基于人工智能和软计算的船舶自动避碰决策算法

吕红光, 尹 勇, 尹建川, 胥 文

(大连海事大学 航海学院， 辽宁 大连 116026)

基于人工智能和软计算的船舶自动避碰决策算法

吕红光, 尹 勇, 尹建川, 胥 文

(大连海事大学 航海学院， 辽宁 大连 116026)

为减少或避免人为失误导致的船舶碰撞事故，保证船舶安全航行，对自动避碰系统进行深入研究，其中船舶自动避碰决策算法是一个重要问题。对此，综述专家系统、模糊逻辑、神经网络、进化计算、群智能及免疫算法等人工智能和软计算方法在该领域中的应用，并对相关研究成果进行分类整理和不足分析，指出人工智能和软计算方法应用于船舶智能避碰决策算法中的研究方向。

船舶； 人工智能； 软计算； 智能避碰； 决策算法

Abstract: The automatic collision avoidance technology is attracting a lot of interest for its potential for preventing human-error-caused collision accidents. The application of artificial intelligence and soft computation in avoidance decision making algorithms, the core of the automatic collision avoidance technology, covering the expert system, the fuzzy logic, the artificial neural network, the evolutionary computation, the immune algorithms, and the swarm intelligence algorithm, etc are reviewed. The related publications are categorized and their shortcomings are pointed out to direct further researches on artificial intelligence in automatic collision avoidance algorithms.

Keywords: ship; artificial intelligence; soft computation; automatic collision avoidance; decision making algorithm

近年来，随着海上交通环境日益拥挤、人为失误导致的海难事故频发、人力资源成本逐渐攀高、航海技术及仪器快速发展，对无人驾驶船舶的研究逐渐深入。无人驾驶船舶的核心是智能化的综合船桥，而自动避碰决策系统则是综合船桥的关键组成部分。一个成熟的自动避碰决策系统需满足(不限于)以下条件：避开危险，包括动态和静态的障碍物；在适当交通压力下完成多船会遇时的自动避碰；避碰后选择安全且经济的航线(复航)；遵守《海上避碰规则》(以下简称《规则》)；建立较精确的船舶运动数学模型；考虑天气、海况等外部条件；具有良好的实时性。

以上各个条件之间是相互影响的，满足这些条件的自动避碰决策系统是一个极其复杂的综合系统。多年来，相关专家一直致力于寻找更加智能、优化的算法。人工智能(Artificial Intelligence, AI)和软计算(Soft Computation, SC)方法的出现为智能避碰决策系统提供了新的解决方案，相比传统的数理模型方法，其在解决船舶运动环境的复杂性、过程的非线性、避碰决策的实时性和传感器信息的容错性等方面具有较好的表现。[1]

1 人工智能和软计算方法概述

AI是综合计算机科学、控制论、信息论、神经生理学、心理学、语言学和哲学等多种学科的相关理论而发展起来的一门交叉学科。传统的AI以语言或符号规则的形式表达和模拟人类的智能行为。对于某些特定领域内的决策问题，若存在明显的知识，则“物理符号系统”假设具有重要意义。但是，基于“物理符号系统”假设的人工智能是以静止、精确的逻辑方式处理问题的，在面向不同的决策问题时缺乏适应性，这显然与人类智能依靠人脑思维灵活处理问题的方式不同。SC的出现弥补了传统AI的不足，其通过模拟自然界中智能系统的生化过程来解决复杂问题，通过对不确定、不精确及不完全真值进行容错来取得低代价的解决方案和鲁棒性。

为反映应用研究的脉络，这里仅对一些应用于船舶智能避碰决策算法中的核心内容进行论述。

2 基于知识的系统

基于知识(Knowledge Based，KB)的系统是应用人类的知识来解决问题(通常是困难问题)的计算机软件系统，当其表现出专家级求解问题的能力时，称为专家系统(Expert System，ES)。

2.1专家系统

自20世纪80年代ES应用于自动避碰领域以来，研究重点是避碰知识库和推理机制。知识库知识一般源于《规则》、专家对《规则》的解释、良好船艺及避碰实践经验等[2]，常用的知识表达方式有产生式规则、框架、过程、逻辑、决策树、语义网络、神经网络及类与对象的表示等[3]，其中产生式规则应用较多，组织方式多为模块化或树状结构[4]；推理机制需确定碰撞危险度，采取避让行动的时机、方法和幅度及复航方案等[5]，采用的推理方式包括正向链和反向链推理、非单调推理、类比推理及不确定性推理等[4]。当推理机进行规则匹配时，可能会出现多个规则匹配成功的情况，还会用到冲突消解策略，可采用优先级法、可信度法、代价法及自然顺序法等。[3]文献[6]用A*动作空间搜索算法简化ES的设计；文献[4]和文献[7]则结合船载自动识别系统(Automatic Identification System, AIS)、电子海图显示与信息系统(Electronic Chart Display and Information System, ECDIS)及船舶管理系统(VMES)进行自动避碰ES的设计与仿真。处理的问题多为宽阔水域单船自动避碰问题，少数提出多船会遇的自动避碰决策生成与优化的观点及方法。[8-9]

自动避碰专家系统的缺点为：知识获取困难且耗时多，难以形成完备、准确和简练的知识库[10]；系统实时性较差；不具备智能学习的能力，维护困难，不能处理知识库以外的问题等。

2.2基于案例的推理方法

基于案例的推理(Case-Based Reasoning，CBR)是一种增量式的基于知识的问题求解和学习方法，规避了传统基于规则的人工智能推理系统在知识和规则获取上的瓶颈问题。[11]其原理是根据当前问题描述对案例库进行检索，获得与当前问题相似的案例集，修改或直接复用相似案例的解，从而获得解决当前问题的解。沈丽珺[12]采取人工提取海事案例的方式设计一个基于CBR方法的船舶避碰决策支持模型，但案例数量有限，处理多船会遇的避碰过程评估有待完善。LIU等[13]提出一种基于历史海事记录和中文信息处理的避碰案例自动生成方法，对CBR避碰决策系统建立较完备、准确的案例库具有一定作用。周世波等[14]根据避碰案例结构和CBR的特点研究避碰知识库系统的知识获取、表示、检索和冗余检查等问题，提出建立避碰知识库思路并开发避碰知识库管理原型系统。黄颖等[15]以产生式规则描述案例，建立基于会遇态势特征的算法案例库，采用特征完全匹配检索方法寻找源案例中紧迫危险操船决策的模型，最终自动求解生成紧迫危险操船决策方案。CBR方法为自动避碰决策算法提供了新的途径，具有简化知识获取、便于知识积累和自主学习、系统构建及推理相对容易等优点[16]，但目前在多船自动避碰方面仍需作进一步研究。

3 模糊逻辑

船舶避碰系统本质上是一个人、船、环境相互作用的不确定系统，具有本质的非线性、信息的不完全性和过程的时变性等特征，因而难以建立精确的数学模型来设计自动避碰系统。随着模糊集出现及模糊系统理论不断发展，模糊数学被逐步应用到船舶自动避碰领域中。

3.1模糊避碰决策模型及领域模型

对于模糊避碰决策模型，赵劲松等[17]提出船舶领域模糊边界的概念，建立基于DCPA的避碰决策模拟模型。PIETRZYKOWSKI等[18-19]提出模糊船舶领域的概念并将其应用到受限水域航行安全性评估中；之后基于专家经验，用模糊逻辑的方法进行人工神经网络的自学习，提出动态模糊船舶领域模型，并在后期研究中考虑人、船、环境和《规则》的影响建立统一的领域模型。王宁[20]在四元船舶领域模型的基础上结合模糊集理论，进一步提出更加智能、灵活和实用的模糊四元船舶领域模型(Fuzzy Quaternion Ship Domain，FQSD)，为船舶的智能避碰决策提供新的判据；此后，其对模型进行改进，加入船舶、人为因素和环境因素等子模型，其中环境因素子模型的构建采用的就是模糊集理论。

3.2模糊避碰决策系统

PERERA等[21-24]提出基于模糊逻辑的避碰决策系统，并在此基础上对整个智能避碰系统进行研究，该系统可满足《规则》要求，但仅适用于两船间的避碰；此后其又对设计的系统进行改进，提出基于“模糊-贝叶斯”的船舶智能避碰决策/执行模型，决策依靠模糊逻辑平行多决策模块，并通过贝叶斯网络模型将决策转换成连续的避碰行动。BRCKO[25]提出一种基于模糊逻辑并结合ARPA雷达的避碰决策系统，利用ARPA提供的信息和《规则》的知识表示，该系统虽然简单易行，但仅能提供对单船的智能避碰决策。

3.3基于VTS的模糊避碰决策

近年来，模糊理论也用于船舶交通管理系统(Vessel Traffic Services, VTS)中。SI等[26]用模糊逻辑方法为VTS设计一个船舶碰撞报警系统，可用于船间通信或作为一个碰撞报警平台，但尚不能提供执行避碰操作的时机和舵角。此后，有学者提出改进的基于VTS的船舶避碰模糊决策方案，将碰撞报警系统的信息通过VTS安装的模糊监控系统(Fuzzy Monitoring System，FMS)传递给船舶，为其提供施舵建议，但该系统只能提供转向建议且不适用于多船会遇局面。此外，BUKHARI等[27]基于模糊推理系统提出一种在VTS中利用传统雷达设备提供的信息实时计算多船碰撞危险的智能系统。

4 人工神经网络

人工神经网络(Artificial Neural Network，ANN)是由大量人工神经元经广泛互连而形成的人工网络，用以模拟人类神经系统的结构和功能。一些学者[28-29]将其应用于船舶领域及船舶碰撞危险度评价方面的研究中。郑中义[30]以一船获得的另一船的ARPA原始数据作为BP(Back Propagation)神经网络的输入，可快速确定碰撞危险度。欧阳庆等[31]对电子海图系统中的避碰信息进行处理，建立开阔水域船舶自动避碰神经网络决策模型，并充分考虑海图数据(如水深)对避碰决策进行二次修正，但单一的网络模型不能应对所有的船舶会遇局面，需构建一个组合神经网络群。此外，单独采用神经网络方法解决船舶自动避碰决策问题尚不可行，与其他软计算方法相结合是发展方向。LIU等[32]将神经网络优越的非线性信息处理能力和学习功能与模糊技术相结合，提出适用于船舶在互见中的模糊神经网络推理模型以提供避碰决策。AHN等[33]用模糊逻辑、专家系统、神经模糊算法和神经网络研究一种自动避碰系统，神经模糊算法可平滑推理碰撞危险度，利用多层感知神经网络及其学习过程重新建立一种既考虑DCPA和TCPA等传统因素，又能考虑船舶领域、限制水域、能见度受限和高速船等外部航行数据的碰撞危险推理模型。

5 进化计算

进化计算(Evolutionary Computation, EC)是模拟生物进化理论而形成的一种全局优化自适应概率搜索的算法理论，其核心是进化算法(Evolutionary Algorithm，EA)，主要包括遗传算法(Generic Algorithm，GA)、进化规划(Evolutionary Programming，EP)和进化策略(Evolutionary Strategies，ESs)，可用于解决多类复杂系统的优化和机器学习等问题。EA的2个主要特点是群体搜索策略和群体中个体间的信息交换，在智能避碰中有很多指派好的路径可供选择，经过一系列的交叉、变异和选择过程找到接近最优的路径。

ITO等[34]首次用GA为船舶避碰寻找最优航路，并运用实习船“Shioji Maru”的操纵模拟器进行实时模拟测试，但未考虑《规则》。此后，ZENG等[35]提出基于GA的运动物体避让模型，模型中移动的障碍物或运动的船舶由ARPA识别，碰撞危险度由一个基于Markov过程模型的随机预测器得到。碰撞危险度的大小和航线的有效性体现在GA的代价函数中，且航速随航行环境的变化和代价函数的取值而改变。因此，可用该算法调整航速优化避碰操作，在开阔水域避开静止和运动的物体，但在拥挤水域需加上适当的约束条件。此外，前期研究中的GA编码方式仅将船位(经纬度)作为染色体的基因，不便检查试验数据，ZENG等[36-37]逐步提出一种由船位、速度、潮汐、风速和海浪等扰动因素构造的单一基因的GA编码方式。一个染色体代表一条规划好的路径，该路径由基本的线段序列和转向基因组成(见图1)。起点基因代表当前位置，结束基因代表目标位置。若本船周围有其他船舶或障碍物，则本船的安全路径即是连接起点和结束点2个基因的直线；若本船周围无障碍物，则会在起点和结束点之间随机分布其他基因，构成多条不同长度的染色体，也即可能的路径。每一路径是否可行需用GA中的适应度函数来评估，最合适路径对应的适应度函数的值最小。该方法能更有效地搜索到较优的安全航行路径，并将《规则》加入到适应度函数中。

图1 染色体结构

SMIERZCHALSKI等[38]对基于进化计算的路径规划算法(Evolutionary Planner/Navigator，EP/N)进行改进，提出EP/N++算法，形成船舶自动避碰决策支持系统的重要组成部分，能在给定的静/动态环境下计算出一条安全的避碰最优路径。该算法设计专门的遗传算子对航线进行修正，同时采用另外一个遗传算子对航速度进行变异操作，每个航向段的改变都可伴随速度的变化，同时具有较短的计算时间。该系统的主要特征是引入时间参数、可变的航速及动态的他船时变的约束条件。

王则胜[39]基于GA建立船舶避碰决策模型，综合考虑避让航线的安全性、经济性及《规则》的要求，得出较优的避碰方案；同时，利用Visual C++进行实例仿真。应士君等[40]在GA的基础上使用Bayes模型，将平均信息量加入到GA的适应度函数中优化传统的GA，得到更符合《规则》和海上避碰惯例的次优解。

TSOU等[41]用GA结合《规则》及船舶的安全领域提出理论上最安全的最短避碰路径建议，并提供最优避碰转向角度、复航时间和复航角度；同时为使用该系统的VTS操作员及驾驶员预警，并提供足够的避碰准备时间。TAM等[42]基于进化计算，用已知和预报的航路及天气数据对近距离会遇情况开发路径规划算法，仿真结果表明该算法具有航路优化、可避碰、遵循避碰规则和符合航海实际等优点。

6 人工免疫算法

免疫算法(Immune Algorithm，IA)将生命科学中的免疫概念及其理论应用到GA中，在保留原算法优良特性的基础上，有选择、有目的地利用待求解问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象。许庆阳[43]采用混沌危险模式人工免疫算法搜索最优的船舶避碰策略，该算法以“抗体”编码空间代替问题的参数空间，以亲和度函数为评价依据，通过对“抗体”种群中个体位串的操作进行种群更新，建立一个迭代过程，最终搜索到避碰策略的最优解。白一鸣等[44]将危险模式免疫算法应用到船舶避碰策略优化中，结合船舶碰撞危险度及船舶运动数学模型等领域的知识，较快、较准确地进行船舶避碰策略优化。

7 群智能算法

群智能算法(Swarm Intelligence Algorithm, SIA) 也是一类来源于仿生学的优化算法，模仿的是社会性生物的群体性。代表性的SIA有蚁群算法(Ant Colony Optimization，ACO)、粒子群算法(Particle Swarm Optimization，PSO)、人工鱼群算法(Artificial Fish Swarm Algorithm, AFSA)、细菌觅食算法(Bacteria Foraging Optimization，BFO)、人工蜂群算法(Artificial Bee Colony，ABC)及与EA相结合的差分演化算法(Differential Evolution，DE)。ACO和ABC主要用于求解组合优化问题，而其他算法则较适合进行连续优化。一些学者将其应用到海上船舶智能避碰领域中。TSOU等[45]应用ACO建立避碰模型，该模型包含航海实践、海事法规和《规则》的知识系统及来自于AIS等的实时信息，可规划出一条安全、经济的近距离避碰路径，平均执行速度比传统的GA稍快；此外，在设置船舶安全区时选取的是圆形的警戒圈而非船舶领域，因此在模型精度及蚁群算法的并行处理方面仍需进一步完善。LAZAROWSKA[46-47]采用ACO并结合船舶运动数学模型和领域模型，将会遇局面中所有目标船(包括静态障碍物)视为整体计算避碰最优方案，目标船领域模型可选，但假设目标船保向保速。王得燕[48]采用PSO求解多船会遇情况下本船的最优转向角度值，并推荐采用一种具有量子行为的PSO建立船舶避碰目标函数，以提高算法的收敛性能，解决陷入局部最优问题。马文耀等[49]利用BFO规划船舶避碰航路，主要包括转向时机、避让航向改变量、复航时机及复航航向改变量等目标，模拟本船与右前(后)方目标船交叉会遇和对遇等3种态势，在电子海图上动态演示试验过程。综合分析自动避碰决策中采用的SIA主要融合了船舶运动数学模型、避碰规则解析、船舶领域模型及路径规划与优化问题。算法具有简便易行、收敛速度快和经验参数较少等优点，具有良好的应用前景，但尚存在易陷入局部极值点、搜索精度不高和进化后期收敛速度慢等缺点，因此仍需改进。

8 多智能体系统

多智能体系统(Multi-Agent Systems，MAS)是分布式人工智能(Distributed Artificial Intelligence, DAI)的一个重要分支，通过智能体的合作来完成任务求解。实现MAS的关键是多个智能体间的通信和协调。

郝清赋等[50]提出并实现一种基于Multi-Agent的协商避碰决策支持系统，其基于系统论的思想，将协商决策引入到船舶避碰中，以减少避碰决策中的不确定性，并提供网络环境下的智能避碰决策支持。杨神化[51]构建一个基于Multi-Agent理论模型的多船舶Agent避碰决策支持系统，在避让动态船舶、避浅避礁和综合避碰等3个方面分别对船舶Agent的避碰决策算法进行研究；在会遇单船时，以两船的相对距离值表征船舶Agent实施避碰措施的时机，并在对遇决策中采用协商算法；此外，对会遇多目标船及同时存在一艘动态目标船和水上水下障碍物的情况进行研究，提出由初始方案层、寻优层和协商层共同组成的分层避碰决策生成与优化算法。

9 灰色系统理论

灰色系统理论是一种处理动态系统的数学方法，用来描述部分信息已知、部分信息未知并介于黑白系统之间的系统，可对系统进行分析、建模、预测、决策和控制等。GM(1,1)模型是灰色理论中较常用的预测方法。高颖[52]初步探讨基于GM(1,1) 预测模型的灰色预测理论和方法在船舶避碰决策方面的应用，为船舶避碰决策提供一种新的方法。这里采取“先缓冲后预测”的思想，通过引入缓冲算子改进GM(1,1)模型提高船舶避碰决策系统对目标船运动态势和避碰时机预测的精确程度。此外，其对样本量无特殊要求，分析时无需典型的分布规律，因而在避碰系统中大量传感器数据误差处理方面具有较高的应用价值。

10 总结与展望

在人工智能和软计算中，专家系统应用于实船安装测试较早，其关键在于完备“避碰知识库”；模糊逻辑可准确反映专家对困难、复杂问题的求解，提供突破传统专家系统设计瓶颈的途径；BP单独应用于船舶智能避碰决策中的实用性不强，但可充分利用其自学习能力完善“知识库”；EC中，GA应用于避碰决策中的研究较多，关键在于选取合适的“适应度函数”，同时EC的避碰策略主要是施加一定限制条件的路径优化，且可考虑《规则》；IA及其改进方法可较快、较准确地优化避碰决策；SIA和MAS具有内在结构的相似性，前者参数选择非常重要，后者多个智能体间的通信和协调是关键，更加适用于协商式智能避碰；而灰色系统理论则在处理传感器不精确信息方面具有较高的实用价值。

上述方法各有利弊，单独采用某种方法只能解决自动避碰决策某方面的问题，因此目前的研究尚存在的问题有：未充分考虑能见度、受限水域及交通密度影响等环境因素，可避碰但不符合《规则》要求； 过度简化本船和目标船的运动模式(假定来船为直航船保向保速，船舶尺度、类型及领域模型未充分考虑)； 难以处理复杂的多船全局会遇局面(多集中于避碰单船和重点船，当无法预测他船运动时，采取自动避碰行动的全局有效性难以保证)； 船舶以外的动、静态障碍物未充分考虑； 避碰行动单一(多为转向)，未与航线优化有机结合，算法的性能和全局/局部收敛能力较弱； 多采用MATLAB进行仿真，未在船舶操纵模拟器测试平台或实船上验证。基于以上缺陷，建立一套以人类认知和决策理论为基础，以现有的导助航仪器提供的平台为依托，融合多种算法优点的混合智能决策支持系统将是自动避碰系统的发展方向。自动避碰系统获得真正应用的前提是机器智能的不确定性低于驾驶员造成的人为不确定性。

[1] STATHEROS T, HOWELLS G, MCDONALD-MAIER K. Autonomous Ship Collision Avoidance Navigation Concepts, Technologies and Techniques[J]. The Journal of Navigation, 2008, 61(1):129-142.

[2] 孙立成. 船舶避碰决策数学模型的研究[D].大连: 大连海事大学, 2000.

[3] 彭丽丽. 基于AIS的内河船舶智能避碰专家系统及实现[D].武汉: 武汉理工大学, 2010.

[4] 张选逵. 基于AIS的船舶避碰专家系统研究[D].上海: 上海海事大学, 2006.

[5] 程细得, 刘祖源. 船舶智能避碰专家系统研究[J]. 武汉理工大学学报(交通科学与工程版), 2003，27(1):94-96.

[6] LEE H J, RHEE K P. Development of Collision Avoidance System by Using Expert System and Search Algorithm[J]. Ship Science & Technology, 2001, 48(3):197-210.

[7] TRAN T, HARRIS C, WILSON P. Vessel Management Expert System[C]//Daklard:Intelligent Transportation Systems, 2001：1102-1107.

[8] 朱沁. 多船会遇的船舶智能避碰专家系统研究与仿真[D].武汉: 武汉理工大学, 2004.

[9] 李丽娜, 熊振南, 任勤生. 多船避碰智能决策的生成与优化方法[J]. 信息与控制, 2003,32(2):189-192.

[10] 施平安, 陈文伟, 王敬全, 等. 基于神经网络的复合避碰专家系统研究[J]. 航海技术, 2001(6):2-5.

[11] 郭艳红, 邓贵仕. 基于事例的推理(CBR)研究综述[J]. 计算机工程与应用, 2004，40(21):1-5.

[12] 沈丽珺. 基于CBR方法的船舶避碰决策支持模型的研究[D].上海: 上海海事大学, 2007.

[13] LIU Y, YANG C, YANG Y, et al. Case Learning for CBR-Based Collision Avoidance Systems[J]. Applied Intelligence, 2012, 35(2):308-319.

[14] 周世波, 熊振南. 基于案例推理的船舶避碰案例库设计与实现[J]. 中国航海, 2012, 35(3):71-75.

[15] 黄颖,李丽娜,李国定. 紧迫危险不可避免碰撞操船决策自动生成方法[J]. 中国航海, 2013,36(3):55-60.

[16] 刘健. 基于案例推理的知识系统的设计与实现[D].南京: 南京航空航天大学, 2004.

[17] ZHAO Jingsong, WU Zhaolin, WANG Fengchen. Comments on Ship Domains[J]. The Journal of Navigation, 1993, 46(3):422-436.

[18] PIETRZYKOWSKI Z. Ship Fuzzy Domain in Assessment of Navigational Safety in Restricted Areas, III[C]. Gdynia: Navigational Symposium, 1999，1:253-264.

[19] PIETRZYKOWSKI Z, URIASZ J. The Ship Domain-A Criterion of Navigational Safety Assessment in an Open Sea Area[J]. The Journal of Navigation, 2009, 62(1):93-108.

[20] WANG N. A Novel Analytical Framework for Dynamic Quaternion Ship Domains[J]. The Journal of Navigation, 2013, 66(2):265-281.

[21] PERERA L P, CARVALHO J P, GUEDES SOARES C. Decision Making System for the Collision Avoidance of Marine Vessel Navigation Based on COLREGs Rules and Regulations[C]//Proceedings of 13th Congress of International Maritime Association of Mediterranean, 2009:1121-1128.

[22] PERERA L P. Autonomous Guidance and Navigation Based on the COLREGs Rules and Regulations of Collision Avoidance[J]. 2010(1999):205-216.

[23] PERERA L P, CARVALHO J P, GUEDES SOARES C. Fuzzy Logic Based Decision Making System for Collision Avoidance of Ocean Navigation Under Critical Collision Conditions[J]. Journal of Marine Science and Technology, 2011, 16(1):84-99.

[24] PERERA L, CARVALHO J, GUEDES SOARES C. Intelligent Ocean Navigation and Fuzzy-Bayesian Decision Action Formulation[J]. IEEE Journal of Oceanic Engineering, 2012, 37(2): 204-219.

[25] BRCKO T, SVETAK J. Fuzzy Reasoning as a Base for Collision Avoidance Decision Support System[J]. Promet-Traffic & Transportation, 2013, 25(6):555-564.

[26] SI K, KJ L, CHANG K, et al. A Fuzzy Logic Method for Collision Avoidance in Vessel Traffic Service[J]. Journal of Navigation, 2007, 60(1):17-31.

[27] BUKHARI A C, TUSSEYEVA I, LEE B G, et al. An Intelligent Real-Time Multi-Vessel Collision Risk Assessment System from VTS View Point Based on Fuzzy Inference System[J]. Expert Systems with Applications, 2013, 40(4):1220-1230.

[28] LISOWSKI J, RAK A, CZECHOWICZ W. Neural Net-Work Classifier for Ship Domain Assessment[J]. Mathematics and Computers in Simulation, 2000, 51(3-4):399-406.

[29] ZHU X, XU H, LIN J. Domain and Its Model Based on Neural Networks[J]. Journal of Navigation, 2001, 54(1):97-103.

[30] 郑中义. 船舶自动避碰决策系统的研究[D].大连: 大连海事大学, 2000.

[31] 欧阳庆, 赵德鹏. 电子海图系统中船舶避碰的神经网络方法的研究[J]. 大连海事大学学报, 1997, 23(3):1-6.

[32] LIU Yuhong, DU Xuanmin, YANG Shenhua. The Design of a Fuzzy-Neural Network for Ship Collision Avoidance[C]//Advances in Machine Learning and Cybernetics. Guangzhou: Springer Berlin Heidelberg, 2006.

[33] AHN J H, RHEE K P, YOU Y J. A Study on the Collision Avoidance of a Ship Using Neural Networks and Fuzzy Logic[J]. Applied Ocean Research, 2012, 37(0):162 - 173.

[34] ITO M, ZHNNG F, YOSHIDA N. Collision Avoidance Control of Ship with Genetic Algorithm[C]//IEEE International Conference on Control Applications, 1999,12:1791-1796.

[35] ZENG M X, ITO M, SHIMIZU E. Planning and Keeping the Safe Course to Avoid Collision at Sea with Genetic Algorithms[C]//IECON. 26th Annual Conference of the IEEE, 2000，4:2388-2393.

[36] ZENG X M, ITO M. Planning a Collision Avoidance Model for Ship Using Genetic Algorithm[C]//Systems, Man, and Cybernetics. 2001 IEEE International Conference, 2001，4:2355-2360.

[37] ZENG X. Evolution of the Safe Path for Ship Navigation[J]. Applied Artificial Intelligence, 2003, 17(2):87-104.

[38] SMIERZCHALSKI R, MICHALEWICZ Z. Modeling of Ship Trajectory in Collision Situations by an Evolutionary Algorithm[J]. IEEE Transactions on Evolutionary Computation, 2000, 4(3):227-241.

[39] 王则胜. 基于遗传算法的船舶避碰决策研究[D].上海: 上海海事大学, 2005.

[40] 应士君，施朝健，杨神化. 基于bayes模型的遗传算法在避碰航路设计中的应用[C]//全国博士生学术论坛—交通运输工程学科论文集, 2005.

[41] TSOU M C, KAO S L, SU C M. Decision Support from Genetic Algorithms for Ship Collision Avoidance Route Planning and Alerts[J]. The Journal of Navigation, 2010, 63(1):167-182.

[42] TAM C, BUCKNALL R. Path-Planning Algorithm for Ships in Close-Range Encounters[J]. Journal of Marine Science and Technology, 2010, 15(4):395-407.

[43] 许庆阳. 危险模式人工免疫算法及其应用研究[D].大连: 大连海事大学, 2010.

[44] 白一鸣 , 韩新洁,孟宪尧. 危险模式免疫控制算法优化船舶避碰策略[J]. 中国航海, 2012, 35(2):29-32.

[45] TSOU M C, HSUEH C K. The Study of Ship Collision Avoidance Route Planning by Ant Colony Algorithm[J]. Journal of Marine Science and Technology, 2010, 18(5):746-756.

[46] LAZAROWSKA A. Ant Colony Optimization Based Navi-gational Decision Support System[J]. Procedia Computer Science, 2014, 35: 1013-1022.

[47] LAZAROWSKA A. Ship's Trajectory Planning for Collision Avoidance at Sea Based on Ant Colony Optimisation[J]. The Journal of Navigation, 2015, 68: 291-307.

[48] 王得燕. 粒子群算法在多船转向避碰中的研究[D].无锡: 江南大学, 2009.

[49] 马文耀，杨家轩. 基于细菌觅食算法的避碰航路优化研究[J]. 大连海事大学学报, 2013, 39(2):21-23.

[50] 郝清赋, 陈英武, 汪浩, 等. 一种新型船舶避碰决策支持系统的设计与实现[J]. 计算机工程与应用, 2003，39(15):222-225.

[51] 杨神化. 基于Multi-agent的船舶避碰决策支持系统[D].上海: 上海海事大学, 2008.

[52] 高颖. 基于GM(1,1)模型的船舶避碰决策的应用研究[J]. 中外企业家, 2011(12):124-126.

ArtificialIntelligenceandSoftComputationMethodsinAutomaticCollisionAvoidanceAlgorithmsforShips

LYUHongguang,YINYong,YINJianchuan,XUWen

(Navigation College, Dalian Maritime University, Dalian 116026, China)

U675.96

A

2016-01-11

国家高技术研究发展计划(“八六三”计划)课题(2015AA016404);中央高校基本科研业务费(3132016310)；海洋公益性行业科研专项经费项目(201505017-4);辽宁省自然科学基金(201602081)

吕红光(1981—)，男，山西五台人，讲师，博士生，研究方向为海上智能交通系统。E-Mail:lh1350@163.com 尹 勇(1969—)，男，湖北郧县人，教授，博士生导师，研究方向为虚拟现实技术、航海仿真技术。E-mail:bushyin_dmu@263.net

1000-4653(2016)03-0035-06