船舶导航网络路由算法的实现

为了解决传统船舶导航网络路由算法数据丢包率高、执行时间长的难题,提出船舶导航网络路由算法研究。根据对现有算法存在难题的分析,搭建船舶导航网络路由算法架构,以此为基础,将获取的海上船舶密度作为权重值,构造带有权重值的有向图,并对最优转发路径进行选择。以得到的结果为基础,采用局部最优方法对最优转发路径计算区域进行优化。以优化结果为依据,对网络路由节点分配模型进行构建,实现了船舶导航网络路由算法的设计。通过实验得到,与传统船舶导航网络路由算法相比较,提出的船舶导航网络路由算法极大的降低了数据丢包率,缩短了执行时间,充分说明提出的船舶导航网络路由算法具备更好的性能。     

舰船磁定位算法实现及计算分析

首先建立磁场数学模型,然后在船长、探头的姿态角、航行的速度、船舶的起始点未知的情况下设计了磁定位算法。在算法中偶极子个数不确定,采用旋转椭球体和偶极子阵列混合模型进行磁定位,通过实验结果可以看出,目标舰船长度的估算和真实值偏差非常小,从而说明本文所设计算法的有效性。     

基于机器学习算法的船舶通信网络信道估计

针对传统船舶通信网络信道估计方法调控响应性能较差的问题,提出一种基于机器学习算法的船舶通信网络信道估计方法。在物理层LTE协议中定义导频序列,基于gold序列设计船舶通信网络信道的导频序列,通过奈奎斯特定理决定导频信号的插入密度,在设计的船舶通信网络信道导频序列中按照该密度插入导频信号,基于机器学习算法拟合不同时间点同一子帧内的信道估计值,以实现船舶通信网络的信道估计。为了证明基于机器学习算法的船舶通信网络信道估计方法的调控响应性能较强,比较该方法与传统船舶通信网络信道估方法。实验结果证明该方法的调控曲线拟合性最强,即该方法的调控响应性能优于实验中的传统方法,证明了该方法的优越性。     

支持向量机回归算法在船舶磁场推算中的研究

船舶航行中会遇到复杂的外界环境,其中磁场环境的变化对航行状况具有重要的影响。而船舶内部大量的电力系统会产生复杂的磁场分布。在建立的船舶磁场分布模型中,传统的基于磁场检测后的逆向拟合方法精确度不高。因此可以根据实验室的测量数据建立基于支持向量机回归算法的船舶磁场模型。在该模型中,预测的磁场分布具有更高的精度和复杂度,并且可以对磁场的动态变化进行预测,建立船舶磁场的时变模型。     

基于最优化理论的船舶流量估计数学模型研究

对于港口和内河航运监管部门来说,准确的估计航道内船舶的流量是一项非常重要的工作,可以为港口的交通管理、航道的规划提供数据依据,提高航运交通的安全性。本文重点介绍了船舶流量估计模型的不同维度,建立了船舶流量特征的分析模型,最后结合最优理论和小波神经网络算法设计了船舶理论估计的最优模型,并对该流量估计模型进行了仿真。     

船舶磁场的面磁荷建模方法研究

分析传统船舶磁场的面磁荷建模方法。为克服其精度低的缺陷,在所建立的船舶磁场面磁荷模型的基础上,利用遗传算法对其最优测量点进行优化,并利用Tikhonov正则化能够提高反演模型的稳定性。计算结果表明,本文所改进的船舶磁场的面磁荷模型具有稳定性强、精度高的优点,能被广泛使用。     

基于人机交互-蚁群算法的船舶交通多航道调度优化

传统基于纯蚁群算法的船舶交通多航道调度优化无法根据实际情况调整船舶优先级,船舶占港时间较长,经济效益差,因此设计一种基于人机交互-蚁群算法的船舶交通多航道调度优化方法。建立多航道调度优化模型,明确各船舶调度策略,确定调度时间、等待时间最小的目标函数,建立避免调度过程中产生混乱和协调船舶交叉的约束条件;在调度优化中引入人机交互-蚁群算法,采用人工设置临时改变船舶工作的优先级,以此来提高港口工作效率,并设置算法的搜索顺序,完成船舶交通多航道调度优化的研究。在算例仿真中,为验证传统方法与设计方法的调度结果,设置港口参数并分析两方法的调度方案,结果表明设计的方法得到的方案能有效缩短船舶平均在港口的停留时间和恢复正常生产所需要的时间。     

一种基于AIS数据的船舶航线自动规划方法

为采用航线自动规划技术设计出最优船舶航行路径,提出一种基于船舶自动识别系统(Automatic Identifi-cation System,AIS)数据和航行区域栅格化地图建立环境模型,结合蚁群算法求解最优航线的航线自动规划方法.对航行区域地图进行栅格化处理,利用海量AIS数据定义可通航栅格和障碍物栅格,结合邻接矩阵将栅格地图矩阵化,基于蚁群算法和计算得到的邻接矩阵求取最优规划航线.通过在中国沿海港口进行实例验证,说明该方法在全局最优航线自动规划方面具有经济、便捷、安全的应用效果.     

基于贝叶斯机器学习算法的船舶客流量估计研究

目前使用的利用历史数据统计模型估计客流量的方法因无法去除不确定性因素的影响,不仅计算量大,还使得客流量估计精度低。为解决上述问题,利用贝叶斯机器学习算法研究船舶客流量估计方法。根据决策表对影响船舶客流量分析的数据属性进行约简,确定各个影响因素的重要程度。建立客流量估计模型后,在有监督学习策略下利用贝叶斯机器学习算法确定模型参数,得到客流量估计值。与2种传统客流量估计方法的对比实验结果表明,该估计方法具有稳定计算的较高计算精度,并且估算效率也整体提升近50%,具有可靠性。     

群智能优化算法的船舶信息管理任务批量流水调度研究

针对传统的船舶信息管理任务调度模型的调度平均等待时间长的问题,研究群智能优化算法的船舶信息管理任务批量流水调度模型。根据群智能优化算法理论,将调度过程中的船舶看作粒子,根据实际调度需求设定调度模型的参数。为缩短船舶调度平均等待时间,规划船舶调度的目标函数以及约束条件。计算粒子适应度,将粒子与任务分配一一映射,根据船舶可信度计算得到局部粒子最优解,更新粒子位置直至出现最优调度解,完成船舶信息管理任务批量流水调度模型的构建。通过与传统调度模型的对比仿真实验,验证构建的基于群智能优化算法的船舶调度模型能够缩短传统调度模型2/3的平均调度等待时间,提高了调度效率。     

时间序列分析法船舶港口建筑工程成本估计

针对当前船舶港口建筑工程成本估计精度低的问题,提出时间序列分析法的船舶港口建筑工程成本估计方法。首先采集大量船舶港口建筑工程成本历史数据,将它们组成一组时间序列数据,然后引入小波变换对船舶港口建筑工程成本时间序列数据进行分解,得到趋势部分和细节部分,使得变化特点比较明显,最后采用RBF神经网络对船舶港口建筑工程成本时间序列的趋势部分进行建模,采用支持向量机对船舶港口建筑工程成本时间序列的细节部分进行建模,并根据预测结果重构得到船舶港口建筑工程成本估计结果。实例研究结果表明,时间序列分析法的船舶港口建筑工程成本估计效率高,可以高精度对船舶港口建筑工程成本进行估计。     

人工智能技术在船舶轨迹规划中的应用

轨迹规划可以提高船舶航行的效率,并且保证船舶航行的安全。当前船舶轨迹规划方法存在生成轨迹效率低、船舶轨迹规划并非全局最优的缺陷,为了提高船舶轨迹规划的精度,设计基于人工智能技术的船舶轨迹规划方法。首先对当前船舶轨迹规划研究现状进行分析,指出各种船舶轨迹规划方法的不足,然后建立船舶轨迹规划的性能评价指标,引入计算机人工智能技术中的蚁群优化算法进行求解,根据求解结果得到最优船舶轨迹规划路径,最后进行船舶轨迹规划的验证性测试。结果表明,蚁群优化算法可以快速、准确找到最优船舶轨迹规划路径,克服了当前方法易找到局部最优的船舶轨迹规划路径难题,具有一定的实际推广价值。     

船舶物流运输中的最优航线选取模型设计

为了解决传统船舶最优航线选取模型最优航线选取效率低、精准度差的难题,提出船舶最优航线选取模型研究。依据海上运输环境信息,通过全局航线规划算法对船舶运输安全区域进行划分,以此为基础,采用Dijkstra算法对船舶安全航线进行获取,以得到的船舶安全航线为依据,采用离散点法对船舶最优航线进行选取,实现船舶最优航线选取模型的构建。通过实验结果显示,与传统船舶最优航线选取模型相比较,构建的船舶最优航线选取模型极大地提升了最优航线选取效率与精准度,充分说明构建的船舶最优航线选取模型具备更好的性能。     

基于改进PSO-BP神经网络的船舶交通流预测分析

为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。     

船舶导航一体化网络路由算法的设计与实现

传统船舶导航路由算法,会随着船舶导航数据的增加,出现数据传输混乱、算法执行时间过长等现象。为解决上述问题,引入一体化网络原理,设计基于一体化网络的船舶导航路由算法。通过一体化网络模型的搭建、四叉树路由协议编址,完成一体化网络分层路由协议的搭建。通过预编码矩阵的选择、DTN船舶导航编码,完成新型船舶导航路由算法的搭建。设计对比实验结果表明,新型算法与传统算法相比,大幅改善船舶数据传输混乱情况,缩短算法执行时间。     

大数据背景下的船舶物流配送路径选择研究

传统的混合整数规划模型选择船舶物流配送路径时,为了使成本与路程成正比进行计算,利用路程平摊成本而忽略中转港口的容量限制,因此在船舶路径选择方法研究中,首先建立船舶路径选择函数,在最短路径函数的前提下,配合最短时间的路径选择函数来辅助决策,使用数据融合技术完成港口流量的预测,将预测结果作为路径选择函数的约束条件,从而得到最优路径。实证分析中选择某条航运线路为例,分别使用传统路径选择模型和设计的方法共同进行船舶物流配送给路径选择,选择结果证明,虽然在配送成本和船舶固定成本中,设计的方法选择的路径比传统方法略高一些,但是货损成本和时间窗惩罚成本得到了有效降低,总成本比传统方案节约了12.19万美元。     

舰船信息网络物流配送最优路径选取方法研究

利用基于神经网络或基于遗传算法等传统方法进行舰船信息网络中物流配送最优路径选取,选取质量较差,使得物流配送时间长,导致运输成本过高,降低了客户满意度。针对上述问题,提出一种基于Dijkstra算法的物流配送最优路径选取方法。该方法主要分为两步:对Dijkstra算法选取最优物流配送路径原理进行分析;在该原理基础上构建物流配送最优路径选取模型,包括问题描述、求加权矩阵、建立距离矩阵、确立需求量与配送距离之间的线性关系、构建Dijkstra算法模型等流程。结果表明:按照本方法选取出的最优路径进行物流配送,平均时间为55.69 h,按照基于神经网络或基于遗传算法等传统方法选取出的最优路径进行物流配送,平均时间为58.62 h和62.42 h。前者与后两者对比,配送时间大大缩短,由此证明本方法选取质量更好,能大大缩短物流配送时间,降低运输成本,提高客户满意度。     

基于PSO的小样本特征选择优化算法研究

针对神经网络进行小样本数据训练时出现文本表征精确度低及特征过拟合,易造成权值全局最优和局部最优的不平衡现象,提出一种基于粒子群的双向长短期记忆网络(Bi-PSO)算法,利用Bi-LSTM对序列数据中长短期距离依赖信息的能力,对文本特征矩阵进行最小残差化处理得到降维矩阵,并通过粒子群算法获取降维矩阵中特征向量的全局最优和局部最优权重,最终进行权重类间、类内距离的迭代计算获得最优特征子集.仿真实验表明:Bi-PSO算法在文本特征拟合精度上得到了提升,算法精确度比Bi-LSTM平均提高了2.225%,在处理样本数目为200～600小样本数据集时拟合效果良好.     

基于改进无迹卡尔曼滤波的动力定位系统状态估计

动力定位（DP）船舶状态估计的准确性是影响其在海面上沿期望航迹运行或位置固定的关键因素。在DP状态估计研究中，当遇到观测噪声反常或噪声协方差与算法不符等情况时，无迹卡尔曼滤波（UKF）无法调整算法参数以适应海洋环境的变化，严重影响着状态估计的精度。鉴于此，提出一种基于误差序列协方差估计的自适应UKF，利用观测变量残差更新观测噪声协方差矩阵R。设计基于自适应UKF的状态估计器，对DP船舶纵荡、横荡和艏摇3个重要状态变量进行估计。数值仿真结果表明，提出的自适应UKF能明显降低纵荡、横荡和艏摇3个状态变量的估计误差，状态估计的准确性和滤波平滑性均优于传统UKF算法。     

基于航道与泊位资源协调调度的船舶交通优化

将港口航道与泊位资源协调利用,可最大限度地提高港口运营效率。对此,以所有船舶总在港时间和等待时间最少为目标,建立基于单向航道的多目标船舶调度优化模型。根据港口不同区域的交通流特征,建立初始化约束、流量转换约束、时隙分配约束和泊位冲突消解约束等多个约束模型。设计多目标遗传算法进行求解,并设计有针对性的模拟场景进行验证;以港口某一繁忙时段的20艘船舶为例,进行调度试验。最终得到8个Pareto最优解和2个目标的最优解:总调度时间为2.618 6 h,添加惩罚后总等待时间为23.012 4 h。结果表明:该模型及算法给出的调度方案能有效提高船舶的调度效率。