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与流程
本发明涉及船舶航线设计领域，尤其涉及一种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。
背景技术：
在船舶航线设计中，航线的安全性和经济性是衡量航线优劣的重要指标。因此，船舶航线优化设计技术对海上运输的安全性和经济性具有非常重要的意义，特别是对于跨洋船舶航行。结合海洋环境的气象条件，特别是风浪等对船舶航行速度的影响，合理设计航线和航速，达到利用有利气象和规避不利气象的目的，能有效提高船舶运输安全性、降低燃油消耗和提高船舶的到港准时率。
目前，行业内主要由气象导航公司在航行前根据船舶的出发港和目的港，结合中长期的气象条件设计航线并推送给船舶。但一般的气象航线设计时未充分结合船舶的特征和性能来考虑气象条件会对船舶航行速度造成的影响，并且无法在航行中根据实时气象条件进行航线的调整，具有一定的局限性。气象导航是指根据天气、海况条件及航行任务，为船舶拟定最佳航线的技术。能避离灾害性风浪区，保证航行安全，并提高航行的经济效益。
同时，随着行业发展，当前已有许多学者开始研究船舶最佳气象航线设计问题并提出了一些方法，如等时方法、变分法等，但这些方法都是根据起点和终点规划出一条航线，可能并不满足行业内的航线设计习惯，实用性较低，同时也无法结合气象对航行速度做出合理建议。
气象导航机构多在航行前依据船舶发布的航行任务和中长期的气象预报数据进行航线设计，具有以下局限性：一是中长期气象预报数据不够准确，航线有时可能是不够经济的；二是气象导航机构对船舶的载货情况、船舶主机特性、船舶稳性、船舶失速情况等等了解并不够充分，推荐航线不能完全符合本船特点和要求；三是航行中船舶和气象导航机构之间通信可能存在问题导致气象导航机构无法针对实时变化的气象条件对航线进行及时修正。
目前常用的路径规划算法包括dijkstra算法、a星算法、等时线法、神经网络、遗传算法等，并多用于机器人、无人机等领域。路径规划算法多存在各自的局限性，如等时线法计算复杂度高、dijkstra算法和a星算法得到的航线不平滑、遗传算法计算结果受初始种群质量影响较大易过早收敛或降低效率等。
遗传算法是模拟生物进化规则而演化来的随机化搜索方法，能同时处理问题解集中的多个解，覆盖面大，减少陷入局部最优解的风险，同时算法本身易于实现并行化。
因此，提供一种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。
技术实现要素：
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的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，能够充分考虑气象条件、船舶特性等对航行的影响，设计满足用户指定需求的航线航速。
根据本发明的一个方面，提供一种基于遗传算法的时间最短航线规划方法，包括：
s110，基于航线的航路点、航路点之间各个航路段的航速构建船舶航线实际航行时间目标函数模型，基于航线的危险区航行时间构建船舶航线约束条件；
s120，对航线的航路点信息、航路点之间各个航路段的航速进行实值编码，一条航线的航路点信息以及航路点之间各个航路段的航速组成一条染色个体，根据航路点信息以及航路点之间各个航路段的航速选取多条染色个体，合成初始航线航速群体；
s130，计算初始航线航速群体中各染色个体的船舶航线实际航行时间目标函数值，并根据船舶航线实际航行时间目标函数值和船舶航线约束条件计算初始航线航速群体的适应度；
s140，根据初始航线航速群体的适应度对初始航线航速群体进行选择，组建遗传航线航速群体；
s150，对该遗传航线航速群体进行配对，生成遗传配对航线航速群体，对遗传配对航线航速群体进行交叉，得到遗传交叉航线航速群体，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体；
s160，计算次遗传航线航速群体中各染色个体的船舶航线实际航行时间目标函数值，并以次遗传航线航速群体为下一轮的初始航线航速群体，重复步骤s130至步骤s150，直到计算出满足船舶航线约束条件的实际航行时间最短的航线。
进一步地，上述基于遗传算法的时间最短航线规划方法，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体之后，还包括：对次遗传航线航速群体进行重插入，形成重插入航线航速群体。
进一步地，根据船舶航线目标函数值计算初始航线航速群体的适应度，具体实现如下：
通过船舶航线目标函数值-适应度映射表根据船舶航线目标函数值获取初始航线航速群体的适应度。
进一步地，船舶航线约束条件为航线的危险区航行时间为0，船舶航线实际航行时间目标函数模型如下：
其中，jt(r)为航行时间目标值，talarm为危险区航行时间，tvoyage为航行总时间。
根据本发明的另一方面，提供一种基于遗传算法的燃油总量最小航线规划方法，包括：
s210，基于航线的航路点、航路点之间各个航路段的航速构建船舶航线实际航行燃油总量目标函数模型，基于航线的危险区航行时间构建船舶航线约束条件；
s220，对航线的航路点信息、航路点之间各个航路段的航速进行实值编码，一条航线的航路点信息以及航路点之间各个航路段的航速组成一条染色个体，根据航路点信息以及航路点之间各个航路段的航速选取多条染色个体，合成初始航线航速群体；
s230，计算初始航线航速群体中各染色个体的船舶航线实际航行燃油总量目标函数值，并根据船舶航线实际航行燃油总量目标函数值和船舶航线约束条件计算初始航线航速群体的适应度；
s240，根据初始航线航速群体的适应度对初始航线航速群体进行选择，组建遗传航线航速群体；
s250，对该遗传航线航速群体进行配对，生成遗传配对航线航速群体，对遗传配对航线航速群体进行交叉，得到遗传交叉航线航速群体，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体；
s260，计算次遗传航线航速群体中各染色个体的船舶航线实际航行燃油总量目标函数值，并以次遗传航线航速群体为下一轮的初始航线航速群体，重复步骤s230至步骤s250，直到计算出满足船舶航线约束条件的航行燃油总量最小的航线。
进一步地，上述基于遗传算法的燃油总量最小航线规划方法，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体之后，还包括：对次遗传航线航速群体进行重插入，形成重插入航线航速群体。
进一步地，船舶航线约束条件为航线的危险区航行时间为0，船舶航线实际航行燃油总量目标函数模型如下：
其中，jq(r)为燃油总量目标值，talarm为危险区航行时间，q为航行燃油总量。根据本发明的又一方面，提供一种基于遗传算法的航行成本最低航线规划方法，包括：
s310，基于航线的航路点、航路点之间各个航路段的航速构建船舶航线实际航行成本目标函数模型，基于航线的危险区航行时间构建船舶航线约束条件；
s320，对航线的航路点信息、航路点之间各个航路段的航速进行实值编码，一条航线的航路点信息以及航路点之间各个航路段的航速组成一条染色个体，根据航路点信息以及航路点之间各个航路段的航速选取多条染色个体，合成初始航线航速群体；
s330，计算初始航线航速群体中各染色个体的船舶航线实际航行成本目标函数值，并根据船舶航线实际航行成本目标函数值和船舶航线约束条件计算初始航线航速群体的适应度；
s340，根据初始航线航速群体的适应度对初始航线航速群体进行选择，组建遗传航线航速群体；
s350，对该遗传航线航速群体进行配对，生成遗传配对航线航速群体，对遗传配对航线航速群体进行交叉，得到遗传交叉航线航速群体，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体；
s360，计算次遗传航线航速群体中各染色个体的船舶航线实际航行成本目标函数值，并以次遗传航线航速群体为下一轮的初始航线航速群体，重复步骤s330至步骤s350，直到计算出满足船舶航线约束条件的航行成本最低的航线。
进一步地，上述基于遗传算法的成本最低航线规划方法，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体之后，还包括：对次遗传航线航速群体进行重插入，形成重插入航线航速群体。
进一步地，船舶航线约束条件为航线的危险区航行时间为0，实现船舶航线实际航行成本目标函数模型如下：
其中，jc(r)为航行成本目标值，talarm为危险区航行时间，c为航行总成本。
本发明与现有技术相比具有以下的优点：
1.本发明将遗传算法应用于航线航速优化设计，根据每条航线的各个航路点以及由相邻航路点连接成的航段上各航段的航速形成一条染色体，并基于多条染色体根据目标函数优化出一条航线，因此，能够根据船舶特性和实际气象条件、航行需求实时地、有针对性地完成航线航速设计。
2.本发明结合a星算法和随机遍历法选取多条染色个体，不仅能够利用a星算法确保初始航线航速群体中各航线在最短航线附近，以提升算法的收敛速度，还能够利用随机遍历法确保初始航线航速群体中航线的多样性。
附图说明
以下结合附图和实施例对本发明作进一步说明。
图1是本发明的基于遗传算法的时间最短航线规划方法步骤图；
图2是本发明的基于遗传算法的燃油总量最小航线规划方法步骤图；
图3是本发明的基于遗传算法的成本最低航线规划方法航线规划方法步骤图；
图4是本发明的目标函数值计算流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
图1是本发明的基于遗传算法的船舶航线航速规划方法步骤图，参见图1，本发明提供的基于遗传算法的船舶航线航速规划方法，包括：
s110，基于航线的航路点、航路点之间各个航路段的航速构建船舶航线实际航行时间目标函数模型，基于航线的危险区航行时间构建船舶航线约束条件。
具体地，在使用遗传算法进行船舶航线航速综合优化计算前，需要根据航线航速优化问题的特征，设计合适的基因编码规则和适应度函数，确定初始种群的生成算法以提高初始种群质量，并明确计算中所需使用的船舶航线目标函数模型。
船舶航线约束条件为航线的危险区航行时间为0。
以设计需求为最短航行时间为例说明如何构建船舶航线目标函数模型。最短航行时间包括两个关键点：一是实际航行时间最短，二是危险区航行时间为0。构建如下船舶航线目标函数模型：
其中，jt(r)为航行时间目标值，talarm为危险区航行时间，tvoyage为航行总时间。
危险区航行时间可由航路段上所遭遇气象大于设定风浪限值的航路段航行时间求和得到。
航行总时间可由每个航路段所花时间求和得到，如下式：
其中，tvoyage为航行总时间，n为航路点总数，li为第i段航路的长度，
特别地，目标函数计算过程中，还会分别检测各航路段的地理安全性，即是否通过陆地或浅水区，如果不满足安全性，则对应航线的目标函数值可以设置为无穷大，以此来选出满足航行安全要求的航线。
s120，对航线的航路点信息、航路点之间各个航路段的航速进行实值编码，一条航线的航路点信息以及航路点之间各个航路段的航速组成一条染色个体，根据航路点信息以及航路点之间各个航路段的航速选取多条染色个体，合成初始航线航速群体。
在这里，可以结合a星算法和随机遍历法选取多条染色个体。
具体地，基因编码规则设计如下：可根据航线的控制变量来构成代表航线信息的染色体，从而确定编码规则。通常认为航线的控制变量包括各航路点的经纬度和各航路段的计划航速，因此采用实数编码方法，由一条航线的航路点经纬度和各航段计划航速构成一个染色体。遗传算法在种群进化过程中将不断根据遗传策略优化染色个体，即同时优化航路点经纬度和各航段计划航速，从而达到同时优化航线航速的目的。一条染色个体表示如下：
x＝[x0…xi…xnxn+1…x2n]
式中，前n+1个分量代表航路点坐标的经纬度信息，后n个分量代表着对应航路段的计划航速。
初始航线航速群体合成算法设计如下：
一般遗传算法在生成初始种群时，是随机产生n个解空间中的染色体，使得初始种群具有多样性。进行航线航速综合优化设计时，初始种群的生成即是在航行区域内产生一定数量的满足航路点经纬度和计划航速取值范围的、从起点到终点的航线集。初始种群的分布状况会直接影响算法的全局收敛性，若采用传统的随机生成初始种群的方法，虽然能保证种群的多样性，但无法保证种群的优质性，当随机生成的初始种群空间不包含最优解信息时，遗传算子可能无法在有限进化代数内将覆盖空间延伸到全局最优解所在空间，就有可能过早收敛，降低解的质量。为了保证初始种群的多样性和优质性，设计如下的初始种群生成算法：
一是采用a星算法。将航行区域按一定步长划分为网格，使用a星算法在出发地和目的地之间双向生成航程最短的航线。寻找最短航线时不考虑气象对航线的影响。得到航程最短的航线后，扩展为n个染色体，每个染色体的航路点经纬度相同，计划航速分别取vi，i＝1，...，n。这就完成了一部分染色体的生成。通常意义上，满足用户设计需求的航线会分布在最短航线附近，将最短航线加入到初始种群中很大可能会提升算法的收敛速度。
二是采用随机遍历法。在航行区域中产生一组满足航路点经纬度和计划航速取值范围的随机数来生成一组染色体，各染色体中第一个和最后一个航路点经纬度值分别固定为出发地和目的地的经纬度值。这就完成了另一部分染色体的生成，而这部分染色体能保证个体的多样性。
通过合并上述两部分染色体，得到最终的初始种群，并开始进化。
本发明结合a星算法和随机遍历法选取多条染色个体，不仅能够利用a星算法确保初始航线航速群体中各航线在最短航线附近，以提升算法的收敛速度，还能够利用随机遍历法确保初始航线航速群体中航线的多样性。
s130，计算初始航线航速群体中各染色个体的船舶航线实际航行时间目标函数值，并根据船舶航线实际航行时间目标函数值和船舶航线约束条件计算初始航线航速群体的适应度。
遗传算法使用解的适应度值大小来评价其好坏，它将直接影响到算法的收敛速度及是否能找到最优解。必须结合航线优化设计需求制定相应的目标函数，用以设计适应度函数、分配适应度值。
目标函数本质上是用以评价航线的好坏，因此将采用航线的统计信息来构造目标函数。航线的统计信息通常包括：航线出发时间、每个航路段的长度/计划静水航速/预计实际航速/预计航行时间/燃油消耗量、航线所经受的最高风浪等级、航行总时间、航线总航程、平均航速、航行总油耗、危险区(即风浪超过船舶所能承受最高等级的区域)航行时间等等。航线统计信息的计算重点在于预测气象条件作用下的船舶实际航速，只有基于预测实际航速计算出的航行时间、油耗等才是评价航线好坏的关键。
本发明从船舶动力学的角度出发，通过对航行状态下的船舶进行受力分析，计算出当船舶动力和阻力达到力的平衡时船舶的实际航速。船舶动力来源为主机推进力，船舶阻力来源包括静水阻力、风阻力、浪阻力。最后使用洋流数据对实际航速进行修正得到最终的预测实际航速。实际计算时，会以气象数据分辨率为步长对每个航路段进行细分，可认为重新划分后的小航路段上每一点的气象条件都是相同的。可根据每小段上预测的实际航速计算其预测的航行时间、燃油消耗等统计量。每个小段的航行时间、燃油消耗等求和即可得到整条航线的航行时间和燃油总量等。
具体地，参见图4，初始航线航速群体中各染色个体的船舶航线目标函数值通过以下步骤进行计算：一个染色个体的数据作为一条航线；根据气象数据分辨率进行航路段划分；基于气象数据、船舶参数计算每个航路段的预测实际航速；计算每个航路段长度、预计航行时间、燃油消耗量；判断每个航路段上风浪是否大于设定限值；若有一个航路段上风浪大于设定限值，则该航路段的航行时间为危险航行时间，若有超过一个航路段上风浪大于设定限值，则所有航路段的总航行时间为危险航行时间，当危险航行时间大于0，则放弃该航线；若每个航路段上风浪均小于设定限值，则危险航行时间为0；根据每个航路段计算航线的总航行时间、总燃油消耗量和危险航行时间等统计量；根据航线的总航行时间、总燃油消耗量和危险航行时间等统计量计算航线目标函数值；检查航线是否安全；若航线安全，则计算的航线目标函数值为最终的目标函数值；若航线不安全，则最终的目标函数值为无限大。
得到每条航线的目标函数值后，便可对每条航线分配适应度。首先根据目标函数值的大小对染色个体进行降序排序，然后根据排序后的位置对每个染色体分配适应度值，排序越靠前的染色个体目标值越大，则分配的适应度越低。可设置适应度的取值范围进行线性分配。
具体地，通过船舶航线目标函数值-适应度映射表根据船舶航线目标函数值获取初始航线航速群体的适应度，随着船舶航线目标函数值的减小，初始航线航速群体中各染色体的适应度增大。特别地，当为航线的危险区航行时间大于0时，船舶航线目标函数值无限大。
在目标函数模型定义之后，并根据目标函数值和船舶航线约束条件分配适应度。
s140，根据初始航线航速群体的适应度对初始航线航速群体进行选择，组建遗传航线航速群体。
具体地，选择算子是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。本发明根据轮盘赌选择算子或随机遍历选择算子对初始航线航速群体进行选择。
轮盘赌选择是最简单的一种选择方法，其首先将每个个体的适应度依次累加，个体采用一对一的方式映射到[0,fitsum]的一连续区间内，然后在该区间内等概率的产生一个指针(随机数)，指针指向哪个区间内则选择哪个个体，若要选择m个个体，则执行m次。
随机遍历选择与轮盘赌选择类似，不同的是其替代轮盘赌的单个选择方法，一次产生具有m个相等间距的指针，其首先在[0,fitsum/m]内产生一个指针ptr，m个个体由相隔同等间距的m个指针来选择：
[ptr，ptr+fitsum/m，...，ptr+(m-1)×fitsum/m]。
s150，对该遗传航线航速群体进行配对，生成遗传配对航线航速群体，对遗传配对航线航速群体进行交叉，得到遗传交叉航线航速群体，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体。
具体地，交叉操作是用来产生新个体的最主要操作，其结合两条染色体以便从父代中接收良好的基因，产生新的个体，使种群在进化过程中逐渐得到更优的解。由于本算法使用的是实数编码，因此采用算术交叉来进行交叉操作，假设被选择的两个需要执行交叉操作的个体分别为
其中，α为[-0.5，1.5]中的均匀随机数，
本发明中将采用均匀变异和高斯变异相结合的混合变异方法，对种群中的一部分群体进行均匀变异，一部分群体进行高斯变异，增加种群的多样性。
均匀变异是指其在约束的边界范围内，通过产生均匀分布的随机数以较小的概率来替代染色体基因座上一个或多个原有的基因值，其产生的变异值均匀分布在整个约束空间。则算法有可能搜索到整个航线分布区域和航速计划范围内的任意值，避免陷入局部最优，过早收敛。
高斯变异是指在变异时用符合正太分布的随机数以较小概率来替代染色体基因座上一个或多个原有的基因值，高斯变异可以对局部区域进行重点搜索，以便找到最优解。同样为了保证交叉后得到的子代在边界范围内，对超出边界的值将其修改为边界值。
s160，计算次遗传航线航速群体中各染色个体的船舶航线实际航行时间目标函数值，并以次遗传航线航速群体为下一轮的初始航线航速群体，重复步骤s130至步骤s150，直到计算出满足船舶航线约束条件的实际航行时间最短的航线。
具体地，遗传算法的种群进化过程是一个迭代过程，并不断地在每一代种群中选出最优个体。该算法结束判断条件有两个：一是达到最大迭代次数时终止计算，此时可能没有找到最优航线，需判断最后一代种群中的最优个体(即航线)是否满足安全性以决定是否作为最优结果进行输出；二是当种群中最优个体连续若干代没有发生变化时终止计算，输出最优个体即为得到的最优航线。从而完成了整个航线航速综合优化设计过程。例如，预先设定最大迭代次数为1000次，当迭代次数为50次时，第50次、第51次、第52次的迭代结果满足船舶航线目标函数模型和船舶航线约束条件，并且变化不大，则停止迭代计算，以第50次的迭代结果为最优的航线。
本发明使用遗传算法进行航线航速优化设计主要采用实数编码的策略，将每条航线表示为一个染色体，对目标函数进行适当变换得到每条航线对应的适应度值，经过选择、交叉和变异等过程进行不断的迭代优化，最终得到满足设计需求的优化航线。本发明将遗传算法应用于航线航速优化设计，根据每条航线的各个航路点以及由相邻航路点连接成的航段上各航段的航速形成一条染色体，并基于多条染色体根据目标函数优化出一条航线，因此，能够根据船舶特性和实际气象条件、航行需求实时地、有针对性地完成航线航速设计。
本发明能够充分考虑气象条件、船舶特性等对航行的影响，设计满足用户指定需求(如航行时间最短、燃油消耗最低、航行成本最低等)的航线，并在实际航行中根据气象数据的更新重新规划航线。本发明技术除了能根据出发港和目的港规划生成航线外，还可以对长期航行的经验航线进行优化，优化后的航线既不会大幅度地偏离经验航线而导致失去实用价值，又能根据实际气象条件进行优化调整以提高航行的经济性。
进一步地，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体之后，还包括：对次遗传航线航速群体进行重插入，形成重插入航线航速群体。
具体地，重插入操作根据适应度的大小将一定比例的子代种群重新插入到父代种群中，同时移除父代中适应度较低的个体，将得到的新种群作为下一父代种群。采用重插入操作可以保证种群中优良的个体不被淘汰，同时能加快收敛速度，重插入操作如下：首先根据适应度对父代pt和子代qt进行降序排序，然后将子代中排在前面的一部分个体替代父代中后面一部分的个体，组合成新的父代种群pt+1。
参见图2，本发明提供的基于遗传算法的燃油总量最小航线规划方法，包括：
s210，基于航线的航路点、航路点之间各个航路段的航速构建船舶航线实际航行燃油总量目标函数模型，基于航线的危险区航行时间构建船舶航线约束条件；
s220，对航线的航路点信息、航路点之间各个航路段的航速进行实值编码，一条航线的航路点信息以及航路点之间各个航路段的航速组成一条染色个体，根据航路点信息以及航路点之间各个航路段的航速选取多条染色个体，合成初始航线航速群体；
s230，计算初始航线航速群体中各染色个体的船舶航线实际航行燃油总量目标函数值，并根据船舶航线实际航行燃油总量目标函数值和船舶航线约束条件计算初始航线航速群体的适应度；
s240，根据初始航线航速群体的适应度对初始航线航速群体进行选择，组建遗传航线航速群体；
s250，对该遗传航线航速群体进行配对，生成遗传配对航线航速群体，对遗传配对航线航速群体进行交叉，得到遗传交叉航线航速群体，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体；
s260，计算次遗传航线航速群体中各染色个体的船舶航线实际航行燃油总量目标函数值，并以次遗传航线航速群体为下一轮的初始航线航速群体，重复步骤s230至步骤s250，直到计算出满足船舶航线约束条件的航行燃油总量最小的航线。
进一步地，上述基于遗传算法的燃油总量最小航线规划方法，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体之后，还包括：对次遗传航线航速群体进行重插入，形成重插入航线航速群体。
进一步地，船舶航线约束条件为航线的危险区航行时间为0，船舶航线实际航行燃油总量目标函数模型如下：
其中，jq(r)为燃油总量目标值，talarm为危险区航行时间，q为航行燃油总量。燃油总量可用下式计算：
其中：n为航路点总数，q(vi)是第i段航线的单位时间内燃油消耗，ti是第i段航线的航行时间，由航路段长度除以实际航速可以得到。
参见图3，本发明提供的基于遗传算法的成本最低航线规划方法，包括：
s310，基于航线的航路点、航路点之间各个航路段的航速构建船舶航线实际航行成本目标函数模型，基于航线的危险区航行时间构建船舶航线约束条件；
s320，对航线的航路点信息、航路点之间各个航路段的航速进行实值编码，一条航线的航路点信息以及航路点之间各个航路段的航速组成一条染色个体，根据航路点信息以及航路点之间各个航路段的航速选取多条染色个体，合成初始航线航速群体；
s330，计算初始航线航速群体中各染色个体的船舶航线实际航行成本目标函数值，并根据船舶航线实际航行成本目标函数值和船舶航线约束条件计算初始航线航速群体的适应度；
s340，根据初始航线航速群体的适应度对初始航线航速群体进行选择，组建遗传航线航速群体；
s350，对该遗传航线航速群体进行配对，生成遗传配对航线航速群体，对遗传配对航线航速群体进行交叉，得到遗传交叉航线航速群体，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体；
s360，计算次遗传航线航速群体中各染色个体的船舶航线实际航行成本目标函数值，并以次遗传航线航速群体为下一轮的初始航线航速群体，重复步骤s330至步骤s350，直到计算出满足船舶航线约束条件的航行成本最低的航线。
进一步地，上述基于遗传算法的成本最低航线规划方法，对遗传交叉航线航速群体进行变异，形成次遗传航线航速群体之后，还包括：对次遗传航线航速群体进行重插入，形成重插入航线航速群体。
进一步地，船舶航线约束条件为航线的危险区航行时间为0，实现船舶航线实际航行成本目标函数模型如下：
其中，jc(r)为航行成本目标值，talarm为危险区航行时间，c为航行总成本。
航行成本c可由每条航路段燃油消费cfi和船舶每日固定开支cd求和得到，如下式
其中：n为航路点总数，tvoyage为航行总时间。当计算船舶每日固定开支时，不足一天的部分按一天计算。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
本发明可结合电子海图设备应用于船舶导航，结合船舶特性、气象条件和航行需求为船舶提供合理的航线航速设计建议，目的是能减少船舶营运时的航行安全风险、提高航行经济效益。另外，使用本发明可以根据船舶本身特性和实时气象数据变化及时更新航线，更具有实用价值。
以上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精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！