馬凱強(qiáng), 任利鋒, 曾 喆, 萬(wàn)劍華

顧及惡劣海況的船舶救援路徑規(guī)劃

馬凱強(qiáng)1, 任利鋒2, 曾 喆1, 萬(wàn)劍華1

(1. 中國(guó)石油大學(xué)(華東) 海洋與空間信息學(xué)院, 山東 青島 266580; 2. 中國(guó)石油集團(tuán)東方地球物理勘探有限責(zé)任公司海洋物探分公司, 天津 300457)

為了保障救援船舶在惡劣海況環(huán)境下能夠安全、高效地到達(dá)救援區(qū)域, 本文改進(jìn)人工魚(yú)群算法開(kāi)展海上救援路徑規(guī)劃研究。選取地形、海風(fēng)和海浪等指標(biāo)進(jìn)行風(fēng)險(xiǎn)度量, 采用GIS(geographical infor-mation system)多指標(biāo)決策方法構(gòu)建海洋環(huán)境威脅場(chǎng), 通過(guò)粒子群算法計(jì)算救援路徑規(guī)劃的最佳參數(shù), 并實(shí)現(xiàn)海上救援路徑搜索。實(shí)驗(yàn)表明, 基于改進(jìn)的人工魚(yú)群算法規(guī)劃的船舶救援路徑效果更優(yōu), 可為海上應(yīng)急救援提供輔助決策參考。

惡劣海況; 路徑規(guī)劃; 人工魚(yú)群算法

近年來(lái), 隨著海上貿(mào)易的日益繁榮, 海上安全事故頻頻發(fā)生。為了減少船舶人員和財(cái)產(chǎn)的損失, 人們對(duì)于海上突發(fā)事件的應(yīng)急救援提出了很高的要求。在惡劣海況環(huán)境下, 風(fēng)、浪等自然環(huán)境復(fù)雜多變, 具有較大的不可預(yù)測(cè)性, 船舶航行的風(fēng)險(xiǎn)仍然很高[1]。因此, 研究惡劣海況環(huán)境下的船舶救援路徑規(guī)劃方法對(duì)海上應(yīng)急救援具有重要意義。

路徑規(guī)劃研究除了Dijkstra算法、人工勢(shì)場(chǎng)法和A*算法等傳統(tǒng)方法[2-3]外, 還包括蟻群算法、粒子群算法、遺傳算法等群智能算法[4-5]。由于群智能算法具有搜索效率高、全局搜索能力強(qiáng)和適用于各種復(fù)雜環(huán)境等特點(diǎn), 其已成為了當(dāng)今研究的熱點(diǎn)。王沛棟等[6]利用蟻群算法實(shí)現(xiàn)了機(jī)器人在靜態(tài)環(huán)境下的路徑規(guī)劃。向祖權(quán)等[7]利用粒子群算法實(shí)現(xiàn)了無(wú)人船規(guī)避障礙物的最優(yōu)路徑規(guī)劃。范云生等[8]利用柵格法對(duì)電子海圖建立海洋環(huán)境, 提出一種改進(jìn)遺傳算法的全局路徑規(guī)劃算法。人工魚(yú)群算法是一種簡(jiǎn)單易實(shí)現(xiàn)、魯棒性強(qiáng)和全局優(yōu)化能力強(qiáng)的群智能算法, 已應(yīng)用于船舶的路徑規(guī)劃領(lǐng)域[9]。

目前船舶路徑規(guī)劃研究中海洋環(huán)境建模大多只考慮了地形靜態(tài)環(huán)境因素, 較少考慮風(fēng)、浪等氣象水文環(huán)境因素。余夢(mèng)珺等[10]在西北航道上構(gòu)建了基于海冰密集度、海表溫度、風(fēng)強(qiáng)度的海上環(huán)境威脅場(chǎng), 利用蟻群算法進(jìn)行了海上救援路徑規(guī)劃研究, 但其只適應(yīng)于西北航道區(qū)域, 未能解決在惡劣海況等其他情況下的救援路徑規(guī)劃。鑒于此, 本文將改進(jìn)人工魚(yú)群算法應(yīng)用于惡劣海況環(huán)境下, 實(shí)現(xiàn)了顧及地形、海風(fēng)和海浪等指標(biāo)的船舶救援路徑規(guī)劃。

1 救援路徑規(guī)劃模型的建立

本文研究?jī)?nèi)容主要包括3部分: 確定規(guī)劃目標(biāo), 構(gòu)建海洋環(huán)境威脅場(chǎng), 海上救援路徑規(guī)劃。本文以惡劣海況環(huán)境下路徑最短、風(fēng)險(xiǎn)最小作為規(guī)劃目標(biāo), 采用GIS多指標(biāo)決策方法構(gòu)建海洋環(huán)境威脅場(chǎng), 利用改進(jìn)人工魚(yú)群算法規(guī)劃海上救援路徑, 綜合考慮安全性和高效性。規(guī)劃模型流程圖如圖1所示。

1.1 研究區(qū)域和規(guī)劃目標(biāo)

1.1.1 研究區(qū)域

本文選取遼東半島附近海域?yàn)檠芯繀^(qū)域: 經(jīng)度為120.5°～123.5°E, 緯度為38.26°～39.66°N。

1.1.2 規(guī)劃目標(biāo)

海上救援路徑規(guī)劃實(shí)質(zhì)上指救援船舶從起點(diǎn)出發(fā), 在保證自身安全的情況下, 以最短的時(shí)間到達(dá)事故區(qū)域進(jìn)行救援。假設(shè)船舶全程勻速行駛, 航行時(shí)間就可用路徑長(zhǎng)度來(lái)代替。路徑長(zhǎng)度可表示為:

圖1 顧及惡劣海況的船舶救援路徑規(guī)劃流程圖

船舶的航行安全可用路徑的風(fēng)險(xiǎn)代價(jià)來(lái)表示。風(fēng)險(xiǎn)代價(jià)可表示為:

因此, 救援路徑規(guī)劃的總目標(biāo)函數(shù)可由路徑長(zhǎng)度和風(fēng)險(xiǎn)代價(jià)加權(quán)計(jì)算, 表示為:

()=1×() +2×(), (3)

式中,()為總目標(biāo)值,1、2為比例系數(shù), 其大小由決策者根據(jù)情況進(jìn)行調(diào)整, 本文設(shè)1=0.4,2=0.6。

1.2 構(gòu)建海洋環(huán)境威脅場(chǎng)

1.2.1 確定海洋環(huán)境風(fēng)險(xiǎn)因素

與陸地不同, 海洋環(huán)境非常復(fù)雜。海洋地理環(huán)境常分為兩類: 一類是包含水深、陸地、島礁及淺灘等靜態(tài)地形環(huán)境; 另一類是包含海風(fēng)、海浪等動(dòng)態(tài)氣象水文環(huán)境。在惡劣海況下, 大風(fēng)和大浪是影響船舶航行的重要因素。大風(fēng)可直接影響船舶的航行方向, 可能造成碰撞等事故。大浪可對(duì)船舶有縱向、橫向、垂向的影響, 可能會(huì)造成螺旋槳、儀器損壞[11]。地形因素也是船舶航行安全的重要危險(xiǎn)因素。在水深較淺、海岸和島礁附近海域, 淺灘、礁石等航行障礙物較多, 船舶極易發(fā)生碰撞、擱淺等事故。另外, 海流也是影響船舶航行的因素, 但在惡劣海況環(huán)境中, 表層海流主要受海風(fēng)影響, 其對(duì)船舶的危險(xiǎn)度可通過(guò)海風(fēng)和海浪的作用來(lái)表示, 因此可忽略。根據(jù)以上原因, 本文選取了地形、海風(fēng)、海浪3個(gè)風(fēng)險(xiǎn)因素, 分別對(duì)其進(jìn)行量化評(píng)價(jià)。

圖2 研究區(qū)域

(1) 風(fēng)強(qiáng)度

風(fēng)強(qiáng)度的大小是用風(fēng)速來(lái)表示的, 風(fēng)速越大, 風(fēng)強(qiáng)度也越大。風(fēng)強(qiáng)度1的量化公式為:

式中,為單個(gè)柵格單元的實(shí)際風(fēng)速值,min為大風(fēng)最低危險(xiǎn)值, 根據(jù)蒲福風(fēng)力等級(jí)表,min定為17.1 m/s。

(2) 浪強(qiáng)度

浪強(qiáng)度的大小是用浪高來(lái)表示的, 海浪越高, 浪強(qiáng)度也越大。浪強(qiáng)度2的量化公式為:

式中,為單個(gè)柵格單元的實(shí)際浪高,min為海浪最低危險(xiǎn)值, 根據(jù)海況等級(jí)表,min定為4.5 m。

(3) 地形危險(xiǎn)度

式中,為單個(gè)柵格單元的實(shí)際水深,min為船舶的最小安全水深, 為了滿足大部分救援船舶的航行安全,min確定為15 m。

離岸距離危險(xiǎn)度R的量化公式:

式中,為單個(gè)柵格單元距離海岸線的距離,min為船舶的最小離岸距離, 其值定為12 n mile。

地形危險(xiǎn)度的量化公式:

式中, 地形危險(xiǎn)度3是取單個(gè)柵格單元中水深危險(xiǎn)度與離岸距離危險(xiǎn)度的最大值。

水深地形數(shù)據(jù)來(lái)自美國(guó)地球物理中心(national geophysical data center, NGDC), 海風(fēng)、海浪數(shù)據(jù)來(lái)自歐洲中期天氣預(yù)報(bào)中心(Europen center for medium- range weather forecasts, ECMWF)。本文選取2019年10月14號(hào)14時(shí)(UTC)的數(shù)據(jù), 此時(shí)研究區(qū)域最大浪高達(dá)4.5 m以上, 符合2萬(wàn)噸以下船舶惡劣海況的標(biāo)準(zhǔn)[12]。由于各個(gè)指標(biāo)的數(shù)據(jù)都是網(wǎng)格數(shù)據(jù)且數(shù)據(jù)間存在分辨率不一致等問(wèn)題, 需要對(duì)各因素進(jìn)行空間分析處理, 統(tǒng)一為柵格大小為0.02°× 0.02°的柵格圖。各個(gè)指標(biāo)使用的空間分析方法如表1所示。

表1 各指標(biāo)的空間分析方法

1.2.2 海洋環(huán)境威脅場(chǎng)建立

GIS多指標(biāo)決策方法是一種綜合評(píng)價(jià)地理空間的方法。OWA(order weighted average)是根據(jù)數(shù)據(jù)的排序位置進(jìn)行加權(quán)聚合的算子。GIS-OWA方法是GIS多指標(biāo)決策方法中能根據(jù)決策者偏好來(lái)評(píng)價(jià)風(fēng)險(xiǎn)大小的方法, 該方法能從指標(biāo)補(bǔ)償差異等方面提高決策者對(duì)結(jié)果的滿意度[13]?；贕IS-OWA的海洋環(huán)境威脅場(chǎng)構(gòu)建主要有3個(gè)步驟: 計(jì)算指標(biāo)權(quán)重、計(jì)算次序權(quán)重和OWA算子合并。

指標(biāo)權(quán)重是由層次分析法來(lái)確定的。層次分析法用專家的經(jīng)驗(yàn)判斷各風(fēng)險(xiǎn)因素之間的相對(duì)重要程度, 并合理地給出每個(gè)風(fēng)險(xiǎn)因素的指標(biāo)權(quán)重。

次序權(quán)重可由指標(biāo)的重要程度來(lái)確定。次序權(quán)重v可定義為:

OWA算子合并可由指標(biāo)權(quán)重和次序權(quán)重計(jì)算得出。OWA算子的表達(dá)式為:

經(jīng)過(guò)5名專家打分后, 由層次分析法可計(jì)算出浪強(qiáng)度、風(fēng)強(qiáng)度、地形危險(xiǎn)度的指標(biāo)權(quán)重值分別為0.426, 0.412, 0.162。設(shè)=0.6, 由公式(9)可計(jì)算出浪強(qiáng)度、風(fēng)強(qiáng)度、地形危險(xiǎn)度的次序權(quán)重分別為0.659 8, 0.236 6, 0.103 6。最后, 以公式(10)的OWA算子進(jìn)行空間計(jì)算可得到海洋環(huán)境威脅場(chǎng)。如圖3, 在海洋環(huán)境威脅場(chǎng)中, 西部海域風(fēng)險(xiǎn)低, 東部海域風(fēng)險(xiǎn)高, 東北島礁附近的海域風(fēng)險(xiǎn)最高, 東南海域風(fēng)險(xiǎn)較高。

1.3 海上救援路徑規(guī)劃算法

人工魚(yú)群算法是由李曉磊等[14]提出的一種群智能優(yōu)化算法。魚(yú)群在水中尋找食物時(shí), 往往會(huì)自行或尾隨其他魚(yú)找到食物濃度多的位置。通過(guò)魚(yú)群覓食的這個(gè)特點(diǎn), 人工魚(yú)可模擬魚(yú)群的覓食、聚群和追尾行為, 找到一條從起點(diǎn)到終點(diǎn)的最佳路徑。

本文針對(duì)傳統(tǒng)人工魚(yú)群算法易陷入局部最優(yōu)和路徑冗長(zhǎng)的問(wèn)題。對(duì)算法進(jìn)行了以下的改進(jìn)。

圖3 海洋環(huán)境威脅場(chǎng)

Fig. 3 Marine environment threat field

1.3.1 人工魚(yú)游走方式改進(jìn)

傳統(tǒng)人工魚(yú)群算法的人工魚(yú)游走方式是隨機(jī)搜索, 改進(jìn)方法是采用混沌搜索。混沌搜索具有隨機(jī)性、規(guī)律性、遍歷性等特點(diǎn)。因此, 混沌搜索比隨機(jī)搜索更優(yōu)越[15]?；煦缢阉骺杀硎緸?

式中,x是0到1之間的一個(gè)隨機(jī)數(shù)。

人工魚(yú)的游走方式也改為:

式中,X()為人工魚(yú)當(dāng)前的狀態(tài),()為人工魚(yú)搜索的狀態(tài),X+1()為人工魚(yú)移動(dòng)一步后的新?tīng)顟B(tài),為人工魚(yú)數(shù)目。

1.3.2 視野的改進(jìn)

傳統(tǒng)人工魚(yú)群算法中人工魚(yú)的視野范圍是一個(gè)定值。視野的大小對(duì)算法收斂有較大影響, 視野范圍較小時(shí), 執(zhí)行覓食和隨機(jī)的行為較多。視野較大時(shí), 執(zhí)行追尾和聚群的行為較多, 但算法復(fù)雜度也變大。因此, 在算法初期, 人工魚(yú)應(yīng)在較大的視野中尋優(yōu), 在算法的后期, 應(yīng)相應(yīng)減少人工魚(yú)的視野, 加快算法的收斂速度。視野改進(jìn)公式為:

1.3.3 路徑冗長(zhǎng)的改進(jìn)

采用以上改進(jìn)策略, 海上救援路徑規(guī)劃的步驟如下:

①初始化各個(gè)參數(shù), 包括人工魚(yú)數(shù)目, 最大迭代次數(shù), 擁擠度因子和重復(fù)次數(shù)。

②采用公式(1)(2)(3)計(jì)算每條人工魚(yú)初始的總目標(biāo)值, 并將其最小值放入公告牌。

③采用公式(13)的結(jié)果來(lái)作為人工魚(yú)的新視野。

④執(zhí)行人工魚(yú)的追尾、聚群和覓食行為, 并采用行為選擇策略選擇最優(yōu)的前進(jìn)方向, 同時(shí)更新每條人工魚(yú)的位置。

⑤每條人工魚(yú)執(zhí)行各種行為后, 計(jì)算每條人工魚(yú)的總目標(biāo)值, 取其最小值與公告板的值比較, 若小于時(shí), 更新其值作為公告板的值。

⑥判斷是否滿足終止條件, 若滿足, 執(zhí)行步驟⑦, 否則, 跳轉(zhuǎn)到步驟③。

⑦將路徑進(jìn)行平滑優(yōu)化, 輸出公告板中的值和對(duì)應(yīng)的路徑, 即為最優(yōu)路徑。

2 實(shí)驗(yàn)

2.1 海上救援路徑規(guī)劃算法參數(shù)優(yōu)化

人工魚(yú)群算法的參數(shù)選擇不合理會(huì)導(dǎo)致算法運(yùn)行效率變低或易陷入局部最優(yōu)。因此, 需要對(duì)算法的主要參數(shù)進(jìn)行優(yōu)化。人工魚(yú)群算法有5個(gè)基本參數(shù): 人工魚(yú)數(shù)目、視野、步長(zhǎng)、擁擠度因子和重復(fù)次數(shù)。由于柵格網(wǎng)的限制, 人工魚(yú)只能以相鄰的柵格作為步長(zhǎng)。因此, 本文需要在除步長(zhǎng)外的其他4個(gè)參數(shù)中尋找最優(yōu)參數(shù)。這4個(gè)參數(shù)對(duì)人工魚(yú)群算法性能的影響如下[16]:

1) 人工魚(yú)數(shù)目是算法的重要參數(shù)。人工魚(yú)數(shù)目越多, 跳出局部最優(yōu)解的能力也越強(qiáng), 收斂速度也越快。相應(yīng)地, 數(shù)目越多, 效率就會(huì)變低。因此, 人工魚(yú)數(shù)目要在滿足穩(wěn)定收斂下, 選取較少的人工魚(yú)數(shù)目。

2) 視野對(duì)算法中各種行為的選取有較大的影響。由式(13), 人工魚(yú)視野范圍的大小取決于迭代次數(shù)的大小。

3) 嘗試次數(shù)對(duì)人工魚(yú)算法的影響表現(xiàn)在其越大, 覓食能力越強(qiáng), 收斂效率越高。

4) 擁擠度因子對(duì)人工魚(yú)算法的影響表現(xiàn)在其可避免人工魚(yú)由于過(guò)度擁擠而陷入局部最優(yōu)解。

本文采用粒子群算法對(duì)人工魚(yú)群算法參數(shù)進(jìn)行優(yōu)化。粒子群算法的適應(yīng)值評(píng)價(jià)函數(shù)從算法的尋優(yōu)能力、收斂速度和運(yùn)算時(shí)間3方面考慮[17]。適應(yīng)值函數(shù)如下:

式中,()為粒子群算法的適應(yīng)值,1,2,3為比例值, 分別為0.5, 0.25, 0.25。()表示人工魚(yú)群算法的尋優(yōu)能力,local表示人工魚(yú)群算法得到的最優(yōu)解,best為理論最優(yōu)解。()表示人工魚(yú)群算法的收斂速度,是魚(yú)群找到最優(yōu)解時(shí)的迭代次數(shù),max為魚(yú)群算法迭代次數(shù)的最大值, 取為500。()表示魚(yú)群算法的運(yùn)行時(shí)間,max為魚(yú)群數(shù)目的最大值, 取為50。

粒子群算法采用基本算法, 其參數(shù)粒子個(gè)數(shù)為10, 學(xué)習(xí)因子1=2= 0.5, 慣性因子= 0.5(–)/+ 0.4,迭代次數(shù)為100,為當(dāng)前迭代次數(shù)。人工魚(yú)群算法的參數(shù)取值范圍如表2所示。

表2 人工魚(yú)群算法參數(shù)取值范圍

圖4是粒子群算法迭代過(guò)程中適應(yīng)值的變化曲線。圖4顯示, 適應(yīng)值總體上一直呈上升趨勢(shì), 表明參數(shù)一直在向全局最優(yōu)的方向趨近。求得的參數(shù)可作為海上救援路徑規(guī)劃算法的最佳參數(shù), 最佳參數(shù)為:=32,=212,=0.628,=8。

圖4 粒子適應(yīng)值變化曲線

2.2 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)人工魚(yú)群算法能適用于惡劣海況環(huán)境下的海上救援路徑規(guī)劃。本文從改進(jìn)人工魚(yú)群算法的性能和路徑上進(jìn)行分析。設(shè)置起點(diǎn)為(120.7°E, 38.52°N), 終點(diǎn)為(122.8°E, 38.46°N)。

根據(jù)上述實(shí)驗(yàn)得到的最佳參數(shù), 檢測(cè)閾值設(shè)為4, 運(yùn)行改進(jìn)人工魚(yú)群算法20次, 記錄其每次的優(yōu)化結(jié)果。采用與改進(jìn)人工魚(yú)群算法相同的參數(shù), 視野為10, 運(yùn)行傳統(tǒng)人工魚(yú)群算法20次, 也記錄每次的優(yōu)化結(jié)果。表3給出了改進(jìn)人工魚(yú)群算法和傳統(tǒng)人工魚(yú)群算法各運(yùn)行20次后的結(jié)果。從表3可知, 改進(jìn)人工魚(yú)群算法在最優(yōu)總目標(biāo)值、總目標(biāo)值均值、總目標(biāo)值方差和平均迭代次數(shù)上均優(yōu)于傳統(tǒng)人工魚(yú)群算法, 表明改進(jìn)人工魚(yú)群算法在尋優(yōu)能力、穩(wěn)定性和收斂速度方面均優(yōu)于傳統(tǒng)人工魚(yú)群算法。

表3 改進(jìn)前與改進(jìn)后算法性能對(duì)比實(shí)驗(yàn)結(jié)果

從兩組實(shí)驗(yàn)中挑選出總目標(biāo)值最優(yōu)的兩條路徑進(jìn)行分析。表4為傳統(tǒng)人工魚(yú)群和改進(jìn)人工魚(yú)群算法的路徑對(duì)比實(shí)驗(yàn)結(jié)果。由表4可知, 改進(jìn)人工魚(yú)群算法在總目標(biāo)值、路徑長(zhǎng)度、風(fēng)險(xiǎn)代價(jià)上均優(yōu)于傳統(tǒng)人工魚(yú)群算法, 改進(jìn)人工魚(yú)群算法規(guī)劃的救援路徑能以更短的路徑長(zhǎng)度和更小的風(fēng)險(xiǎn)到達(dá)終點(diǎn)。將路徑等距離劃分, 可分為前中后三段。由圖5中可知, 傳統(tǒng)人工魚(yú)群算法得到的路徑易陷入局部最優(yōu), 路徑迂回曲折, 路徑的中段部分路段未能繞開(kāi)較高風(fēng)險(xiǎn)區(qū)域, 不符合船舶的實(shí)際航行要求。而改進(jìn)人工魚(yú)群算法搜索的路徑更加平滑, 路徑的中段一直處于低風(fēng)險(xiǎn)區(qū)域, 能很好地避開(kāi)較高風(fēng)險(xiǎn)區(qū)域, 能保障救援船舶安全航行, 更符合船舶的實(shí)際航行要求。

表4 改進(jìn)前與改進(jìn)后路徑對(duì)比實(shí)驗(yàn)結(jié)果

圖5 兩條路徑規(guī)劃對(duì)比圖

為了驗(yàn)證以上實(shí)驗(yàn)結(jié)果的可行性, 選用以上實(shí)驗(yàn)中相同的參數(shù), 更換起點(diǎn)和終點(diǎn), 設(shè)置起點(diǎn)為(122.82°E, 39.26°N), 終點(diǎn)為(123.02°E, 38.46°N), 再次進(jìn)行一組對(duì)比實(shí)驗(yàn)。從表5中可知, 改進(jìn)人工魚(yú)群算法規(guī)劃的救援路徑仍能以更短的路程和更小的風(fēng)險(xiǎn)到達(dá)終點(diǎn)。從圖6中可知, 起終點(diǎn)位于高風(fēng)險(xiǎn)區(qū)域的南北兩側(cè), 兩條路徑均能避開(kāi)東部島嶼附近風(fēng)險(xiǎn)度接近1的高風(fēng)險(xiǎn)區(qū)域。傳統(tǒng)人工魚(yú)群算法得到的路徑仍會(huì)陷入局部最優(yōu), 且路徑的前段靠近島嶼, 未能保障船舶的安全性。而改進(jìn)人工魚(yú)群算法規(guī)劃的路徑能從兩個(gè)島嶼區(qū)域中間相對(duì)風(fēng)險(xiǎn)較小的區(qū)域穿過(guò), 且路徑平滑, 表明了改進(jìn)人工魚(yú)群算法規(guī)劃的路徑的有效性。

表5 改進(jìn)前與改進(jìn)后路徑對(duì)比實(shí)驗(yàn)結(jié)果

3 結(jié)論

針對(duì)在惡劣海況環(huán)境下救援船舶路徑規(guī)劃問(wèn)題, 本文提出了基于改進(jìn)的人工魚(yú)群算法的船舶救援路徑規(guī)劃方法。本文的海上救援路徑規(guī)劃方法搜索到的路徑在總目標(biāo)值、路徑長(zhǎng)度、風(fēng)險(xiǎn)代價(jià)上均優(yōu)于傳統(tǒng)人工魚(yú)群算法, 且路徑更加平滑, 能順利避開(kāi)海岸、島礁和高風(fēng)險(xiǎn)區(qū)域, 能更好地保障救援船舶安全、高效地到達(dá)事故區(qū)域。

圖6 兩條路徑規(guī)劃對(duì)比圖

本研究的不足之處是只考慮了在惡劣海況環(huán)境下的部分因素, 且未考慮風(fēng)向、浪向等對(duì)船舶航行效率的影響, 未來(lái)將開(kāi)展更深入的研究。

[1] 戴冉, 郝慶龍, 顧祖旭. 惡劣海況中軍用艦船航行決策模型[J]. 中國(guó)航海, 2014, 37(3): 68-71, 79.

DAI Ran, HAO Qinglong, GU Zuxu. Sailing Decision Model of Military Vessels on Rough Sea[J]. Navigation of China, 2014, 37(3): 68-71, 79.

[2] CHEN Y B, LUO G C, MEI Y S, et al. UAV path planning using artificial potential field method updated by optimal control theory[J]. International Journal of System Science, 2016, 47(6): 1407-1420.

[3] TOPAJ A G, TAROVIK O V, BAKHAREV A A, et al. Optimal ice routing of a ship with icebreaker assistance[J]. Applied Ocean Research, 2019, 86: 177-187.

[4] TAN Guanzheng, LIU Guanjun. Global optimal path planning for mobile robots based on particle swarm optimization[J]. Application Research of Computers, 2007, 24(11): 210-212.

[5] LI Wei, WANG Gaiyun. Application of improved PSO in mobile robotic path planning[C]//Proceedings 2010 International Conference on Intelligent Computing and Integrated Systems. Guilin: IEEE Network, 2010, 4(4): 45-48.

[6] 王沛棟, 馮祖洪, 孫志長(zhǎng). 一種柵格模型下機(jī)器人路徑規(guī)劃的改進(jìn)蟻群算法[J]. 計(jì)算機(jī)應(yīng)用, 2008, 28(11): 2877-2880.

WANG Peidong, FENG Zuhong, SUN Zhichang. Improved ant colony algorithm in grid model for mobile robot path planning[J]. Journal of Computer Application, 2008, 28(11): 2877-2880.

[7] 向祖權(quán), 靳超, 杜開(kāi)君, 等. 基于粒子群優(yōu)化算法的水面無(wú)人艇分層局部路徑規(guī)劃[J]. 武漢理工大學(xué)學(xué)報(bào), 2015, 37(7): 38-45.

XIANG Zuquan, JIN Chao, DU Kaijun, et al. Local obstacle avoidance for unmanned surface vehicle using a hierarchical strategy based on particle swarm optimization[J]. Journal of Wuhan University of Technology, 2015, 37(7): 38-45.

[8] 范云生, 趙永生, 石林龍, 等. 基于電子海圖柵格化的無(wú)人水面艇全局路徑規(guī)劃[J]. 中國(guó)航海, 2017, 40(1): 47-52.

FAN Yunsheng, ZHAO Yongsheng, SHI Linlong, et al. Global path planning for unmanned surface vehicle based on grid model of electronic chart[J]. Navigation of China, 2017, 40(1): 47-52.

[9] 馬文耀, 吳兆麟, 楊家軒, 等. 人工魚(yú)群算法的避碰路徑規(guī)劃決策支持[J]. 中國(guó)航海, 2014, 37(3): 63-67.

MA Wenyao, WU Zhaolin, YANG Jiaxuan, et al. Decision support from artificial fish swarm algorithm for ship collision avoidance route planning[J]. Navigation of China, 2014, 37(3): 63-67.

[10] 余夢(mèng)珺, 張韌, 高頂, 等. 基于蟻群算法的西北航道海上救援路徑規(guī)劃[J]. 海洋預(yù)報(bào), 2019, 36(6): 62-72.

YU Mengjun, ZHANG Ren, GAO Ding, et al. Route planning for maritime rescue in Arctic Northwest Passage based on ant colony algorithm[J]. Marine Forecasts, 2019, 36(6): 62-72.

[11] 解以揚(yáng), 劉大剛, 吳丹朱, 等. 黃、渤海惡劣天氣影響船舶安全的風(fēng)險(xiǎn)預(yù)估技術(shù)初探[J]. 災(zāi)害學(xué), 2014(1): 136-143.

XIE Yiyang, LIU Dagang, WU Danzhu, et al. Risk prediction technology of ship safety in the Yellow Sea and Bohai Sea during severe weathers[J]. Journal of Catastrophology, 2014, (1): 136-143.

[12] 劉冰, 傅敏輝, 薛國(guó)虎, 等. 航天測(cè)量船海上測(cè)控任務(wù)分析與設(shè)計(jì)方法[M]. 北京: 國(guó)防工業(yè)出版社, 2015: 194-195.

LIU Bing, FU Minhui, XUE Guohu, et al. Analysis and design method of TT & C mission for space survey ship at sea[M]. Beijing: National Defense Industry Press, 2015: 194-195.

[13] WANG Jiasheng, LI Manchun, LIU Yongxue, et al. Safety assessment of shipping routes in the South China Sea based on the fuzzy analytic hierarchy process[J]. Safety Science, 2014, 62: 46-57.

[14] 李曉磊, 薛云燦, 路飛, 等. 基于人工魚(yú)群算法的參數(shù)估計(jì)方法[J]. 山東大學(xué)學(xué)報(bào)(工學(xué)版), 2004, 34(3): 84-87.

LI Xiaolei, XUE Yuncan, LU Fei, et al. Parameter estimation method based-on artificial fish school algorithm[J]. Journal of Shandong University(Engineering Science), 2004, 34(3): 84-87.

[15] 黃長(zhǎng)強(qiáng), 趙克新. 基于改進(jìn)蟻獅算法的無(wú)人機(jī)三維航跡規(guī)劃[J]. 電子與信息學(xué)報(bào), 2018, 40(7): 1532-1538.

HUANG Changqiang, ZHAO Kexin. Three dimensional path planning of UAV with improved ant lion optimizer[J]. Journal of Electronics & Information Technology, 2018, 40(7): 1532-1538.

[16] 王聯(lián)國(guó), 施秋紅. 人工魚(yú)群算法的參數(shù)分析[J]. 計(jì)算機(jī)工程, 2010, 36(24): 169-171.

WANG Lianguo, SHI Qiuhong. Parameters analysis of artificial fish swarm algorithm[J]. Computer Engineering, 2010, 36(24): 169-171.

[17] 劉利強(qiáng), 戴運(yùn)桃, 王麗華. 蟻群算法參數(shù)優(yōu)化[J]. 計(jì)算機(jī)工程, 2008, 34(11): 208-210.

LIU Liqiang, DAI Yuntao, WANG Lihua. Ant colony algorithm parameters optimization[J]. Computer Engineering, 2008, 34(11): 208-210.

Ship rescue path planning considering adverse sea conditions

MA Kai-qiang1, REN Li-feng2, ZENG Zhe1, WAN Jian-hua1

(1. College of Oceanography and Space Informatics, China University of Petroleum, Qingdao 266580, China; 2. BGP INC, China National Petroleum Corporation, Tianjin 300457, China)

To ensure that the rescue ships can reach the rescue area safely and efficiently under adverse sea conditions, this study aims to improve the artificial fish swarm algorithm for maritime rescue path planning. The terrain, sea breeze, and sea wave are selected to measure the risk. The multi-index decision-making method of the geographic information system is used to construct the marine environment threat field. The optimal parameters of rescue path planning are calculated using the particle swarm optimization algorithm, and maritime rescue path planning is realized. The experimental results show that ship rescue path planning based on the improved artificial fish swarm algorithm is effective and can provide auxiliary decision-making reference for maritime emergency rescue.

bad sea; path planning; artificial fish swarm algorithm

Nov. 8, 2020

K928.44; U676.8

A

1000-3096(2021)05-0039-08

10.11759/hykx20201108007

2020-11-08;

2020-12-24

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2017YFC1405600); 國(guó)家自然科學(xué)基金項(xiàng)目(41976184)

[National Key Research and Development Program of China, No. 2017YFC1405600; National Natural Science Foundation of China, No. 41976184]

馬凱強(qiáng)(1996－), 男, 山西呂梁人, 碩士研究生, 研究方向: 船舶路徑規(guī)劃, E-mail: 1045783321@qq.com; 萬(wàn)劍華(1966－),通信作者, 教授, 主要從事海洋遙感和地理信息方面研究, E-mail: wjh66310@163.com

(本文編輯: 叢培秀)