第1章 绪论
海上船舶碰撞事故在海上交通事故中占有很大比例，是船舶海上安全航行的*害。随着海上贸易的发展和人们对海洋资源需求的日益增加，每年都有大量的船舶碰撞事故发生，给世界带来了巨大的生命和财产损失，也严重破坏了原有海洋生态环境。如何避免航行中的船舶发生碰撞是确保船舶安全航行的重要环节，也一直是国际航海界非常重视的问题。其中，减少人为操纵失误是降低船舶碰撞事故率和提高船舶航行安全的关键。目前，世界各国都在寻求有效的船舶智能避碰辅助决策系统，以减少海上碰撞事故的发生[1]。
1.1 船舶智能避碰技术研究的背景和意义
船舶避碰领域还有很多问题有待解决，船舶碰撞事故仍然时有发生。如何有效地避免船舶碰撞，以及如何实现避碰系统的自动化和智能化，减轻船舶驾驶员的劳动强度和心理负担等问题，迄今为止，还没有令航海人员普遍满意的有效解决方案，也是目前国内外航海界研究的热门课题。因此，对船舶智能避碰系统的研究有重要的意义，具体总结为以下几个方面。
（1）船舶智能避碰是船舶智能化的一个基础性研究方向，其能促进综合船桥系统的发展。作为船舶智能化重要组成部分的船舶智能避碰系统是综合船桥系统的核心组成部分，船舶智能避碰研究的发展水平基本能够说明现代综合船桥的发展水平，船舶智能避碰研究的发展过程中可以通过对已形成的船舶智能系统进行全面分析，从中找出可以共同使用的模块，应用到船舶智能避碰中，提高综合船桥领域资源利用率的同时，促进船舶智能避碰系统更快地发展。
（2）船舶智能避碰在提高航行安全性的同时减轻了船舶驾驶员劳动强度。“人-环境-船”系统中，环境是一个复杂的、不确定的系统。由于劳动强度大等，船员经常受心理和外界因素干扰，这也是造成事故发生的主要原因。船舶智能避碰系统航行过程中应用现代化的仪器和设备自动获取客观的信息，从而得到基于这些信息的智能避碰决策，辅助船舶驾驶员完成避碰决策，这不仅减轻了船舶驾驶员劳动强度，更重要的是提高了船舶航行的安全性。
（3）船舶智能避碰能够提高船舶交通管理（vessel traffic service，VTS）系统的响应速度。许多港口都安装有VTS系统，VTS系统利用收集的交通信息为依据对船舶交通实施控制，对其辖区内的船舶提供信息服务、助航服务和交通组织服务。但是，现在大部分的VTS系统，由于缺少船舶智能避碰决策功能，很难在较短的时间内给出船舶避碰决策的指导性建议，因此VTS系统急需船舶智能避碰系统，以提高VTS系统的快速反应能力与指导服务的有效性。
1.2 船舶碰撞危险度模型的研究现状
完善的船舶智能避碰系统的建立有利于智能船桥系统的发展。整个船舶智能避碰系统的建立涉及目标船信息收集、会遇态势的分析、碰撞危险度的判定、避碰时机的选择、避碰方案的确定、避碰行动的采取。船舶驾驶员对避碰行动进行评估，确定该方案的有效性和可行性，并建立我船智能避碰的数据库，将该避碰案例存入数据库中，便于以后为船舶驾驶员实施避碰提供参考案例。
本章在描述了一个完整的船舶智能避碰系统的基础上，研究了船舶智能避碰系统中的重要组成部分，即船舶碰撞危险度（collision risk index，CRI）模块。CRI对于船舶安全航行是一个非常重要的参数，其用来衡量船舶之间可能会发生碰撞的概率，是避碰时机选择的重要依据。当多船避让时，船舶驾驶员可以据此决定采取避碰行动的顺序和时机，因而找到一种适合的方法来计算碰撞危险度是船舶智能避碰系统中的重要环节。
当前，在计算船舶碰撞危险度的方法上，许多学者都提出了自己的想法，因此计算船舶碰撞危险度的方法也多种多样，基于对船舶碰撞危险度的理解、描述、衡量 [2-3]，主要的方法有以下几种：模糊数学计算方法、反向传播（back propagation，BP）神经网络法、遗传算法、灰色关联分析法等，以及较新的危险模式免疫控制算法、细菌觅食算法等。研究表明，BP神经网络法[4]的计算误差较小，自学能力很强，但是没有考虑目标船方位对船舶操作的影响，其碰撞危险度并不能直接反映避让的难易程度，以此作为采取避碰行动的依据不够充分，特别是用于内河这种复杂航行环境下，难以保证得出的危险度与实际危险情况相符，且由于需要对大量样本进行学习，其运算速度慢，失败的可能性较大。灰色关联分析法尽管计算简单、结果明确，但不能计算出船舶碰撞危险度的绝对数值，且其只能计算出有多个目标船时，各个目标船相对于我船的碰撞危险度。而模糊数学计算方法虽然在计算量上较大，但其在计算精度上拥有无与伦比的优势，且其能够直接计算出两船碰撞危险度大小。
近年来，对船舶碰撞危险度的研究中重点考虑*近会遇距离与*近会遇时间两个主要指标。除了上述两个指标外还需要考虑两船的距离、目标船方位、两船航速比等指标[5]，后来的学者也都趋向于利用这些指标建立综合评判模型[6-7]。运用模糊数学计算方法建立各个指标的隶属度函数，但在指标综合时用权重相乘却不是很合理，因为权重会削弱实际的碰撞危险情况。目前，学者又重新构建避碰决策方法评价标准，应用模糊层次分析法、灰色理论、多目标决策方法等对碰撞危险度进行评价。另外，还有学者基于船舶自动识别系统（automatic identification system，AIS）雷达融合信息建立了船舶避碰模型和危险度模型，这为船舶碰撞危险度的研究提供了新的思路和方法。
1.3 船舶智能避碰技术的研究现状
船舶避碰决策和航线规划的重要目标之一是为在航船舶寻找一条*优或次优的航行路线，该航线应当既能够成功避免与周围动态和静态目标的碰撞（安全性），又能够使船舶的航行距离尽可能小，转向和变速的次数尽可能少（经济性）。从船舶智能避碰系统观点出发，船舶智能避碰领域的研究大体可以划分为软件开发研究和硬件开发研究两大方面。从目前船舶避碰决策的研究来看，船舶避碰策略主要可以分为两个类型，即启发式算法和确定性算法。
启发式算法是一类来源于仿生学模仿社会性生物的群体性优化算法，代表性算法有蚁群算法、粒子群算法、人工鱼群算法、细菌觅食算法、人工蜂群算法、差分演化算法等。其中，蚁群算法和粒子群算法在船舶智能避碰领域有一定研究，它们在智能避碰决策算法方面具有良好的应用前景，但蚊群算法和粒子群算法同时还存在易陷入局部极值点、搜索精度不高、进化后期收敛速度慢等特点，因此仍需对算法进行深度混合，不断提高其计算性能，以便提高船舶智能避碰方案生成质量，缩短避碰方案的生成时间。确定性算法则主要包括多智能体方法、转向时机与幅度决策、模糊逻辑编码等。
1.3.1 基于启发式算法实现船舶智能避碰
对于启发式算法来说，当避碰中涉及的船舶数量过多，则会增加计算量，甚至会导致无法在较短时间内寻找到*优的避碰路径。但是，在实际避碰过程中，船舶驾驶员必须快速地做出决策，并执行避碰行动。因此，目前该类启发式算法存在的一个问题是算法搜寻效率差，不能保证在规定的时间内收敛到令人满意的结果。启发式算法存在的另外一个问题是一致性问题，即由于算法中存在很多随机变量，往往会导致在相同条件下的多次运算结果之间存在差别。因此需要对智能算法所得避碰结果的局部扰动情况进行统计分析，以验证智能算法在生成船舶避碰方案中的可靠性。
1. 遗传算法
2003年，Nikolos等[8]利用遗传算法研究多船避碰问题，通过建立三层融合模型，即原始数据融合、多智能体联合融合和分布式规划融合得到*终的避碰模型。2005 年，王则胜[9]基于遗传算法进行了船舶避碰行动的研究，该研究中根据目标船与我船构成的方位、距离、航速比、*近会遇距离和*近会遇时间等参数对碰撞危险度进行定量评价，并据此建立适应度函数模型，*后利用遗传算法寻找*优转向幅度。2006年，邹晓华等[10]针对船舶避碰决策系统中的船舶运动趋势和避碰时机，应用遗传算法实时预测各目标船相对我船在下一时刻的运动参数，预估目标船相对我船的*近会遇距离和*近会遇时间。2006年，程细得等[11]利用遗传算法对内河船舶避碰的*优路径选择问题进行了研究，将航道边界和障碍物作为约束条件，进而按照一定的优化准则设计适应度函数，利用算法的空间寻优能力逐步逼近*优航线。2010年，Tsou等[12-13]利用遗传算法为船舶寻找一条安全经济的航行路线，研究中既考虑了船舶安全性，又考虑了避碰的代价问题，并在地理信息系统（geographic information system，GIS）上进行显示和操作。2012年，Szlapczynski等[14]将遗传算法和博弈论相结合，并将其应用于解决多船避碰问题，根据会遇情况计算出近似*优的路径，其研究重点是解决避碰算法的复杂度问题。2013年，李瑶[15]基于遗传算法建立船舶避碰决策行动模型，其在船舶避碰分析的基础上，用遗传算法对船舶避碰问题进行编码，从而能够得到一条有效避碰路径。Smierzchalski等[16]和Szlapczynski[17]基于分布式遗传算法实现船舶海上避碰路径规划，将任务分解为几个*立的部分，从而体现分步策略的优越性。
2. 蚁群算法
2007年，何祖军等[18]提出了基于蚁群算法实现自治式潜水器避碰移动对象的方法，该方法以*短路径和跟踪保持为目标函数，使得路径搜索快速且高效。2010年，王莹等[19]为了弥补人工绘制航线的缺陷，采用改进蚁群算法规划舰船的航线，获得了舰船在障碍物环境下的*优航线。2010年，Tsou等[20]以电子航海（e-navigation）为主体框架，基于蚁群算法构建船舶避碰模型，建立一条“安全经济”的避碰路径。2012年，Escario 等[21]改进了蚁群算法的搜索方式，提高了算法的搜索性能，用于解决船舶避碰多参数优化的问题。2013年，Szlapczynski[22]将进化粒子群算法应用到船舶智能避碰策略当中，并涉及多船会遇工况，完成船舶智能避碰。2014年，Lazarowska[23]将蚁群算法应用于船舶避碰路径规划中，且该方法能用在开阔和限制性水域，能够增强船舶的自动控制性能，并将其应用于智能船舶框架中，推动了船舶自动化的实现。2015年，Lazarowska[24]提出了一种基于蚁群算法的动态环境路径规划方案，该方案可应用于船上的决策支持系统或智能障碍物探测和避免系统，该方案是无人水面载具导航、制导和控制系统的组成部分。
3. 粒子群算法
2009年，王得燕等[25]利用雷达进行一系列观测，获得避让要素，在建立碰撞危险度评价模型的基础上，将粒子群算法应用到多船避碰的复杂问题中，从而找出*优的解决方案，有助于多船避碰决策系统的智能化设计与开发。2011年，田雨波等[26]为了提高粒子群算法的收敛性能，将免疫算法的免疫信息处理机制引入粒子群算法中，形成免疫粒子群算法，并将其应用到船舶智能避碰当中，得到了合理有效的避碰方案。2013年，刘利强等[27]针对船舶全局路径规划中的多路径规划问题，提出一种基于小生境粒子群优化的多路径规划方法，该方法借鉴遗传算法求解多峰函数的思想，在基本粒子群优化算法的基础上，引入小生境生成、隔离进化和交叉算子等策略，并采用主群粒子进行区域划分，使用子群粒子完成区域内的局部寻优，从而实现船舶多路径规划。
4. 其他智能算法
2012年，白一鸣等[28]提出危险模式免疫算法适用于复杂问题的求解，并将该算法应用于优化船舶避碰策略。结合船舶碰撞危险度及船舶运动数学模型等相关领域知识，实现了船舶避碰策略的优化。2012年，Ahn等[29]基于神经网络和模糊集理论，应用模糊神经算法建立了船舶避碰系统。2013年，马文耀等[30]将新型的细菌觅食算法应用到船舶避碰中，提出一种基于细菌觅食算法的避碰航路优化算法，充分利用该算法并行搜索能力强、搜索速度快的优点，得到船舶避碰优化参数。2014年，Lee等[31]将模糊关系积应用到船舶避碰当中，并建立
展开
