【摘要】：伴隨著國家經濟不斷發(fā)展,軍事實力不斷增強,作為海上主要的運輸工具,船舶以及與之相關的配套設備的創(chuàng)新和發(fā)展不斷受到來自社會各個方面的關注。得益于計算機技術,人工智能技術的飛躍式進步,船舶也不斷向著智能化,自動化等方向發(fā)展。在船舶出海執(zhí)行任務之前,首先要解決的就是航行路線規(guī)劃問題。一條安全,可靠的航線是船舶順利完成任務的基礎,基于以上信息,本文將研究重點確定為基于海岸線數據與海洋天氣信息的船舶氣象航線規(guī)劃算法。首先,本文對船舶氣象航線規(guī)劃的定義做了簡要的介紹,并對國內外相關專家學者的研究工作做了簡潔的描述,分析了不同算法的優(yōu)缺點。其次,局部航線規(guī)劃算法解決的是船舶航行區(qū)域中有動態(tài)障礙物的一類問題。所謂動態(tài)障礙物指的是障礙物的位置隨著時間變化而變化,如海洋中的魚群,惡劣天氣造成的風浪較大的危險海域等。通常障礙物根據其運動狀態(tài)可以分為兩類,一類是障礙物的運動狀態(tài)確定,由于其運動狀態(tài)確定,則障礙物的位置在某一確定時刻可以預知;另一類是障礙物的運動狀態(tài)隨機,障礙物的位置隨時間變化而隨機變化。針對第一類障礙物,本文將A*算法做出適當修改,得到三維A*算法。由于航行區(qū)域中障礙物的位置在不同時刻具體確定,可以選取一系列連續(xù)時刻t_1,t _2,...t_n,用這n個時刻下,航行區(qū)域中的障礙物位置信息一同描述航行區(qū)域的障礙物信息,則可以構成一個三維環(huán)境信息地圖,在此地圖之上使用三維A*算法進行航線規(guī)劃即可求解出一條安全無碰撞的航線。然后,全局航線規(guī)劃算法解決的是船舶航行區(qū)域中的障礙物為靜態(tài)障礙物這一類問題。由于障礙物的位置不隨時間變化而變化,則環(huán)境信息相對容易描述。傳統的全局路航線劃算法有柵格法,可視圖法,蟻群算法等。本文將群智能算法,粒子群算法引入到全局路航線劃問題的求解中。首先,對船舶航行區(qū)域進行建模描述,與柵格法,可視圖法的環(huán)境建模方式不同,本文提出的建模方式是用n條等分線對整個區(qū)域進行等分,在這些等分線上選取航路點來構成一條航線。通過對航線距離的表達式進行分析,航線距離取決于各個航路點的縱坐標,以這些航路點的縱坐標構成一個n維向量,將此向量作為粒子群算法中粒子的位置向量,由此完成了算法的編碼任務,使粒子群算法可以應用于全局航線規(guī)劃問題的求解。最后,基于Matlab平臺,對所提出的算法進行仿真實驗。對于全局航線規(guī)劃問題,采用NOAA提供的全球海岸線數據系統提供的海岸線數據模型來完成航行區(qū)域內靜態(tài)障礙物(如島嶼)的位置信息描述。對于局部航線規(guī)劃問題,主要考慮的是惡劣天氣造成的不可航行區(qū)域對船舶航行安全的影響。結合ECMWF提供的氣象數據信息,選取海浪浪高大于3.5米的海域作為對船舶航行安全有影響的危險海域,完成動態(tài)障礙物的位置信息描述。分別對全局航線規(guī)劃算法與局部航線規(guī)劃算法進行仿真實驗,證明了算法的可行性與有效性。
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U675.12;U692.31
【圖文】：

柵格圖

若kV 已經在 open 集合中，考慮kV 的 g 值，若從起點經過jV 再到kV 的 g 值比有的 g 值更好，則將jV 記錄為kV 的父結點，并從新計算kV 的 f ，g 值。否則任何改變；Step4：返回 Step2 直至終點EV 加入到 open 集合中。從上述算法步驟可以得知，在 A*算法中，每次從open集合中挑選結點jV 的是jV 的 f 值最小，這與 Dijkstra 算法有著明顯的不同。在 Dijkstra 算法中，jV 的條件是jV 距離起點的距離最小，這沒有考慮到jV 到終點的信息。在 A*中， f 值包含 g 值，即起點到jV 的實際距離，同時也包含 h 值，即jV 到終點估值。在啟發(fā)信息h的幫助下，算法的搜索方向將不斷朝著終點方向進行搜相比于 Dijkstra 算法的無方向搜索，A*算法的搜索效率得到極大的提升。

若kV 已經在 open 集合中，考慮kV 的 g 值，若從起點經過jV 再到kV 的 g 值比有的 g 值更好，則將jV 記錄為kV 的父結點，并從新計算kV 的 f ，g 值。否則任何改變；Step4：返回 Step2 直至終點EV 加入到 open 集合中。從上述算法步驟可以得知，在 A*算法中，每次從open集合中挑選結點jV 的是jV 的 f 值最小，這與 Dijkstra 算法有著明顯的不同。在 Dijkstra 算法中，jV 的條件是jV 距離起點的距離最小，這沒有考慮到jV 到終點的信息。在 A*中， f 值包含 g 值，即起點到jV 的實際距離，同時也包含 h 值，即jV 到終點估值。在啟發(fā)信息h的幫助下，算法的搜索方向將不斷朝著終點方向進行搜相比于 Dijkstra 算法的無方向搜索，A*算法的搜索效率得到極大的提升。

【參考文獻】

相關期刊論文 前10條

1 陳超;唐堅;;基于可視圖法的水面無人艇路徑規(guī)劃設計[J];中國造船;2013年01期

2 馬永杰;云文霞;;遺傳算法研究進展[J];計算機應用研究;2012年04期

3 朱大奇;顏明重;;移動機器人路徑規(guī)劃技術綜述[J];控制與決策;2010年07期

4 熊碧霞;楊春蘭;;基于Dijkstra算法的最短時延路由算法的實現[J];中國水運(下半月);2009年02期

5 田雨波;朱人杰;薛權祥;;粒子群優(yōu)化算法中慣性權重的研究進展[J];計算機工程與應用;2008年23期

6 李源惠;潘明陽;吳嫻;;基于動態(tài)網格模型的航線自動生成算法[J];交通運輸工程學報;2007年03期

7 徐秀娜;賴汝;;移動機器人路徑規(guī)劃技術的現狀與發(fā)展[J];計算機仿真;2006年10期

8 王德春;陳利敏;張孝芳;;基于A~*算法的艦船最佳航線選擇[J];青島大學學報(自然科學版);2005年04期

9 孫波,陳衛(wèi)東,席裕庚;基于粒子群優(yōu)化算法的移動機器人全局路徑規(guī)劃[J];控制與決策;2005年09期

10 楊維,李歧強;粒子群優(yōu)化算法綜述[J];中國工程科學;2004年05期

相關博士學位論文 前3條

1 湯青慧;基于電子海圖的航線規(guī)劃方法研究[D];中國海洋大學;2011年

2 張麗平;粒子群優(yōu)化算法的理論及實踐[D];浙江大學;2005年

3 胡小兵;蟻群優(yōu)化原理、理論及其應用研究[D];重慶大學;2004年

相關碩士學位論文 前3條

1 陳華;水面無人艇局部路徑規(guī)劃初步研究[D];大連海事大學;2016年

2 盧艷爽;水面無人艇路徑規(guī)劃算法研究[D];哈爾濱工程大學;2010年

3 李麗;基于遺傳算法的艦船航行路徑規(guī)劃技術研究[D];哈爾濱工程大學;2006年

本文編號：2787025