改進(jìn)遺傳算法在錨泊系統(tǒng)張力優(yōu)化中的應(yīng)用

李 業(yè)，陳紅衛(wèi)

(江蘇科技大學(xué) 電子信息學(xué)院，江蘇 鎮(zhèn)江 212003)

0 引 言

錨泊系統(tǒng)在船舶與海洋工程中的應(yīng)用十分廣泛。而傳統(tǒng)的永久或半永久多點錨泊定位系統(tǒng)，其給定的錨鏈預(yù)張力在隨后的環(huán)境擾動下不再改變，即錨泊系統(tǒng)各個方向上將被動地響應(yīng)外界干擾（風(fēng)，浪，流），承受不同的環(huán)境力而間接地造成錨鏈張力的分布不平衡。而且，隨著船舶水平位移的不斷累積，最終會導(dǎo)致單根或多根錨鏈張力過大或過小，造成錨鏈的疲勞斷裂或能量的浪費[1]。若船舶在受到外界環(huán)境載荷作用時，其錨泊系統(tǒng)的錨鏈張力閾值能夠隨擾動進(jìn)行合理地優(yōu)化分配[2]，則船舶就能發(fā)揮各錨鏈的定位能力而避免其安全隱患。因此，在以保證船舶誤差范圍內(nèi)定位為前提[3]，研究環(huán)境擾動下張力的合理分配問題對于工程船舶作業(yè)的安全性很有必要。

遺傳算法（GA）作為全局隨機概率搜索算法，其本身具有較強的魯棒性，擴(kuò)展性和高效的并行計算處理能力，為解決復(fù)雜優(yōu)化問題提供了一種有效地途徑。但是，算法固有的缺陷，如早熟、收斂速度緩慢和穩(wěn)定性差等問題難以有效地應(yīng)用于實際工程中。國內(nèi)外許多學(xué)者通過對算法不斷研究改進(jìn)來提高算法的性能。文獻(xiàn)[4]在配對個體中以精英策略防止早熟；文獻(xiàn)[5]研究了編碼類型的不同對遺傳算法性能的影響；文獻(xiàn)[6]采用模擬退火和免疫混合算法來實現(xiàn)全局最優(yōu)，保證種群多樣性以提高軟件測試效率；文獻(xiàn)[7]從全局角度提出一種改進(jìn)自適應(yīng)算法（IAGA）提高全局搜索和收斂能力。以上方法分別從不同方面改善了算法性能，但忽略了選擇交叉?zhèn)€體間的相似性，搜索解方向性的保持以及交叉和變異率選擇的盲目性。因此，本文基于張力優(yōu)化模型，利用非線性規(guī)劃局部搜索特點，結(jié)合相似度選擇交叉配對的個體并改進(jìn)交叉、變異自適應(yīng)操作策略以及將量子變異和災(zāi)變作為自適應(yīng)輔助算子引入遺傳算法的2種改進(jìn)算法來提高系統(tǒng)的運行效率和定位要求。并將其應(yīng)用于船舶實際作業(yè)環(huán)境的張力分配問題中，比較相同工況下，張力分配算法在收斂性，穩(wěn)定性方面的變化。仿真結(jié)果表明:改進(jìn)算法具有更好地優(yōu)化精度和收斂性能。

1 錨鏈張力優(yōu)化模型

對于傳統(tǒng)的錨泊定位系統(tǒng)，當(dāng)船舶受到環(huán)境擾動力與錨鏈的總回復(fù)力相平衡時[8]，船舶處于新平衡位置，但此時船舶的各錨鏈張力可能分布極不平衡。為防止由此產(chǎn)生的錨泊定位安全問題，可利用錨機收放錨鏈改變張力大小，確保船舶定位與作業(yè)安全要求。那如何隨作業(yè)環(huán)境要求而改變張力呢？這就是張力分配問題。張力分配應(yīng)保證各錨鏈張力合理分布[9, 10]。定義錨鏈張力優(yōu)化的目標(biāo)函數(shù)：兩兩錨鏈張力差的平方和為最小，其數(shù)學(xué)模型如式（1）所示，實際應(yīng)用中數(shù)學(xué)模型需要附加約束條件。

以圖1所示8根錨鏈工程船為例，約束條件由船舶定位要求與錨鏈安全確定。船舶位置約束[11]如等式（2）所示，錨鏈安全約束如不等式（3）所示。

圖1 錨泊系統(tǒng)布置方式Fig.1 Mooring system layout

2 改進(jìn)遺傳算法

遺傳算法（GA）由于不依賴于優(yōu)化函數(shù)本身的特性而被廣泛應(yīng)用。但在實際工程優(yōu)化應(yīng)用中，往往存在高維變量和復(fù)雜的約束條件，使得標(biāo)準(zhǔn)遺傳算法很容易陷入早熟收斂，后期進(jìn)化緩慢和多樣性保持不好的問題。針對這些缺陷，本文進(jìn)行改進(jìn)。

2.1 改進(jìn)遺傳算法1（IGA1）

2.1.1 算法改進(jìn)思路

通過分析知，張力優(yōu)化模型實際是求解非線性規(guī)劃問題，所以本算法利用非線性規(guī)劃具有較強局部搜索能力的特點，將其應(yīng)用于全局性遺傳算法，并在遺傳算法中引入個體相似度概念，交叉配對策略選擇交叉對象，同時從宏觀和微觀上調(diào)控交叉和變異率來平衡算法空間深度和廣度，彌補局部搜索差的缺陷，提高全局尋優(yōu)的能力。

2.1.2 個體相似度與交叉配對策略

為避免盲目地選擇交叉?zhèn)€體，提高交叉操作效率，這里提出以個體相似度為依據(jù)選擇交叉配對的父代個體。

1）個體相似度

個體相似度是指2個體具有相同等位基因的數(shù)量[12–13]。利用三維空間向量余弦定理可推導(dǎo)出多維空間向量的夾角，其夾角大小可表示個體相似程度，夾角越小，個體越相似。為此，將位二進(jìn)制編碼的個體和記 成 向 量 ， 即，其中則向量和的夾角可由式（4）計算得到，余弦值越大，向量夾角越小，個體越相似。這里定義遺傳算法，個體相似度如式（5）所示。當(dāng)代表2個體一樣；代表2個體完全不同。

2）交叉配對策略

將個體按適應(yīng)度大小進(jìn)行非線性降序排序，排序后對應(yīng)的個體序列記為。由式（4）和式（5）計算與其余個體的相似度且固定按數(shù)值升序排序，并在末個數(shù)后添加，對(，記為3,···N, 取(中對應(yīng)的與交叉配對。

2.1.3 交叉、變異自適應(yīng)操作的改進(jìn)

改變標(biāo)準(zhǔn)遺傳算法中交叉與變異率選擇固定而引起的缺陷，將種群整體進(jìn)化效果考慮進(jìn)去，對任子武的IAGA算法[7, 14]進(jìn)行改進(jìn)。根據(jù)指數(shù)函數(shù)的性質(zhì)，從宏觀上以增加種群多樣性來防止早熟收斂，對群體設(shè)置較大的，；微觀上根據(jù)個體適應(yīng)度大小調(diào)整，。假設(shè)為群體的最小適應(yīng)度值；以判斷未成熟收斂，為避免分母是0的無窮小正數(shù)；為各代適應(yīng)度值大于平均適應(yīng)度值的個體數(shù)目，而正好相反。具體表達(dá)式描述如式（6），式（7）。其中，其余參數(shù)定義見文獻(xiàn)[7]。

2.1.4 非線性規(guī)劃

3）計算個體適應(yīng)度；

4）根據(jù)個體相似度交叉配對策略，選出父代配對交叉?zhèn)€體，以式（6）和式（7）式交叉和變異率進(jìn)行操作形成子代個體新種群；

5）判斷是否需要非線性尋優(yōu)。若否，進(jìn)入步驟6；若是，將得到滿足約束的結(jié)果作為非線性尋優(yōu)的初始條件進(jìn)行局部搜索，并讓得到的最優(yōu)值作為新的種群進(jìn)行全局搜索；

6）判斷進(jìn)化是否終止。若否，返回步驟3。

2.2 改進(jìn)遺傳算法2（IGA2）

改進(jìn)算法2是將量子計算引入遺傳算法中，采用旋轉(zhuǎn)門動態(tài)調(diào)整策略并以自適應(yīng)量子變異和災(zāi)變算子為輔助，使遺傳算法（GA）的搜索解有更好的多樣性和方向性，提高收斂性能。

2.2.1 量子比特編碼

作為量子計算存儲信息單元的介質(zhì)是一個兩態(tài)量子體系，叫量子比特（量子位）。用0或1態(tài)，或其任意疊加狀態(tài)表示一個量子位。其疊加態(tài)表示為：

2.2.2 旋轉(zhuǎn)門動態(tài)調(diào)整策略

種群多樣性的維持一般使用如式（10）的量子旋轉(zhuǎn)門[16]作為量子遺傳進(jìn)化操作的執(zhí)行機構(gòu)，利用其對疊加的量子態(tài)作用，動態(tài)改變量子旋轉(zhuǎn)門旋轉(zhuǎn)方向和角度，從而更新種群，加快收斂。

2.2.3 量子變異與災(zāi)變

由式（11）知，隨著進(jìn)化代數(shù)不斷推進(jìn)，進(jìn)化后期個體間差別減小，調(diào)整操作很難發(fā)揮作用。為防止演化搜索停止不前，算法中引入自適應(yīng)量子變異和災(zāi)變算子以提高后期收斂的速度。

借鑒自適應(yīng)遺傳算法的思想，以式（12）作為變異操作的公式。

3 仿真與分析

3.1 參數(shù)選取

根據(jù)1 000 t應(yīng)急打撈起重船的基本參數(shù)，選取以下使用環(huán)境：風(fēng)浪流入射角為，風(fēng)速7.9 m/s,有義波高 1 m，流速 3.087 m/s；船長為 105 m，垂線間長103.8 m，船寬為 31.2 m，型深為 7 m，8 臺工作負(fù)載350 kN定位錨機近似的分布在長方形的4個角；錨鏈預(yù)張力 50 kN,破斷載荷 1 080 kN；其中環(huán)境擾動力矩：= 236.71 kN，= 1 315.5 kN，=2 553 kN·m。

GA初始參數(shù)：種群數(shù)100，最大代數(shù)200，代溝0.9，染色體長度20；交叉和變異率分別為0.7,0.01；IGA1初始參數(shù)：其他參數(shù)同GA。IGA2初始參數(shù)：種群數(shù)100，染色體長度20，最大代數(shù)200。

3.2 仿真結(jié)果及分析

圖2分別為用標(biāo)準(zhǔn)遺傳及改進(jìn)算法對張力模型進(jìn)行張力分配適應(yīng)度值變化情況。表1為3種遺傳算法錨鏈張力優(yōu)化結(jié)果。表2是算法各執(zhí)行10次的平均收斂代數(shù)，最小收斂代數(shù)，平均計算時間和平均最優(yōu)適應(yīng)度值的比較。

圖2 張力優(yōu)化算法進(jìn)化過程Fig.2 Evolution process of tension optimization algorithm

表1 算法張力優(yōu)化結(jié)果Tab.1 Tension optimization results of the algorithms

表2 張力優(yōu)化算法性能比較Tab.2 Performance comparison of tension optimization algorithm

IGA1算法依據(jù)相似度選擇交叉配對個體，提高了算法操作效率和搜索空間，使得算法在10～20代能快速收斂。GA算法在60～65代停滯于局部最優(yōu)，但I(xiàn)GA1算法由于非線性規(guī)劃局部搜索作用使之很快找到全局最優(yōu)解。IGA2算法由于動態(tài)旋轉(zhuǎn)門始終保持最優(yōu)解進(jìn)化的方向，并在適當(dāng)?shù)臅r機進(jìn)行災(zāi)變，提高了收斂速度，加快了全局和局部搜索過程。

4 結(jié) 語

在研究錨鏈張力優(yōu)化模型、遺傳算法的基礎(chǔ)上，采用個體相似度交叉配對，動態(tài)改變交叉與變異率，非線性規(guī)劃及約束邊界處理，量子化編碼，旋轉(zhuǎn)門動態(tài)調(diào)整及自適應(yīng)變異等措施改進(jìn)遺傳算法，并用改進(jìn)的算法對錨泊定位系統(tǒng)的張力進(jìn)行優(yōu)化仿真，仿真結(jié)果驗證了改進(jìn)算法張力分配的合理性和有效性，改進(jìn)算法的優(yōu)化能力強于標(biāo)準(zhǔn)遺傳算法。不足之處是改進(jìn)算法增加了計算時間。

[1]BERNTSEN P I B, AAMOOM, LEIRA B J.Ensuring mooring line integrity by dynamic positioning: controller design and experimental tests[J].Automatic, 2009, 45(5): 1285–1290.

[2]王雪, 陸晶.船舶操控及錨泊過程的運動數(shù)學(xué)建模研究[J].艦船科學(xué)技術(shù), 2016, 06: 13–15.WANG Xue, LU Jing.Study on mathematical modeling of ship motion control and mooring process[J].Ship Science and Technology, 2016, 06: 13–15.

[3]JI S W, CHOI M S, KIM Y B.A study on position mooring system design for the vessel moored by mooring lines[J].IEEE/ASME Transactions on Mechatronics, 2015, 20(6):2824–2831.

[4]CHOUBEY N S, KHARAT M U.Approaches for handling premature convergence in CFG induction using GA[J].Soft Computing in Industrial Application, 2011, 96: 55–56.

[5]SERKAN BEKIROGLU, TAYFUN DEDE, YUSUF AYVAZ.Implementation of different encoding types on structural optimization based on adaptive genetic algorithm [J].Finite Elements in Analysis and Design, 2009, 45(11): 826–835.

[6]李小青, 張文祥.基于退火免疫遺傳算法的測試用例生成研究[J].計算機仿真, 2008, 25(5): 171–174.LI Xiao-qing, ZHANG Wen-xiang.Test case generation based on annealing immune genetic algorithm[J].Computer Simulation, 2008, 25(5): 171–174.

[7]任子武, 傘冶.自適應(yīng)遺傳算法的改進(jìn)及在系統(tǒng)辨識中的應(yīng)用研究[J].系統(tǒng)仿真學(xué)報, 2006, 18(1): 41–6.REN Zi-wu, SANYe.Improved adaptive genetic algorithm and its application research in parameter identification[J].Journal of System Simulation, 2006, 18(1): 41–6.

[8]齊鳴, 嚴(yán)傳續(xù), 孟宏斌, 等.船舶錨泊系統(tǒng)擾動力平衡計算[J].中國造船, 2012, 53(3): 158–164.QI Ming, YAN Chuan-xu, MENG Hong-bin, et al.Balance calculation on disturbing force of mooring system for vessel[J].Shipbuilding of China, 2012, 53(3): 158–164.

[9]SHAFIEEFAR M, REZVANI A.Mooring optimization of floating platforms using a genetic algorithm[J].Ocean Engineering, 2007, 34(10): 1413–1421.

[10]金鴻章, 蘇曉宇, 于安才, 等.基于錨鏈切換的平臺自動錨泊定位系統(tǒng)設(shè)計[J].電機與控制學(xué)報, 2014, 18(5): 93–98.JIN Hong-zhang, SU Xiao-yu, YU An-cai, et al.Design of automatic mooring positioning system based on mooring line switch[J].Electric Machines and Control, 2014, 18(5): 93–98.

[11]嚴(yán)傳續(xù), 錢宏, 項軍毅, 等.鋪管船錨泊定位系統(tǒng)優(yōu)化設(shè)計研究[J].中國造船, 2010, 51(1): 83–93.YAN Chuan-xu, QIAN Hong, XIANG Jun-yi, et al.Study on design optimization of mooring positioning system for pipe laying vessel[J].Shipbuilding of China, 2010, 51(1): 83–93.

[12]田小梅, 鄭金華, 李合軍.基于父個體相似度的自適應(yīng)遺傳算法[J].計算機工程與應(yīng)用, 2005, 18(3): 61–63.TIAN Xiao-mei, ZHENG Jin-hua, LI He-jun.Adaptive genetic algorithm based on parents’ similarity[J].Computer Engineering and Applications, 2005, 18(3): 61–63.

[13]劉建文, 丁潔玉, 潘坤, 等.基于個體相似度的改進(jìn)自適應(yīng)遺傳算法研究[J].青島大學(xué)學(xué)報 (工程技術(shù)版), 2016, 31(1):16–19.LIU Jian-wen, DING Jie-yu, PAN Kun, et al.Improved adaptive genetic algorithm based on individual similarity[J].Journal of Qingdao University(E&T), 2016, 31(1): 16–19.

[14]陳超.自適應(yīng)遺傳算法的改進(jìn)研究及其應(yīng)用[D].廣州: 華南理工大學(xué), 2011.

[15]胡寬, 常新龍, 宋筆鋒, 等.求解含等式約束化問題的遺傳算法[J].上海交通大學(xué)學(xué)報, 2011, 45(1): 92–97.HU Kuan, CHANG Xin-long, SONG Bi-feng, et al.Genetic algorithm to solve optimization problem with equality constrains[J].Journal of Shanghai Jiao Tong University, 2011,45(1): 92–97.

[16]HAN Kuk-Hyun, KIM Jong-Hwan.On the analysis of the quantum-inspired evolutiongary algorithm with a single individual[C]//IEEE Congress on Evolutionary Compution Shetaton Vancouver Wall Centre Hotel, Vancouver, BC,Canada, 2006: 9172.