0 引　言

船舶在运行和管理过程中由于信息缺失、传递不及时、管理不恰当等因素导致的信息不全面引发船舶风险被称为船舶信息风险，一旦船舶信息产生风险，极容易造成船舶偏航、触礁、碰撞等操作不当问题，以及通信中断、管理混乱等，导致船舶事故发生，产生不可估量的生命财产损失^[1,2]。及时准确地评估船舶信息风险，可第一时间了解船舶当前的信息情况，以及风险性质及程度，结合针对性的措施进行风险防范与管控，可有效确保船舶安全运行^[3,4]。

针对船舶信息风险评估问题，众多学者展开相关研究，范中洲等^[5]的船舶信息风险评估利用改进集对分析法完成，建立风险评价指标体系，依据层次分析法和熵权法计算各指标主客观权重，经组合赋权后，通过优化后的集对分析法实现风险的量化评估。杜沛等^[6]对于船舶信息风险评估是基于环境要素，选取环境的动态因素和静态因素作为评估因子，经层次分析法获取多种评估因子的权重后，通过地理信息系统可视化生成船舶信息风险评估分布图。上述2种方法均可实现风险评估，但均存在评价指标选取不全面及选取片面性不足，同时通过计算指标权重实现风险评估存在一定主观性，导致评估结果存在一定差异。

组合优化算法是有效结合多种优化算法的优势，共同实现优化的目的，本文针对船舶信息风险评估问题，有效组合模糊C均值聚类算法和遗传算法对基于RBF神经网络的船舶信息风险评估模型进行优化，合理量化船舶的信息风险，便于风险及时管控。

1 基于组合优化算法的船舶信息风险评估 1.1 船舶信息风险指标体系构建

船舶信息风险评估时，选取潜在的影响因素建立船舶信息风险评估指标体系是准确评估的基础，由于船舶信息风险通常涉及到船舶通信、环境、管理及人员操作等多个方面，例如，船舶通信设备故障或存在通信干扰，可能导致船舶失去与外界的信息交互，影响船舶行驶安全；船舶航行区域环境的安全形势、遭遇极端情况频率情况，会在一定程度上影响船舶的安全和可靠性，影响船舶信息风险；船舶信息管理出现问题可能导致船舶航行时，控制不当或失去控制，增加船舶事故的风险；船舶人员操作失误可能引起航行碰撞导致货物损失或人员伤亡等。为此选取上述影响因素构建船舶信息风险评估指标体系，结果见图1。

通过船舶领域相关专家和技术人员依据船舶的实际情况对各个指标的等级和数据进行设定，具体指标等级划分及区间数值情况如表1所示。

1.2 组合优化算法改进RBF的船舶信息风险评估 1.2.1 基于RBF神经网络的船舶信息风险评估

径向基函数（RBF）神经网络作为一种只有一个隐含层的前馈型神经网络，其包含输入、隐含与输出层，其结构见图2。将构建的指标体系中的船舶信息风向指标数据作为输入层的输入，数据经隐含层映射操作后，通过输出层输出评估得到船舶信息风险等级。设定维度为$ n $的输入层由船舶信息风险指标数据$ X = {\left[ {{x_1},{x_2}, \cdots ,{x_n}} \right]^{\rm{T}}} $构成，维度为$ S $的隐含层空间由径向基函数$ \varphi (x) = {\left[ {{\varphi _1}(x),{\varphi _2}(x), \cdots ,{\varphi _S}(x)} \right]^{\rm{T}}} $构成，同时隐含层激励函数选取高斯函数，表达式为：

$ \varphi ({x_i},{v_k}) = \exp \left( { - \frac{1}{{2\sigma _k^2}}{{\left\| {{x_i} - {v_k}} \right\|}^2}} \right)。$

(1)

式中：$ \sigma _k^{} $为基函数宽度；$ {v_k} = \left[ {{v_1},{v_2}, \cdots ,{v_S}} \right] $为隐含层第$ k $个神经元的中心向量。

由各指标获取的船舶信息风险评估结果获取输出层输出为$ Y = {\left[ {{y_1},{y_2}, \cdots ,{y_n}} \right]^{\rm{T}}} $，则RBF神经网络的输出可表示为：

$ {y_i} = \sum\limits_{k = 1}^S {{w_{ik}}} \varphi ({x_i},{v_k}) + {\varepsilon _i} 。$

(2)

其中，$ {w_{ik}} $和$ {\varepsilon _i} $分别为隐含层第$ k $个神经元与输出层第$ i $个神经元之间的连接权值向量和偏差。

1.2.2 组合优化算法的RBF参数优化

1）基于FCM的隐含层中心向量选取

隐含层中心向量作为RBF神经网络输入层到隐含层的连接权向量，可有效处理网络输入的船舶信息风险评估指标到输出评估结果之间复杂的、非线性的映射关系。如果选择的中心向量不合适，可能会导致网络在船舶信息风险评估过程中的性能不佳，甚至无法收敛。因此，需通过一定的算法对中心向量进行选取。本文选取模糊C均值聚类算法（FCM）对网络隐含层中心向量进行选取，使得网络性能得到提高。

FCM的聚类样本为$ X = {\left[ {{x_1},{x_2}, \cdots ,{x_n}} \right]^{\rm{T}}} $，设定模糊聚类矩阵为$ {\boldsymbol{U}} = {\left[ {{u_1},{u_2}, \cdots ,{u_n}} \right]_{c \times n}} $，其中$ c $为聚类$ X $时的聚类数；通过$ c $个聚类中心向量组建的矩阵表示为$ {\boldsymbol{V}} = {\left[ {{v_1},{v_2}, \cdots ,{v_c}} \right]_{s \times c}} $；样本$ {x_j} $与中心$ {v_i} $的欧式距离可表达为$ {d_{ij}} = \left\| {{x_j} - {v_i}} \right\| $，$ {d_{ij}} $与相似性成反比。在通过FCM聚类进行隐含层中心向量选取时，聚类结果的优劣取决于是否可以达到目标函数$ J(U,V) $最小，表达式为：

$ J(U,V) = \sum\limits_{i = 1}^c {\sum\limits_{j = 1}^n {u_{ij}^md_{ij}^2} }。$

(3)

其中，$ u_{ij}^{} $为第$ j $个样本$ {x_j} $隶属于类别$ i $的隶属度值。

FCM实现中心向量选取的步骤如下：

步骤1　设定聚类数$ c $、模糊指数$ m $，收敛精度$ \psi $、最大迭代次数$ g $。

步骤2　遵循随机性原则选取初始值$ c $组，对各类中心$ {V^{(0)}} $进行初始化操作。

步骤3　更正隶属度矩阵$ {{\boldsymbol{U}}^{(g + 1)}} $，方式如下：

$ {{{U}}^{(g + 1)}}={u_{ij}}{\left[ {\sum\limits_{r = 1}^c {{{\left( {\frac{{{d_{ij}}}}{{{d_{rj}}}}} \right)}^{\frac{2}{{m - 1}}}}} } \right]^{ - 1}}，$

(4)

步骤4　计算聚类中心$ {V^{(g + 1)}} $，并使$ g = g + 1 $，方式如下：

$ {V^{(g + 1)}}={v_i}\frac{{\sum\limits_{j = 1}^n {u_{ij}^m{x_j}} }}{{\sum\limits_{j = 1}^n {u_{ij}^m} }} 。$

(5)

步骤5　依据式（3）计算目标函数值，并反复步骤3～步骤5，直至符合公式终止条件$ \left\| {{J^{(g)}} - {J^{(g - 1)}}} \right\| \leqslant \psi , g \geqslant 1 $后，输出RBF神经网络隐含层中心向量矩阵。

2）基于遗传算法的参数优化流程

步骤1　采用实数编码方式对RBF神经网络的$ \sigma $和$ w $这2种参数进行编码，将待优化参数与实数进行一一对应，构建长度为的$ n $染色体串。

步骤2　以随机方式生成初始种群。

步骤3　评估种群中各染色体串，依据RBF网络输出层输出的船舶信息风险评估结果的平方误差倒数建立染色体串的评估函数。

步骤4　通过遗传算法对种群执行选择、交叉、变异操作，以便生成新的种群。

步骤5　对种群进行不断评估，直至符合设定精度抑或达到迭代次数上限时停止，找到全部种群中最优个体，作为利用遗传算法搜寻到的RBF神经网络最优参数值，即隐含层基函数宽度$ \sigma $、权值向量$ w $，利用达到最优结构的RBF神经网络，以1.1节的船舶信息风险评估指标为输入，输出船舶信息风险等级，完成船舶信息风险评估。

2 结果与分析

以某海域的船舶编队的6艘船舶为实验对象，应用本文方法对其信息风险进行评估，以其提出针对性建议，提升该船舶编队的航行安全性。设置RBF神经网络的输入节点数量为17，输出节点数量为1。

为验证本文基于组合优化算法的船舶信息风险估方法实际应用效果。使用该船舶编队中的6艘船舶的风险指标数据作为RBF神经网络的评价模型输入样本数据，对其进行训练和测试。本文方法对6艘船舶的信息风险进行评估，评估结果见图3。分析可知，应用本文方法进行该船舶编队的6艘船舶信息风险评估与专家获取的实际评估风险等级一致，表明本文方法具有较高准确性和可靠性。从评估结果可看出，船舶1和船舶6的风险值较高，风险等级为一般风险，表明这2艘船舶的信息风险最大。而船舶2的风险等级最低，为低风险，表明其信息风险最小。根据风险值的评估结果，可对船舶进行排序，优先关注风险值较高的船舶，采取相应的措施进行风险控制和管理，从而提高整个编队的安全性和可靠性。

为进一步分析导致船舶6产生信息风险较高的原因，以及本文方法应用组合优化算法进行RBF神经网络优化的效果，以船舶6为例，结果如图4所示。分析可知，组合优化算法应用前后，RBF神经网络获取各指标的大部分评估分值差距不大，在指标1、指标3、指标5、指标9、指标17处存在不同程度的差距，结合图3专家给出的实际风险值发现，应用组合优化算法后的RBF神经网络评估分值更准确，几乎与实际风险值一致。原因在于本文有效结合了FCM算法和遗传算法形成组合优化算法对RBF神经网络进行优化，可显著提高网络的风险评估精度，助力精准分析船舶信息风险情况。同时可知，影响船舶6产生的信息风险较高因素主要为管理因素中的船舶信息管理制度和应急反应能力，以及通信因素中的通信设备类型，因此为提升船舶6抵抗信息风险的能力，应及时完善该船舶的信息管理制度，加强信息管理的应急反应能力，并及时更换通信能力更强的船舶通信设备。

3 结　语

船舶信息风险评估是预防因信息不全导致船舶事故和降低船舶航行风险的关键技术，人工智能技术迅猛发展的今天，有效利用高端技术进行船舶信息风险评估具备显著优势。本文采用基于组合优化算法的船舶信息风险评估方法，综合考虑多种因素，结合组合优化算法和RBF神经网络实现风险的准确评估，并且可详细分析出导致船舶产生高风险的原因，以便及时采取针对性措施进行风险防护。