為歸一化后矩陣中的元素。

2)計算各評價指標的熵值。本文采用的計算公式如下

式中：k為調(diào)節(jié)系數(shù)，k=1/lnn，因此k=0.256 9；zij為第i個評價對象第j個指標的標準化值。

3)將評價指標的熵值轉(zhuǎn)化為權(quán)重值：

(5)

至此，得到權(quán)重值。

3.2 基于遺傳算法的權(quán)重優(yōu)化

常用的權(quán)重確定方法有主觀賦權(quán)法和客觀賦權(quán)法兩類。指標的權(quán)重對機艙協(xié)作的評估成績有著較大的影響，在實際的機艙協(xié)作評估中，應(yīng)根據(jù)歷史數(shù)據(jù)動態(tài)的調(diào)整指標權(quán)重，并進行智能優(yōu)化。權(quán)重的智能優(yōu)化步驟如下：

1)確定主觀權(quán)重向量Ws=(ws1，ws2，…，wsm)。

2)確定客觀權(quán)重向量Wo=(wo1，wo2，…，wom)。

3)根據(jù)需要采用遺傳算法優(yōu)化權(quán)重。

適任能力評估對船員的任職資格和職務(wù)晉升有著非常關(guān)鍵的影響。本文通過遺傳算法進行非線性尋優(yōu)，采用成績的區(qū)分度來表示離差程度，通過提取最優(yōu)化目標函數(shù)，找到離差化最小的權(quán)重，從而使得評價結(jié)果離差最小。采用主客觀偏差最小化的權(quán)重組合，可避免單一的主客觀權(quán)重影響評估結(jié)果的公平性。優(yōu)化的目標函數(shù)F為

(6)

我國已經(jīng)舉辦了多屆中國海員技能大比武，基于輪機模擬器的癱船啟動是團隊協(xié)作比賽項目之一，要求參賽團隊在規(guī)定時間內(nèi)恢復主推進裝置、鍋爐和輔機正常運轉(zhuǎn)并分析排除設(shè)置的故障。針對此類比賽性質(zhì)的評估，本文提出評估結(jié)果差異最大化的權(quán)重優(yōu)化方法，拉開評估結(jié)果的檔次。用遺傳算法進行尋優(yōu)的目標函數(shù)F′如下式：

(7)

0≤xj≤1

4 實例驗證及分析

以船舶離港備車這一評估情景為例，船舶即將離港，機艙值班人員接到駕駛臺要求備車的通知，輪機部團隊人員進入機艙備車。團隊要完成的主要任務(wù)有與駕駛臺溝通并核對時鐘和車鐘、操作船舶電站并正常供電、舵機的檢查和對舵、滑油系統(tǒng)的檢查和操作、燃油系統(tǒng)的檢查和操作、氣動系統(tǒng)的檢查和操作、冷卻水系統(tǒng)的檢查和操作以及盤車、沖車和試車等8項任務(wù)，每一項任務(wù)又都包含一系列邏輯相關(guān)的操作過程。船舶離港備車屬于常規(guī)協(xié)作的情景之一，主要評估船舶離港備車情景下輪機部團隊的協(xié)作、資源的分配、任務(wù)的分派和優(yōu)先排序等能力，以及團隊人員的情景意識和實操技能。實例中的船舶離港備車評估指標集U由8個評估指標子集組成，U=(u1，u2，…，u8)。每一個評估指標子集由若干個單因素組成，構(gòu)成了多級評估指標集。隨機抽取7個協(xié)作訓練團隊，每一個團隊由5名人員組成，通過虛擬機艙協(xié)作完成案例中的8個任務(wù)。采用傳統(tǒng)的百分制評分來表示評估結(jié)果，系統(tǒng)通過單層次模糊評判分別計算出7個團隊每個任務(wù)的評分如表1所示。

表1 船舶離港備車各任務(wù)評分

由層次分析法確定船舶離港備車各任務(wù)評判的主觀權(quán)重向量，根據(jù) 3.1節(jié)中的熵權(quán)法和歷史數(shù)據(jù)庫中的數(shù)據(jù)確定客觀權(quán)重向量。采用遺傳算法分別優(yōu)化主客觀偏差最小化的組合權(quán)重和評估結(jié)果差異最大化的權(quán)重。式(6)是有約束的函數(shù)極小值尋優(yōu)問題，將其直接作為主客觀偏差最小化尋優(yōu)的適應(yīng)度函數(shù)。式(7)是有約束的函數(shù)極大值尋優(yōu)問題，將其倒數(shù)作為評估結(jié)果差異最大化尋優(yōu)的適應(yīng)度函數(shù)。遺傳算法的種群規(guī)模選擇100，交叉概率設(shè)為0.007，變異概率設(shè)為0.003，經(jīng)過500代進化后得出優(yōu)化后的權(quán)重比例向量，進而求得經(jīng)遺傳算法優(yōu)化后的權(quán)重[9]。評估結(jié)果主客觀偏差最小化和評估結(jié)果差異最大化尋優(yōu)的適應(yīng)度變化曲線分別如圖3和圖4所示，可知實例中遺傳算法收斂性較好，取得了較好的優(yōu)化效果。

圖3 主客觀偏差最小化適應(yīng)度曲線Fig.3 Fitness curve of minimization of subjective and objective deviation

圖4 評估結(jié)果差異最大化適應(yīng)度曲線Fig.4 Fitness curve of maximization of evaluation results deviation

評估員和教練員可以通過管理平臺選擇設(shè)置不同的賦權(quán)方法，不同賦權(quán)方法下各任務(wù)權(quán)重如表2所示。各團隊不同權(quán)重下多重模糊綜合智能評估結(jié)果和評估員人工評估結(jié)果如表3所示，結(jié)果對比曲線如圖5所示。以不同權(quán)重下多重模糊綜合智能評估結(jié)果和評估員人工評估結(jié)果的均值作為理想值，各種方法評估結(jié)果的誤差[10]如表4所示。

分析圖5、表3和表4可知，不同權(quán)重下多重模糊綜合智能評估結(jié)果和評估員人工評估的結(jié)果對比曲線的趨勢基本一致，數(shù)據(jù)偏差也不大，說明基于專家系統(tǒng)且融合了大量專家經(jīng)驗的評估知識庫和多重模糊綜合評判模型是有效的。從各類誤差的對比可知，基于遺傳算法優(yōu)化的智能評估誤差最小，熵權(quán)法和層次分析法的誤差較大，人工評估的誤差最大。

表2 不同賦權(quán)方法下的指標權(quán)重

表3 不同賦權(quán)方法下的智能評估結(jié)果和人工評估結(jié)果

Table 3 Results of intelligent assessment and manual assessment in different weighting method

團隊層次分析法熵權(quán)法主客觀偏差最小化優(yōu)化評估結(jié)果差異最大化優(yōu)化人工評估182.81085.03583.55083.65788279.35678.48579.53479.69880357.07762.46759.62258.67156487.72186.61487.25287.02293561.25559.43559.79660.38563682.51583.63982.95183.22784781.72281.97582.47080.94783

表4 四種賦權(quán)方法的智能評估和人工評估誤差

Table 4 Deviation of intelligent assessment in four weighting methods and manual assessment

誤差層次分析法熵權(quán)法主客觀偏差最小化優(yōu)化評估結(jié)果差異最大化優(yōu)化人工評估平均絕對誤差0.8121.2170.6920.5912.194平均相對誤差1.1371.7620.9480.7392.877均方誤差1.0251.6730.7810.7562.614

人工評估結(jié)果存在較強的主觀性，相對較優(yōu)團隊的人工評估結(jié)果明顯比系統(tǒng)智能評估的結(jié)果更好，而相對較差團隊的人工評估結(jié)果卻比系統(tǒng)智能評估的結(jié)果更差，這可能是由于人工評估憑主觀印象放大了兩個極端結(jié)果(較好和較差)的原因。層次分析法和熵權(quán)法的部分評估結(jié)果差異較大，最大的分值差達到5.39分。單一的主觀權(quán)重難免具有一定的主觀隨意性，而單一的客觀權(quán)重又忽視了評價專家的主觀經(jīng)驗信息，都有一定的局限性?；谶z傳算法主客觀偏差最小化優(yōu)化和評估結(jié)果差異最大化優(yōu)化的兩種方法的評估結(jié)果誤差最小。經(jīng)過基于遺傳算法的主客觀偏差最小化優(yōu)化，團隊3和團隊5以及團隊6和團隊7的評估結(jié)果差異都小于0.5分。而經(jīng)過基于遺傳算法的評估結(jié)果差異最大化優(yōu)化，團隊3和團隊5以及團隊6和團隊7的評估結(jié)果差異都大于1.7分，驗證了遺傳算法優(yōu)化的有效性，這種方法更加適合用于大比武等各類比賽。

圖5 不同權(quán)重下智能評估結(jié)果和人工評估的結(jié)果對比Fig.5 Result contrast between intelligent system and manual assessment

5 結(jié)論

1)根據(jù)數(shù)據(jù)分析驗證和專家意見，本文提出的基于遺傳算法優(yōu)化的機艙協(xié)作智能評估方法比較合理，評估結(jié)果的誤差最小。可構(gòu)造不同需求下的優(yōu)化目標函數(shù)并采用熵權(quán)法動態(tài)調(diào)整評估指標的權(quán)重，應(yīng)用智能算法優(yōu)化進一步改進了基于輪機模擬器的評估方法。機艙協(xié)作智能評估符合機艙資源管理評估的特殊要求，可用于虛擬仿真系統(tǒng)和半實物模擬機艙的協(xié)作訓練評估。

2)任務(wù)型虛擬協(xié)作訓練模式和駕機聯(lián)動模擬訓練彌補了傳統(tǒng)的輪機模擬器用于機艙資源管理培訓的不足，對于缺少實船服務(wù)經(jīng)歷的航海院校學生具有較大的實用價值。經(jīng)參加培訓的輪機部高級船員在局域網(wǎng)環(huán)境下使用，采用該訓練模式和訓練系統(tǒng)取得了比較理想的效果。這種訓練模式得到了業(yè)內(nèi)專家的認可，將進一步完善后進行推廣應(yīng)用。

3)需根據(jù)實船操作情景進一步驗證并完善智能評估隸屬度函數(shù)，提高駕機聯(lián)動模擬訓練情景的逼真度，提升系統(tǒng)的性能和訓練實效。將結(jié)合應(yīng)用實踐開發(fā)駕機聯(lián)動訓練仿真平臺，并建立基于云服務(wù)的訓練中心，為廣大船員提供便利的協(xié)作訓練考核和評估服務(wù)，促進船員實操技能的交流和素質(zhì)的提高，從而促進航運的安全、高效。

[1]中華人民共和國海事局.1978年海員培訓、發(fā)證和值班標準國際公約馬尼拉修正案[S].大連:大連海事大學，2010.

[2]張桂臣.船舶電站實操考試自動評分系統(tǒng)的設(shè)計與實現(xiàn)[J].中國航海，2010，33(3): 27-30.

ZHANG Guichen. Design and implementation of an automatic grading system for practical examination in marine power station[J]. Navigation of China， 2010，33(3): 27-30.

[3]蔣德志，趙曉玲.基于輪機模擬器的機艙資源管理研究與實踐[J].中國航海，2011，34(1): 22-25.

JIANG Dezhi， ZHAO Xiaoling. Engine room resource management using engine room simulator[J]. Navigation of China， 2011， 34(1): 22-25.

[4]曾鴻，張均東，任光，等.船舶機艙三維視景仿真系統(tǒng)設(shè)計與實現(xiàn)[J].系統(tǒng)仿真學報，2014，26(2): 363-368.

ZENG Hong， ZHANG Jundong， REN Guang， et al. Design and implementation of marine engine room three-dimensional visual simulation system[J]. Journal of system simulation，2014， 26(2): 363-368.

[5]張巧芬，孫建波，史成軍.新型輪機仿真平臺實操考試自動評估算法[J].哈爾濱工程大學學報，2014，35(6): 725-730.

ZHANG Qiaofen， SUN Jianbo， SHI Chengjun， et al. An automatic-evaluation algorithm for the operation examination of the novel marine engine simulation platform[J]. Journal of Harbin Engineering University， 2014， 35(6): 725-730.

[6]曹輝，馬玉鑫，賈寶柱.基于模糊綜合評判的輪機模擬器智能評估系統(tǒng)[J].大連海事大學學報，2015，41(1): 104-108.

CAO Hui， MA Yuxin， JIA Baozhu. Intelligent assessment system of engine-room simulator based on fuzzy comprehensive assessment[J]. Journal of Dalian Maritime University， 2015， 41(1): 104-108.

[7]段尊雷，任光，張均東，等.船舶機艙協(xié)作式模擬訓練智能評估[J].交通運輸工程學報，2016，16(06): 82-90.

DUAN Zunlei， REN Guang， ZHANG Jundong， et al. Intelligent assessment for collaborative simulation training in ship engine room[J].Journal of traffic and transportation engineering，2016，16(06): 82-90.

[8]張占安，蔡興國.采用熵理論確定抽水蓄能容量[J].電機與控制學報，2014，18(3): 34-38.

ZHANG Zhan′an， CAI Xingguo. Determination of pumped storage capacity based on entropy[J]. Electric machines and control， 2014，18(3): 34-38.

[9]何燕平，何輝，張筱磊.遺傳算法中群體多樣性評價指標的研究[J].哈爾濱工業(yè)大學學報，2009，41(3): 67-70.

HE Yanping， HE Hui， ZHANG Xiaolei. Evaluation index of population diversity in genetic algorithm[J].Journal of Harbin Institute of Technology， 2009， 41(3): 67-70.

[10]閆濱.大壩安全監(jiān)控及評價的智能神經(jīng)網(wǎng)絡(luò)模型研究[D].大連理工大學，2006:31-32. YAN Bin. Study of intelligent neural network model for dam safety monitoring and safety evaluation[D]. Dalian :Dalian University of Technology， 2006:31-32.

Intelligent assessment of virtual engine room collaboration based on genetic algorithm optimization

DUAN Zunlei1，2， REN Guang1， CAO Hui1， YAO Wenlong3

(1. School of Marine Engineering， Dalian Maritime University， Dalian 116026， China; 2. Seafarers Examination Center, Liaoning Maritime Safety Administration, Dalian 116001, China; 3. School of Automation， Qingdao University of Science and Technology， Qingdao 266041， China)

To meet the special requirements of engine room resource management and address the deficiencies of the traditional engine room simulator， we propose a mission-based collaborative training mode and an intelligent assessment method based on genetic algorithm. The proposed method involves building the assessment knowledge base of linkage simulation between the ship bridge and the engine room， constructing an evaluation index membership function library and the optimization target functions for different requirements， and dynamically adjusting weights using the entropy weight method and the historical assessment data. The weights are then optimized with genetic algorithm. In addition， this method obtains the fuzzy relationship matrix based on the checking results of the system parameters in real time， as well as the membership functions， and obtains assessment results by multiple fuzzy comprehensive evaluations. We comparatively analyzed the effect of this genetic algorithm optimization in an example and confirmed the assessment results to be objective and having the least error. The proposed training mode and assessment method are scientific and reasonable， and they have practical value for marine college students， especially for those who lack seagoing service experience.

genetic algorithm; engine room; resource management; collaboration; intelligent assessment; membership functions; engine room resource

2015-12-04.

日期：2017-03-17.

國家自然科學基金項目(51479017); 中央高?；究蒲袠I(yè)務(wù)費專項資金項目(3132016316).

段尊雷(1981-)，男，博士研究生； 任光(1952-)，男，教授，博士生導師．

段尊雷，E-mail：admudzl@163.com.

10.11990/jheu.201512044

U676.2

A

1006-7043(2017)04-0514-07

段尊雷， 任光， 曹輝，等.基于遺傳算法優(yōu)化的虛擬機艙協(xié)作智能評估[J]. 哈爾濱工程大學學報， 2017， 38(4): 514-520.

DUAN Zunlei， REN Guang， CAO Hui， et al.Intelligent assessment of virtual engine room collaboration based on genetic algorithm optimization[J]. Journal of Harbin Engineering University， 2017， 38(4): 514-520.

網(wǎng)絡(luò)出版地址：http://kns.cnki.net/kcms/detail/23.1390.u.20170317.1938.022.html