CN110608738B - 一种无人船全局气象航线动态规划方法和*** - Google Patents
一种无人船全局气象航线动态规划方法和*** Download PDFInfo
- Publication number
- CN110608738B CN110608738B CN201910750052.3A CN201910750052A CN110608738B CN 110608738 B CN110608738 B CN 110608738B CN 201910750052 A CN201910750052 A CN 201910750052A CN 110608738 B CN110608738 B CN 110608738B
- Authority
- CN
- China
- Prior art keywords
- route
- waypoint
- initial
- ship
- waypoints
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例涉及一种无人船全局气象航线动态规划方法和***,该方法包括:获取初始路线,并对初始航线进行离散化处理,得到多个初始航路点,多个初始航路点包括起始点、终点以及位于起始点与终点之间的多个中间航路点;在船舶行驶过程中采集实时气象数据;对于船舶行驶的当前航路点,利用初始航路点的位置决策结合初始航路点至当前航路点的多个航路点时的实时气象数据进行多级决策,得到相应的多个最佳航路点;根据多个最佳航路点和终点对当前航路点之后的未航行路线进行动态规划。本发明采用分段多级决策的方式对初始航线上航路点的位置做出实时动态调整和规划,实现在船舶行驶中对航线的动态优化。
Description
技术领域
本发明涉及船舶技术领域,尤其涉及一种无人船全局气象航线动态 规划方法和***。
背景技术
近年来,随着船运业的快速发展,全局气象航线设计成为保障智能 无人船舶安全高效航行的重要研究内容。航线的安全性和经济性是衡量 船舶航线优劣的两个重要指标。
现有的研究多采用静态气象信息作为气象航线设计依据,缺乏对气 象信息变化情况下航线决策的考量,由于海上气象信息的变化,经过一 次规划得出的航线难以保证航行总过程一直保持最优状态,因此,已有 的气象航线静态设计方法难以满足船舶实际的航行需求。其次,现有的 研究缺乏对能耗与航时的同时考量,已有研究多为实现航线的单目标最 优,仅实现航线的航时最短或能耗最低不能满足船舶实际航行需求。再 次,已有的研究多采用等时线法、变分法和建立网格模型等方法设计气 象航线。等时线法是一种递归算法,当气象数据较多时,易引起存储空 间的消耗和复杂度的增加,因此,该方法只能用于设计航程较短的航线, 且难以利用计算机程序实现。变分法则是构建一个航行时间的函数,采 用欧拉方程进行极值求解。由于方程构建有较多的约束条件,求解难度 高,当需要二阶微分时,方程求解将产生不准确的情况。建立网格模型 求解气象航线是将船舶航线优化问题转化为网络路径问题,计算航程较 长的航线时,该方法需要读取和处理数据量较大,导致算法运行效率较 低。
可见,现有技术中方法缺乏在航行中对船舶航线根据实时气象数据 进行动态规划。
上述缺陷是本领域技术人员期望克服的。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种无人船全局气象航 线动态规划方法和***,解决现有技术中缺乏在航行中对船舶航线根据 实时气象数据进行动态规划的问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
本发明一实施例提供一种无人船全局气象航线动态规划方法,其包 括:
获取初始路线,并对所述初始航线进行离散化处理,得到多个初始 航路点,所述多个初始航路点包括起始点、终点以及位于所述起始点与 所述终点之间的多个中间航路点;
在船舶行驶过程中采集实时气象数据;
对于所述船舶行驶的当前航路点,利用初始航路点的位置决策结合 所述初始航路点至所述当前航路点的多个航路点时的实时气象数据进行 多级决策,得到相应的多个最佳航路点;
根据所述多个最佳航路点和所述终点对所述当前航路点之后的未航 行路线进行动态规划。
本发明的一个实施例中,所述获取初始航线为大圆航线,所述大圆 航线为所述起始点到所述终点之间航程最短的航线。
本发明的一个实施例中,所述实时气象数据包括:风向角度、船体 迎风角、波高和船舶失速。
本发明的一个实施例中,所述利用初始航路点的位置决策结合所述 初始航路点至所述当前航路点的多个航路点时的实时气象数据进行多级 决策包括:
将所述初始航线中含初始点和终点在内的N个航路点视作N次决策;
以所述当前航路点为界限将所述初始航线分为已航行路线和未航行 路线;
对所述已航行路线中的中间航路点的状态结合所述实时气象数据对 未航行路线中航路点的位置进行决策。
本发明的一个实施例中,所述决策过程的动态方程为:
x(k+1)=f[x(k),u(k),k]
其中x(k+1)为所述N个航路点中第k+1个航路点的位置决策,u(k)为 第k个航路点的实时气象数据,x(k)为选定航路点的位置决策,k为选定 航路点之前的k段自航线,且k的范围为k=0,1,...,N。
本发明的一个实施例中,所述多级决策的评价函数为:
其中m为所述当前航路点的编号,h[x(k),m]为航路点x(k)的评价函数。
本发明的一个实施例中,所述评价函数h[x(k),m]的计算公式为:
其中h[x(k),m]为双目标函数值,ω1和ω2分别为能耗与航时的权重因子, 且ω1+ω2=1,γ1和γ2为转换因子,用于将能耗和航时转化为评价航线的经 济性指标,N为所述初始航线上的恒向线个数,vi为第i段恒向线的船舶 实际航速,vmax为船舶临界速度,Si为第i段恒向线的长度,Te为船舶的主 机推力;
船舶临界速度vmax的计算公式为:
vmax=e0.13[1.4×10-4q23+12.0-h]1.6+4.0×10-4q23+7.0
其中h为所述波高,q为相对波向,用于表示船舶行驶方向与波浪方 向的夹角。
本发明的一个实施例中,采用多级动态逆推方法进行多级决策。
本发明的一个实施例中,所述得到相应的多个最佳航路点包括:
通过理想点算法计算经多级决策确定的航路点的评价函数;
选择所述评价函数值最小的航路点作为最佳航路点。
本发明另一实施例还提供一种无人船全局气象航线动态规划***, 包括:
离散处理模块,用于获取初始路线,并对所述初始航线进行离散化 处理,得到多个初始航路点,所述多个初始航路点包括起始点、终点以 及位于所述起始点与所述终点之间的多个中间航路点;
气象数据采集模块,用于在船舶行驶过程中采集实时气象数据;
多级决策模块,用于对于所述船舶行驶的当前航路点,利用初始航 路点的位置决策结合所述初始航路点至所述当前航路点的多个航路点时 的实时气象数据进行多级决策,得到相应的多个最佳航路点;
动态规划模块,用于根据所述多个最佳航路点和所述终点对所述当 前航路点之后的未航行路线进行动态规划。
(三)有益效果
本发明的有益效果是:本发明实施例提供的无人船全局气象航线动 态规划方法和***,在初始航线的基础上,通过结合采集的实时气象数 据综合考虑能耗与航时对航线的影响,采用分段多级决策的方式对初始 航线上航路点的位置做出实时动态调整和规划,实现在船舶行驶中对航 线的动态优化。
附图说明
图1为本发明一实施例提供的一种无人船全局气象航线动态规划方 法的流程图;
图2为本发明一实施例中某一历史时期全球风速分布图;
图3为本发明一实施例中风向计算示意图;
图4为本发明一实施例图1中步骤S130的流程图;
图5为本发明一实施例中N级决策过程的示意图;
图6为本发明一实施例中利用多级逆推方法进行航路点选择的示意 图;
图7为本发明实施例中航路点寻优过程示意图;
图8为本发明一实施例中理想点法的示意图;
图9为本发明一实施例中进行航线动态规划过程的流程图;
图10为本发明另一实施例提供的一种无人船双目标气象航线优化系 统的示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实 施方式,对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技 术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语 只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使 用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组 合。
本发明以下实施例提供一种无人船全局气象航线动态规划方法,图1 为本发明一实施例提供的一种无人船全局气象航线动态规划方法的流程 图,如图1所示,该方法包括以下步骤:
如图1所示,在步骤S110中,获取初始路线,并对所述初始航线进 行离散化处理,得到多个初始航路点,所述多个初始航路点包括起始点、 终点以及位于所述起始点与所述终点之间的多个中间航路点;
如图1所示,在步骤S120中,在船舶行驶过程中采集实时气象数据;
如图1所示,在步骤S130中,对于所述船舶行驶的当前航路点,利 用初始航路点的位置决策结合所述初始航路点至所述当前航路点的多个 航路点时的实时气象数据进行多级决策,得到相应的多个最佳航路点;
如图1所示,在步骤S140中,根据所述多个最佳航路点和所述终点 对所述当前航路点之后的未航行路线进行动态规划。
在图1所示本发明实施例所提供的技术方案中,在初始航线的基础上, 通过结合采集的实时气象数据综合考虑能耗与航时对航线的影响,采用分段 多级决策的方式对初始航线上航路点的位置做出实时动态调整和规划,实现 在船舶行驶中对航线的动态优化。
以下对图1所示实施例的各个步骤的具体实现进行详细阐述:
在步骤S110中,获取初始航线,并对所述初始航线进行离散化处理, 得到多个初始航路点,所述多个初始航路点包括起始点、终点以及位于 所述起始点与所述终点之间的多个中间航路点。
本发明的一个实施例中,所述获取初始航线为大圆航线,由于大圆 航线是地球上两点之间的最短航线,因此本实施例中针对船舶设定的大 圆航线为起始点到终点之间航程最短的航线。基于大圆航线进行气象航 线设计,可以保证在总航程变化不大的基础上实现航线优化,降低航行 时间和能耗的同时,使航程相对较短,当气象条件发生变化时,以大圆 航线作为参照,能够对初始航线进行优化,更快生成新航线。
气象航线动态优化是指无人船在大洋中航行,为降低不利气象因素 对航行的影响,根据实时气象信息动态调整航线,使船舶始终沿最优航 线行驶。航线动态优化方法充分考虑海洋气象信息对航线的影响,动态 优化船舶能耗与航行时间,节约行船成本,符合航行的实际需求。因此, 深入研究无人船气象航线动态优化方法具有很强的现实意义,可为无人 船航行提供决策依据,提升船舶航行经济性。
在步骤S120中,在船舶行驶过程中采集实时气象数据。
本发明的一个实施例中,该步骤中采集的实时气象数据包括:风向 角度、船体迎风角、波高和船舶失速,具体如下:
1)风场数据处理
图2为本发明一实施例中某一历史时期全球风速分布图,如图2所示, 其中横轴为纬度,纵轴为经度,灰色区域代表陆地,下方的彩色横条下的数 字表示风速,风速单位为m·s-1,图2中海洋区域风速大小用横条中的颜色对 应,从图2中可以看出整个海洋环境中的风场分布情况。
本实施例中以经度增大的方向作为横轴的正方向,以纬度增大的方向作 为纵轴的正方向,在风场数据中,某一栅格点上的风向通过经度和纬度分量 上的风向数据来计算,风向角度的计算公式为:
其中α为风向角度,Lon为经向风的风向值,Lat为纬向风的风向值,根 据公式(1)求得风向角度的角度范围为[-π,π]。
2)船体迎风角计算
风向度量基准为x轴的正方向,航向C的度量基准为y轴正方向,二者 角度范围均为[0,π)。因此,需要将风向与航向采取统一的度量基准和方式。
其次,改变度量范围:α=rem(α+π,π),其中rem函数为趋于,函数 α=rem(α,π)函数作用α除以π的余数,目的是使角度均不小于零且不大于 180°,α=rem(α,π)为:
船体迎风角β是指船舶航向C与风向α之间的夹角,建立直角坐标系, 图3为本发明一实施例中风向计算示意图,如图3所示,设y轴正方向为正 北方向,根据图3所示,迎风角β的计算公式为:
β=|180°-|C-α|| 公式(3)
其中α为风向角度,C为船舶航向,根据公式(3)求得船体迎风角的角 度范围为[0,π)。
3)浪数据处理
在实际的海洋气象环境中,风、浪数据都可分别获取,但由于数据时效 性不同,不能准确获取同一时刻的风、浪数据,为保证浪数据的精确,采用 以下式推算波高h:
其中g为重力加速度,取9.8m/s,F为风区长度,风区长度F是指状态大 致相同的风作用的海域范围,q为相对波向,D为船舶排水量,a1、a2、a3、 a4为待定系数。
4)船舶失速数据处理
无人船在航行过程中,会受到气象和水文因素的影响,进而产生失速现 象,在其中各种因素中,受到风、浪的影响尤为严重。船舶在航行中由于受 到风、浪带来的影响,其受到的航行阻力会远远大于其在静水中所受到的阻 力,而这一现象被称为船舶的自然失速。采用以下公式计算船舶失速:
v=v0-(1.08h-0.126qh+2.77vwindcosβ)(1-2.33Dv0) 公式(5)
其中v为船舶实际航速,v0为船舶静水航速,vwind为风速,h为波高, β为船体迎风角,D为船舶排水量,q为相对波向。为简化计算难度,假 设波浪方向与风向一致,因此相对波向q与船体迎风角β一致。
在步骤S130中,对于所述船舶行驶的当前航路点,利用初始航路点 的位置决策结合所述初始航路点至所述当前航路点的多个航路点时的实 时气象数据进行多级决策,得到相应的多个最佳航路点。
本发明的一个实施例中,图4为本发明一实施例中步骤S130中利用 初始航路点的位置决策结合所述初始航路点至所述当前航路点的多个航 路点时的实时气象数据进行多级决策的流程图,如图4所示,具体包括 以下步骤:
在步骤S401中,将所述初始航线中含初始点和终点在内的N个航路 点视作N次决策;
在步骤S402中,以所述当前航路点为界限将所述初始航线分为已航 行路线和未航行路线;
在步骤S403中,对所述已航行路线中的中间航路点的状态结合所述 实时气象数据对未航行路线中航路点的位置进行决策。
本实施例中对航线动态规划的过程实质就是航路点选择的过程,一 条航线起始点到终点之间有N个航路点,代表在航线设计过程中需要做N 次航向选择,即N次决策,在第k+1段处把全局航线看成前k段子航线 和后N-k段子航线两部分。
图5为本发明一实施例中N级决策过程的示意图,如图5所示,对 于后部子航线来说,x(k)可看作是由x0及前k段初始决策u0,u1,...., uk-1所形成的初始状态。因此航线多段决策的最优策略具有以下性质:无 论初始状态和决策如何,后段决策对于由初始决策形成的状态来说,必 为最优策略。
本上述步骤中所述决策过程的动态方程为:
x(k+1)=f[x(k),u(k),k] 公式(6)
其中x(k+1)为所述N个航路点中第k+1个航路点的位置决策,u(k)为 第k个航路点的实时气象数据,x(k)为选定航路点的位置决策,k为选定 航路点之前的k段自航线,且k的范围为k=0,1,...,N。
上述步骤中多级决策的评价函数为:
其中m为所述当前航路点的编号,h[x(k),m]为航路点x(k)的评价函数。
另外,公式(7)中评价函数h[x(k),m]的计算公式为:
其中h[x(k),m]为双目标函数值,ω1和ω2分别为能耗与航时的权重因子, 且ω1+ω2=1,γ1和γ2为转换因子,用于将能耗和航时转化为评价航线的经 济性指标,N为所述初始航线上的恒向线个数,vi为第i段恒向线的船舶 实际航速,vmax为船舶临界速度,Si为第i段恒向线的长度,Te为船舶的主 机推力;
公式(8)中船舶临界速度vmax的计算公式为:
vmax=e0.13[1.4×10-4q23+12.0-h]1.6+4.0×10-4q23+7.0 公式(9)
其中h为所述波高,q为相对波向,用于表示船舶行驶方向与波浪方 向的夹角。
需要说明的是,本本实施例中采用多级动态逆推方法进行多级决策。 图6为本发明一实施例中利用多级逆推方法进行航路点选择的示意图, 如图6所示,航线途经的每一个航路点均为动态规划点,当船舶通过动 态规划点时,获取实时气象信息,重新规划航线。A点为船舶当前位置, 且该点为动态规划点,假设船舶行至终点S还需要通过N-k个航路点,此 时从终点S处开始计算,选择最优航路点位置FN-1,再由FN-1出发寻找下 一航路点,直至临近A点的航路点Fk+1,连接所有航路点,即为动态最 优航线。基于上述,采用多级动态逆推法解决无人船全局气象航线动态 规划问题。
当无人船行至动态规划航路点i,选择下一航路点j时,根据实时气 象数据,调整航线上原航路点的位置,选择最佳航路点行驶。图7为本 发明实施例中航路点寻优过程示意图,如图7所示,初始航路点的经度 值和纬度值在规定的某个范围内随机扰动,具体调整规则为:产生一个 0-1范围内的随机数值rand1,判断rand1是否大于0.5,若是,则当前航路点的经度增加0.25~1.25范围内的随机的数值,若否,则当前航路点的 经度0.25~1.25范围内的随机的数值;同时,产生一个0-1范围内的随机 数值rand2,判断rand2是否大于0.5,若是,则当前航路点的纬度增加 0.25~1.25范围内的随机的数值,若否,则当前航路点的纬度减少0.25~1.25 范围内的随机的数值。之后,根据扰动后的经度和纬度得到多个新的航 路点。
最后,该步骤中得到相应的多个最佳航路点具体包括:首先,通过 理想点算法计算经多级决策确定的航路点的评价函数;然后,选择所述 评价函数值最小的航路点作为最佳航路点。
基于上述,扰动后产生n个新航路点,jn为无人船所有可能选择的航 路点。连接航路点i与调整后的n个新航路点,得到n条恒向线,依次计 算船舶通过每段恒向线所需能耗与时间,并通过理想点算法计算评价函 数值h,经比较后选择h最小的航路点,该航路点即为最佳航路点。
其中理想点算法计算目标函数值h,所述目标函数值h的计算公式为:
其中fa和fb为根据所述理想点算法确定的可行区内的横坐标和纵坐 标,ω1和ω2分别为能耗与航时的权重因子,且ω1+ω2=1,γ1和γ2为转换因 子,用于将能耗和航时转化为评价航线的经济性指标,为单目标函数Za的最小值,单目标函数Zb的最小值,且fa和fb满足:
理想点法是根据决策者的先验信息构造出理想点,在指定条件下寻 求与此理想点最接近可行解。图8为本发明一实施例中理想点法的示意 图,如图8所示,其几何意义为,首先在目标空间中确定一个理想点Z*, 而后在可行域F中寻找一个可行点F*,使F*与Z*的距离尽可能最小,此 时F*是最优解。具体在本实施例中,船舶在航行中的输出功率和航速是不断变化的,为简化计算,本文根据评价函数式h中的权重值来作出假 设。若ω1≥ω2,则设定船舶航速不变;若ω1<ω2,则设定船舶输出功率不 变。设Za为能耗函数值,Zb为航行时间函数值,令
设起始点到目标点间有N-1个航路点,即整条航线由N条恒向线构成,在航 线上,假设船舶航速不变,无人船最优能耗的优化目标函数为:
式中,N为航线上恒向线个数,Si为第i段恒向线的长度,Te为主机推力。
假设船舶主机的输出功率恒定不变,无人船最短时的优化目标函数为:
式中,t为航程的总航时,Si为第i段恒向线的长度,vi为第i段恒向线 的船舶实际航速。
本发明的一个实施例中,对于所述能耗最优目标函数Za和所述航时 最短目标函数Zb采用智能水滴算法进行求解得到最小值。
其中智能水滴算法对初始航线的中间航路点进行优化时的调整规则 为:
假设两航路点i和j之间的航行时间为含泥沙量soil(i,j),水滴的运行速度 为vel(i,j),确定起始点和目标点,在两点之间建立一条大圆航线,对大圆航 线进行离散化处理后得到N个初始航路点。
固定初始航路点的经度值plon,只对其纬度值plat在规定的某个范围内 随机扰动,水滴从航路点i出发,初始航线上的下一个相邻航路点为j,扰动 后产生n个新航路点,水滴在选择路径时会倾向于选择泥沙含量更少的路径, 以p(i,j)表示水滴在位置i处选择j作为下一位置的概率,它与路径(i,j)的泥沙 含量soil(i,j)成反比例关系,节点选择概率公式为:
式中,ε为极小的正实数,防止分母为0,并且
式中,k为水滴所有可能选择的节点,k∈[1,n]。
在步骤S140中,根据所述多个最佳航路点和所述终点对所述当前航 路点之后的未航行路线进行动态规划。
基于前述步骤,该步骤中对后续每个航路点进行动态规划,图9为 本发明一实施例中进行航线动态规划过程的流程图,如图9所示,包括:
在步骤S901中,在起终港(即起始点和终点)之间设置一条大圆航 线;
在步骤S902中,获取初始航线数据与实时气象数据;
在步骤S903中,根据航线优化准则和算法设计首航航线;
在步骤S904中,船舶出航后,初始航线上的首个航路点变为动态规 划点;
在步骤S905中,到达动态规划点时,根据实时实时气象数据和航线 调整策略;
在步骤S906中,由动态优化算法调整航路点位置;
在步骤S907中,获得新航线,当船舶到达新航线的动态规划点时, 重新设计航线,以此类推,直至终点;
在步骤S908中,输出航线,船舶到达终点后所经过的恒向线集合即 为动态优化的全局气象航线。
以下结合一历史气象数据采用本实施例的方法对航线进行动态规 划:
本实施例中设立的起始港和目标港分别为日本横滨港(34°40′N, 140°E)和美国的长滩港(34°25′N,120°W)。利用2010年3月份风场 数据,对双目标航线优化模型进行求解。设航路点数量N=10,得到初始 航路点表1,基于多级动态逆推法对双目标航线进行优化。
表1
本实施例选取的目标仿真船只为普通集装箱船“隆林”轮,其主要船舶参 数如表2所示。
表2
根据表2的参数,用迭代法求解船舶失速公式中的各项参数,得到该船 舶的失速公式为:
v=v0-(1.08h-0.126qh+2.77vwindcosβ)(1-2.33Dv0)
假设能耗与航时在航线设计中权重值相等,令ω1=0.5,ω2=0.5,γ1=1, γ2=1.725×108,则无人船气象航线双目标评价函数式h为:
s.t.0<v≤vmax
N>0
Si>0
Te≥0
ω1+ω2=1
假设本实施例中采用基于理想点法的双目标航线模型求解,其航路点经 纬度值如表3所示,将该航线作为动态优化的初始航线,采用基于多级动态 逆推法的航线优化模型对以上航线进行求解,其航路点经纬度值如表4所示, 运行结果如表5所示。
表3
表4
表5
为验证所建模型的可靠性,需要进一步与单目标航线模型和双目标航线 模型的运行结果对比分析,从而判断模型是否符合动态优化航线设计要求。 本实施例将最低能耗航线模型、最短时航线模型和双目标航线模型的运行结 果分别与动态优化航线模型进行比较。
最低能耗模型和最短时模型采用智能水滴算法进行求解,算法选定参数 如表6所示。最低能耗模型和最短时模型运行得到的航路点经纬度值分别如 表7和表8所示,总航程、能耗和航时的仿真结果分别如表9所示。
表6
表7
表8
表9
由表9中的结果可以看出:
大圆航线总航程最短,但能耗值与航行时间较其他三种航线均最高;
最低能耗航线模型对能耗值的优化最为明显,比大圆航线低4.8×107kJ, 但航时高3.14h;
最短时航线模型对航时的优化最佳,较大圆航线低了9.36h;
双目标航线对能耗和航时的优化效果显著,分别较大圆航线低3.53×107kJ 和5.78h;
动态优化航线采用双目标航线模型,并考虑实时气象信息的变化,其能 耗与航时值分别较双目标航线降低1.082×108kJ和7.33h。
基于上述,表明本实施例建立的模型具有较高的可靠性和适用性。
综上所述,本发明实施例提供的方法,将航线的动态优化问题转化 为多级决策问题,建立航线动态规划的递推方程对航线进行分段决策, 利用离散***动态规划相关模型,实现船舶航线的动态优化。设立航线 动态规划点,根据实时海洋气象信息,结合航线优化准则,综合考虑能 耗与航时对航线的影响,对原航线上航路点的位置作出实时调整,适当 绕航和改变航向,降低不利的气象水文因素对船舶航行的影响,节省船 舶能耗和航时,设计无人船气象航线。
图10为本发明另一实施例提供的一种无人船全局气象航线动态规划 ***的示意图,如图10所示,该***1000包括:离散处理模块1010、 气象数据采集模块1020、多级决策模块1030和动态规划模块1040。
离散处理模块1010用于获取初始路线,并对所述初始航线进行离散 化处理,得到多个初始航路点,所述多个初始航路点包括起始点、终点 以及位于所述起始点与所述终点之间的多个中间航路点;气象数据采集 模块1020用于在船舶行驶过程中采集实时气象数据;多级决策模块1030 用于对于所述船舶行驶的当前航路点,利用初始航路点的位置决策结合 所述初始航路点至所述当前航路点的多个航路点时的实时气象数据进行 多级决策,得到相应的多个最佳航路点;动态规划模块1040用于根据所 述多个最佳航路点和所述终点对所述当前航路点之后的未航行路线进行 动态规划。
由于本公开的示例实施例的无人船全局气象航线动态规划***的各 个功能模块与上述图1所示的无人船全局气象航线动态规划方法的示例 实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参 照本公开上述的无人船全局气象航线动态规划方法的实施例。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若 干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的 实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一 个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征 和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描 述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件 的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品 的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以 是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等) 执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想 到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或 者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原 理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说 明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权 利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的 精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范 围仅由所附的权利要求来限制。
Claims (7)
1.一种无人船全局气象航线动态规划方法,其特征在于,包括:
获取初始路线,并对所述初始航线进行离散化处理,得到多个初始航路点,所述多个初始航路点包括起始点、终点以及位于所述起始点与所述终点之间的多个中间航路点;
在船舶行驶过程中采集实时气象数据;
对于所述船舶行驶的当前航路点,利用初始航路点的位置决策结合所述初始航路点至所述当前航路点的多个航路点时的实时气象数据进行多级决策,得到相应的多个最佳航路点;其中,所述利用初始航路点的位置决策结合所述初始航路点至所述当前航路点的多个航路点时的实时气象数据进行多级决策包括:
将所述初始航线中含初始点和终点在内的N个航路点视作N次决策;
以所述当前航路点为界限将所述初始航线分为已航行路线和未航行路线;
对所述已航行路线中的中间航路点的状态结合所述实时气象数据对未航行路线中航路点的位置进行决策;
所述决策过程的动态方程为:
x(k+1)=f[x(k),u(k),k]
其中,x(k+1)为所述N个航路点中第k+1个航路点的位置决策,u(k)为第k个航路点的实时气象数据,x(k)为选定航路点的位置决策,k为选定航路点之前的k段自航线,且k的范围为k=0,1,...,N;
所述多级决策的评价函数为:
其中,m为所述当前航路点的编号,h[x(k),m]为航路点x(k)的评价函数;
所述评价函数h[x(k),m]的计算公式为:
其中,h[x(k),m]为双目标函数值,ω1和ω2分别为能耗与航时的权重因子,且ω1+ω2=1,γ1和γ2为转换因子,用于将能耗和航时转化为评价航线的经济性指标,N为所述初始航线上的恒向线个数,vi为第i段恒向线的船舶实际航速,vmax为船舶临界速度,Si为第i段恒向线的长度,Te为船舶的主机推力;
根据所述多个最佳航路点和所述终点对所述当前航路点之后的未航行路线进行动态规划。
2.如权利要求1所述的无人船全局气象航线动态规划方法,其特征在于,所述获取初始航线为大圆航线,所述大圆航线为所述起始点到所述终点之间航程最短的航线。
3.如权利要求1所述的无人船全局气象航线动态规划方法,其特征在于,所述实时气象数据包括:风向角度、船体迎风角、波高和船舶失速。
4.如权利要求1所述的无人船全局气象航线动态规划方法,其特征在于,船舶临界速度vmax的计算公式为:
vmax=e0.13[1.4×10-4q23+12.0-h]1.6+4.0×10-4q23+7.0
其中h为波高,q为相对波向,用于表示船舶行驶方向与波浪方向的夹角。
5.如权利要求4所述的无人船全局气象航线动态规划方法,其特征在于,采用多级动态逆推方法进行多级决策。
6.如权利要求5所述的无人船全局气象航线动态规划方法,其特征在于,所述得到相应的多个最佳航路点包括:
通过理想点算法计算经多级决策确定的航路点的评价函数;
选择所述评价函数值最小的航路点作为最佳航路点。
7.一种无人船全局气象航线动态规划***,其特征在于,包括:
离散处理模块,用于获取初始路线,并对所述初始航线进行离散化处理,得到多个初始航路点,所述多个初始航路点包括起始点、终点以及位于所述起始点与所述终点之间的多个中间航路点;
气象数据采集模块,用于在船舶行驶过程中采集实时气象数据;
多级决策模块,用于对于所述船舶行驶的当前航路点,利用初始航路点的位置决策结合所述初始航路点至所述当前航路点的多个航路点时的实时气象数据进行多级决策,得到相应的多个最佳航路点;其中,所述利用初始航路点的位置决策结合所述初始航路点至所述当前航路点的多个航路点时的实时气象数据进行多级决策包括:
将所述初始航线中含初始点和终点在内的N个航路点视作N次决策;
以所述当前航路点为界限将所述初始航线分为已航行路线和未航行路线;
对所述已航行路线中的中间航路点的状态结合所述实时气象数据对未航行路线中航路点的位置进行决策;
所述决策过程的动态方程为:
x(k+1)=f[x(k),u(k),k]
其中,x(k+1)为所述N个航路点中第k+1个航路点的位置决策,u(k)为第k个航路点的实时气象数据,x(k)为选定航路点的位置决策,k为选定航路点之前的k段自航线,且k的范围为k=0,1,...,N;
所述多级决策的评价函数为:
其中,m为所述当前航路点的编号,h[x(k),m]为航路点x(k)的评价函数;
所述评价函数h[x(k),m]的计算公式为:
其中,h[x(k),m]为双目标函数值,ω1和ω2分别为能耗与航时的权重因子,且ω1+ω2=1,γ1和γ2为转换因子,用于将能耗和航时转化为评价航线的经济性指标,N为所述初始航线上的恒向线个数,vi为第i段恒向线的船舶实际航速,vmax为船舶临界速度,Si为第i段恒向线的长度,Te为船舶的主机推力;
动态规划模块,用于根据所述多个最佳航路点和所述终点对所述当前航路点之后的未航行路线进行动态规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750052.3A CN110608738B (zh) | 2019-08-14 | 2019-08-14 | 一种无人船全局气象航线动态规划方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750052.3A CN110608738B (zh) | 2019-08-14 | 2019-08-14 | 一种无人船全局气象航线动态规划方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110608738A CN110608738A (zh) | 2019-12-24 |
CN110608738B true CN110608738B (zh) | 2021-08-03 |
Family
ID=68890094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750052.3A Active CN110608738B (zh) | 2019-08-14 | 2019-08-14 | 一种无人船全局气象航线动态规划方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110608738B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159918B (zh) * | 2020-01-07 | 2023-06-30 | 智慧航海(青岛)科技有限公司 | 一种沿海船舶航行仿真辅助决策方法及*** |
CN111307137A (zh) * | 2020-02-24 | 2020-06-19 | 山东交通学院 | 一种游艇设计航线优化设备 |
CN112833882A (zh) * | 2020-12-30 | 2021-05-25 | 成都方位导向科技开发有限公司 | 一种动态加权航线自动推荐方法 |
CN112749847B (zh) * | 2021-01-15 | 2024-03-08 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 船舶航线的确定方法、装置及电子设备 |
CN113935676B (zh) * | 2021-08-31 | 2024-07-16 | 震兑工业智能科技有限公司 | 一种用于精确计算的航线计划优化方法和*** |
CN113570288B (zh) * | 2021-09-26 | 2021-12-07 | 浙江特勤卫星导航科技有限公司 | 一种船用污水接收调度方法和装置 |
CN113739807B (zh) * | 2021-11-08 | 2022-02-08 | 聊城中翔泰电子科技有限公司 | 一种用于船舶的航行路线导航方法及*** |
CN114459437A (zh) * | 2021-12-31 | 2022-05-10 | 广东省国土资源测绘院 | 一种母船与多无人船协同海洋测绘的方法、设备及介质 |
CN116777095B (zh) * | 2023-06-30 | 2024-04-12 | 中国南方航空股份有限公司 | 一种航路规划方法、装置、设备及介质 |
CN117114559B (zh) * | 2023-10-24 | 2024-01-23 | 广州一链通互联网科技有限公司 | 内贸集装航线动态规划中的天气因素优化算法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN103854072A (zh) * | 2014-03-17 | 2014-06-11 | 湖南工学院 | 用于路径选择的处理方法及*** |
CN106127341A (zh) * | 2016-06-24 | 2016-11-16 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种城市轨道交通新建线路能耗测算模型 |
EP3496070A1 (en) * | 2017-12-07 | 2019-06-12 | Clarksons Cloud Ltd | A method of determining an optimal route |
CN109916405A (zh) * | 2018-12-14 | 2019-06-21 | 智慧航海(青岛)科技有限公司 | Dubins算法和神经网络算法融合的航迹规划方法 |
CN110083156A (zh) * | 2019-04-25 | 2019-08-02 | 北京航空航天大学 | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 |
CN110110943A (zh) * | 2019-05-21 | 2019-08-09 | 大连海事大学 | 一种基于大数据的船队能效综合智能优化管理***和优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426398A (zh) * | 2011-08-25 | 2012-04-25 | 南通航运职业技术学院 | 一种航线天气预报的方法 |
US10502578B2 (en) * | 2017-06-14 | 2019-12-10 | The Chinese University Of Hong Kong | Methods and systems for efficient and timely transportation of heavy-duty trucks |
-
2019
- 2019-08-14 CN CN201910750052.3A patent/CN110608738B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN103854072A (zh) * | 2014-03-17 | 2014-06-11 | 湖南工学院 | 用于路径选择的处理方法及*** |
CN106127341A (zh) * | 2016-06-24 | 2016-11-16 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种城市轨道交通新建线路能耗测算模型 |
EP3496070A1 (en) * | 2017-12-07 | 2019-06-12 | Clarksons Cloud Ltd | A method of determining an optimal route |
CN109916405A (zh) * | 2018-12-14 | 2019-06-21 | 智慧航海(青岛)科技有限公司 | Dubins算法和神经网络算法融合的航迹规划方法 |
CN110083156A (zh) * | 2019-04-25 | 2019-08-02 | 北京航空航天大学 | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 |
CN110110943A (zh) * | 2019-05-21 | 2019-08-09 | 大连海事大学 | 一种基于大数据的船队能效综合智能优化管理***和优化方法 |
Non-Patent Citations (2)
Title |
---|
Multi-objective Weather Routing with Customised Criteria and Constraints;Joanna Szlapczynska;《THE JOURNAL OF NAVIGATION》;20151231(第68期);第338-354页 * |
基于实况气象的动态航线规划方法设计;赵化川;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180615(第06期);第6-12、20-29、41-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110608738A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110608738B (zh) | 一种无人船全局气象航线动态规划方法和*** | |
CN110595472B (zh) | 一种无人船双目标气象航线优化方法和*** | |
CN110849371B (zh) | 一种无人船气象航线动态优化方法和*** | |
CN110083983B (zh) | 一种船舶分段航速优化方法和智能管理*** | |
CN103743402B (zh) | 一种基于地形信息量的水下智能自适应地形匹配方法 | |
CN110969289B (zh) | 一种无人船气象航线连续动态优化方法和*** | |
JP2013134089A (ja) | 最適航路計算装置及び最適航路計算方法 | |
CN109460874B (zh) | 一种基于深度学习的有义波高预测方法 | |
CN106093849A (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
CN109724592A (zh) | 一种基于进化梯度搜索的auv地磁仿生导航方法 | |
Zhou et al. | Time series prediction methods for depth-averaged current velocities of underwater gliders | |
JP2019012029A (ja) | 最適航路探索方法及び装置 | |
Dalang et al. | Stochastic optimization of sailing trajectories in an upwind regatta | |
Dickson et al. | Uncertainty in marine weather routing | |
CN110595473A (zh) | 一种最短时气象航线的获取方法及其*** | |
Pan et al. | Development of ship weather routing system with higher accuracy using SPSS and an improved genetic algorithm | |
US20180031376A1 (en) | Systems and methods for computing and displaying navigation indicators based on historic and real-time vessel data | |
Hu et al. | Adaptive environmental sampling for underwater vehicles based on ant colony optimization algorithm | |
CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
Wang et al. | Efficiency of a voluntary speed reduction algorithm for a ship’s great circle sailing | |
Mannarini et al. | VISIR-I: Small vessels, least-time nautical routes using wave forecasts | |
JP2019012043A (ja) | 最適航路演算装置および最適航路演算方法 | |
Hernandez et al. | Glider path-planning for optimal sampling of mesoscale eddies | |
Wang et al. | Dynamic Optimization Method for Unmanned Ship Weather Route Based on Multi-stage Inverse Reasoning | |
Wang | Autonomous underwater vehicle (AUV) path planning and adaptive on-board routing for adaptive rapid environmental assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |