Overview of intelligent ship route optimization methods

设计方法

优点

缺点

适用场景

基于气象数据的航线优化

1）能够合理规避恶劣海况，保障航行安全

2）可移植性好，针对各种船舶、航线都有较好的实用性

3）可以实现多种优化目标

1）气象数据的时效性可能不足以支持跨洋航行

2）气象数据的空间分辨率不同，需插值计算而有损精度

3）数据量大，降低了此方法的时间效率

1）适用于中、低纬度航行，在此区域，气象数据齐全且更新稳定

2）由于气象数据空间尺度较大，此方法更适用于远洋航行

3）不适用于内河航线

基于油耗模型的航线优化

1）能够预测并优化航线的油耗

2）预测性能较好，建模方法多样

3）能够结合多种优化算法优化航线

1）移植性差，针对不同类型的船舶需要重新建模

2）优化效果单一，只能优化船舶的油耗

3）黑盒模型和灰盒模型建模困难，需要大量的历史数据

1）适用于任何以燃油主机为推进器的船舶

2）适用于沿海和远洋这类定速航行的航线

3）适用于内河航线

基于航线库或航路点库的航线优化

1）可快速匹配并优化航线

2）优化航线基于历史的航海数据，可用性好

3）可移植性好，不依赖于船舶类型

1）需要大量的历史航行数据

2）未能考虑最新的政策法规而剔除不合适的航线

3）数据库需要耗费时间维护

1）适用于已航行过的海区

2）适用于内河航线

优化方法	代表方法	优势	劣势
改进的等时线法	修正等时线法三维等时线法	1）实用性强2）可解释性好	1）优化效果不显著；误差传播现象
动态规划法	改进的动态规划法三维动态规划法	1）动态性能较好2）鲁棒性强	1）求解全局最优较困难2）适用场景较少
图形搜索算法	Dijkstra算法A*算法	1）执行效率高2）可扩展性好3）描述简单，易于实现	1）建模较复杂2）对启发函数要求较高3）有时需要一些理想化的条件，影响求解精度
智能算法	遗传算法人工势场法	1）鲁棒性强2）可扩展性好	1）参数较多2）迭代步数多，搜索速度慢
机器学习算法	人工神经网络Q-Learning	1）所需参数少2）搜索性能强大，易于求解全局最优3）采用贪心策略，可保证收敛性	1）可解释性较差2）收敛速度慢3）可能会导致维数灾难