基于人工智能和軟計(jì)算的船舶自動(dòng)避碰決策算法

呂紅光, 尹 勇, 尹建川, 胥 文

(大連海事大學(xué) 航海學(xué)院， 遼寧 大連 116026)

基于人工智能和軟計(jì)算的船舶自動(dòng)避碰決策算法

呂紅光, 尹 勇, 尹建川, 胥 文

(大連海事大學(xué) 航海學(xué)院， 遼寧 大連 116026)

為減少或避免人為失誤導(dǎo)致的船舶碰撞事故，保證船舶安全航行，對(duì)自動(dòng)避碰系統(tǒng)進(jìn)行深入研究，其中船舶自動(dòng)避碰決策算法是一個(gè)重要問(wèn)題。對(duì)此，綜述專家系統(tǒng)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算、群智能及免疫算法等人工智能和軟計(jì)算方法在該領(lǐng)域中的應(yīng)用，并對(duì)相關(guān)研究成果進(jìn)行分類(lèi)整理和不足分析，指出人工智能和軟計(jì)算方法應(yīng)用于船舶智能避碰決策算法中的研究方向。

船舶； 人工智能； 軟計(jì)算； 智能避碰； 決策算法

Abstract: The automatic collision avoidance technology is attracting a lot of interest for its potential for preventing human-error-caused collision accidents. The application of artificial intelligence and soft computation in avoidance decision making algorithms, the core of the automatic collision avoidance technology, covering the expert system, the fuzzy logic, the artificial neural network, the evolutionary computation, the immune algorithms, and the swarm intelligence algorithm, etc are reviewed. The related publications are categorized and their shortcomings are pointed out to direct further researches on artificial intelligence in automatic collision avoidance algorithms.

Keywords: ship; artificial intelligence; soft computation; automatic collision avoidance; decision making algorithm

近年來(lái)，隨著海上交通環(huán)境日益擁擠、人為失誤導(dǎo)致的海難事故頻發(fā)、人力資源成本逐漸攀高、航海技術(shù)及儀器快速發(fā)展，對(duì)無(wú)人駕駛船舶的研究逐漸深入。無(wú)人駕駛船舶的核心是智能化的綜合船橋，而自動(dòng)避碰決策系統(tǒng)則是綜合船橋的關(guān)鍵組成部分。一個(gè)成熟的自動(dòng)避碰決策系統(tǒng)需滿足(不限于)以下條件：避開(kāi)危險(xiǎn)，包括動(dòng)態(tài)和靜態(tài)的障礙物；在適當(dāng)交通壓力下完成多船會(huì)遇時(shí)的自動(dòng)避碰；避碰后選擇安全且經(jīng)濟(jì)的航線(復(fù)航)；遵守《海上避碰規(guī)則》(以下簡(jiǎn)稱《規(guī)則》)；建立較精確的船舶運(yùn)動(dòng)數(shù)學(xué)模型；考慮天氣、海況等外部條件；具有良好的實(shí)時(shí)性。

以上各個(gè)條件之間是相互影響的，滿足這些條件的自動(dòng)避碰決策系統(tǒng)是一個(gè)極其復(fù)雜的綜合系統(tǒng)。多年來(lái)，相關(guān)專家一直致力于尋找更加智能、優(yōu)化的算法。人工智能(Artificial Intelligence, AI)和軟計(jì)算(Soft Computation, SC)方法的出現(xiàn)為智能避碰決策系統(tǒng)提供了新的解決方案，相比傳統(tǒng)的數(shù)理模型方法，其在解決船舶運(yùn)動(dòng)環(huán)境的復(fù)雜性、過(guò)程的非線性、避碰決策的實(shí)時(shí)性和傳感器信息的容錯(cuò)性等方面具有較好的表現(xiàn)。[1]

1 人工智能和軟計(jì)算方法概述

AI是綜合計(jì)算機(jī)科學(xué)、控制論、信息論、神經(jīng)生理學(xué)、心理學(xué)、語(yǔ)言學(xué)和哲學(xué)等多種學(xué)科的相關(guān)理論而發(fā)展起來(lái)的一門(mén)交叉學(xué)科。傳統(tǒng)的AI以語(yǔ)言或符號(hào)規(guī)則的形式表達(dá)和模擬人類(lèi)的智能行為。對(duì)于某些特定領(lǐng)域內(nèi)的決策問(wèn)題，若存在明顯的知識(shí)，則“物理符號(hào)系統(tǒng)”假設(shè)具有重要意義。但是，基于“物理符號(hào)系統(tǒng)”假設(shè)的人工智能是以靜止、精確的邏輯方式處理問(wèn)題的，在面向不同的決策問(wèn)題時(shí)缺乏適應(yīng)性，這顯然與人類(lèi)智能依靠人腦思維靈活處理問(wèn)題的方式不同。SC的出現(xiàn)彌補(bǔ)了傳統(tǒng)AI的不足，其通過(guò)模擬自然界中智能系統(tǒng)的生化過(guò)程來(lái)解決復(fù)雜問(wèn)題，通過(guò)對(duì)不確定、不精確及不完全真值進(jìn)行容錯(cuò)來(lái)取得低代價(jià)的解決方案和魯棒性。

為反映應(yīng)用研究的脈絡(luò)，這里僅對(duì)一些應(yīng)用于船舶智能避碰決策算法中的核心內(nèi)容進(jìn)行論述。

2 基于知識(shí)的系統(tǒng)

基于知識(shí)(Knowledge Based，KB)的系統(tǒng)是應(yīng)用人類(lèi)的知識(shí)來(lái)解決問(wèn)題(通常是困難問(wèn)題)的計(jì)算機(jī)軟件系統(tǒng)，當(dāng)其表現(xiàn)出專家級(jí)求解問(wèn)題的能力時(shí)，稱為專家系統(tǒng)(Expert System，ES)。

2.1專家系統(tǒng)

自20世紀(jì)80年代ES應(yīng)用于自動(dòng)避碰領(lǐng)域以來(lái)，研究重點(diǎn)是避碰知識(shí)庫(kù)和推理機(jī)制。知識(shí)庫(kù)知識(shí)一般源于《規(guī)則》、專家對(duì)《規(guī)則》的解釋、良好船藝及避碰實(shí)踐經(jīng)驗(yàn)等[2]，常用的知識(shí)表達(dá)方式有產(chǎn)生式規(guī)則、框架、過(guò)程、邏輯、決策樹(shù)、語(yǔ)義網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)及類(lèi)與對(duì)象的表示等[3]，其中產(chǎn)生式規(guī)則應(yīng)用較多，組織方式多為模塊化或樹(shù)狀結(jié)構(gòu)[4]；推理機(jī)制需確定碰撞危險(xiǎn)度，采取避讓行動(dòng)的時(shí)機(jī)、方法和幅度及復(fù)航方案等[5]，采用的推理方式包括正向鏈和反向鏈推理、非單調(diào)推理、類(lèi)比推理及不確定性推理等[4]。當(dāng)推理機(jī)進(jìn)行規(guī)則匹配時(shí)，可能會(huì)出現(xiàn)多個(gè)規(guī)則匹配成功的情況，還會(huì)用到?jīng)_突消解策略，可采用優(yōu)先級(jí)法、可信度法、代價(jià)法及自然順序法等。[3]文獻(xiàn)[6]用A*動(dòng)作空間搜索算法簡(jiǎn)化ES的設(shè)計(jì)；文獻(xiàn)[4]和文獻(xiàn)[7]則結(jié)合船載自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System, AIS)、電子海圖顯示與信息系統(tǒng)(Electronic Chart Display and Information System, ECDIS)及船舶管理系統(tǒng)(VMES)進(jìn)行自動(dòng)避碰ES的設(shè)計(jì)與仿真。處理的問(wèn)題多為寬闊水域單船自動(dòng)避碰問(wèn)題，少數(shù)提出多船會(huì)遇的自動(dòng)避碰決策生成與優(yōu)化的觀點(diǎn)及方法。[8-9]

自動(dòng)避碰專家系統(tǒng)的缺點(diǎn)為：知識(shí)獲取困難且耗時(shí)多，難以形成完備、準(zhǔn)確和簡(jiǎn)練的知識(shí)庫(kù)[10]；系統(tǒng)實(shí)時(shí)性較差；不具備智能學(xué)習(xí)的能力，維護(hù)困難，不能處理知識(shí)庫(kù)以外的問(wèn)題等。

2.2基于案例的推理方法

基于案例的推理(Case-Based Reasoning，CBR)是一種增量式的基于知識(shí)的問(wèn)題求解和學(xué)習(xí)方法，規(guī)避了傳統(tǒng)基于規(guī)則的人工智能推理系統(tǒng)在知識(shí)和規(guī)則獲取上的瓶頸問(wèn)題。[11]其原理是根據(jù)當(dāng)前問(wèn)題描述對(duì)案例庫(kù)進(jìn)行檢索，獲得與當(dāng)前問(wèn)題相似的案例集，修改或直接復(fù)用相似案例的解，從而獲得解決當(dāng)前問(wèn)題的解。沈麗珺[12]采取人工提取海事案例的方式設(shè)計(jì)一個(gè)基于CBR方法的船舶避碰決策支持模型，但案例數(shù)量有限，處理多船會(huì)遇的避碰過(guò)程評(píng)估有待完善。LIU等[13]提出一種基于歷史海事記錄和中文信息處理的避碰案例自動(dòng)生成方法，對(duì)CBR避碰決策系統(tǒng)建立較完備、準(zhǔn)確的案例庫(kù)具有一定作用。周世波等[14]根據(jù)避碰案例結(jié)構(gòu)和CBR的特點(diǎn)研究避碰知識(shí)庫(kù)系統(tǒng)的知識(shí)獲取、表示、檢索和冗余檢查等問(wèn)題，提出建立避碰知識(shí)庫(kù)思路并開(kāi)發(fā)避碰知識(shí)庫(kù)管理原型系統(tǒng)。黃穎等[15]以產(chǎn)生式規(guī)則描述案例，建立基于會(huì)遇態(tài)勢(shì)特征的算法案例庫(kù)，采用特征完全匹配檢索方法尋找源案例中緊迫危險(xiǎn)操船決策的模型，最終自動(dòng)求解生成緊迫危險(xiǎn)操船決策方案。CBR方法為自動(dòng)避碰決策算法提供了新的途徑，具有簡(jiǎn)化知識(shí)獲取、便于知識(shí)積累和自主學(xué)習(xí)、系統(tǒng)構(gòu)建及推理相對(duì)容易等優(yōu)點(diǎn)[16]，但目前在多船自動(dòng)避碰方面仍需作進(jìn)一步研究。

3 模糊邏輯

船舶避碰系統(tǒng)本質(zhì)上是一個(gè)人、船、環(huán)境相互作用的不確定系統(tǒng)，具有本質(zhì)的非線性、信息的不完全性和過(guò)程的時(shí)變性等特征，因而難以建立精確的數(shù)學(xué)模型來(lái)設(shè)計(jì)自動(dòng)避碰系統(tǒng)。隨著模糊集出現(xiàn)及模糊系統(tǒng)理論不斷發(fā)展，模糊數(shù)學(xué)被逐步應(yīng)用到船舶自動(dòng)避碰領(lǐng)域中。

3.1模糊避碰決策模型及領(lǐng)域模型

對(duì)于模糊避碰決策模型，趙勁松等[17]提出船舶領(lǐng)域模糊邊界的概念，建立基于DCPA的避碰決策模擬模型。PIETRZYKOWSKI等[18-19]提出模糊船舶領(lǐng)域的概念并將其應(yīng)用到受限水域航行安全性評(píng)估中；之后基于專家經(jīng)驗(yàn)，用模糊邏輯的方法進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)，提出動(dòng)態(tài)模糊船舶領(lǐng)域模型，并在后期研究中考慮人、船、環(huán)境和《規(guī)則》的影響建立統(tǒng)一的領(lǐng)域模型。王寧[20]在四元船舶領(lǐng)域模型的基礎(chǔ)上結(jié)合模糊集理論，進(jìn)一步提出更加智能、靈活和實(shí)用的模糊四元船舶領(lǐng)域模型(Fuzzy Quaternion Ship Domain，F(xiàn)QSD)，為船舶的智能避碰決策提供新的判據(jù)；此后，其對(duì)模型進(jìn)行改進(jìn)，加入船舶、人為因素和環(huán)境因素等子模型，其中環(huán)境因素子模型的構(gòu)建采用的就是模糊集理論。

3.2模糊避碰決策系統(tǒng)

PERERA等[21-24]提出基于模糊邏輯的避碰決策系統(tǒng)，并在此基礎(chǔ)上對(duì)整個(gè)智能避碰系統(tǒng)進(jìn)行研究，該系統(tǒng)可滿足《規(guī)則》要求，但僅適用于兩船間的避碰；此后其又對(duì)設(shè)計(jì)的系統(tǒng)進(jìn)行改進(jìn)，提出基于“模糊-貝葉斯”的船舶智能避碰決策/執(zhí)行模型，決策依靠模糊邏輯平行多決策模塊，并通過(guò)貝葉斯網(wǎng)絡(luò)模型將決策轉(zhuǎn)換成連續(xù)的避碰行動(dòng)。BRCKO[25]提出一種基于模糊邏輯并結(jié)合ARPA雷達(dá)的避碰決策系統(tǒng)，利用ARPA提供的信息和《規(guī)則》的知識(shí)表示，該系統(tǒng)雖然簡(jiǎn)單易行，但僅能提供對(duì)單船的智能避碰決策。

3.3基于VTS的模糊避碰決策

近年來(lái)，模糊理論也用于船舶交通管理系統(tǒng)(Vessel Traffic Services, VTS)中。SI等[26]用模糊邏輯方法為VTS設(shè)計(jì)一個(gè)船舶碰撞報(bào)警系統(tǒng)，可用于船間通信或作為一個(gè)碰撞報(bào)警平臺(tái)，但尚不能提供執(zhí)行避碰操作的時(shí)機(jī)和舵角。此后，有學(xué)者提出改進(jìn)的基于VTS的船舶避碰模糊決策方案，將碰撞報(bào)警系統(tǒng)的信息通過(guò)VTS安裝的模糊監(jiān)控系統(tǒng)(Fuzzy Monitoring System，F(xiàn)MS)傳遞給船舶，為其提供施舵建議，但該系統(tǒng)只能提供轉(zhuǎn)向建議且不適用于多船會(huì)遇局面。此外，BUKHARI等[27]基于模糊推理系統(tǒng)提出一種在VTS中利用傳統(tǒng)雷達(dá)設(shè)備提供的信息實(shí)時(shí)計(jì)算多船碰撞危險(xiǎn)的智能系統(tǒng)。

4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是由大量人工神經(jīng)元經(jīng)廣泛互連而形成的人工網(wǎng)絡(luò)，用以模擬人類(lèi)神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。一些學(xué)者[28-29]將其應(yīng)用于船舶領(lǐng)域及船舶碰撞危險(xiǎn)度評(píng)價(jià)方面的研究中。鄭中義[30]以一船獲得的另一船的ARPA原始數(shù)據(jù)作為BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的輸入，可快速確定碰撞危險(xiǎn)度。歐陽(yáng)慶等[31]對(duì)電子海圖系統(tǒng)中的避碰信息進(jìn)行處理，建立開(kāi)闊水域船舶自動(dòng)避碰神經(jīng)網(wǎng)絡(luò)決策模型，并充分考慮海圖數(shù)據(jù)(如水深)對(duì)避碰決策進(jìn)行二次修正，但單一的網(wǎng)絡(luò)模型不能應(yīng)對(duì)所有的船舶會(huì)遇局面，需構(gòu)建一個(gè)組合神經(jīng)網(wǎng)絡(luò)群。此外，單獨(dú)采用神經(jīng)網(wǎng)絡(luò)方法解決船舶自動(dòng)避碰決策問(wèn)題尚不可行，與其他軟計(jì)算方法相結(jié)合是發(fā)展方向。LIU等[32]將神經(jīng)網(wǎng)絡(luò)優(yōu)越的非線性信息處理能力和學(xué)習(xí)功能與模糊技術(shù)相結(jié)合，提出適用于船舶在互見(jiàn)中的模糊神經(jīng)網(wǎng)絡(luò)推理模型以提供避碰決策。AHN等[33]用模糊邏輯、專家系統(tǒng)、神經(jīng)模糊算法和神經(jīng)網(wǎng)絡(luò)研究一種自動(dòng)避碰系統(tǒng)，神經(jīng)模糊算法可平滑推理碰撞危險(xiǎn)度，利用多層感知神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)過(guò)程重新建立一種既考慮DCPA和TCPA等傳統(tǒng)因素，又能考慮船舶領(lǐng)域、限制水域、能見(jiàn)度受限和高速船等外部航行數(shù)據(jù)的碰撞危險(xiǎn)推理模型。

5 進(jìn)化計(jì)算

進(jìn)化計(jì)算(Evolutionary Computation, EC)是模擬生物進(jìn)化理論而形成的一種全局優(yōu)化自適應(yīng)概率搜索的算法理論，其核心是進(jìn)化算法(Evolutionary Algorithm，EA)，主要包括遺傳算法(Generic Algorithm，GA)、進(jìn)化規(guī)劃(Evolutionary Programming，EP)和進(jìn)化策略(Evolutionary Strategies，ESs)，可用于解決多類(lèi)復(fù)雜系統(tǒng)的優(yōu)化和機(jī)器學(xué)習(xí)等問(wèn)題。EA的2個(gè)主要特點(diǎn)是群體搜索策略和群體中個(gè)體間的信息交換，在智能避碰中有很多指派好的路徑可供選擇，經(jīng)過(guò)一系列的交叉、變異和選擇過(guò)程找到接近最優(yōu)的路徑。

ITO等[34]首次用GA為船舶避碰尋找最優(yōu)航路，并運(yùn)用實(shí)習(xí)船“Shioji Maru”的操縱模擬器進(jìn)行實(shí)時(shí)模擬測(cè)試，但未考慮《規(guī)則》。此后，ZENG等[35]提出基于GA的運(yùn)動(dòng)物體避讓模型，模型中移動(dòng)的障礙物或運(yùn)動(dòng)的船舶由ARPA識(shí)別，碰撞危險(xiǎn)度由一個(gè)基于Markov過(guò)程模型的隨機(jī)預(yù)測(cè)器得到。碰撞危險(xiǎn)度的大小和航線的有效性體現(xiàn)在GA的代價(jià)函數(shù)中，且航速隨航行環(huán)境的變化和代價(jià)函數(shù)的取值而改變。因此，可用該算法調(diào)整航速優(yōu)化避碰操作，在開(kāi)闊水域避開(kāi)靜止和運(yùn)動(dòng)的物體，但在擁擠水域需加上適當(dāng)?shù)募s束條件。此外，前期研究中的GA編碼方式僅將船位(經(jīng)緯度)作為染色體的基因，不便檢查試驗(yàn)數(shù)據(jù)，ZENG等[36-37]逐步提出一種由船位、速度、潮汐、風(fēng)速和海浪等擾動(dòng)因素構(gòu)造的單一基因的GA編碼方式。一個(gè)染色體代表一條規(guī)劃好的路徑，該路徑由基本的線段序列和轉(zhuǎn)向基因組成(見(jiàn)圖1)。起點(diǎn)基因代表當(dāng)前位置，結(jié)束基因代表目標(biāo)位置。若本船周?chē)衅渌盎蛘系K物，則本船的安全路徑即是連接起點(diǎn)和結(jié)束點(diǎn)2個(gè)基因的直線；若本船周?chē)鸁o(wú)障礙物，則會(huì)在起點(diǎn)和結(jié)束點(diǎn)之間隨機(jī)分布其他基因，構(gòu)成多條不同長(zhǎng)度的染色體，也即可能的路徑。每一路徑是否可行需用GA中的適應(yīng)度函數(shù)來(lái)評(píng)估，最合適路徑對(duì)應(yīng)的適應(yīng)度函數(shù)的值最小。該方法能更有效地搜索到較優(yōu)的安全航行路徑，并將《規(guī)則》加入到適應(yīng)度函數(shù)中。

圖1 染色體結(jié)構(gòu)

SMIERZCHALSKI等[38]對(duì)基于進(jìn)化計(jì)算的路徑規(guī)劃算法(Evolutionary Planner/Navigator，EP/N)進(jìn)行改進(jìn)，提出EP/N++算法，形成船舶自動(dòng)避碰決策支持系統(tǒng)的重要組成部分，能在給定的靜/動(dòng)態(tài)環(huán)境下計(jì)算出一條安全的避碰最優(yōu)路徑。該算法設(shè)計(jì)專門(mén)的遺傳算子對(duì)航線進(jìn)行修正，同時(shí)采用另外一個(gè)遺傳算子對(duì)航速度進(jìn)行變異操作，每個(gè)航向段的改變都可伴隨速度的變化，同時(shí)具有較短的計(jì)算時(shí)間。該系統(tǒng)的主要特征是引入時(shí)間參數(shù)、可變的航速及動(dòng)態(tài)的他船時(shí)變的約束條件。

王則勝[39]基于GA建立船舶避碰決策模型，綜合考慮避讓航線的安全性、經(jīng)濟(jì)性及《規(guī)則》的要求，得出較優(yōu)的避碰方案；同時(shí)，利用Visual C++進(jìn)行實(shí)例仿真。應(yīng)士君等[40]在GA的基礎(chǔ)上使用Bayes模型，將平均信息量加入到GA的適應(yīng)度函數(shù)中優(yōu)化傳統(tǒng)的GA，得到更符合《規(guī)則》和海上避碰慣例的次優(yōu)解。

TSOU等[41]用GA結(jié)合《規(guī)則》及船舶的安全領(lǐng)域提出理論上最安全的最短避碰路徑建議，并提供最優(yōu)避碰轉(zhuǎn)向角度、復(fù)航時(shí)間和復(fù)航角度；同時(shí)為使用該系統(tǒng)的VTS操作員及駕駛員預(yù)警，并提供足夠的避碰準(zhǔn)備時(shí)間。TAM等[42]基于進(jìn)化計(jì)算，用已知和預(yù)報(bào)的航路及天氣數(shù)據(jù)對(duì)近距離會(huì)遇情況開(kāi)發(fā)路徑規(guī)劃算法，仿真結(jié)果表明該算法具有航路優(yōu)化、可避碰、遵循避碰規(guī)則和符合航海實(shí)際等優(yōu)點(diǎn)。

6 人工免疫算法

免疫算法(Immune Algorithm，IA)將生命科學(xué)中的免疫概念及其理論應(yīng)用到GA中，在保留原算法優(yōu)良特性的基礎(chǔ)上，有選擇、有目的地利用待求解問(wèn)題中的一些特征信息或知識(shí)來(lái)抑制其優(yōu)化過(guò)程中出現(xiàn)的退化現(xiàn)象。許慶陽(yáng)[43]采用混沌危險(xiǎn)模式人工免疫算法搜索最優(yōu)的船舶避碰策略，該算法以“抗體”編碼空間代替問(wèn)題的參數(shù)空間，以親和度函數(shù)為評(píng)價(jià)依據(jù)，通過(guò)對(duì)“抗體”種群中個(gè)體位串的操作進(jìn)行種群更新，建立一個(gè)迭代過(guò)程，最終搜索到避碰策略的最優(yōu)解。白一鳴等[44]將危險(xiǎn)模式免疫算法應(yīng)用到船舶避碰策略優(yōu)化中，結(jié)合船舶碰撞危險(xiǎn)度及船舶運(yùn)動(dòng)數(shù)學(xué)模型等領(lǐng)域的知識(shí)，較快、較準(zhǔn)確地進(jìn)行船舶避碰策略優(yōu)化。

7 群智能算法

群智能算法(Swarm Intelligence Algorithm, SIA) 也是一類(lèi)來(lái)源于仿生學(xué)的優(yōu)化算法，模仿的是社會(huì)性生物的群體性。代表性的SIA有蟻群算法(Ant Colony Optimization，ACO)、粒子群算法(Particle Swarm Optimization，PSO)、人工魚(yú)群算法(Artificial Fish Swarm Algorithm, AFSA)、細(xì)菌覓食算法(Bacteria Foraging Optimization，BFO)、人工蜂群算法(Artificial Bee Colony，ABC)及與EA相結(jié)合的差分演化算法(Differential Evolution，DE)。ACO和ABC主要用于求解組合優(yōu)化問(wèn)題，而其他算法則較適合進(jìn)行連續(xù)優(yōu)化。一些學(xué)者將其應(yīng)用到海上船舶智能避碰領(lǐng)域中。TSOU等[45]應(yīng)用ACO建立避碰模型，該模型包含航海實(shí)踐、海事法規(guī)和《規(guī)則》的知識(shí)系統(tǒng)及來(lái)自于AIS等的實(shí)時(shí)信息，可規(guī)劃出一條安全、經(jīng)濟(jì)的近距離避碰路徑，平均執(zhí)行速度比傳統(tǒng)的GA稍快；此外，在設(shè)置船舶安全區(qū)時(shí)選取的是圓形的警戒圈而非船舶領(lǐng)域，因此在模型精度及蟻群算法的并行處理方面仍需進(jìn)一步完善。LAZAROWSKA[46-47]采用ACO并結(jié)合船舶運(yùn)動(dòng)數(shù)學(xué)模型和領(lǐng)域模型，將會(huì)遇局面中所有目標(biāo)船(包括靜態(tài)障礙物)視為整體計(jì)算避碰最優(yōu)方案，目標(biāo)船領(lǐng)域模型可選，但假設(shè)目標(biāo)船保向保速。王得燕[48]采用PSO求解多船會(huì)遇情況下本船的最優(yōu)轉(zhuǎn)向角度值，并推薦采用一種具有量子行為的PSO建立船舶避碰目標(biāo)函數(shù)，以提高算法的收斂性能，解決陷入局部最優(yōu)問(wèn)題。馬文耀等[49]利用BFO規(guī)劃船舶避碰航路，主要包括轉(zhuǎn)向時(shí)機(jī)、避讓航向改變量、復(fù)航時(shí)機(jī)及復(fù)航航向改變量等目標(biāo)，模擬本船與右前(后)方目標(biāo)船交叉會(huì)遇和對(duì)遇等3種態(tài)勢(shì)，在電子海圖上動(dòng)態(tài)演示試驗(yàn)過(guò)程。綜合分析自動(dòng)避碰決策中采用的SIA主要融合了船舶運(yùn)動(dòng)數(shù)學(xué)模型、避碰規(guī)則解析、船舶領(lǐng)域模型及路徑規(guī)劃與優(yōu)化問(wèn)題。算法具有簡(jiǎn)便易行、收斂速度快和經(jīng)驗(yàn)參數(shù)較少等優(yōu)點(diǎn)，具有良好的應(yīng)用前景，但尚存在易陷入局部極值點(diǎn)、搜索精度不高和進(jìn)化后期收斂速度慢等缺點(diǎn)，因此仍需改進(jìn)。

8 多智能體系統(tǒng)

多智能體系統(tǒng)(Multi-Agent Systems，MAS)是分布式人工智能(Distributed Artificial Intelligence, DAI)的一個(gè)重要分支，通過(guò)智能體的合作來(lái)完成任務(wù)求解。實(shí)現(xiàn)MAS的關(guān)鍵是多個(gè)智能體間的通信和協(xié)調(diào)。

郝清賦等[50]提出并實(shí)現(xiàn)一種基于Multi-Agent的協(xié)商避碰決策支持系統(tǒng)，其基于系統(tǒng)論的思想，將協(xié)商決策引入到船舶避碰中，以減少避碰決策中的不確定性，并提供網(wǎng)絡(luò)環(huán)境下的智能避碰決策支持。楊神化[51]構(gòu)建一個(gè)基于Multi-Agent理論模型的多船舶Agent避碰決策支持系統(tǒng)，在避讓動(dòng)態(tài)船舶、避淺避礁和綜合避碰等3個(gè)方面分別對(duì)船舶Agent的避碰決策算法進(jìn)行研究；在會(huì)遇單船時(shí)，以兩船的相對(duì)距離值表征船舶Agent實(shí)施避碰措施的時(shí)機(jī)，并在對(duì)遇決策中采用協(xié)商算法；此外，對(duì)會(huì)遇多目標(biāo)船及同時(shí)存在一艘動(dòng)態(tài)目標(biāo)船和水上水下障礙物的情況進(jìn)行研究，提出由初始方案層、尋優(yōu)層和協(xié)商層共同組成的分層避碰決策生成與優(yōu)化算法。

9 灰色系統(tǒng)理論

灰色系統(tǒng)理論是一種處理動(dòng)態(tài)系統(tǒng)的數(shù)學(xué)方法，用來(lái)描述部分信息已知、部分信息未知并介于黑白系統(tǒng)之間的系統(tǒng)，可對(duì)系統(tǒng)進(jìn)行分析、建模、預(yù)測(cè)、決策和控制等。GM(1,1)模型是灰色理論中較常用的預(yù)測(cè)方法。高穎[52]初步探討基于GM(1,1) 預(yù)測(cè)模型的灰色預(yù)測(cè)理論和方法在船舶避碰決策方面的應(yīng)用，為船舶避碰決策提供一種新的方法。這里采取“先緩沖后預(yù)測(cè)”的思想，通過(guò)引入緩沖算子改進(jìn)GM(1,1)模型提高船舶避碰決策系統(tǒng)對(duì)目標(biāo)船運(yùn)動(dòng)態(tài)勢(shì)和避碰時(shí)機(jī)預(yù)測(cè)的精確程度。此外，其對(duì)樣本量無(wú)特殊要求，分析時(shí)無(wú)需典型的分布規(guī)律，因而在避碰系統(tǒng)中大量傳感器數(shù)據(jù)誤差處理方面具有較高的應(yīng)用價(jià)值。

10 總結(jié)與展望

在人工智能和軟計(jì)算中，專家系統(tǒng)應(yīng)用于實(shí)船安裝測(cè)試較早，其關(guān)鍵在于完備“避碰知識(shí)庫(kù)”；模糊邏輯可準(zhǔn)確反映專家對(duì)困難、復(fù)雜問(wèn)題的求解，提供突破傳統(tǒng)專家系統(tǒng)設(shè)計(jì)瓶頸的途徑；BP單獨(dú)應(yīng)用于船舶智能避碰決策中的實(shí)用性不強(qiáng)，但可充分利用其自學(xué)習(xí)能力完善“知識(shí)庫(kù)”；EC中，GA應(yīng)用于避碰決策中的研究較多，關(guān)鍵在于選取合適的“適應(yīng)度函數(shù)”，同時(shí)EC的避碰策略主要是施加一定限制條件的路徑優(yōu)化，且可考慮《規(guī)則》；IA及其改進(jìn)方法可較快、較準(zhǔn)確地優(yōu)化避碰決策；SIA和MAS具有內(nèi)在結(jié)構(gòu)的相似性，前者參數(shù)選擇非常重要，后者多個(gè)智能體間的通信和協(xié)調(diào)是關(guān)鍵，更加適用于協(xié)商式智能避碰；而灰色系統(tǒng)理論則在處理傳感器不精確信息方面具有較高的實(shí)用價(jià)值。

上述方法各有利弊，單獨(dú)采用某種方法只能解決自動(dòng)避碰決策某方面的問(wèn)題，因此目前的研究尚存在的問(wèn)題有：未充分考慮能見(jiàn)度、受限水域及交通密度影響等環(huán)境因素，可避碰但不符合《規(guī)則》要求； 過(guò)度簡(jiǎn)化本船和目標(biāo)船的運(yùn)動(dòng)模式(假定來(lái)船為直航船保向保速，船舶尺度、類(lèi)型及領(lǐng)域模型未充分考慮)； 難以處理復(fù)雜的多船全局會(huì)遇局面(多集中于避碰單船和重點(diǎn)船，當(dāng)無(wú)法預(yù)測(cè)他船運(yùn)動(dòng)時(shí)，采取自動(dòng)避碰行動(dòng)的全局有效性難以保證)； 船舶以外的動(dòng)、靜態(tài)障礙物未充分考慮； 避碰行動(dòng)單一(多為轉(zhuǎn)向)，未與航線優(yōu)化有機(jī)結(jié)合，算法的性能和全局/局部收斂能力較弱； 多采用MATLAB進(jìn)行仿真，未在船舶操縱模擬器測(cè)試平臺(tái)或?qū)嵈向?yàn)證。基于以上缺陷，建立一套以人類(lèi)認(rèn)知和決策理論為基礎(chǔ)，以現(xiàn)有的導(dǎo)助航儀器提供的平臺(tái)為依托，融合多種算法優(yōu)點(diǎn)的混合智能決策支持系統(tǒng)將是自動(dòng)避碰系統(tǒng)的發(fā)展方向。自動(dòng)避碰系統(tǒng)獲得真正應(yīng)用的前提是機(jī)器智能的不確定性低于駕駛員造成的人為不確定性。

[1] STATHEROS T, HOWELLS G, MCDONALD-MAIER K. Autonomous Ship Collision Avoidance Navigation Concepts, Technologies and Techniques[J]. The Journal of Navigation, 2008, 61(1):129-142.

[2] 孫立成. 船舶避碰決策數(shù)學(xué)模型的研究[D].大連: 大連海事大學(xué), 2000.

[3] 彭麗麗. 基于AIS的內(nèi)河船舶智能避碰專家系統(tǒng)及實(shí)現(xiàn)[D].武漢: 武漢理工大學(xué), 2010.

[4] 張選逵. 基于AIS的船舶避碰專家系統(tǒng)研究[D].上海: 上海海事大學(xué), 2006.

[5] 程細(xì)得, 劉祖源. 船舶智能避碰專家系統(tǒng)研究[J]. 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2003，27(1):94-96.

[6] LEE H J, RHEE K P. Development of Collision Avoidance System by Using Expert System and Search Algorithm[J]. Ship Science & Technology, 2001, 48(3):197-210.

[7] TRAN T, HARRIS C, WILSON P. Vessel Management Expert System[C]//Daklard:Intelligent Transportation Systems, 2001：1102-1107.

[8] 朱沁. 多船會(huì)遇的船舶智能避碰專家系統(tǒng)研究與仿真[D].武漢: 武漢理工大學(xué), 2004.

[9] 李麗娜, 熊振南, 任勤生. 多船避碰智能決策的生成與優(yōu)化方法[J]. 信息與控制, 2003,32(2):189-192.

[10] 施平安, 陳文偉, 王敬全, 等. 基于神經(jīng)網(wǎng)絡(luò)的復(fù)合避碰專家系統(tǒng)研究[J]. 航海技術(shù), 2001(6):2-5.

[11] 郭艷紅, 鄧貴仕. 基于事例的推理(CBR)研究綜述[J]. 計(jì)算機(jī)工程與應(yīng)用, 2004，40(21):1-5.

[12] 沈麗珺. 基于CBR方法的船舶避碰決策支持模型的研究[D].上海: 上海海事大學(xué), 2007.

[13] LIU Y, YANG C, YANG Y, et al. Case Learning for CBR-Based Collision Avoidance Systems[J]. Applied Intelligence, 2012, 35(2):308-319.

[14] 周世波, 熊振南. 基于案例推理的船舶避碰案例庫(kù)設(shè)計(jì)與實(shí)現(xiàn)[J]. 中國(guó)航海, 2012, 35(3):71-75.

[15] 黃穎,李麗娜,李國(guó)定. 緊迫危險(xiǎn)不可避免碰撞操船決策自動(dòng)生成方法[J]. 中國(guó)航海, 2013,36(3):55-60.

[16] 劉健. 基于案例推理的知識(shí)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].南京: 南京航空航天大學(xué), 2004.

[17] ZHAO Jingsong, WU Zhaolin, WANG Fengchen. Comments on Ship Domains[J]. The Journal of Navigation, 1993, 46(3):422-436.

[18] PIETRZYKOWSKI Z. Ship Fuzzy Domain in Assessment of Navigational Safety in Restricted Areas, III[C]. Gdynia: Navigational Symposium, 1999，1:253-264.

[19] PIETRZYKOWSKI Z, URIASZ J. The Ship Domain-A Criterion of Navigational Safety Assessment in an Open Sea Area[J]. The Journal of Navigation, 2009, 62(1):93-108.

[20] WANG N. A Novel Analytical Framework for Dynamic Quaternion Ship Domains[J]. The Journal of Navigation, 2013, 66(2):265-281.

[21] PERERA L P, CARVALHO J P, GUEDES SOARES C. Decision Making System for the Collision Avoidance of Marine Vessel Navigation Based on COLREGs Rules and Regulations[C]//Proceedings of 13th Congress of International Maritime Association of Mediterranean, 2009:1121-1128.

[22] PERERA L P. Autonomous Guidance and Navigation Based on the COLREGs Rules and Regulations of Collision Avoidance[J]. 2010(1999):205-216.

[23] PERERA L P, CARVALHO J P, GUEDES SOARES C. Fuzzy Logic Based Decision Making System for Collision Avoidance of Ocean Navigation Under Critical Collision Conditions[J]. Journal of Marine Science and Technology, 2011, 16(1):84-99.

[24] PERERA L, CARVALHO J, GUEDES SOARES C. Intelligent Ocean Navigation and Fuzzy-Bayesian Decision Action Formulation[J]. IEEE Journal of Oceanic Engineering, 2012, 37(2): 204-219.

[25] BRCKO T, SVETAK J. Fuzzy Reasoning as a Base for Collision Avoidance Decision Support System[J]. Promet-Traffic & Transportation, 2013, 25(6):555-564.

[26] SI K, KJ L, CHANG K, et al. A Fuzzy Logic Method for Collision Avoidance in Vessel Traffic Service[J]. Journal of Navigation, 2007, 60(1):17-31.

[27] BUKHARI A C, TUSSEYEVA I, LEE B G, et al. An Intelligent Real-Time Multi-Vessel Collision Risk Assessment System from VTS View Point Based on Fuzzy Inference System[J]. Expert Systems with Applications, 2013, 40(4):1220-1230.

[28] LISOWSKI J, RAK A, CZECHOWICZ W. Neural Net-Work Classifier for Ship Domain Assessment[J]. Mathematics and Computers in Simulation, 2000, 51(3-4):399-406.

[29] ZHU X, XU H, LIN J. Domain and Its Model Based on Neural Networks[J]. Journal of Navigation, 2001, 54(1):97-103.

[30] 鄭中義. 船舶自動(dòng)避碰決策系統(tǒng)的研究[D].大連: 大連海事大學(xué), 2000.

[31] 歐陽(yáng)慶, 趙德鵬. 電子海圖系統(tǒng)中船舶避碰的神經(jīng)網(wǎng)絡(luò)方法的研究[J]. 大連海事大學(xué)學(xué)報(bào), 1997, 23(3):1-6.

[32] LIU Yuhong, DU Xuanmin, YANG Shenhua. The Design of a Fuzzy-Neural Network for Ship Collision Avoidance[C]//Advances in Machine Learning and Cybernetics. Guangzhou: Springer Berlin Heidelberg, 2006.

[33] AHN J H, RHEE K P, YOU Y J. A Study on the Collision Avoidance of a Ship Using Neural Networks and Fuzzy Logic[J]. Applied Ocean Research, 2012, 37(0):162 - 173.

[34] ITO M, ZHNNG F, YOSHIDA N. Collision Avoidance Control of Ship with Genetic Algorithm[C]//IEEE International Conference on Control Applications, 1999,12:1791-1796.

[35] ZENG M X, ITO M, SHIMIZU E. Planning and Keeping the Safe Course to Avoid Collision at Sea with Genetic Algorithms[C]//IECON. 26th Annual Conference of the IEEE, 2000，4:2388-2393.

[36] ZENG X M, ITO M. Planning a Collision Avoidance Model for Ship Using Genetic Algorithm[C]//Systems, Man, and Cybernetics. 2001 IEEE International Conference, 2001，4:2355-2360.

[37] ZENG X. Evolution of the Safe Path for Ship Navigation[J]. Applied Artificial Intelligence, 2003, 17(2):87-104.

[38] SMIERZCHALSKI R, MICHALEWICZ Z. Modeling of Ship Trajectory in Collision Situations by an Evolutionary Algorithm[J]. IEEE Transactions on Evolutionary Computation, 2000, 4(3):227-241.

[39] 王則勝. 基于遺傳算法的船舶避碰決策研究[D].上海: 上海海事大學(xué), 2005.

[40] 應(yīng)士君，施朝健，楊神化. 基于bayes模型的遺傳算法在避碰航路設(shè)計(jì)中的應(yīng)用[C]//全國(guó)博士生學(xué)術(shù)論壇—交通運(yùn)輸工程學(xué)科論文集, 2005.

[41] TSOU M C, KAO S L, SU C M. Decision Support from Genetic Algorithms for Ship Collision Avoidance Route Planning and Alerts[J]. The Journal of Navigation, 2010, 63(1):167-182.

[42] TAM C, BUCKNALL R. Path-Planning Algorithm for Ships in Close-Range Encounters[J]. Journal of Marine Science and Technology, 2010, 15(4):395-407.

[43] 許慶陽(yáng). 危險(xiǎn)模式人工免疫算法及其應(yīng)用研究[D].大連: 大連海事大學(xué), 2010.

[44] 白一鳴 , 韓新潔,孟憲堯. 危險(xiǎn)模式免疫控制算法優(yōu)化船舶避碰策略[J]. 中國(guó)航海, 2012, 35(2):29-32.

[45] TSOU M C, HSUEH C K. The Study of Ship Collision Avoidance Route Planning by Ant Colony Algorithm[J]. Journal of Marine Science and Technology, 2010, 18(5):746-756.

[46] LAZAROWSKA A. Ant Colony Optimization Based Navi-gational Decision Support System[J]. Procedia Computer Science, 2014, 35: 1013-1022.

[47] LAZAROWSKA A. Ship's Trajectory Planning for Collision Avoidance at Sea Based on Ant Colony Optimisation[J]. The Journal of Navigation, 2015, 68: 291-307.

[48] 王得燕. 粒子群算法在多船轉(zhuǎn)向避碰中的研究[D].無(wú)錫: 江南大學(xué), 2009.

[49] 馬文耀，楊家軒. 基于細(xì)菌覓食算法的避碰航路優(yōu)化研究[J]. 大連海事大學(xué)學(xué)報(bào), 2013, 39(2):21-23.

[50] 郝清賦, 陳英武, 汪浩, 等. 一種新型船舶避碰決策支持系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程與應(yīng)用, 2003，39(15):222-225.

[51] 楊神化. 基于Multi-agent的船舶避碰決策支持系統(tǒng)[D].上海: 上海海事大學(xué), 2008.

[52] 高穎. 基于GM(1,1)模型的船舶避碰決策的應(yīng)用研究[J]. 中外企業(yè)家, 2011(12):124-126.

ArtificialIntelligenceandSoftComputationMethodsinAutomaticCollisionAvoidanceAlgorithmsforShips

LYUHongguang,YINYong,YINJianchuan,XUWen

(Navigation College, Dalian Maritime University, Dalian 116026, China)

U675.96

A

2016-01-11

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(“八六三”計(jì)劃)課題(2015AA016404);中央高?；究蒲袠I(yè)務(wù)費(fèi)(3132016310)；海洋公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目(201505017-4);遼寧省自然科學(xué)基金(201602081)

呂紅光(1981—)，男，山西五臺(tái)人，講師，博士生，研究方向?yàn)楹Ｉ现悄芙煌ㄏ到y(tǒng)。E-Mail:lh1350@163.com 尹 勇(1969—)，男，湖北鄖縣人，教授，博士生導(dǎo)師，研究方向?yàn)樘摂M現(xiàn)實(shí)技術(shù)、航海仿真技術(shù)。E-mail:bushyin_dmu@263.net

1000-4653(2016)03-0035-06