船舶气象航线规划算法研究

发布时间：2020-08-09 11:01

【摘要】：伴随着国家经济不断发展,军事实力不断增强,作为海上主要的运输工具,船舶以及与之相关的配套设备的创新和发展不断受到来自社会各个方面的关注。得益于计算机技术,人工智能技术的飞跃式进步,船舶也不断向着智能化,自动化等方向发展。在船舶出海执行任务之前,首先要解决的就是航行路线规划问题。一条安全,可靠的航线是船舶顺利完成任务的基础,基于以上信息,本文将研究重点确定为基于海岸线数据与海洋天气信息的船舶气象航线规划算法。首先,本文对船舶气象航线规划的定义做了简要的介绍,并对国内外相关专家学者的研究工作做了简洁的描述,分析了不同算法的优缺点。其次,局部航线规划算法解决的是船舶航行区域中有动态障碍物的一类问题。所谓动态障碍物指的是障碍物的位置随着时间变化而变化,如海洋中的鱼群,恶劣天气造成的风浪较大的危险海域等。通常障碍物根据其运动状态可以分为两类,一类是障碍物的运动状态确定,由于其运动状态确定,则障碍物的位置在某一确定时刻可以预知;另一类是障碍物的运动状态随机,障碍物的位置随时间变化而随机变化。针对第一类障碍物,本文将A*算法做出适当修改,得到三维A*算法。由于航行区域中障碍物的位置在不同时刻具体确定,可以选取一系列连续时刻t_1,t _2,...t_n,用这n个时刻下,航行区域中的障碍物位置信息一同描述航行区域的障碍物信息,则可以构成一个三维环境信息地图,在此地图之上使用三维A*算法进行航线规划即可求解出一条安全无碰撞的航线。然后,全局航线规划算法解决的是船舶航行区域中的障碍物为静态障碍物这一类问题。由于障碍物的位置不随时间变化而变化,则环境信息相对容易描述。传统的全局路航线划算法有栅格法,可视图法,蚁群算法等。本文将群智能算法,粒子群算法引入到全局路航线划问题的求解中。首先,对船舶航行区域进行建模描述,与栅格法,可视图法的环境建模方式不同,本文提出的建模方式是用n条等分线对整个区域进行等分,在这些等分线上选取航路点来构成一条航线。通过对航线距离的表达式进行分析,航线距离取决于各个航路点的纵坐标,以这些航路点的纵坐标构成一个n维向量,将此向量作为粒子群算法中粒子的位置向量,由此完成了算法的编码任务,使粒子群算法可以应用于全局航线规划问题的求解。最后,基于Matlab平台,对所提出的算法进行仿真实验。对于全局航线规划问题,采用NOAA提供的全球海岸线数据系统提供的海岸线数据模型来完成航行区域内静态障碍物(如岛屿)的位置信息描述。对于局部航线规划问题,主要考虑的是恶劣天气造成的不可航行区域对船舶航行安全的影响。结合ECMWF提供的气象数据信息,选取海浪浪高大于3.5米的海域作为对船舶航行安全有影响的危险海域,完成动态障碍物的位置信息描述。分别对全局航线规划算法与局部航线规划算法进行仿真实验,证明了算法的可行性与有效性。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U675.12;U692.31
【图文】：

船舶气象航线规划算法研究

栅格图

搜索范围,算法,终点

若kV 已经在 open 集合中，考虑kV 的 g 值，若从起点经过jV 再到kV 的 g 值比有的 g 值更好，则将jV 记录为kV 的父结点，并从新计算kV 的 f ，g 值。否则任何改变；Step4：返回 Step2 直至终点EV 加入到 open 集合中。从上述算法步骤可以得知，在 A*算法中，每次从open集合中挑选结点jV 的是jV 的 f 值最小，这与 Dijkstra 算法有着明显的不同。在 Dijkstra 算法中，jV 的条件是jV 距离起点的距离最小，这没有考虑到jV 到终点的信息。在 A*中， f 值包含 g 值，即起点到jV 的实际距离，同时也包含 h 值，即jV 到终点估值。在启发信息h的帮助下，算法的搜索方向将不断朝着终点方向进行搜相比于 Dijkstra 算法的无方向搜索，A*算法的搜索效率得到极大的提升。

搜索范围,算法,终点

【参考文献】