0 引　言

在海上交通运输的日益繁忙背景下，船舶密度持续增加，导致通航环境日趋复杂。此背景下，海上交通安全，尤其是船舶避碰问题，已成为航运界关注的重点^[1]。船舶碰撞事故不但会带来重大的生命财产损失和环境污染，还会对区域经济产生深远影响。以往船舶避碰决策主要依赖于驾驶员根据航海经验、目测、雷达以及《国际海上避碰规则》（COLREGs）等实现，但此类人为主观决策仍然可能因驾驶员的人为因素导致出现碰撞事件。故而，研究智能化、自动化的避碰决策方法，以辅助甚至部分替代驾驶员进行驾驶决策，对于提升航海安全、降低人为失误风险、实现智能航运具有关键意义^[2]。

目前，已有部分国内外学者针对此方面展开了相关研究。例如：关巍等^[3]通过深度强化学习模型，令智能体通过与环境的交互自主学习避碰策略。但其决策性能过度依赖奖励函数，易导致模型收敛到过早复航等次优甚至危险的策略，决策可靠性不足。张立华等^[4]研究一种有效顾及复杂海域避碰的路径规划方法，通过划分危险度指标、预测航迹并筛选出危险度最小的路径，最终合成最优避碰路径。但该方法过度依赖模型假设与固定规则，在复杂动态环境中适应性不足，可能导致避碰决策滞后或失效。徐言民等^[5]利用改进麻雀搜索优化算法优化求解多船避碰路径。但该算法属于元启发式算法，在求解复杂约束问题时，会因收敛过快或搜索不充分而陷入局部最优，安全余量不足。张可等^[6]通过预测他船的未来轨迹，评估船舶的碰撞风险，生成对应的避碰决策。但在实际复杂航行环境下，他船轨迹的不确定性极易产生预测偏差，导致该方法的避碰决策存在风险。

模糊隶属度函数通过将精确的输入数据转化为属于不同模糊集合的隶属度，实现了对复杂、不确定概念的定量描述^[7]。PSO-GA混合优化算法通过将粒子群算法的高效局部搜索能力与遗传算法的强大全局探索能力相结合，以解决复杂优化问题。因此，综合以上分析，本文研究了一种结合模糊隶属度函数与PSO-GA算法的船舶驾驶智能避碰决策方法。

1 船舶驾驶智能避碰决策方法 1.1 船舶会遇态势分析

船舶会遇态势分析是明确船舶避让责任的核心前提，需严格依据《国际海上避碰规则》（COLREGS），结合本船（OS）与目标船（TS）的相对方位，精准辨识对遇、交叉相遇、追越三类典型会遇局面，划分避让责任主体。船舶会遇态势如图1所示。

图中，以本船为观测基准，结合船舶相对方位划分的会遇区域及对应责任如下：

1）对遇局面 （E区）：两船应各自向右转向。

2）交叉相遇局面 （A、B区）：本船为让路船，须采取右转或减速等避让行动。

3）交叉相遇局面 （D区）：目标船为让路船，本船应保向保速。

4）追越局面 （C区）：根据两船速度关系确定追越船与被追越船，追越船应承担避让责任。

1.2 基于模糊隶属度函数的船舶碰撞危险度评估

船舶碰撞危险度（CRI）是判断船舶会遇是否存在碰撞风险、是否启动避碰操作的核心依据，当CRI达到设定阈值时，需由让路船立即执行避碰动作。本研究选取舷角、船速比、最近会遇距离（DCPA）、最近会遇时间（TCPA）四大关键影响因素，通过构建模糊隶属度函数^[8]实现船舶碰撞危险度的精准量化，各函数参数及定义如下：

1）舷角隶属度函数$ {s}_{\alpha } $：目标船舷角直接影响碰撞风险，且右舷来船危险度大于左舷，正横前来船危险度大于正横后。该隶属度函数可表示为：

$ {s}_{\alpha }=\begin{cases} \frac{1}{{\left(\displaystyle\frac{\alpha }{{\alpha }_{0}}\right)}^{2}+1},0\leqslant \alpha \lt 180{^{\circ}}，\\ \frac{1}{{\left(\displaystyle\frac{360{^{\circ}}-\alpha }{{\alpha }_{0}}\right)}^{2}},180{^{\circ}}\leqslant \alpha \lt 360{^{\circ}}。\end{cases} $

(1)

式中：$ \alpha $为目标船相对于本船的舷角；$ {\alpha }_{0} $为舷角修正系数；该系数与船舶的实际船速比$ \kappa $相关。当$ {\alpha }_{0}=40{^{\circ}} $时，$ \kappa ＜1 $；当$ {\alpha }_{0}=90{^{\circ}} $时，$ \kappa =1 $；当$ {\alpha }_{0}=180{^{\circ}} $时，$ \kappa ＞1 $。

2） 船速比隶属度函数$ {s}_{\kappa } $：船速比越大，船舶相对运动趋势越剧烈，碰撞风险越高，该隶属度函数的表达式为：

$ {s}_{\kappa }=\frac{1+2\kappa }{{\kappa }^{2}+1+2\sin \beta }。$

(2)

式中：$ \kappa $为船舶的实际船速比；$ \beta $为船舶的会遇角度参数；用于精准表征船速差异对碰撞危险的影响程度。

3）DCPA隶属度函数$ {s}_{DCPA} $：DCPA作为船舶碰撞危险度的核心指标，其值越低代表船舶的碰撞危险度越高。该隶属度函数为：

$ {s}_{DCPA}=\left\{\begin{aligned}& 1，|DCPA| \lt {l}_{1}，\\ &{\left(\displaystyle\frac{{l}_{2}-|DCPA|}{{l}_{2}-{l}_{1}}\right)}^{3.0}，{l}_{1}\leqslant |DCPA| \lt {l}_{2}，\\ &0，{l}_{2}\leqslant |DCPA|。\end{aligned}\right. $

(3)

式中：$ {l}_{1} $与$ {l}_{2} $分别为船舶的最低安全会遇距离与安全会遇的距离阈值。

4）TCPA隶属度函数$ {s}_{TCPA} $：TCPA指标作为船舶碰撞危险度的时间维度指标，其值越低代表船舶碰撞的危险度越高。其隶属度函数定义为：

$ {s}_{TCPA}=\left\{\begin{aligned} &1，TCPA \lt {t}_{1}，\\ &{\left( \displaystyle\frac{{t}_{2}-TCPA}{{t}_{2}-{t}_{1}}\right)}^{3.03}，{t}_{1}\leqslant TCPA \lt {t}_{2}，\\ &0，TCPA\geqslant {t}_{2}。\end{aligned} \right.$

(4)

式中：$ {t}_{1} $与$ {t}_{2} $分别为由最晚施舵点至最近船舶会遇点的时间与船舶碰撞危险度的起始时间。式中，$ {t}_{1}= \frac{\sqrt{{l}_{1}{}^{2}-DCP{A}^{2}}}{{\nu }_{\lambda }} $，$ {\nu }_{\lambda } $为相对于本船的目标船的相对速度。

结合航海实践规律，如果DCPA比安全会遇距离大，即使TCPA极小船舶也无碰撞风险，因此可得船舶碰撞危险度$ CRI $公式为：

$\begin{split}CRI=\left\{\begin{aligned} &0,{s}_{DCPA}或{s}_{TCPA}=0，\\ &{\omega }_{\alpha }{s}_{\alpha }+{\omega }_{\kappa }{s}_{\kappa }+{\omega }_{DCPA}{s}_{DCPA}+{\omega }_{TCPA}{s}_{TCPA},\\&\qquad{s}_{DCPA}和{s}_{TCPA}\in \left(0,1\right)，\\ &1,{s}_{DCPA}或{s}_{TCPA}=1。\end{aligned}\right. \end{split} $

(5)

式中：$ {\omega }_{\alpha }、{\omega }_{\kappa }、{\omega }_{DCPA}、{\omega }_{TCPA} $分别为上述4个模糊隶属度函数的权重。

1.3 船舶驾驶智能避碰决策

在通过1.2节模糊隶属度函数完成碰撞危险度评估，并结合1.1节船舶会遇态势分析明确避让责任后，采用PSO-GA混合优化算法搜索最优避碰航线，该算法兼顾避碰安全性与航行经济性，通过约束条件设定、适应度函数构建及分步执行，实现船舶驾驶避碰决策的智能化与实操性。

首先，设定船舶新航向航行时间约束。在此约束下，将船舶在新航向上的航行时间限制在$ \left[{t}_{\min },{t}_{\max }\right] $的范围内。如果船舶的航行时间过短，他船不能精准预判本船行动，导致操纵难度升高；相反，如果船舶的航行时间过长，则会令船舶过度偏离原航线。因此，通过此时间约束，令船舶在避碰完成后立即复航回归初始航向。然后，设定船舶转向幅度约束。将船舶避碰转向幅度限定在$ \left[30{^{\circ}},60{^{\circ}}\right] $的区间内，避免转向角度过大影响船舶稳定性，同时保障船舶驾驶避碰动作的平稳可控。

依据COLREGS要求及船员、航海专家的先验知识，在船舶速度约束（不超过船舶最大航行速度）和航行位置约束（不超出通航水域范围）内随机生成避碰航线，构成初始种群，确保种群个体（各避碰航线）符合实际航海场景要求。结合船舶安全性目标函数与经济性目标函数构建算法的适应度函数。其中，船舶安全性目标函数$ {F}_{1} $以避让重点船舶（即DCPA值最小的目标船）为核心目标，经济性目标函数$ {F}_{2} $以降低船舶航行成本、保障航线平滑为目标。两种目标函数的运算式为：

$ \left\{\begin{aligned} &{F}_{1}=\frac{1}{1+\overset{M}{\underset{j=1}{\min \left(DCP{A}_{ij}\right)}}}，\\ &{F}_{2}=\left\{\begin{aligned} &{f}_{1}=\frac{1}{{\nu }_{0}t\sin {\chi }_{i}+1}\\ &{f}_{2}=\frac{{\chi }_{i}-30{^{\circ}}}{30{^{\circ}}}。\end{aligned}\right. \end{aligned}\right. $

(6)

式中：$ M $为会遇目标船的总数量；$ {\nu }_{0} $为船舶的航行速度；$ {\chi }_{i} $为船舶的转向幅度；$ DCP{A}_{ij} $为避碰航线个体$ i $同目标船$ j $的最近会遇距离。

因安全性与经济性目标函数的值域一致，可通过分配权重系数将多目标优化问题转化为单目标问题，表达式为：

$ \min F(x)={\omega }_{{{F}_{1}}}{F}_{1}+{\omega }_{{{f}_{1}}}{f}_{1}+{\omega }_{{{f}_{2}}}{f}_{2}。$

(7)

式中：$ {\omega }_{{{F}_{1}}}、{\omega }_{{{f}_{1}}}、{\omega }_{{{f}_{2}}} $分别为各函数的权重。

PSO-GA算法船舶驾驶避碰决策流程如图2所示。

步骤1　数据初始化。获取本船与所有目标船的基础航行数据，包括航向、航速、相对距离、相对速度等核心参数。

步骤2　会遇态势分析。分析船舶的会遇态势，无会遇船舶时本船保向保速航行，存在会遇船舶则进入下一步。

步骤3　避让责任确认。通过运算船舶碰撞危险度$ CRI $值确定重点避让船，同时，结合COLREGS规则划分责任，直航船保向保速，让路船进入避碰程序。

步骤4　算法启动阈值。当$ CRI\geqslant 0.5 $时，判定船舶为高碰撞风险，正式启动PSO-GA混合优化算法。

步骤5　算法初始种群设置。设定算法迭代次数与粒子数量等参数，基于规则与经验生成符合所设定的船舶新航向航行时间与转向幅度约束条件的初始避碰航线种群。

步骤6　最优位置筛选。计算每个避碰航线粒子的适应度值$ F(x) $，对比确定避碰航线粒子的个体最优位置与种群全局最优位置。

步骤7　避碰航线种群优化更新。引入遗传算法（GA）的变异交叉操作优化全部避碰航线粒子，再次对比避碰航线粒子的个体最优位置与全局最优位置，更新全局最优位置。

步骤8　智能避碰决策实现。更新避碰航线粒子速度和位置，同时将航线搜索中心限定在个体最优值与全局最优值最大距离的中间位置，确保避碰航线平滑，最终智能搜索到最优避碰航线，实现船舶驾驶的智能避碰决策。

步骤9　船舶复航。完成智能避碰决策的操作后，船舶立即执行复航动作，回归起始设定航向继续航行。

2 实验与结果分析

选取一艘集装箱船作为实验本船（OS），其航速为16.5kn，起始位置为(0,−3)，航向为0°；目标船（TS）的航速为17.5 kn，起始位置为(2.4,−2)，航向为295°。2艘船的起始会遇态势如图3所示。

由图3中2艘船的会遇态势可以看出，假设这2艘船均遵守COLREGS规则，那么，实验本船应给该目标船让路。也就是在2艘船之间的碰撞危险度（CRI）值到达设定阈值（0.5）时，启动本文方法中的PSO-GA算法执行最优避碰航线搜索任务，以此得到智能避碰决策，指引本船驾驶并成功避让目标船。

实验中本文算法的关键参数设定情况如表1所示。

为验证本文方法在船舶驾驶避碰决策中的优越性，将其与深度强化学习方法、改进麻雀搜索优化（CSSOA）方法（文献[3]、[5]）在相同实验场景下进行对比。各方法的本船避碰决策对比结果如表2所示。

可知，本文方法的PSO-GA算法为实验本船得到的平均最优决策为右转30.5°，同时在此新航线上航行0.16 h之后复航。结合两艘船的起始位置、航向及会遇态势等可知，目标船位于本船的右前方，此为交叉相遇局面，且本船需避让目标船。依据COLREGS规则，本船需向右转向，以此令其由目标船的船尾通过，实现避让。因此，本文方法所得避碰决策可行，同时，本文避碰决策下的平均最优适应度值（0.2458）明显低于两个对比方法，并且仅需10代即可完成迭代收敛，验证了本文PSO-GA算法在全局优化及搜索效率上的综合优势。

为检验不同方法所得实验本船驾驶避碰决策的安全性，对实验本船执行各方法所得最优决策后同目标船之间的CRI值进行运算，结果如图4所示。

可以看出，在起始设定下，实验本船与目标船在共同出发后第0.10 h时的CRI值可达到0.65，高出设定阈值，此时需启动避碰决策，否则后续会产生碰撞，CRI值可升高至1.0。在第0.10 h启动各方法的避碰决策后，两船的CRI值均较起始设定情况明显下降。其中，在本文方法的最优决策下，随着本船执行右转机动，两船距离持续增大，CRI值持续下降，在到达复航点时，即本文决策的0.16 h时，CRI值已降至0.03的极低水平，证明此时两船碰撞危险已完全消除，此决策是高度有效和安全的。而在深度强化学习方法的决策下，虽然转向幅度足够，复航点之前CRI值降低较快，但在未完全让清目标船的情况下就过早恢复航向，导致复航后两船距离再次被拉近，CRI出现反弹。这表明该方法的决策复航时机不恰当，会造成二次碰撞风险。在CSSOA方法的决策下，转向幅度不足，在避碰中期CRI仍高达0.52，未能迅速将风险降至安全水平以下，危险状态持续时间长；且0.28 h复航时CRI仍为0.13，远高于本文方法的0.03，安全余量明显不足。

通过实验本船执行各方法决策下与目标船的航线情况，更直观地呈现各方法决策下实验本船与目标船的避碰情况，如图5所示。

可以看出，在本文方法的避碰决策下，实验本船在新的航向上稳定航行0.16 h，此阶段本船航线与目标船航线明显分离，两船距离逐渐拉大，直至本船由目标船的船尾通过后，本船复航回归原有航线航行，有效避免了碰撞。而在深度强化学习方法决策下，本船过早复航，导致其航线在目标船船头前方穿过，与目标船航线的最近会遇距离显著减小，这直观地解释了图3中其CRI出现反弹的原因。在CSSOA方法决策下，本船因转向不足，导致两船航线的间距始终未能有效拉开，形成了长时间的近距离共航局面，这与其CRI值居高不下、安全余量不足的分析结果相对应。

3 结　语

为避免船舶航行中与其他船舶产生碰撞事件，本文针对一种基于模糊隶属度函数的船舶驾驶智能避碰决策方法展开研究，主要研究内容及实验结果分析如下：

1）本文基于船舶的舷角、船速比、DCPA与TCPA构建的模糊隶属度函数，可准确量化碰撞危险度（CRI），为避碰时机判断提供了科学依据。

2）本文的PSO-GA算法在收敛速度与求解质量上均优于对比方法，能以更少迭代次数（10代）获得更优适应度值（0.2458），展现出高效的全局寻优能力。

3）寻优所得最优避碰决策（右转30.5°，航行0.16 h）在严格遵循COLREGs规则的同时，实现了安全性与经济性的统一，成功将船舶的碰撞危险降至可忽略水平（CRI=0.03）。

4）相较于深度强化学习的过早复航与CSSOA的转向不足等决策缺陷，本文方法通过模糊评估与混合优化的有效融合，生成了更为合理、稳定的船舶驾驶智能避碰方案。

本研究可为船舶驾驶中的智能避碰提供可靠的决策支撑，对提升船舶航行安全性具有重要意义。然而，本方法目前仍存在一定局限性，例如模糊隶属度函数中的权重与阈值设定仍部分依赖专家经验，自适应与在线学习能力有待提升；PSO-GA混合优化算法的参数设置对求解效率与质量较为敏感，尚未建立面向不同会遇态势的自适应参数调整机制。未来研究中，可以结合强化学习或在线学习机制，实现模糊参数与优化权重的自适应动态调整，并进一步融合船舶动力学约束、环境扰动等实际因素，提升决策方案的工程可实施性与鲁棒性。