⚡ electrical engineering

Multi-Objective Ship Route Planning in Complex Ocean Environments Using an Environment-Aware Adaptive Ant Colony Optimization Algorithm

본 연구는 복잡한 해양 환경에서 선박 항해를 위한 경로 길이와 에너지 소비를 모두 최소화하기 위해 결합된 풍랑해류 조건과 동적 파라미터 조정을 통합하여 기존 방식보다 우수한 성능을 보이는 환경 인지 적응형 다목적 개미 군집 최적화(EA-MOACO) 알고리즘을 제안한다.

원저자: Qiang Yuan, Yujie Jiang, Junsong Lei, Yu Yang, Baokui Wang, Jun Ye, Fei Dong

게시일 2026-08-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qiang Yuan, Yujie Jiang, Junsong Lei, Yu Yang, Baokui Wang, Jun Ye, Fei Dong

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

대양을 항해하는 것은 끊임없이 움직이는 보이지 않는 세계와 벌이는 지속적인 협상입니다. 도로가 고정되어 있고 날씨는 단지 배경에 불과한 고속도로 주행과는 달리, 바다를 가로지르는 선박은 주변의 바람, 파도, 그리고 조류에 의해 물리적으로 밀리고 당겨집니다. 이러한 힘은 단순히 여정을 불편하게 만드는 데 그치지 않고, 선박이 목적지에 도달하는 데 필요한 연료량을 근본적으로 변화시킵니다. 지도상으로는 가장 짧아 보이는 경로가 강한 맞바람이나 강력한 조류에 맞서 싸워야 한다면 실제로는 가장 비용이 많이 드는 경로가 될 수 있는 반면, 흐름을 타고 가는 약간 더 긴 경로는 수 톤의 연료를 아끼고 위험한 배출물을 줄일 수 있습니다. 수십 년 동안 선장들의 항해 계획을 돕는 컴퓨터 시스템들은 종-종 바다를 정적인 지도로 취급하며, 환경의 역동적인 에너지 비용은 무시한 채 오직 거리에만 집중해 왔습니다. 선박의 자동화가 진행되고 친환경 해운에 대한 글로벌 요구가 커짐에 따라, 이러한 보이지 않는 힘을 고려해야 할 필요성이 매우 중요해졌습니다.

절강해양대학교(Zhejiang Ocean University)의 연구진과 동료들은 이 특정한 문제를 해결하기 위해 설계된 새로운 컴퓨터 방식을 개발했습니다. 그들은 단순히 두 지점 사이의 거리를 보는 것이 아니라, 항로를 따라 해양 조건을 능동적으로 "느끼는" 시스템을 만들었습니다. 연구팀은 실제 과거 기상 데이터를 사용하여 바다의 디지털 모델을 구축하고, 바람, 파도, 조류가 선체의 선형과 어떻게 상호작용하는지 시뮬레이션했습니다. 그런 다음, 이 현실적인 해양 모델을 개미가 먹이를 찾는 방식에서 영감을 얻은 스마트 탐색 알고리즘과 결합했습니다. 자연계에서 개미는 다른 개미들을 먹이원으로 안내하기 위해 화학적 흔적을 남기는데, 연구진은 이 행동을 응용하여 디지털 "개미"들이 단순히 최단 경로가 아닌, 가장 에너지 효율적인 경로를 따라 흔적을 남기도록 했습니다. 이 시스템은 환경이 얼마나 험난한지에 따라 탐색 전략을 지속적으로 조정하여, 조건이 혼란스러울 때는 넓게 탐색하고 길이 명확할 때는 좁게 집중하도록 합니다.

이 새로운 접근 방식의 핵심은 환경 인지의 깊은 통합에 있습니다. 시스템은 물이 잔잔하다고 가정하는 대신, 풍속과 풍향, 파고, 조류의 세기 데이터를 가져옵니다. 그리고 이러한 조건에서 선박이 직면하게 될 추가 저항을 정확히 계산합니다. 예를 들어, 시스템은 강한 바람을 거슬러 이동하는 선박에는 더 많은 동력이 필요하며, 조류를 타고 이동하는 선박은 더 쉽게 순항할 수 있다는 것을 알고 있습니다. 이러한 상세한 물리학을 계획 알고리즘에 입력함으로써, 시스템은 지도상으로는 더 길어 보일 수 있지만 이동하는 데 훨씬 적은 연료가 드는 경로를 식별할 수 있습니다. 연구진은 중국 해안 인근 해역의 구간을 대상으로 중형 화물선의 모델을 사용하여 이 방법을 테스트했습니다. 그들은 이 새로운 시스템을 표준 개미 군집 알고리즘 및 기타 고급 최적화 기법을 포함한 기존의 여러 계획 방식과 비교했습니다.

이 시뮬레이션 결과는 새로운 방식의 명확한 우위를 보여주었습니다. 이 방식은 다른 시스템들이 찾아낸 경로보다 더 짧으면서도 에너지 소모가 적은 경로를 일관되게 찾아냈습니다. 테스트에서 새 알고리즘은 평균 이동 거리를 2% 이상 단축했으며 에너지 소비량 또한 비슷한 수준으로 줄였습니다. 이러한 백분율이 작아 보일 수 있지만, 선박이 수천 마일을 항해하는 글로벌 해운 맥락에서 이는 막대한 연료 절감과 상당한 온실가스 배출 감소로 이어집니다. 또한 이 시스템은 매우 안정적이라는 것을 입증했는데, 연구진이 서로 다른 무작위 시작점을 사용하여 시뮬레이션을 50번 실행했을 때 결과가 일관되게 나타나, 이 방법이 좋은 경로를 찾는 데 운에 의존하지 않음을 보여주었습니다. 시스템은 속도와 연료 경제성이라는 상충하는 목표 사이에서 균형을 잘 잡았으며, 단 하나의 선택을 강요하기보다 실행 가능한 옵션들을 제공했습니다.

이 작업이 특히 견고한 이유는 변화하는 조건에 적응하는 능력 때문입니다. 연구진은 시뮬레이션된 바다가 더 강한 바람과 높은 파도로 인해 더 격렬해질 때, 시스템이 당황하거나 실패하지 않는다는 것을 발견했습니다. 대신, 시스템은 단순히 최단 경로를 찾는 것보다 안전하고 에너지 효율적인 경로를 찾는 것을 우선시하도록 내부 설정을 조정했습니다. 즉, 거친 바다에서는 요소와 싸우는 비용이 너무 크다는 것을 인식하여, 다소 길더라도 훨씬 더 잔잔한 경로를 자연스럽게 선택하게 됩니다. 이러한 적응성은 시스템이 기상 조건이 급격히 변할 수 있는 실제 환경에서도 작동할 수 있음을 시사합니다. 연구는 단순한 거리 기반 계획만으로는 현대 해운에 충분하지 않다는 점을 명시적으로 입증하며, 환경 요인을 무시하는 것이 최적이 아니며 낭비적인 경로를 초래한다는 것을 보여주었습니다.

연구진은 표준 컴퓨터 워크스테이션에서 시뮬레이션을 실행하여 엄격한 테스트를 통해 그 결과를 검증했습니다. 그들은 단순히 최종 경로만을 본 것이 아니라, 알고-리즘이 매 단계에서 어떻게 수행되는지 분석하여, 국소적인 해답에 갇히거나 더 나은 옵션을 놓치고 있지는 않은지 확인했습니다. 새로운 방법은 딥러닝이나 하이브리드 기술을 사용하는 다른 정교한 알고리즘들보다 더 뛰어난 성능을 보였으며, 새로운 가능성을 탐색하는 것과 알려진 최적의 경로를 정교화하는 것 사이에서 더 나은 균형을 찾아냈습니다. 연구는 바다를 수동적인 배경이 아닌, 역동적이고 에너지를 소비하는 파트너로 대함으로써 선박 경로 계획이 훨씬 더 효율적으로 변할 수 있다고 결론짓습니다. 이 접근 방식은 복잡한 해역을 통과하는 선박을 안내하는 실용적이고 계산 효율적인 방법을 제시하며, 해상 운송이 더 안전하고, 저렴하며, 지구에 더 친화적인 미래를 약속합니다. 이 연구는 컴퓨터가 바다의 물리학을 존중하도록 학습될 때, 우리 모두를 위해 더 나은 항로를 그려낼 수 있다는 것을 보여주는 시뮬레이션 기반의 개념 증명입니다.

기술 요약: 복잡한 해양 환경에서의 환경 인지형 적응적 개미 군집 최적화 알고리즘을 이용한 다목적 선박 경로 계획

1. 문제 정의

복잡한 해양 환경에서의 선박 경로 계획은 바람, 파도, 해류의 역동적이고 불확실한 특성으로 인해 상당한 어려움에 직면해 있습니다. Dijkstra, A*, 표준 개미 군집 최적화(ACO)와 같은 전통적인 경로 계획 방식은 종종 기하학적 거리를 주요 지표로 의존합니다. 이러한 접근 방식은 환경적 교란이 선박의 에너지 소비 및 조종성에 미치는 영향을 간과하는 경우가 많습니다. 또한, 기존 알고리즘은 다음과 같은 문제점을 가집니다:

환경 인지 능력 부족: 실시간 풍랑-해류 상호작용을 동적으로 인식하고 적응하는 능력이 부족함.
단일 목적 함수의 한계: 경로 길이 최소화와 에너지 소비 감소와 같이 서로 충돌하는 목적들을 동시에 최적화하는 데 어려움이 있음.
조기 수렴: 전통적인 ACO의 고정된 파라미터는 복잡한 탐색 공간에서 최적이 아닌 해(suboptimal solutions)에 빠지기 쉬우며, 전역 탐색(global exploration)과 지역 착취(local exploitation) 사이의 균형을 효과적으로 맞추지 못함.

2. 방법론

저자들은 환경 인지형 적응적 다목적 개미 군집 최적화(EA-MOACO) 알고리즘을 제안합니다. 이 프레임워크는 현실적인 환경 모델링과 적응적 탐색 전략을 통합하여 결합된 풍랑-해류 조건 하에서 선박 경로를 최적화합니다.

2.1 환경 및 에너지 모델링

결합된 풍랑-해류 모델: 본 연구는 유럽 중기 예보 센터(ECMWF)의 ERA5 재분석 데이터를 활용하여 현실적인 환경장을 구축합니다.
- 바람: ERA5의 u10 및 v10 성분으로부터 직접 도출되었습니다.
- 파도: 유의 파고(SWH)와 파향은 경험적 공식을 기반으로 모델링되었습니다.
- 해류: 선택된 ERA5 서브셋에 직접적인 해류 데이터가 부족함에 따라, 풍력 표층 해류 근사 모델(표층 해류 속도 $\approx$ 국지적 풍속의 2%)을 사용하여 구축되었습니다.
그리드 표현: 항해 구역은 8-이웃 연결 구조를 가진 2D 그리드로 이산화되었습니다. 장애물을 인위적으로 확장하지 않고 모서리 충돌을 방 และ 방지하기 위해 충돌 제약 전이 전략이 채택되었습니다.
선박 에너지 소비 모델: 총 저항( $R$ $R$ )을 정수압 마찰 저항( $R_f$ $R_{f}$ ), 풍압 저항( $R_{wind}$ $R_{w in d}$ ), 파랑 유도 저항( $R_{wave}$ $R_{w a v e}$ )의 합으로 계산하는 종합 모델을 사용합니다.
- 속도 보정: 선박의 헤딩(heading)과 해류 사이의 각도에 따라 유효 선속( $V_{eff}$ )을 조정합니다.
- 에너지 계산: 에너지 소비량은 총 저항, 유효 속도, 항해 시간을 고려하여 계산되며, 특정 선박의 유체역학적 및 공기역학적 특성을 반영합니다.

2.2 EA-MOACO 알고리즘

제안된 방법의 핵심은 세 가지 적응 메커니즘을 포함합니다:

환경 복잡도 평가:
- 장애물 밀도와 시작점 및 종료점 사이의 정규화된 거리를 기반으로 합성 지수( $C$ )를 계산합니다.
- 이 지수는 환경을 단순(Simple), 보통(Moderate), 복잡(Complex) 단계로 분류하여 초기 파라미터 설정을 유도합니다.
적응적 파라미터 제어:
- 초기화: 페로몬 중요도 계수( $\alpha$ )와 휴리스틱 중요도 계수( $\beta$ )는 환경 복잡도에 따라 초기화됩니다. 복잡한 환경은 높은 $\beta$ (휴리스틱/탐색)를 선호하고, 단순한 환경은 높은 $\alpha$ (페로몬/착취)를 선호합니다.
- 동적 조정: 반복 과정 동안 $\alpha$ 와 $\beta$ 가 동적으로 업데이트됩니다. 전략은 초기 단계의 탐색(높은 $\beta$ )에서 후기 단계의 착취(높은 $\alpha$ )로 전환되어, 전역 탐색과 지역 수렴 사이의 균형을 맞춥니다.
에너지 인지 다목적 탐색:
- 개선된 휴리스틱 함수: 휴리스틱 값( $\eta_{ij}$ )은 기하학적 거리와 정규화된 에너지 소비를 모두 포함하며, 환경 복잡도에 따라 스케일링되는 가중치( $\lambda$ )에 의해 가중치가 부여됩니다.
- 동적 가중치 부여: 경로 길이와 에너지 소비의 가중치를 반복 진행 상황 및 환경 복잡도에 따라 조정하는 계층적 프레임워크를 사용합니다. 초기 반복은 실행 가능한 경로(길이)를 찾는 데 우선순위를 두는 반면, 후기 반복은 에너지 효율을 위해 경로를 정밀화합니다.
- 파레토 최적화: 다양한 트레이드오프 해 집합을 유지하기 위해 파레토 비지배 정렬(Pareto non-dominated sorting)을 사용합니다.
- 이상적 점 결정: 최종 경로는 정규화된 목적 함수 공간에서의 이상적 점 (0,0)까지의 유클리드 거리를 최소화함으로써 파레토 프런트에서 선택됩니다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 식별합니다:

결합 모델링: ERA5 데이터를 사용하여 풍랑-해류 결합 해양 환경 모델을 구축하였으며, 이를 해류 유도 속도 보정과 환경 저항을 고려한 선박 에너지 소비 모델과 통합하였습니다.
적응 메커니즘: 환경 복잡도에 따라 페로몬 및 휴리스틱 요인을 동적으로 조절하여 다양한 탐색 난이도에 대응하는 환경 복잡도 기반 적응형 파라미터 조정 메커�니즘을 개발하였습니다.
다목적 프레임워크: 적응적 가중치, 파레토 지배, 이상적 점 결정을 사용하여 경로 길이와 에너지 소비를 통합하는 동적 다목적 최적화 프레임워크를 제안하였습니다.
포괄적 검증: 절제 실험(ablation studies), 강건성 분석, 환경 강도 테스트 및 최신 알고리즘과의 비교 평가를 포함한 광범적한 실험적 검증을 수행하였습니다.

4. 실험 결과

EA-MOACO 알고리즘은 시뮬레이션 환경(121°E–123°E, 29°N–31°N)에서 중형 화물선 모델을 사용하여 ACO, PSO, MOPSO, NSGA-II, PSO-ACO 및 DL-DACO와 비교 평가되었습니다.

성능 지표: EA-MOACO는 하이퍼볼륨(HV), 역 생성 거리(IGD), 경로 길이 및 에너지 소비 측면에서 모든 비교 알고리즘보다 우수한 성능을 보였습니다.
- 경로 길이: 절제 실험에서 완전한 EA-MOACO 프레임워크는 평균 경로 길이를 36.104에서 35.340으로 줄였으며, 이는 기준 ACO 대비 2.12% 개선된 수치입니다. 표준 ACO와의 비교 실험(표 9)에서 EA-MOACO는 ACO의 36.036 대비 35.524의 경로 길이를 달성했습니다.
- 에너지 소비: 절제 실험에서 프레임워크는 평균 에너지 소비를 9.072×10⁶에서 8.881×10⁶으로 줄였으며, 이는 기준 대비 2.11% 감소한 수치입니다. 표준 ACO와의 비교 실험(표 9)에서 EA-MOACO는 ACO의 9.037×10⁶ 대비 8.876×10⁶을 달성했습니다.
- 다목적 품질: 절제 실험에서 완전한 알고리즘의 HV는 기준 실험 대비 6.58% 향상되었고, IGD 값은 기준 ACO 대비 4.70% 감소했습니다. 비교 실험에서 EA-MOACO는 테스트된 모든 알고리즘 중 가장 높은 HV와 가장 낮은 IGD를 달축하여 우수한 다양성과 수렴성을 입증했습니다.
절제 실험(Ablation Studies): 모듈(환경 모델링, 파라미터 적응, 다목적 계획)의 단계적 추가는 모든 지표에서 점진적인 개선을 보여주어 각 구성 요소의 필요성을 입증했습니다.
강건성: 50회의 반복 실행을 통한 독립 반복 실험 결과, 경로 길이(2.80%)와 에너지 소비(2.72%)의 변동 계수가 낮게 나타나 알고리즘의 안정성을 확인했습니다.
환경 강도: 다양한 환경 강도(약함에서 극심함까지) 하에서의 테스트 결과, 환경이 가혹해짐에 따라 에너지 소비는 증가했으나 계획된 경로 길이는 안정적으로 유지되어, 과도한 우회 없이 가혹한 조건에 적응하는 알고리즘의 능력을 입증했습니다.

5. 의의 및 주장

본 논문은 EA-MOACO 알고리즘이 복잡한 해양 환경에서 지능형 선박 경로 계획을 위한 효율적이고 실용적인 프레임워크를 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

심층적 통합: 기하학적 계획을 넘어 실제 환경 데이터(ERA5)를 최적화 로직에 직접 성공적으로 통합하였습니다.
적응성: 환경 복잡도와 반복 진행 상황에 따라 탐색 전략을 동적으로 조정할 수 있어, 전통적인 ACO에서 흔히 발생하는 조기 수렴 위험을 완화합니다.
균형 잡힌 최적화: 항해 효율(최단 경로)과 경제적 효율(최저 에너지 소비) 사이의 트레이드오프를 효과적으로 해결하여, 의사 결정자에게 다양한 파레토 최적 경로를 제공합니다.
공학적 적용 가능성: 알고리즘은 딥러닝 학습(DL-DACO와 달리)의 계산 오버헤드 없이 고품질의 결과를 달성하여, 자율 운항 선박의 실제 공학적 응용에 적합합니다.

저자들은 이 접근 방식이 결합된 환경 요인과 다목적 제약을 처리하는 데 있어 현재 방법들의 결정적인 한계를 해결하며, 친환경적이고 지능적인 해운을 위한 강력한 솔루션을 제공한다고 결론짓습니다. 향-후 연구로는 실시간 동적 업데이트, 해사 교통 규정의 통합, 그리고 딥 강화 학습 및 디지털 트윈 기술의 탐구가 제안되었습니다.