本发明涉及一种船舶航线优化方法，尤其涉及一种基于油耗预测的船舶航线优化方法。
背景技术：
1、现有基于油耗预测的系统主要通过优化船舶航线以降低油耗，这些系统通常依赖于先进的数据分析、气象预测和船舶性能模型等技术。主要存在以下缺点：模型精度限制：一些油耗预测模型受到模型的限制，无法准确地考虑所有影响油耗的复杂因素，这包括船舶的具体设计、装备、负载、航速以及神经网络模型内部参数设置影响等因素；未充分考虑环境因素：现有的航线优化中未充分考虑环境因素，比如海洋气象条件、潮汐和其他自然影响，这些因素对船舶的燃油产生显著影响；数据不准确性和实时性：现有系统在油耗预测中受到数据不准确性和实时性的挑战，海洋环境和船舶状况的快速变化导致预测结果和实际油耗存在差异。
2、传统上，航线规划往往仅基于静态的地理信息和航行条件，而油耗模型则独立于航线规划，根据船舶性能和环境因素预测油耗。即现有技术往往只注重航线规划或油耗模型的单一方面，缺乏整合性的考虑。
技术实现思路
1、发明目的：本发明目的是提出一种基于油耗预测的船舶航线优化方法，通过将油耗模型的输出作为航线模型的输入，实现了动态的航线规划。
2、技术方案：本发明包括以下步骤：
3、整合多源数据；
4、对油耗特征参数进行标准化处理，得到目标特征参数；
5、根据目标特征参数，建立基于遗传算法的bp神经网络优化模型；
6、获取当前特征参数，并采用训练好的基于遗传算法的bp神经网络优化模型处理当前特征参数，得到油耗预测值；
7、选取航线，建立船舶航线数学模型；
8、基于油耗预测模型建立评价航线优劣的指标函数；
9、利用改进的遗传算法优化出指标函数最小的航线信息。
10、所述利用改进的遗传算法优化出指标函数最小的航线信息，包括油耗预测模型和航线优化模型。
11、所述油耗预测模型中具体的模型参数设置步骤如下：
12、基于遗传算法的bp神经网络优化模型中遗传算法参数的设定，包括：种群初始化、适应度函数、选择算子、交叉算子、变异算子；
13、基于遗传算法的bp神经网络模型网络参数的设定及性能分析，用评价指标训练出指标性能最优的隐藏神经元节点个数的网络，模型评价指标1：
14、
15、式中，n为数据样本的个数，为模型的实际输出，yi为模型的期望输出；
16、模型评价指标2：
17、
18、式中，n为数据样本的个数，为模型的实际输出，yi为模型的期望输出；
19、通过评价指标1和2得到最优的隐藏神经元节点数后更改上述的基于遗传算法的油耗预测模型的神经元节点数再进一步利用遗传算法优化bp神经网络的初始权值和阈值。
20、所述航线优化模型采用改进的遗传算法对船舶航线优化，具体算法改进步骤包括：
21、遗传算法的算子自适应：采用交叉和概率自适应规则，概率自适应规则为当该个体适应度值小于均值时，个体交叉概率和交叉概率取较大的值，否则求取概率值；
22、遗传算法并行化。
23、所述概率自适应规则具体如下：
24、
25、其中，α、β分别为种群适应度最大值和均值；αmin和αmax分别为交叉概率阈值上下限；ω为两个交叉个体较大的适应度值；βmax和βmin分别为变异概率阈值上下限；ω为变异个体的适应度值。
26、所述建立船舶航线数学模型包括：定义航行区域的航路点信息、航段数量、航路点选择的约束和不可航行区域约束。
27、所述建立船舶航线数学模型，具体过程为：
28、(1)定义航路点信息的向量为：
29、pi＝{(l0,n0),(l1,n1),...,(ln,nn)}
30、其中ln表示第n个航路点坐标的纬度，nn表示第n个航路点坐标的经度；
31、(2)航行区域表示为：
32、ω∈{(l,n)|lmin≤l≤lmax,nmin≤n≤nmax}
33、其中，lmin和lmax分别表示航行区域的最小和最大经度坐标；nmin和nmax分别表示行区域的最小和最大纬度。
34、所述基于油耗预测模型建立评价航线优劣的指标函数，具体为：
35、(1)建立总油耗指标函数：
36、
37、其中，q为船舶油耗模型；(li,ni)为第i个航路点坐标；根据各航路点确定的航段上的气象信息给出油耗值；
38、(2)建立航时指标函数：
39、
40、其中，si表示第i航段的航程距离；vi表示为第i航段的速度；根据航路点的信息确定航段距离以及预测出的航速求得总航时。
41、所述根据目标特征参数，建立基于遗传算法的bp神经网络优化模型，具体为：确定bp神经网络的拓扑结构，对神经网络的权值和阈值编码得到初始种群，将权值和阈值赋给新建的bp网络；使用目标特征参数训练网络并使用测试的特征参数测试网络测试误差；通过遗传算法操作寻找最优的bp神经网络初始权值和阈值。
42、所述对油耗特征参数进行标准化处理时采用零均值标准化。
43、有益效果：本发明通过将油耗模型的输出作为航线模型的输入，将两者紧密结合在一起，实现了动态的航线规划，考虑了船舶在不同航线上的实际燃油消耗情况，这种综合考虑油耗与航线之间的关系的方法，使得航线规划更加精准和有效，从而为船舶的节能和经济效益提供了更强大的支持。
1.一种基于油耗预测的船舶航线优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述利用改进的遗传算法优化出指标函数最小的航线信息，包括油耗预测模型和航线优化模型。
3.根据权利要求2所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述油耗预测模型中具体的模型参数设置步骤如下：
4.根据权利要求2所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述航线优化模型采用改进的遗传算法对船舶航线优化，具体算法改进步骤包括：
5.根据权利要求4所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述概率自适应规则具体如下：
6.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述建立船舶航线数学模型包括：定义航行区域的航路点信息、航段数量、航路点选择的约束和不可航行区域约束。
7.根据权利要求6所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述建立船舶航线数学模型，具体过程为：
8.根据权利要求7所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述基于油耗预测模型建立评价航线优劣的指标函数，具体为：
9.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述根据目标特征参数，建立基于遗传算法的bp神经网络优化模型，具体为：确定bp神经网络的拓扑结构，对神经网络的权值和阈值编码得到初始种群，将权值和阈值赋给新建的bp网络；使用目标特征参数训练网络并使用测试的特征参数测试网络测试误差；通过遗传算法操作寻找最优的bp神经网络初始权值和阈值。
10.根据权利要求1所述的一种基于油耗预测的船舶航线优化方法，其特征在于，所述对油耗特征参数进行标准化处理时采用零均值标准化。
