前言：本站為你精心整理了遺傳算法下船舶網絡優化調度探究范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要:船舶航行使用自動化控制網絡，網絡信息的傳輸影響船舶航行狀態，因此研究改進遺傳算法的船舶網絡優化調度方法。構建基于高層控制器局域網絡協議（TTCAN）的船舶網絡結構，分析高層控制器局域網絡協議，在船舶網絡的拓撲結構基礎上，確定船舶控制網絡矩陣周期中報文傳輸抖動最小為優化調度目標，利用模擬退火算法改進遺傳算法，抑制遺傳算法過早收斂情況，獲取船舶網絡矩陣周期報文傳輸抖動最小值，提高船舶網絡通信質量。在模擬試驗平臺中對實際船舶控制網絡開展試驗，證明該方法報文傳輸時路徑最短，能夠有效節約傳輸時間，即使在惡劣天氣條件下仍然能保證報文傳輸效率，確保船舶平穩航行。

關鍵詞：改進遺傳算法；船舶網絡；優化調度；TTCAN；模擬退火算法

0引言

船舶在海上航行過程中，面臨復雜多變的海上環境，通信的重要性逐漸顯露出來[1]。現代船舶航行已經無需人工駕駛，只需要專業人員控制數控設備，就能實現船舶的控制航行，航行規劃、故障識別、動力控制都可以通過船舶自身的控制系統，經通信傳輸渠道實現控制，保證船舶的平穩航行[2–4]。只有合理調度船舶網絡，實現整體控制系統的操控，才能確保船舶穩定、正常在海面上安全航行。調度被廣泛應用于交通通信的領域之中，調度會結合計算機科學、人工智能技術、生產管理科學等多個領域的技術，實現綜合統籌應用[5]。在船舶控制系統中，通過網絡實現整個船舶數據信息的共享與管理，確保船舶的高效運行。目前已經有眾多研究者在船舶網絡優化調度方面作出研究，鮑勁松等[6]提出以遺傳算法作為基礎，優化調度網絡，但是由于容易過早陷入最優解，導致優化調度效果不盡如人意。徐詩鴻等[7]提出基于模擬退火算法的船舶網絡優化調度，但是模擬退火算法的優化效率較差，所以調度效果仍舊需要進一步研究。本文研究改進遺傳算法的船舶網絡優化調度方法，通過網絡調度實現報文傳輸抖動最小，并利通過改進遺傳算法，提升遺傳算法的搜索效率，獲得最佳調度結果。
1改進遺傳算法的船舶網絡優化調度

1.1基于高層控制器局域網絡協議的船舶網絡結構

1.1.1高層控制器局域網絡協議分析。本文所研究的船舶網絡是一種高層控制器局域網絡（TTcontrollerareanetwork,TTCAN）協議，作為一種高層的協議，TTCAN已經將CAN總線內的全部信息實現通信，同時將全網絡的虛擬時鐘展現出來[8?9]。網絡中的數據傳輸需要一個特定的時間窗口，同時管理并預測網絡上的信息。以時間作為判斷依據TTCAN上有一個主節點，利用計數器實現節點時間副本完整存儲，計數器間隔1個單位累加1個點。TTCAN組成結構包含時間槽與時間窗口，單個信息經時間窗口就能完成在網絡中節點的傳輸[10]。TTCAN內具有矩陣周期，矩陣周期的起、始分別為同步信息初始發布與第2個信息出現的點。船舶網絡的通信調度結構由矩陣周期決定，網絡中調度的未來發展由周期性執行矩陣周期確定，幫助優化調度結果適用于船舶網絡。1.1.2船舶網絡拓撲結構。使用模擬退火遺傳算法優化TTCAN內的矩陣周期，確保船舶網絡內的報文信號具有最低傳輸抖動。船舶正常運行需要多個控制網絡支持，包括數個子控制網絡，這些子控制網絡共同運作形成一個總的控制網絡，實現船舶的航行控制，指令一旦發出，相關設備具有在規定時間之內作出響應，否則影響船舶正常航行，出現重大安全事故[1]。船舶的控制網絡中，不同節點對于報文傳輸時效的要求不同，從這一角度出發，選取高速和低速2種TTCAN協議構建整個船舶控制網絡的拓撲結構（見圖1）。

1.2模擬退火遺傳算法的船舶網絡矩陣優化調度

1.2.1船舶網絡優化調度目標。船舶控制TTCAN網絡內的矩陣周期分為節點傳輸周期與非周期2種不同的報文信息，這2種報文的內部也各自存在差異：周期性報文歷次傳輸過程中，所設定的周期存在差異；傳輸時間方面，非周期性報文無法確定標準，這種情況造成實例存在差異關系的情況下，即使是相同周期性報文，會出現周期與時間間隔不對等的情況，也就是說，船舶控制網絡之中的報文傳輸實際時刻與預計時刻之間出現顯著差值，這種差值在船舶網絡優化調度過程中被稱為報文傳輸抖動，通過下式表示：Miii=1,2,3,···,nit0itai,ktei,kik其中：代表第個報文的傳輸周期，，第0個實例第個報文的傳輸時間開端描述為，與分別為第個報文第個實例實際與預計開始傳輸時間。對式（1）作出分析，矩陣周期的全周期之內，使用式（3）描述船舶控制網絡之中的全部報文傳輸抖動情況：minJOS船舶網絡優化調度使用一種優化算法，實現報文傳輸抖動值最低，也是船舶網絡優化調度的最終目標。1.2.2基于模擬退火遺傳算法的調度優化。遺傳算法尋優能力極強，尋優過程中考慮全部種群，但是該算法尋優過程中會出現提前進入最優解的情況，出現較差搜索效率。模擬退火局部搜索能力較強，但是搜索效率較差。2種算法各有所長也各有不足，將2種算法結合到一起，模擬退火遺傳算法詳細步驟如下：Ti=infi步驟1給出算法參數，將退火初始溫度設定成一個足夠大的數，進化代數設定為0。步驟2隨機生成初始化種群，設定為Gi，該種群也是通過方案部署獲得的可行解集合。pc步驟3執行交叉算子和變異算子。初步篩選原始群體，利用交叉概率隨機選取該群體中的2個個體，交換隨機部分染色體，產生2個全新的個體便是執行后的交叉算子。使用預設概率改變染色體基因叫做執行變異算子，假設在父代染色體的隨機位置上發生基因變異，生成子代染色體，該染色體會替換父代染色pcpmpcpm體。執行交叉算子與變異算子的最終目的是抑制早熟收斂，隨著適應值的變化，交叉概率與變異概率都會發生改變，如果陷入局部極值，個體中較大適應值的部分也會出現變異概率和交叉概率的增大，這樣就能實現過早收斂的抑制。根據這些分析，使用式（4）和式（5）分別定義交叉概率與變異概率：fmaxfminˉffc1c2c3c4(0,1)fffmaxfminpcpm(fmax?f)(fmax?ff)式中：與分別用于描述最大與最小適應值；與分別代表平均適應值與交叉個體較大適應值；，，，均屬于，用于描述變異適應值，通過與之間的差值表示種群穩定性，同時也能抑制算法過早收斂，但是卻不能實現優良個體保存，該差值會使與發生變化，與能調整該變化，實現收斂抑制與最優解尋找。f(x)fitness(f(x))步驟4計算適應度函數。適應度函數能夠衡量尋優程度，所以恰當的適應度函數也是迭代的評估標準，將等待求解的矩陣內各報文實例的目標函數，向適應度函數轉化，則有下式：F(Gi′使用式（6）獲得全新種群適應度)。步驟5使用式（7）計算退火增量：F(Gi)?FGi′?Fexp[?(?F/Ti)]Gi′Gi′式中，表示原始種群適應度函數。假如小于0，可以將作為下一代種群，如果不小于0，通過概率將作為下一代種群。如果不被接受成為下一代種群，跳轉至步驟3，重新獲得全新種群。步驟6退溫。模擬退火算法參數見下式：步驟7對進化結束條件作出判斷，如果滿足結束條件就可以輸出最優個體，結束計算，如果不滿足結束條件需要重新跳轉至步驟3，設定進化初始種群為。該算法隨機生成初始化種群，并隨機執行交叉與變異，獲得子代個體，該個體與父代個體發生競爭，保留更加優良的個體，避免算法出現早熟情況。迭代進化的推進，溫度發生下降，不會再接受劣質解，通過模擬退火算法的爬山特性使得遺傳算法具有更加良好的收斂速度。

2模擬試驗

以我國自主建造的大型船舶作為研究對象，該船長度為323.6m，船身高度為72.2m，最大吃水量與最大航速分別為8.55m與22.6kn/h。收集該船舶控制網絡的相關數據參數，設定255kbit/s是報文傳輸速率。使用模擬試驗平臺根據這些數據開展模擬試驗，驗證本文方法的性能。

2.1算法性能驗證

假設模擬試驗平臺中存在20個網絡節點，報文信息在各個節點之中傳輸。本文方法綜合遺傳算法與模擬退火算法的優點，最終實現船舶網絡優化調度，因此試驗過程中，同時使用基于遺傳算法的調度方法（參考文獻[6]，下文簡稱對比方法1）和基于模擬退火算法的調度方法（來自參考文獻[7]，下文簡稱對比方法2）調度船舶網絡，不同算法調度之下，報文信息的傳遞軌跡如圖2所示。圖中數字表示網絡節點的編號，數字1是報文傳輸的起始節點，數字20是報文傳輸的終點節點。能夠看出，相比于2種未改進的方法，本文方法在報文傳輸過程中能夠獲得最短傳輸路徑，報文傳輸速度較快，而2種對比方法傳輸報文時路徑較遠，容易造成延誤報文傳輸的局面。路徑較遠，容易造成延誤報文傳輸的局面。

2.2網絡優化調度性能測試

在模擬試驗平臺中模擬船舶在正常天氣環境下，無干擾時實際行駛中較為關鍵的各個子控制網絡狀態，使用本文方法以及2種對比方法對船舶網絡優化調度后，各子網絡中報文的傳輸速率，結果顯示，相同子網絡、報文長度相同情況下本文方法傳輸報文的速率更快，說明經過本文方法優化調度之后，船舶網絡具有較高報文傳輸效率，提升各個子網絡的工作效率，降低報文傳輸的時延，具有較為良好的優化調度效果。船舶航行過程中會遭遇各種不同天氣，晴朗天氣環境下，船舶正常運行，控制網絡中的各個子網絡都按照常規規定運行，報文傳輸較為規律，但是船舶航行也經常會遭遇極端天氣，這種情況下，船舶控制的各個子網絡就需要不停改變操作內容，多次更改指令，船舶網絡的工作量加大，報文傳輸的投遞率也出現顯著變化。對比不同天氣狀況下，船舶航行時，不同TTCAN網絡協議中，經不同方法優化調度后，網絡傳輸報文的投遞率，結果見圖3。從圖3（a）能夠看出，高速TTCAN網絡之中，對于報文傳輸的時效性要求較高，但是受到惡劣天氣條件影響，船舶控制網絡需要頻繁更換運行指令，導致本文方法的報文投遞率與晴天環境下的報文投遞率相比略低，但是整體來看，使用本文方法優化調度后，報文投遞率明顯高于兩種對比方法，證明本文方法的調度效果更優。低速TTCAN網絡之中對于報文傳輸的時效性要求較低，報文傳輸有一個緩沖時間，所以即使網絡節點數量增加，在不同天氣環境下，使用本文方法優化調度網絡之后，仍然能夠保持較高的報文傳輸投遞率。盡管與高速TTCAN網絡相比，低速TTCAN網絡之中對比方法優化調度之后，隨著節點數量增加，報文傳輸投遞率的下降幅度更小，但是與本文方法相比仍然不具備優勢。綜合來看，使用本文方法優化調度船舶網絡之后，無論何種航行條件，仍然能夠保證船舶的穩定航行。

3結語

船舶航行的環境復雜多變，網絡傳輸的性能決定船舶的航行穩定性，本文研究改進遺傳算法的船舶網絡優化調度方法，將遺傳算法與模擬退火算法相結合，以傳輸報文抖動最小作為優化調度的目標，同時改進遺傳算法，計算得出最優解，獲得船舶網絡較為良好的優化調度效果。通過模擬試驗發現，使用本文方法能夠實現網絡節點傳輸路徑最短，同時使用本文方法只需要很短的時間就能實現各類船舶子控制系統的報文傳輸，優化調度效率較高；即使在較為復雜的天氣條件之下，使用本文方法仍然能夠保證報文在網絡中的穩定傳輸，由此證明，經過本文方法優化調度的船舶網絡具有較為良好的性能。

作者:王芳杰 單位:浙江國際海運職業技術學院h