分布式随机搜索算法的多船舶碰撞情况外文翻译资料

 2022-04-25 10:04

英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料

分布式随机搜索算法的多船舶碰撞情况。

Donggyun金,Katsutoshi Hirayama,和Tenda Okimoto

(日本神户大学海事科学研究生院)

电子邮件:kimdg421@gmail.com)

船舶避碰包括帮助船舶找到最能使它们避免碰撞的航线。当超过两艘船相遇时，程序会变得更加复杂，因为一艘船的航向轻微的改变可能会影响到其他船只的未来决定。针对这一问题，开发了分布式局部搜索算法(DLSA)和分布式Tabu搜索算法(DTSA)。它们的共同缺点是，需要相当数量的消息来协调船只的行动。这可能是致命的，尤其是在紧急情况下，应该迅速做出决定。在本文中，我们引入了分布式随机搜索算法(DSSA)，它允许每艘船舶在收到目标船舶的所有意图后，立即以随机的方式改变其意图。我们还提出了一种新的成本函数，它考虑了这些分布式算法的安全性和有效性。我们从经验上显示，DSSA需要更少的信息来为基准提供4到12艘船，并且在多佛海峡的自动识别系统(AIS)中正确地工作。

关键字：船舶避碰，分布式随机搜索算法，多个控制船只

提交:2016年5月19日。接受:2017年1月26日。第一期在线出版:2017年3月22日。

  1. 介绍。

尽管导航技术已经逐年发展，但船舶碰撞仍占海洋事故的很大比例(Sormunen et al.， 2016)。毫无疑问，一旦发生碰撞，它们就会对生活、经济和环境产生负面影响。

以往的船舶避碰方法主要集中在一对一或一对一的情况下，在这种情况下，一艘自己的船通过假设周围的船只都能像在以前的情况下一样航行，决定了她的航向。然而，由于每艘目标船也将尝试决定她的航线，任何由自己的船做出的决定都会不可避免地影响到其他船只的未来决定，反之亦然。为了处理多船之间这种复杂的关系，多对多的情况应该直接由模型船作为代理来处理，他们可以相互交流他们的下一个预定的课程，即意图，相互之间自主地找到最安全的课程。

对于多对多的情况，文献中除了我们的分布式算法(Kim et al.， 2014;(2015)，这是一种点对点通信协议。通过这些算法，船舶可以自行找到最安全的课程，而无需任何中央系统的指令，例如船舶交通服务中心。在分布式的本地搜索算法(Kim et al.， 2014)中，每艘船通过与目标舰船交换意图，在自己的本地视图中寻找更安全的路线。分布式禁忌搜索算法(DTSA) Kim et al.(2015)通过Tabu搜索技术增强了DLSA，从而避免了DLSA有时被捕获的准局部最小值(QLM)。在此背景下的QLM意味着即使存在碰撞风险，船舶也不能改变航向。这些算法的共同缺点是，为了协调它们的行为，需要发送相对大量的消息。因此，如果我们试图使用DLSA或DTSA来避免船舶碰撞，这一缺陷可能是致命的，特别是在紧急情况下，应该做出快速决策。

在本文中，我们介绍了分布式随机搜索算法(DSSA)，在接收到目标舰船的所有意图后，每一艘船都会随机改变其意图。随着DSSA的发展，我们也提出了一种新的成本函数，它既考虑了分布式算法的安全性又考虑了效率。为了检验DSSA的性能，我们对DLSA、DTSA和DSSA在两种不同的船舶数量上进行了对比，分别是4艘和12艘船。在航行距离上，所有的分布式算法都有相似的结果。但是，在船舶交换的消息数量方面，DSSA使用的消息要比DLSA和DTSA少得多。此外，它的随机性质排除了从QLM中逃逸的特定方法的需要。

本文的其余部分组织如下。第2节给出了船舶避碰的相关工作，第3节给出了分布式船舶避碰的概要，包括总体框架、基本术语和以前的算法。第4节给出了DSSA的动机和细节，突出了DSSA的主要区别。第5节给出并讨论了实验结果，表明了该算法在遇到4和12条船的基准时的有效性。此外，为了证明对现实场景的适用性，它给出了DSSA在多佛海峡自动识别系统(AIS)的真实数据中计算的八艘船的轨迹。第6节以简短的摘要结尾。

2、相关的工作。

为了防止船舶碰撞，1972年通过了国际海上避碰规则(COLREGS, 1972)。他们规定了所有海上船只的航行规则，以防止碰撞。然而，由于实际海洋环境的复杂性，很难用规则的形式来描述所有可能的情况。

从技术的角度来看，已经发展了一些方法来支持这方面的官员，包括使用船舶领域的官员(藤井和田中，1971;古德温,1975;Szlapczynski,2006;Wang et al.， 2009)，蚁群优化(Tsou andHsueh, 2010;2015年Lazarowska，遗传算法(Tsou et al.， 2010)，模糊理论(Lee et al.， 2004)。例如，在使用船舶领域的算法中，引入了安全域的概念，在该算法中，自己的船舶可以防止目标船舶穿透。蚁群优化和遗传算法通过模拟各种生物现象(分别为蚂蚁觅食和为基因生存而挣扎)来进行搜索，以确定一个安全的过程。

另一方面，Szlapczynski(2011)提出了一种进化算法避免碰撞的新方法。他试图在多船遭遇情况下找到最优的安全轨迹。在此方法中，适应度函数被计算为轨迹的适应度之和。每个轨迹的适应度考虑了损失、目标船舶和其他障碍。他修改了应用程序的算法，以限制可见性情况，并专注于遵循COLREGS规则19 (Szlapczynski, 2015)。一个新的违例处罚被增加了一个船舶领域的渗透，改变航线的差异，和目标船的距离。这些论文提出的方法有很好的效果。然而，他们关注的是一个中央系统的应用，如VTS中心。如果许多船舶在VTS控制之外相遇，将很难应用这些方法。此外，在实验中使用的船只数量还不到5艘。

兰姆和亨特(1995)使用泊松分布来计算多次相遇的概率。交通流被假定为均匀分布在车道上。不同情况下的概率是通过船舶类型、速度、域半径和交叉情况下的车道交通流来计算的。他们通过增加三种选择来修正他们的方法:船舶之间的关系，机动角度(这是可变的)和速度减少(兰姆和亨特，2000)。他们不仅考虑了第一艘船，也考虑了第二艘冒着危险避免相撞的船。尽管他们的方法与多次遭遇有关，但他们的重点是如何在多次遭遇中找到安全的航向，即一对多的情况。

Hu等人(2008)研究了一种名为CANFO(碰撞回避谈判框架)的谈判框架，利用了计划中的船只路线。尽管他们探索了一种控制过程的谈判协议，但它仍然处于初级阶段，因为它只处理一对一的情况。

Hornauer(2013)和Hornauer et al.(2015)提出了一种分散的轨道优化算法，以避免在部分合作的船舶之间发生碰撞。非合作船舶的运动是由使用AIS数据的贝叶斯模型计算的。利用历史概率模型预测被动船舶的估计位置的概率是精确计算的。当三艘船相遇时，计算轨迹是合理的。然而，在这些文件中没有提供任何新的合作船只的显式算法。

表1总结了前面研究的主要特征，我们认为计算是“分散化”的，当船舶本身试图解决问题时，但没有提供明确可行的通信协议。

3、分布式船舶避碰。

3.1、框架和术语。分布式船舶避碰是由控制和搜索两个过程组成的。其框架如图1所示。

通过控制程序，船舶决定是否进入下一个位置。如果一艘船在离她目前的位置有一定距离的区域内没有任何目标船，而且还没有到达目的地，她就会移动到下一个位置。

通过搜索程序，当船舶确认存在碰撞风险时，通过运行分布式算法来避免碰撞。如果每个ship找到一个解决方案，或者计算时间超过某个时间限制，它们会更新下一个位置并移动到它们。我们设置了一个时间限制，在计算时间内，船舶可以相互交换信息，以确定安全的课程。当时间流逝时，他们会更新下一个职位(通常情况下，这些课程可能不安全，但已经找到了最低的成本)并向他们移动。所有的船只在到达目的地之前都要交替进行搜索和控制程序。

图2说明了基本术语。位于该中心的自己的船有一个探测范围，可以探测到目标船只。自己的船可以在探测范围内与目标船交换信息，但不能与位于探测范围之外的船只交换信息。自己的船必须在自己和目标船之间保持一个安全域。安全域是一个半径取决于船只的圆。如果安全领域被渗透，我们认为它们会相互碰撞。例如，让我们假设一艘船以12海里的速度航行。由于船舶运动的限制，帆船不能突然改变航线。一旦她选择了一门课程，她必须在一定的时间内遵循它。我们在整篇论文中设定了3分钟。即,一艘船需要考虑改变她的课程每3分钟(每次0路6海里)。我们认为这3分钟是一个时间单位。

我们设置一个时间窗口为15分钟(5个时间步骤)。也就是说，一艘船根据目前的位置、标题、速度和目标船，对她未来的位置进行15分钟的计划。注意，这是每3分钟通过与目标船的通信完成的。当时间窗口变得更大时，船舶对未来事件有更长远的考虑，因为他将在未来的位置上制定一个更长的计划，以计算以后所描述的每个候选课程的成本。

值得注意的是，船舶避碰的分布式算法在任意数量的船舶上都有通信结构。假设三艘船相遇，如图3(a)所示。O和A可以直接交换消息，因为它们在彼此的探测范围内。然而，O和B不能因为它们在探测范围之外相互作用。图3(A)中的图表示这三艘船的通信结构，其节点是船舶和边缘，是直接消息交换的可能性。图3(b)也显示了九艘船的通信结构。

3.2、成本和改进。考虑到目标船舶的当前位置、标题和速度，船舶计算每个候选航线的成本。一个候选课程是从一个离散的角度选择交替的课程。考虑到典型的船舶操纵,范围从45◦在左舷(minus;45◦)在右舷45◦( 45◦)5◦的步骤。如果一个目的地的航向角存在于这些范围内，它也被包括作为一个候选课程。

我们提出了一个成本函数，它包含了针对目标船舶的碰撞风险和候选航线和目的地之间的相对夹角。

式(1)表示碰撞风险(CR)，其中crs和j分别表示候选航线和目标船舶，而self指的是自己的船。如果self在15分钟的时间窗口中与ship j发生碰撞，在选择一个课程crs时，CRself和j被计算为时间窗除以TCPA(时间到最近的方法)。否则,它就变成了零。

方程(2)计算了一个课程crs的成本，它由两个部分组成:第一，对目标船舶的CRself的总和对crs的风险，其次，crs与目标之间的相对夹角。Parameteralpha;是控制体重因素安全与效率之间的关系。如果alpha;变低,一艘比安全更重视效率。我们将alpha;的值设置为一个在纸上。

在图1中执行搜索过程时，一艘船试探性地选择一门课程作为她的意图，将计算的费用按公式(2)计算。然而，她可以通过改变她的意图来降低成本。方程(3)计算最大的成本降低为改进自我。一艘船总是试图选择能降低成本的航线。请注意，在降低成本的同时，也要遵循COLREGS的规定，这意味着当有多个课程提供相同的最大成本削减时，船舶将选择右舷。

一艘船总是意识到为她绝对角度theta;heading和theta;dest标题和目的地,分别。如公式(4)所示,课程目标是计算theta;destminus;theta;heading添加为一组候选课程只有在课程范围内可变角度。

我们演示了如何使用图4来计算成本和改进自我。在12分钟后(4次)之后，自己的飞船将与目标相撞。成本为000◦(当前意图)是计算成本(000◦)= 15/12 0◦◦/ 180 = 1 * 25,而成本045◦成本(045◦)= 0 45◦◦/ 180 = 0·25日005◦和成本是成本(005◦)= 0 180◦◦/asymp;0·028。本船的improvementself因此计算improvementself = maxcrs {成本(000◦)minus;成本(crs)}asymp;1·222,自005年成本◦显然是最小候选课程之一。Target2被排除在计算成本之外，因为Target2与任何碰撞都没有关系。同样地，Target1也会独立地计算她的成本和提升自我。

3.3、分布式局部搜索算法。DLSA是一种简单的分布式算法，通过让它们彼此交换当前的意图和改进(Kim et al.， 2014)，将船舶的总成本最小化。这是一种不完整的优化算法，不能保证找到最优解。也就是说，它可能会以次优解结束，即使它花费大量的时间去寻找一个最优解。然而，通常情况下，这种次优解很快就会被发现。DLSA的基本思想来自于分布式突破算法(DBA)的核心过程(DBA) (Yokoo和Hirayama, 1996;Hirayama Yokoo,2005)。

图5展示了DLSA的船舶避碰。假设三艘船相遇。每艘船先交换他们的意图，好吗?用目标船的信息计算每个候选课程的成本，如图5(a)和5(b)所示。在这个示例中，交换的消息数量为6。然后，基于每个候选课程的COSTself，她通过改进消息(如图5(c)所示)来计算改进后的self。交换的消息数量也是6。最后，如图5(d)所示，拥有最大的改进自我的船舶，船舶3，改变了她的意图，而其他船舶则保持其当前的意图。我们应该注意到，为了达到这个状态，DLSA使用了12条消息和两个消息交换周期。

为了防止一个无休止的循环，只有一艘船可以在她自己和目标船之间改变她的意图。这个过程会重复，直到总成本变为零或者计算时间超过了时间限制。当所有的船只都设定了最理想的航向后，他们就开始下一个任务。在新的位置，每艘船开始在探测范围内识别新的目标舰船，以避免再次发生DLSA的碰撞。

图6显示了DLSA的过程。在最初的步骤中，所有的船舶选择当前的课程作为他们的意图。在交换了他们现在的意图之后?信息，他们计算成本自我和改进自我。如果存在一个具有非零成本的船舶，那么在交换了改进的自我后，具有较大提升自我的船舶就会改变她的意图。这个过程会重复，直到所有的船只都满足于他们当前的意图。如果在选择一个最大的改进自我的船舶上有一条领带，那么它就被打破了，有利于一个更小的身份号的船舶。

3.4、分布式的禁忌搜索算法。我们观察到，DLSA有时被困在准局部最小值(QLM)中，即使存在碰撞风险，也无法改变航向。为了解决这个问题，我们应用了tabu搜索技术(Glover, 1989)， QLM的ship将她当前的课程设置在tabu列

全文共9579字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[13299]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章