[发明专利]基于人工免疫和蚁群算法结合的船舶航线智能生成方法

说明书

技术领域

本发明涉及的是一种设计船舶航路线的方法。

背景技术

设计计划航线是航海中的一项重要工作，需要考虑海区环境、水文气象、海盗威胁等影响，以经济、隐蔽、安全等性能为指标，争取达到综合最优。早期的航线设计需要人工进行绘图，而人的思维往往受时间、环境影响，会考虑不周或前后不一，影响航线设计的科学性。随着电子海图技术和计算机决策技术的应用，航线智能设计已经成为可能。

目前有多种方法应用于航线智能设计，如Dijkstra算法、神经网络算法、遗传算法、蚁群算法等，其中Dijkstra算法遍历计算的节点很多，效率低；神经网络算法需要考虑的因素多，对硬件要求高；遗传算法用于航路规划比较费时，不适合用来进行实时规划。下面着重讨论蚁群算法用于航线自动生成的相关问题。

意大利学者M.Dorigo等人于1991年提出了一种新型的模拟进化算法---蚂蚁系统(AntSystem，AS)，它是一种新兴的启发式搜索算法。蚁群算法来源于对自然界蚂蚁寻找从蚁巢到食物源的最短路径行为的研究，它通过许多蚂蚁共同完成寻求最优解的任务。蚂蚁个体在候选解的空间中独立地搜索解，并在所寻得的解上留下一定量的信息素，个体之间通过这些信息素进行信息传递和相互协作，从而完成复杂任务。蚁群算法具有很强的鲁棒性。

航线智能设计是根据起航点与目的地之间的海区环境、安全条件，寻求一条最安全、经济的航线，与蚁群算法的条件和目标基本一致。电子海图提供了海区的水深、岸线、碍航物、禁航区、威胁区等信息，为蚁群算法的信息素生成提供了素材。也使航线的智能设计具有可行性。虽然传统的蚁群算法具有很强的全局寻优解的能力，但缺点就是其搜索时间长，也容易出现停滞、早熟现象，特别是问题规模较大时容易出现陷入局部最优的现象，因此会制约航线的智能设计。

人工免疫算法(Atificial Immune Algorithm，AIA)是一种随机优化方法，它模拟生物免疫系统，用亲和力来描述抗体与抗原之间的匹配程度，用排斥力来描述两个抗体之间的相似程度，依据抗体与抗原之间的亲和力以及抗体与抗体之间的排斥力来选择抗体。在用AIA求解优化问题时，一个抗体用一个字符串表示，满足约束条件的最优解即是抗原，候选解即是抗体。抗体与抗原之间的亲和力反映了候选解与最优解的接近程度，也即反映候选解对目标函数和约束条件的满足程度；抗体与抗体之间的排斥力反映了不同候选解之间的异同，也即反映了抗体的多样性。保持抗体的多样性可以防止算法陷入局部最优解。

人工免疫算法立足于已有的蚂蚁算法，吸取了其中有益的思想，并在进化的过程中把随机搜索和确定性的变化结合在一起，减少了随机因素对算法本身的影响，能较好地克服不成熟收敛。通过蚂蚁算法与人工免疫算法的相结合，使蚂蚁不再仅仅依靠信息素的引导进行新的搜索，而是在与免疫的结合基础上进行的。

人工免疫和蚁群算法的结合曾被应用于旅行商问题，胡纯德等在《基于人工免疫算法和蚁群算法求解旅行商问题》中前过程利用人工免疫生成信息素分布，后过程利用蚁群算法求优化解，汲取两种算法优点，获得了好的结果。然而在船舶航线智能设计中，两种算法的结合还没有得到应用。

发明内容

本发明的目的在于提供一种能够找到最优路径，速度快的基于人工免疫和蚁群算法结合的船舶航线智能生成方法。

本发明的目的是这样实现的：

步骤1、描述环境并生成初始种群

(1.1)确定种群规模M，个体节点数范围[min，max]；

(1.2)随机生成M个个体，每个个体由随机生成的一系列中间节点组成；

步骤2、选择抗原，确定抗体的编码方式

(2.1)将问题的目标函数和约束条件，作为AIA的抗原；

(2.2)AIA的抗体采用实数编码；

步骤3、抗体选择

(3.1)对初始抗体进行预处理；

(3.2)计算抗体与抗原之间的亲和力，所有抗体与最佳抗体之间的排斥力；

(3.3)构造人工免疫算子，产生新抗体，计算新抗体的亲和力和排斥力，若抗体中有与抗原相匹配的抗体，则获得较优的可行解；否则转(3.4)；

(3.4)按照“优胜劣汰”的自然选择机制，在新产生的抗体群中选择出若干个与抗原匹配较好的抗体构成新的抗体群，转(3.3)；

步骤4、蚁群搜索