[发明专利]一种无人船多目标优化方法及无人船智能综合管控系统

权利要求书

1.一种无人船多目标优化方法，其特征在于，包括以下步骤：

步骤S1、无人船获取行驶中无人船预设时间段内原始数据；所述原始数据为无人船上各智能监测模块监测的数据，包括船舶相关参数、船舶外部环境数据、船舶自身状态数据和岸基中心遥控数据；

步骤S2：无人船对所述原始数据进行分析处理，获得所述原始数据中的无人船管控数据；

步骤S3、无人船将所述无人船管控数据输入航行情景解析模型中，输出各航行条件对船舶航行的影响值；所述航行条件包括航行区域、气象条件、自身周边航行船舶密度和船舶自身状态，所述航行情景解析模型为预先训练的长短期记忆网络LSTM模型；

步骤S4、无人船依据所述各航行条件对船舶航行的影响值，输入到多目标优化模型中，获取至少一个优化方案，依据至少一个优化方案中的一个方案使无人船控制优化。

2.根据权利要求1所述的方法，其特征在于，所述预先训练的LSTM模型的更新方程包括：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(c_t)

其中，f_t表示第t时刻的遗忘门，W_f为遗忘门的权重矩阵，h_t-1为第t-1时刻的隐藏层，x_t表示所述原始数据，b_f为遗忘门的偏置项；σ表示将值映射至(0，1)间的sigmoid层，1表示完全保留，0表示完全忘记；i_t表示第t时刻的输入门，W_i为输入门的权重矩阵，b_i为输入门的偏置项；o_t表示第t时刻的输出门，W_o为输出门的权重矩阵，b_o为输出门的偏置项；表示第t时刻当前节点的输入，W_c为输入的权重矩阵，b_c为输入的偏置项；c_t表示第t时刻输出记忆信息；h_t表示第t时刻的隐藏状态。

3.根据权利要求2所述的方法，其特征在于，在步骤S1之前，还包括：

步骤A1、构建初始LSTM模型；

步骤A2、获取训练航行条件样本和测试航行条件样本；

步骤A3、将所述训练航行条件样本输入所述初始LSTM模型；

步骤A4、判断所述初始LSTM模型的输出航行条件和所述测试航行条件样本是否一致，若一致，则确定所述初始LSTM模型为预先训练的LSTM模型，若不一致，则优化所述初始LSTM模型的参数，重复步骤A3、A4。

4.根据权利要求3所述的方法，其特征在于，所述将所述训练航行条件样本输入所述初始LSTM模型，包括：

采用Nadam算法对所述初始LSTM模型的超参数进行优化。

5.根据权利要求1所述的方法，其特征在于，所述多目标优化模型的目标函数包括：

其中，F1表示航行最安全，F2表示航行最稳定，F3表示航行最经济，F4表示航行最环保；

所述多目标优化模型的约束条件包括：

其中，约束条件1表示各航行条件对船舶航行的影响程度及其排序，约束条件2表示船上智能设备的控制不能超过该智能设备的阈值。

6.根据权利要求5所述的方法，其特征在于，对所述多目标优化模型进行求解的方法是使用带精英策略的非支配排序遗传算法NSGA-II进行求解。