低会遇冲突的航线群智能推荐方法、终端设备及存储介质技术

本发明专利技术涉及低会遇冲突的航线群智能推荐方法、终端设备及存储介质，该方法中包括：S1：基于核密度估计计算待分析船舶的轨迹区域的概率密度函数，根据概率密度函数计算待分析船舶的轨迹区域；S2：基于待分析船舶的轨迹区域的面积，通过复合粒子群优化算法对待分析船舶的航线进行推荐。本发明专利技术用于在避免碰撞的情况下找到最佳位置，以水深、避免碰撞和其他水功能区绕道等约束为适应度函数，不仅实现了更快的搜索速度，而且提高了定位精度，证明了其收敛性。敛性。敛性。

【技术实现步骤摘要】
低会遇冲突的航线群智能推荐方法、终端设备及存储介质


[0001]本专利技术涉及航线推荐领域，尤其涉及低会遇冲突的航线群智能推荐方法、终端设备及存储介质。

技术介绍

[0002]近年来，随着游艇行业发展迅速。随着游艇码头的不断规划和建设，在海域航行的游艇数量将继续增加。现有游艇的无序航行或活动将对港口水域的航行环境和安全产生一定影响，并与进出港航行和锚泊船舶相互影响。因此，有必要对游艇航行活动水域的适应性进行论证和研究，以划定游艇活动区域范围，为游艇推荐航线，确保游艇活动的安全和船舶在港口的正常航行秩序，更好地服务于游艇业的发展。

技术实现思路

[0003]为了解决上述问题，本专利技术提出了一种低会遇冲突的航线群智能推荐方法、终端设备及存储介质。
[0004]具体方案如下：
[0005]一种低会遇冲突的航线群智能推荐方法，包括以下步骤：
[0006]S1：基于核密度估计计算待分析船舶的轨迹区域的概率密度函数，根据概率密度函数计算待分析船舶的轨迹区域；
[0007]S2：基于待分析船舶的轨迹区域的面积，通过复合粒子群优化算法对待分析船舶的航线进行推荐。
[0008]进一步的，步骤S2中的具体推荐过程包括以下步骤：
[0009]S201：初始化种群；
[0010]S202：评估每个粒子的目标函数；
[0011]S203：更新每个粒子的局部最优解；
[0012]S204：更新种群的全局最优解；
[0013]S205：更新每个粒子的速度和位置；
[0014]S206：判断是否满足结束条件，如果是，进入S207；否则，返回S202；
[0015]S207：输出最优解，根据最优解对待分析船舶的航线进行推荐。
[0016]进一步的，粒子的目标函数F为：
[0017][0018]f1＝S
Domain
∩S
KDE
[0019][0020][0021]其中，k表示子目标的序号，f
k
表示第k个子目标，w
k
表示第k个子目标的权重，S
Domain
表示航线所在区域的历史船舶轨迹对应的船舶领域的区域，S
KDE
表示待分析船舶的轨迹区域，i表示航路点的序号，W
i
表示第i个航路点，N表示航路点的数量，H(W
i
)表示第i个航路点的海平面以上高度，j表示功能区的序号，M表示功能区的数量，S表示船舶航行水域的面积，S
other,j
表示第j个功能区水域的面积。
[0022]进一步的，步骤S205中粒子的速度和位置更新公式为：
[0023]v
i,k+1
＝v
i,k
+c1r(p
i
‑
x
i,k
)+c2r(p
g
‑
x
i,k
)
[0024]x
i,k+1
＝x
i,k
+v
i,k
[0025]其中，c1,c2均为学习因子；r为一个随机数；x
i,k
表示第i个粒子在第k次迭代中的位置；v
i,k
表示第k次迭代中第i个粒子的速度；p
g
表示前k次迭代获得的全局最优解；p
i
表示前k次迭代第i粒子获得的局部最优解；
[0026]c1和c2采用如下公式进行更新：
[0027][0028][0029]其中，sinh()表示双曲正弦函数，λ表示c2中分子的双曲正弦函数的变量系数，u表示c2中分母的双曲正弦函数的变量系数，T表示最大迭代次数，k表示迭代次数。
[0030]一种低会遇冲突的航线群智能推荐终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。
[0031]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
[0032]本专利技术采用如上技术方案，用于在避免碰撞的情况下找到最佳位置，以水深、避免碰撞和其他水功能区绕道等约束为适应度函数，不仅实现了更快的搜索速度，而且提高了定位精度，证明了其收敛性。
附图说明
[0033]图1所示为本专利技术实施例一的流程图。
[0034]图2所示为该实施例中历史船舶轨迹对应的船舶领域的区域与待分析船舶的轨迹区域的相交情况示意图。
[0035]图3所示为该实施例中船舶领域的示意图。
具体实施方式
[0036]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部
分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。
[0037]现结合附图和具体实施方式对本专利技术进一步说明。
[0038]实施例一：
[0039]本专利技术实施例提供了一种低会遇冲突的航线群智能推荐方法，如图1所示，所述方法包括以下步骤：
[0040]S1：基于核密度估计计算待分析船舶的轨迹区域的概率密度函数，根据概率密度函数计算待分析船舶的轨迹区域。
[0041]S2：基于待分析船舶的轨迹区域的面积，通过复合粒子群优化(HPSO)算法对待分析船舶的航线进行推荐。
[0042]复合粒子群优化算法是一类随机全局优化技术,具有搜索能力强、收敛速度快、搜索精度高的优点。
[0043]本实施例中设定具体推荐过程包括以下步骤：
[0044]S201：初始化种群；
[0045]S202：评估每个粒子的目标函数；
[0046]S203：更新每个粒子的局部最优解；
[0047]S204：更新种群的全局最优解；
[0048]S205：更新每个粒子的速度和位置；
[0049]S206：判断是否满足结束条件，如果是，进入S207；否则，返回S202；
[0050]S207：输出最优解，根据最优解对待分析船舶的航线进行推荐。
[0051]本实施例中设定粒子的目标函数F由三个子目标函数组成，即：
[0052][0053]其中，k表示子目标的序号，f
k
表示第k个子目标，w
k
表示第k个子目标的权重。
[0054]第一个子目标函数由航线所在区域的历史船舶轨迹对应的船舶领域的区域与待分析船舶的轨迹区域相交的面积的测量，如图2所示，计算公式为：
[0055]f1＝S
Domain
∩S
KDE
[0056]其中，S
Domain
表示航线所在区域的历史船舶轨迹对应的船舶领域的区域，S
...

【技术保护点】

【技术特征摘要】
1.一种低会遇冲突的航线群智能推荐方法，其特征在于，包括以下步骤：S1：基于核密度估计计算待分析船舶的轨迹区域的概率密度函数，根据概率密度函数计算待分析船舶的轨迹区域；S2：基于待分析船舶的轨迹区域的面积，通过复合粒子群优化算法对待分析船舶的航线进行推荐。2.根据权利要求1所述的低会遇冲突的航线群智能推荐方法，其特征在于：步骤S2中的具体推荐过程包括以下步骤：S201：初始化种群；S202：评估每个粒子的目标函数；S203：更新每个粒子的局部最优解；S204：更新种群的全局最优解；S205：更新每个粒子的速度和位置；S206：判断是否满足结束条件，如果是，进入S207；否则，返回S202；S207：输出最优解，根据最优解对待分析船舶的航线进行推荐。3.根据权利要求2所述的低会遇冲突的航线群智能推荐方法，其特征在于：粒子的目标函数F为：f1＝S
Domain
∩S
KDEKDE
其中，k表示子目标的序号，f
k
表示第k个子目标，w
k
表示第k个子目标的权重，S
Domain
表示航线所在区域的历史船舶轨迹对应的船舶领域的区域，S
KDE
表示待分析船舶的轨迹区域，i表示航路点的序号，W
i
表示第i个航路点，N表示航路点的数量，H(W
i
)表示第i个航路点的海平面以上高度，j表示功能区的序号，M表示功能区的数量，S表示船舶航行水域的面积，S
other,j
表示第j个...

【专利技术属性】
技术研发人员：薛晗，徐瀚辰，王永富，张恩玮，雷琦，陈志勇，欧阳军，岑毅，
申请(专利权)人：集美大学，
类型：发明
国别省市：