0 引　言

随着全球贸易的蓬勃发展以及海洋资源开发活动的不断升温，海上交通流量呈现出显著的增长趋势。在世界各大繁忙的航道，如马六甲海峡、英吉利海峡、巴拿马运河等水域，各类商船、渔船、军舰以及海洋工程船舶穿梭往来，船舶密度持续增大。这种高密度的海上交通状况使得舰船之间发生碰撞的风险急剧上升。一旦发生碰撞事故，往往会造成严重的人员伤亡、财产损失以及海洋环境污染。因此，为了保障海上航行的安全与顺畅，舰船避碰成为了航海领域至关重要的课题，迫切需要高效、可靠的避碰技术与策略。

传统的舰船避碰方法主要依赖船员的目视瞭望、雷达观测以及对国际海上避碰规则（COLREGs）的人工判断与执行。目视瞭望受限于人眼的视力范围、天气条件（如雾、雨、黑夜等）和海况，难以在远距离和复杂环境下准确察觉潜在的碰撞危险。雷达虽然能够提供目标船舶的位置、距离和速度等信息，但在处理多目标、近距离快速变化的情况时，容易出现信息过载和误判。船员对COLREGs的理解和应用也存在主观性差异，在紧张的避碰决策过程中可能无法迅速且准确地制定出最优的避碰方案。

智能算法在舰船避碰领域展现出了巨大的潜力。智能算法能够快速处理大量的传感器数据，通过数据融合技术整合来自不同传感器（雷达、AIS、GPS、气象传感器等）的信息，构建出更为全面、准确的舰船周边环境模型。国内很多学者将多项式混沌展开法、遗传算法、粒子群算法等应用到船舶避碰中，祁新宇^[1]将船舶舵角控制量和碰撞危险度作为控制对象，使用多项式混沌展开法对船舶轨迹进行控制，有效降低了船舶碰撞概率，且该模型具有较高的鲁棒性。李世友^[2]提出一种基于遗传算法的船舶避碰系统，周凤杰^[3]、倪生科等^[4]将粒子群算法和遗传算法进行有效结合，并用于船舶避碰中，取得了不错的效果，赵明丽^[5]使用模糊控制方法建立了船舶避碰控制系统。

在这些避碰方案中，遗传算法可以在众多可能的避碰方案中搜索最优解，通过不断的迭代进化找到满足避碰要求且综合性能最优的路径和航速调整策略；粒子群优化算法能够模拟群体智能行为，快速收敛到较好的避碰决策；神经网络算法则可以学习大量的避碰案例和经验，对新的避碰场景进行智能识别和决策；模糊逻辑算法能够有效处理避碰决策中的不确定性和模糊性。本文在前人研究基础上，将多种避碰算法进行有效结合，使得船舶避碰行动策略更加智能化，有效提升舰船避碰的自动化程度、准确性和适应性。

1 不同智能算法表现评估

遗传算法、粒子群优化算法以及神经网络算法均在船舶避碰中表现优异，但在构建舰船避碰系统时，需要选择合适的智能算法，并根据不同算法的特点，最终将这些算法进行有机结合，使其具有良好的避碰效果以及实时性。

1.1 环境适应性

遗传算法（Genetic Algorithm，GA）具备将复杂海洋环境因素（如水流、风力、海浪等）整合进编码与优化进程的能力，通过对众多舰船避碰路径及航速调整方案的遗传编码，依循生物进化规律进行多代筛选与进化，有望获取适应复杂环境的优良解。然而，在环境因素繁杂且相互关联复杂的情形下，算法的搜索空间将呈指数型扩张，致使计算复杂度剧增，收敛速率显著减缓。极端情况下，受限于计算资源，可能难以在合理时长内达成理想结果。

粒子群优化算法（Particle Swarm Optimization Algorithm，PSO）在复杂海洋环境中展现出较强的适应性与快速响应特性。其独特的粒子搜索与群体智能协作机制，使粒子能够依据环境信息（如水流、风浪变化）迅速调整自身速度与位置，进而快速确定适应环境变动的避碰策略，引导舰船避开危险区域，保障航行安全与高效。但当海洋环境变化剧烈且频繁时，粒子易受局部最优解的干扰。由于粒子倾向于向当前最优粒子聚拢，可能过早收敛于局部较优而非全局最优解，从而在复杂多变的环境中错失最佳避碰策略^[6]。

神经网络算法（Neural Network Algorithm，NN）凭借对大量涵盖不同海况、气象条件的舰船避碰案例数据的学习，拥有处理复杂海洋环境的能力，能够自动提取环境特征与避碰策略间的复杂非线性关系，并依据实时环境信息生成相应避碰策略。经充分训练的神经网络可依据实时水流、风力、海浪数据精准判定舰船应采取的避碰动作。不过，神经网络的性能高度依赖训练数据的质量与数量。若训练数据无法全面覆盖各类复杂海洋环境，在遭遇新的、未包含于训练集的复杂环境时，可能出现泛化能力欠缺的问题，无法精准识别环境特征并给出有效避碰策略，进而增大舰船在复杂海洋环境中的碰撞风险。

1.2 复杂场景处理能力

面对多船避碰的复杂情境，遗传算法能够综合考量各船的运动状态以及COLREGs等避碰规则，将多船间复杂的相对位置、速度关系等信息精准编码至染色体中，借助交叉、变异等遗传操作探寻全局最优的多船避碰策略，从而在理想状态下，确保各船安全避碰的同时，最大程度降低整体航行效率的损失。但随着参与避碰舰船数量的递增，算法的计算负荷将急剧攀升，可能引发早熟收敛问题，即过早陷入局部最优解，难以觅得真正的全局最优多船协调避碰方案，无疑加剧了多船碰撞的潜在风险。

在多船避碰场景中，粒子群优化算法借助粒子间的信息交互与协作，能够高效协调多船的避碰行动。每个粒子代表一种潜在的多船避碰方案，通过持续更新粒子的速度与位置，算法可在相对较短的时间内收敛至较为合理的多船避碰策略，相较于遗传算法，其收敛速度通常更快，在一定程度上能够满足多船避碰的实时决策需求。然而，在面对复杂的多船动态避碰状况时，粒子群算法可能无法充分考量所有舰船的长期运动趋势以及相互影响的细节，致使所确定的避碰策略虽能避免碰撞，但在某些情形下可能并非最优。

神经网络基于对大量历史多船避碰数据的学习，能够在多船避碰场景中迅速识别新场景的危险程度，并生成相应避碰决策，能够捕捉多船之间的复杂交互模式和COLREGs规则，从而在面对多船避碰情况时快速响应。但神经网络的决策过程难以直观阐释其决策依据与逻辑^[7]。当遭遇与训练数据差异显著的特殊多船避碰情形时，神经网络可能因无法精准匹配已学习的模式而出现误判或无法提供合理决策的情况，这在对安全性要求严苛的航海领域中可能构成潜在的安全隐患。

1.3 实时性

从实时性视角审视，遗传算法存在一定局限。由于其依赖多代迭代进化逐步逼近最优解，且每代计算均涉及大量个体的评估与操作，在紧急避碰场景中，当需要迅速决策时，遗传算法往往难以在短时间内给出有效的避碰策略。特别是在舰船高速行驶且碰撞危险突发的情况下，其计算耗时过长，无法满足舰船对实时决策的迫切需求，极有可能导致错失最佳避碰时机，增大碰撞事故发生的几率。

粒子群优化算法在实时性方面具有一定优势。其计算过程相对简洁高效，迭代速度较快，能够在较短时间内为舰船提供可行的避碰方案，使其在应对一些对实时性要求较高的避碰场景时，能够迅速做出决策，为舰船安全航行提供及时支持^[8]。然而，当舰船数量较多或环境变化异常频繁时，为确保解的质量，可能需适度增加迭代次数，这在一定程度上会对其实时性表现产生影响，可能导致决策延迟，无法完全契合极端情况下对实时性的严格要求。

一旦神经网络完成训练，在实时性方面表现尚可。对于新的避碰场景，神经网络能够通过快速前馈计算，迅速输出避碰决策，满足舰船航行过程中的实时避碰需求。然而，神经网络的训练过程通常需耗费大量时间与计算资源，且需离线进行。这意味着在实际航行中遭遇新的、未涵盖于训练过程的复杂情况时，神经网络可能无法及时更新与优化，进而可能导致其在实时避碰中的决策准确性受损，无法完全适应实际航海环境的动态变化。

2 基于智能算法的舰船避碰行动策略设计 2.1 算法仿真分析

基于对不同智能算法的分析，对3种不同算法进行深化，以适应舰船避碰行动策略设计的基本要求。

1）遗传算法-适应度函数优化

适应度函数是遗传算法筛选优良避碰方案的核心依据。对于船舶避碰，适应度函数不仅要衡量避碰方案是否能成功避免碰撞，还应考虑航行效率的损失程度。例如，在保证安全距离的前提下，尽量减少船舶不必要的转向次数和速度变化，以降低燃油消耗和航行时间的增加。同时，还需将 COLREGs 中的优先级规则纳入适应度函数的考量，确保算法生成的避碰策略符合规则要求，避免因违规避让而引发潜在危险。

2）粒子群算法-粒子初始化

在船舶避碰问题中，粒子的初始化需紧密结合船舶的当前状态和周围环境信息。每个粒子代表一种可能的避碰策略，其初始位置可根据船舶的初始航向、航速以及周围船舶的相对位置等信息进行设定。在算法运行过程中，当船舶检测到周围环境发生变化，如突然出现1艘高速行驶的快艇，粒子需要及时调整自身的速度和位置。例如，通过增大向远离快艇方向的速度分量，快速引导船舶避开危险区域。

3）神经网络算法-训练数据扩充

为了提升神经网络在船舶避碰中的性能，训练数据的质量和数量至关重要。除了收集大量真实的船舶避碰案例数据外，还可通过模拟不同海况、气象条件以及船舶运动状态的场景，生成更多的虚拟训练数据。同时，对训练数据进行增强处理，如对船舶的位置、速度、航向等信息进行随机扰动，增加数据的多样性，使神经网络能够学习到更广泛的避碰模式和应对策略。

算法仿真分析：设定1个面积为100 n mile × 100 n mile的矩形海域，其中包含不同强度的水流区域。水流速度为5 kn，设定风力为6级，海浪高度为5 m，假设有4艘不同类型的舰船在该海域航行，包括1艘大型油轮、2艘集装箱船和2艘散货船。各舰船的初始位置在海域内随机分布，初始航向在0°，初始航速在5～20 kn之间随机设定。每艘舰船具有不同的操纵性能，如转向半径、最大加速度和减速度等。安全避碰的标准设定为舰船之间的最近会遇距离（DCPA）不小于0.5 n mile，到达最近会遇点时间（TCPA）不小于5 min。设定多船会遇场景，如图1所示。

对于每种算法，在上述设定的场景下进行100次独立的模拟测试，记录每次测试中各舰船的实际航行轨迹、航速变化情况以及与其他舰船的相对位置关系。根据记录的数据进行计算，得到不同算法的避碰成功率和避碰时间，如图2所示。

对比可以发现，不同算法在舰船避碰成功率和避碰时间上呈现出多样化的表现，从避碰成功率来看，GA-PSO（遗传-粒子群）算法以90%的成功率领先，这是因为结合了遗传算法的全局搜索能力和粒子群优化算法的快速收敛优势。遗传算法能够广泛地探索解空间，避免陷入局部最优，而粒子群优化算法能够加速收敛到较优解。PSO算法本身的成功率也较高，达到85%，这得益于其简单高效的搜索机制，粒子通过跟踪自身和群体最优位置快速靠近较优解。相对而言，NN算法的成功率最低，为70%，这可能是因为神经网络对数据依赖性强，若训练数据不足或网络设计欠佳，在实际避碰场景中泛化能力受限。

从避碰时间角度分析，GA-PSO算法表现最为突出，仅需11.0 s。其计算过程主要基于简单的粒子位置和速度更新公式，无需复杂操作，因此计算速度快。PSO-NN（粒子群-神经网络）算法避碰时间为13.0 s，由于粒子群优化算法能够快速调整神经网络参数，减少了神经网络训练和预测时间。而NN算法的避碰时间最长，达到18.0 s，这是因为需要多代进化操作，包括评估、选择、交叉和变异等步骤，计算量较大。GA- PSO的避碰时间结合了2种算法优点，虽然计算复杂度有所增加，但相当于其他几种算法仍然具有优势。

以舰船避碰成功率和避碰时间为优化目标，对GA - PSO、GA-NN、PSO-NN（遗传-神经网络）3种算法的收敛速度进行仿真实验，得到的结果如图3所示，可以发现，GA-PSO算法收敛速度最快，在迭代300次左右时已经达到稳定，PSO-NN算法最慢，迭代900次达到稳定。

综合看来，相比于其他算法，GA-PSO算法在避碰时间和避碰成功率具有一定优势，且收敛速度快，因而本文将其应用于舰船避碰行动策略的制定。

2.2 基于智能算法的舰船避碰行动策略

GA-PSO算法在对路径精度要求较高的场景中优先使用，在舰船初始位置、航向和航速随机给定后，算法利用遗传算法（GA）的全局搜索能力，广泛探索整个海域可能的避碰路径。这意味着在算法运行初期，会生成大量不同走向的潜在避碰路径。随着搜索过程的进行，粒子群优化算法（PSO）开始发挥作用，能快速收敛到较优的路径方向上。在众多潜在路径中，PSO能快速筛选出那些更有可能实现避碰且航距相对较短的路径方向，引导舰船朝着这些方向航行。各舰船之间通过船载通信设备实时共享自身的位置、航向、航速、舰船类型以及操纵性能等信息。大型舰船将最大转向半径和加速度等操纵性能信息发送给周围的小型舰船，使其他舰船在规划避碰路径和航速时能够充分考虑到油轮的操纵限制。

根据舰船动力性能和当前所处海域的水流、风力情况，结合已规划好的避碰路径，对航速进行调整。在靠近潜在碰撞区域时，若发现当前路径需要舰船进行较大幅度的转向操作，可适当降低航速，以增加舰船操纵的稳定性和安全性。当舰船需要绕过由其他舰船和水流共同影响形成的复杂区域时，降低航速可以使舰船更精准地按照GA-PSO算法规划的路径航行。

图4为基于GA-PSO算法的避碰策略示意图，可以发现，在多舰船会遇情况下，不同舰船需要实时获取其他舰船位置，基于共享的信息，所有舰船的智能算法协同工作，对各自的避碰路径和航速进行综合调整，舰船A采取降速操作，舰船B采取变向操作，舰船C采取降速+变向操作，舰船D采取变向操作，这一避碰行动策略是基于当前不同舰船的位置和速度作出的。

3 结　语

舰船在复杂战场形势下进行有效避碰可以在最大程度上保证作战能力，智能算法可以基于舰船当前航速、舵角、不同舰船位置来制定最佳避碰行动策略，本文的结论主要有：

1）通过对比不同算法的避碰成功率和避碰时间，最终确定GA-PSO算法具有最高的避碰成功率和最短的避碰时间，GA-PSO算法有90%的避碰成功率，比PSO-NN和GA-NN算法更高，在避碰时间上，GA-PSO算法为11 s，也要优于其他算法，GA-PSO算法迭代300次左右已经达到稳定，其迭代速度更快，能够更加快速地制定舰船避碰策略；

2）在设定好的仿真条件下，基于GA-PSO算法制定舰船避碰行动策略，在实时获取其他舰船位置的前提下，可以通过调整不同舰船的行进方向和速度来实现避碰的目的。