⚡ electrical engineering

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

本研究提出了一种环境感知自适应多目标蚁群优化（EA-MOACO）算法，该算法通过整合耦合的风-浪-流条件与动态参数调节，旨在超越现有方法，以实现在复杂海洋环境下最小化航线长度与能耗的双重目标。

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

发布于 2026-08-25

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在浩瀚的海洋中航行，是一场与一个躁动不安、无形世界的持续博弈。这与在公路上驾驶截然不同——在公路上，道路是固定的，天气仅仅是背景；而在海上行驶的船舶，则会被周围的风、浪和洋流不断地推挤与拉扯。这些力量不仅会让旅程变得不舒适，还会从根本上改变船舶到达目的地所需的燃料量。一条在地图上看起来最短的航线，如果需要逆着强劲的顶风或强大的洋流行驶，实际上可能最为昂贵；而一条虽然稍长、但顺应潮流的路径，则可以节省数吨燃料并减少危险的排放。几十年来，协助船长规划航程的计算机系统往往将海洋视为一张静态地图，仅关注距离，而忽略了环境带来的动态能量消耗。随着船舶日益自动化以及全球绿色航运趋势的兴起，考虑这些无形力量的需求已变得至关重要。

浙江海洋大学的研究人员及其同事开发了一种全新的计算机方法，旨在解决这一特定问题。他们创建了一个系统，该系统不仅观察两点之间的距离，还能主动“感知”沿途的海况。研究团队利用真实的实时历史气象数据构建了一个海洋数字模型，模拟了风、浪、流如何与船舶船体发生相互作用。随后，他们将这种真实的海洋模型与一种受蚂蚁觅食启发而来的智能搜索算法相结合。在自然界中，蚂蚁会留下化学轨迹来引导同伴找到食物源；研究人员借鉴了这种行为，使他们的数字“蚂蚁”留下的不仅是寻找最短路径的轨迹，更是寻找最节能路径的轨迹。该系统会根据环境的复杂程度不断调整其搜索策略：当环境混乱时进行广泛探索，当路径清晰时则进行精准聚焦。

这种新方法的核心在于对环境感知能力的深度整合。该系统并非假设水面平静，而是实时调取风速、风向、波高和流速的数据。它能精确计算出船舶在这些条件下会面临多少额外的阻力。例如，它知道逆着强风行驶的船舶需要更高的功率，而顺着洋流行驶的船舶可以更轻松地滑行。通过将这些详细的物理特性输入到规划算法中，该系统能够识别出那些在地图上看起来较长、但实际所需燃料显著减少的路径。研究人员在中国沿海海域的一段海域进行了模拟航行测试，使用的是一艘中型货轮的模型。他们将这种新方法与几种现有的规划方法进行了对比，包括标准的蚁群算法和其他先进的优化技术。

模拟结果显示，该新方法具有明显的优势。它始终能找到比其他系统更短且更节能的航线。在测试中，该新算法将平均航行距离缩减了两个百分点以上，并将能量消耗也降低了类似的幅度。虽然这些百分比看似微小，但在船舶需航行数千英里的全球航运领域，这转化为巨大的燃料节省和显著的温室气体减排。该系统还表现出了极高的稳定性；当研究人员使用不同的随机起点运行五十次模拟时，结果保持了一致性，表明该方法并不依赖运气来寻找优选路径。它成功平衡了速度与燃油经济性这两个竞争目标，提供的是一套可行的方案，而非强制性的单一选择。

这项工作的卓越之处在于其适应变化环境的能力。研究人员发现，当模拟的海洋变得更加剧烈（风力增强、波浪更高）时，系统并未出现崩溃或失效。相反，它调整了内部设置，将寻找安全、节能路径的优先级置于单纯寻找最短路径之上。它意识到在恶劣海况下，与自然元素抗争的代价太高，因此会自然而然地选择一条可能稍长但更为平稳的路径。这种适应性表明，该系统能够处理现实世界中的不可预测性，即天气条件可能发生的快速变化。研究明确指出，对于现代航运而言，仅靠基于距离的简单规划是不够的，忽视环境因素会导致路径并非最优且造成浪费。

研究人员通过在标准计算机工作站上运行模拟，验证了其研究结果。他们不仅观察最终的航线，还分析了算法在每一步的表现，以确保算法不会陷入局部解或错过更好的选项。该新方法通过在探索新可能性与精炼已知最佳路径之间找到更好的平衡，超越了包括使用深度学习或混合技术的其他复杂算法。研究结论认为，通过将海洋视为一个动态的、消耗能量的伙伴而非被动的背景，船舶航线规划可以变得更加高效。这种方法为引导船舶穿梭于复杂水域提供了一种切实可行且计算高效的方式，预示着一个更安全、更廉价且对地球更友好的航运未来。这项工作是一项基于模拟的概念验证，证明了当计算机学会尊重海洋物理规律时，它们可以为我们所有人指引出更好的航向。

技术摘要：复杂海洋环境下基于环境感知自适应蚁群优化算法的多目标船舶路径规划

1. 问题陈述

在复杂的海洋环境中，船舶路径规划面临着由于风、浪、流的动态性和不确定性带来的重大挑战。传统的路径规划方法（如 Dijkstra、A* 和标准蚁群算法 ACO）通常依赖几何距离作为主要指标。这些方法往往忽略了环境扰动对船舶能耗和操纵性的影响。此外，现有算法通常存在以下问题：

缺乏环境感知能力： 无法动态感知并适应实时的风-浪-流相互作用。
单目标局限性： 难以同时优化相互冲突的目标，例如最小化航线长度与降低能耗。
过早收敛： 传统 ACO 中的固定参数往往导致在复杂搜索空间中陷入次优解，无法有效平衡全局探索与局部开发。

2. 研究方法

作者提出了**环境感知自适应多目标蚁群优化（EA-MOACO）**算法。该框架将现实的环境建模与自适应搜索策略相结合，以优化耦合风-浪-流条件下的船舶路径。

2.1 环境与能量建模

耦合风-浪-流模型： 研究利用来自欧洲中期天气预报中心（ECMWF）的 ERA5 再分析数据来构建真实的物理环境场。
- 风：直接由 ERA5 的 u10 和 v10 分量导出。
- 浪：基于经验公式对有效波高（SWH）和波向进行建模。
- 流：由于所选 ERA5 子集中缺乏直接的电流数据，采用风漂移近似模型（表面流速 $\approx$ 当地风速的 2%）进行构建。
网格表示： 将航行区域离散化为具有 8 邻接连接结构的 2D 网格。采用碰撞约束转换策略，以防止在不人为扩大障碍物的情况下发生转角碰撞。
船舶能耗模型： 一个综合模型计算总阻力 ( $R$ $R$ )，其为静水摩擦阻力 ( $R_f$ $R_{f}$ )、风阻 ( $R_{wind}$ $R_{w in d}$ ) 和波浪诱导阻力 ( $R_{wave}$ $R_{w a v e}$ ) 之和。
- 速度修正： 根据船舶航向与海流之间的夹角对有效船速 ( $V_{eff}$ ) 进行调整。
- 能耗计算： 能耗由总阻力、有效速度和航行时长推导得出，并考虑了特定船舶的水动力学和空气动力学特性。

2.2 EA-MOACO 算法

所提方法的核心包含三个自适应机制：

环境复杂度评估：
- 基于障碍物密度和起点与终点之间的归一化距离计算复合指数 ( $C$ )。
- 该指数将环境分为简单、中等或复杂三类，用以指导初始参数设置。
自适应参数控制：
- 初始化： 信息素重要性因子 ( $\alpha$ ) 和启发式重要性因子 ( $\beta$ ) 根据环境复杂度进行初始化。复杂环境倾向于更高的 $\beta$ （启发式/探索），而简单环境倾向于更高的 $\alpha$ （信息素/开发）。
- 动态调整： 在迭代过程中， $\alpha$ 和 $\beta$ 会进行动态更新。策略从早期阶段的探索（高 $\beta$ ）转向后期阶段的开发（高 $\alpha$ ），从而平衡全局搜索与局部收敛。
能量感知多目标搜索：
- 改进的启发式函数： 启发式值 ( $\eta_{ij}$ ) 结合了几何距离和归一化能耗，并由随环境复杂度变化的权重因子 ( $\lambda$ ) 进行加权。
- 动态权重分配： 层次化框架根据迭代进度和环境复杂度调整路径长度与能耗的权重。早期迭代优先寻找可行路径（长度），而后期迭代则侧重于提高能量效率。
- Pareto 优化： 算法采用 Pareto 非支配排序来维持多样化的权衡解集。
- 理想点决策： 通过最小化归一化目标空间中到理想点 (0,0) 的欧几里得距离，从 Pareto 前沿中选出最终航线。

3. 主要贡献

本文确定了四个主要贡献：

耦合建模： 利用 ERA5 数据建立了风-浪-流耦合海洋环境模型，并结合了考虑电流诱导速度修正和环境阻力的船舶能耗模型。
自适应机制： 开发了一种环境复杂度驱动的自适应参数调整机制，能够根据不同的搜索难度动态调节信息素因子和启发式因子。
多目标框架： 提出了一个动态多目标优化框架，通过自适应加权、Pareto 支配和理想点决策，整合了航线长度与能耗。
全面验证： 进行了广泛的实验验证，包括消融研究、鲁棒性分析、环境强度测试，以及针对最先进算法的对比评估。

4. 实验结果

EA-MOACO 算法在模拟环境（121°E–123°E, 29°N–31°N）中使用中型货轮模型，针对 ACO、PSO、MOPSO、NSGA-II、PSO-ACO 和 DL-DACO 进行了评估。

性能指标： EA-MOACO 在超体积度（HV）、反转生成距离（IGD）、路径长度和能耗方面均优于所有对比算法。
- 路径长度： 在消融研究中，完整的 EA-MOACO 框架将平均路径长度从 36.104 降至 35.340，与基准 ACO 相比提升了 2.12%。在与标准 ACO 的对比实验中（表 9），EA-MOACO 的路径长度为 35.524，而 ACO 为 36.036。
- 能耗： 在消融研究中，该框架将平均能耗从 $9.072 \times 10^6$ 降至 $8.881 \times 10^6$ ，与基准相比降低了 2.11%。在与标准 ACO 的对比实验中（表 9），EA-MOACO 为 $8.876 \times 10^6$ ，而 ACO 为 $9.037 \times 10^6$ 。
- 多目标质量： 在消融研究中，完整算法的 HV 值比基准实验提高了 6.58%，IGD 值比基准 ACO 降低了 4.70%。在对比实验中，EA-MOACO 在所有测试算法中实现了最高的 HV 和最低的 IGD，展示了卓越的多样性和收敛性。
消融研究： 模块（环境建模、参数自适应、多目标规划）的逐步添加展示了各项指标的递进式改善，验证了各组件的必要性。
鲁棒性： 50 次独立重复实验显示，路径长度（2.80%）和能耗（2.72%）的变异系数较低，证实了算法的稳定性。
环境强度： 在不同环境强度（从弱到极值）下的测试表明，虽然能耗随环境严酷程度增加，但规划的路径长度保持稳定，证明了算法在无需过度绕行的情况下适应恶劣条件的能力。

5. 意义与主张

本文主张 EA-MOACO 算法为复杂海洋环境下的智能船舶路径规划提供了一个高效且实用的框架。其意义在于：

深度集成： 成功将真实环境数据（ERA5）直接集成到优化逻辑中，超越了仅基于几何的规划。
适应性： 能够根据环境复杂度和迭代进度动态调整搜索策略，缓解了传统 ACO 常见的过早收敛风险。
平衡优化： 有效解决了航行效率（最短路径）与经济效率（最低能耗）之间的权衡问题，为决策者提供了多样化的 Pareto 最优航线。
工程适用性： 该算法在获得高质量结果的同时，无需像 DL-DACO 那样承担深度学习训练的计算开销，使其适用于自主航运的实际工程应用。

作者总结认为，该方法解决了当前方法在处理耦合环境因素和多目标约束方面的关键局限性，为绿色智能航运提供了稳健的解决方案。未来的工作建议包括实时动态更新、集成海事交通规则，以及探索深度强化学习和数字孪生技术。