基于改进灰狼优化的船舶气象航线规划
《Ocean Engineering》:Weather route planning for ships based on improved grey wolf optimization
【字体:
大
中
小
】
时间:2026年10月21日
来源:Ocean Engineering 6.3
编辑推荐:
•一种融合天气风险与大角度转向惩罚的适应度函数,在优化航程时间与燃油消耗的同时,保证航路的安全性和可操作性。
•一种混合灰狼优化器,集成黄金正弦搜索与维度学习猎捕策略,平衡全局探索与局部开发,获得更好的种群多样性与收敛精度。
•实验验证表明,GSDLHGWO实现了稳健的节油性
•一种融合天气风险与大角度转向惩罚的适应度函数,在优化航程时间与燃油消耗的同时,保证航路的安全性和可操作性。
•一种混合灰狼优化器,集成黄金正弦搜索与维度学习猎捕策略,平衡全局探索与局部开发,获得更好的种群多样性与收敛精度。
•实验验证表明,GSDLHGWO实现了稳健的节油性能,并具备竞争力强的航程效率。其多目标变体可生成分布良好的帕累托前沿,为灵活决策提供支持。
引言
航运作为全球贸易运输的主要方式,承担着超过80%的国际货运贸易,其经济效率和安全性直接关系到全球供应链的稳定与经济发展(Bahrami, 2026)。目前,全球航运业正加速向智能化、数字化转型,智慧航运已成为行业发展的核心方向(Zou et al., 2025)。船舶气象航线规划作为智慧航运的关键技术组成部分,其智能化水平直接影响航运系统的整体效率。然而,海洋气象环境复杂多变,巨浪、大风等恶劣天气条件常常导致船舶偏离航向,甚至引发搁浅、碰撞和倾覆等海上事故。航运企业的核心目标是在确保安全的前提下,最小化运营成本并最大化运输效率。气象因素对船舶燃油消耗和航程时间有显著影响:顶风和恶劣海况会增加水动力阻力,导致燃油消耗上升;而规划不佳的恶劣天气绕航则可能显著延长航线,造成后续交付延迟。因此,在规划中融入气象数据,同时维持许可航速并尽量避免顶风和恶劣海况,从而最小化航程时间和运营成本,是船舶气象航线规划的重要考量。
随着气象航线规划受到越来越多的关注,相关优化算法的研究不断深入,常用方法包括等时线法、动态规划、Dijkstra算法、A*算法以及元启发式算法等。航线优化的研究可追溯至James研究的等时线法(Hanssen and James, 1960)。该方法将航路划分为若干阶段,将问题分解为多个子问题,并构建从起点出发在相同航行时间内可到达的不同船舶轨迹。随后从上一等时线的端点持续构建新的等时线,直到达到最终目的地。Hagiwara(1989)提出了一种改进的等时线法,在考虑环境因素的同时最小化航行时间和燃油消耗。然而,等时线法存在"等时线环路"问题,且计算时间随等时线数量的增加而增长。动态规划基于Bellman最优性原理实现多阶段决策,确保每一阶段最优以实现整体最优。Shao等(2012)提出了一种新颖的前向三维动态规划方法,考虑了船舶推进设置和航向控制随时间和地理位置的变化。该方法旨在最小化航行过程中的燃油消耗,同时考虑国际海事组织规定的各类商船安全约束。Du等(2022)提出了一种改进的三维动态规划算法,在优化过程中考虑了航行安全、主机功率和速度等约束,消除了后续阶段的候选航路点以提高计算效率,并通过实时计算加载气象数据提升了结果精度。
基于图论的算法(如Dijkstra和A*)在船舶航线规划中也得到广泛应用。Cao等(2025)提出了一种非均匀A*算法,将气象信息融入搜索空间。为解决传统网格化A*算法存在的节点冗余和规避风险不足的问题,他们利用改进的麻雀搜索算法生成了非均匀航路点网络,在高危可航行区域提供了更丰富的路径选择,使所提算法能够生成更安全的航路,尽管计算效率仍是一个问题。Charalambopoulos等(2023)将机器人领域的概率路线图概念引入船舶气象航线规划,提出了一种面向动态气象条件的两阶段解决方案。该研究使用Poisson圆盘采样结合气象预报信息在航行区域构建无向路线图,随后利用改进的Dijkstra算法在生成的图上确定燃油消耗最低的路径。
尽管精确算法在特定条件下能够识别问题的全局最优解,但在处理非线性、非凸或具有复杂约束的问题时可能难以保持有效性,并且此类算法在处理大规模复杂问题时面临效率问题(Chen et al., 2025)。元启发式算法是一类融合多种启发式策略的算法,可分为进化类算法、物理类算法和群体智能算法(Yu et al., 2023),代表性方法包括遗传算法(GA)、模拟退火(SA)和蚁群优化(ACO)等。这些算法能够在有限的计算资源和时间内快速获得近似最优可行解,有效避免传统精确算法在求解高维非凸问题时遇到的计算复杂度爆炸问题。因此,众多研究聚焦于这些算法的改进与应用。Zhang等(2021)提出了一种改进的ACO算法,通过修改算法参数、引入新的控制因素并融入GA相关算子,增强了种群多样性并增加了帕累托非支配解的数量,从而有效解决了多目标船舶气象航线优化问题。Zhao等(2021)建立了综合考虑风、浪和海况适航性的综合航线风险评估模型,并提出了一种改进的PSO。通过将遗传算法中的交叉、选择和多种群精英选择操作应用其中,所提方法增强了帕累托最优前沿并优化了航线风险、燃油消耗和航行时间,从而确保船舶能够高效、安全和经济地航行。Zhou等(2023)提出了一种融合模拟退火机制的混合遗传算法,用于复杂海况下的船舶气象航线规划。通过融入模拟退火算法增强GA的局部搜索能力,设计了适应度校准策略和混合交叉算子,并采用多种群协同进化机制提升算法鲁棒性。仿真实验表明,该算法能够在确保航行安全的同时有效优化航线性能,且模拟退火机制在防止早熟收敛方面起着决定性作用。
近年来,深度强化学习(DRL)也作为自主船舶导航领域的一种方法出现。Zhang等(2026)提出了一种改进的双向深度Q网络(DDQN)算法,用于洋流影响下的智能船舶路径规划。通过融合人工势场与洋流方向补偿,构建了动态复合奖励函数,并引入了自适应epsilon-贪心策略和准均匀B样条平滑机制。这些改进有效解决了传统DDQN存在的稀疏奖励、探索-利用不平衡和路径不连续问题,同时在环境扰动不确定性下保持了鲁棒的避障能力和轨迹稳定性。Latinopoulos等(2025)提出了一种由离线预训练和在线微调组成的两阶段优化框架,用于动态海况下的船舶导航优化。通过处理狭窄航道约束并融合燃油预测模型与滚动气象预报窗口,实现了实时决策。在地中海航线复杂案例中,深度确定性策略梯度(DDPG)在连续动作空间中实现了更平滑的速度优化,并实现了准时到达,相较于DDQN展现了DRL在实时气象航线规划中的适应性和可扩展性。Xiao等(2025)提出了一种基于DRL的多目标协同路径规划方法,使用软演员-评论家(SAC)算法在连续动作空间中实现速度和航向的协同控制。同时设计了一个全连接-卷积-全连接的动作网络,融合卷积神经网络以增强智能体的收敛性能。实验结果表明,该方法在缩短探索时间的同时降低了能耗,在复杂海洋环境中表现出良好的鲁棒性和适应性。然而,DRL方法通常存在训练周期长、样本效率低、奖励函数设计依赖专家经验等问题。其收敛性能对网络结构和超参数高度敏感,往往需要大量的计算资源和试错成本。此外,训练好的策略模型在跨场景迁移时可能出现性能退化,可解释性较差,且难以直接满足工程中对可追溯、可验证规划结果的要求。
GWO是一种以参数少、收敛速度快和稳定性强为特征的元启发式算法。然而,它也存在容易陷入局部最优和收敛精度低等问题,难以在不同问题场景下展现适应性。因此,本研究基于GWO提出了一种集成黄金正弦搜索和维度学习策略的改进灰狼优化器(黄金正弦维度学习猎捕灰狼优化器,GSDLHGWO)。通过整合黄金正弦搜索策略并引入基于维度的多邻域搜索策略,所提算法提升了在气象导航规划问题中的搜索性能。该方法在提高收敛精度的同时增加了种群多样性,从而增强了算法在不同场景下的适应性。本研究的主要创新贡献如下:
a)本研究设计了一种由天气风险因子和大角度转向因子加权构成的适应度函数。该函数使算法在优化航程时间和燃油消耗等目标的同时,能够自动规避恶劣天气区域并减少过大的转向角度,从而确保规划航路的安全性和可靠性。
b)本研究提出了一种增强型灰狼优化器,集成了用于宏观方向引导的黄金正弦搜索策略和用于微观维度修正的维度学习搜索策略。二者的协同有效平衡了全局探索与局部开发,从而同时提升了种群多样性和收敛精度。
c)在多种场景下的大量实验表明,GSDLHGWO在燃油消耗优化方面实现了统计显著且稳健的性能,在航程时间最小化方面也保持竞争力。在多目标优化中,MOGSDLHGWO生成了分布良好的帕累托前沿,为决策者提供了灵活的权衡选项。
本文其余部分组织如下:第2节描述船舶气象航线规划的建模方法;第3节提出GSDLHGWO算法及帕累托多目标优化框架,包括其数学表述、集成黄金正弦搜索机制和邻域学习策略;第4节讨论在不同场景下对集装箱船进行的一系列仿真实验,验证所提GSDLHGWO算法的性能和鲁棒性;最后,第5节总结全文,包括对未来工作方向的讨论。
片段章节
船舶航线模型
在本研究中,船舶的连续导航过程被离散化,船舶航线模型建立如下。航线根据若干关键航路点划分为多段航线,船舶在每段航线内沿等角航线航行。在该模型中,船舶航线由以下变量表征:各航路点的经度和纬度、各航线段的航向角,以及船舶在各航线段的静水航速。
A 集成黄金正弦策略
GWO是一种受自然界灰狼群社会层级和猎捕机制启发的元启发式算法(Mirjalili et al., 2014)。在自然群体中,灰狼遵循严格的社交层级,其社会关系如图3所示。
图4展示了GWO模拟的灰狼协作猎捕行为示意图,可分为三个阶段:包围、追击和攻击。包围阶段:在定位猎物后,灰狼
实验参数设置
本研究的所有仿真实验均在MATLAB R2026a中实现,并在配备第12代Intel(R) Core(TM) i7-12700F处理器(2.10 GHz)、16 GB RAM和Windows 11操作系统的计算机上进行。实验船舶模型为S-175型集装箱船,参数见表3(Zhao et al., 2021)。其排水量在式(2)的适用范围内。
研究场景包括两条航线在两种不同气象条件下的对比分析
结论
针对船舶气象航线规划问题,本研究提出了一种基于改进灰狼优化算法GSDLHGWO的求解方法。
该算法集成了用于宏观方向引导的黄金正弦搜索策略和用于微观维度修正的基于维度学习的捕猎策略。两者的协同作用使种群能够有效平衡全局探索与局部开发,同时在整个过程中保持多样性
CRediT 作者贡献声明
王亦翔:撰写 – 初稿,验证,软件,方法论,概念化。
夏子涵:撰写 – 审阅与编辑,软件,调查,形式分析。
王洪波:撰写 – 审阅与编辑,监督,资金获取。
利益冲突声明
作者声明不存在可能影响本文报告工作的已知竞争性财务利益或个人关系。
致谢
本工作部分由下列资助支持:中国海事国防技术创新中心创新基金(JJ-2022-702-01)和中国船舶集团海洋导航与控制科学技术实验室(资助号 2023010302)。
王亦翔 | 夏子涵 | 王洪波
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号