基于集合预报与灰狼优化算法的船舶气象多目标航线规划研究

《Journal of Industrial Information Integration》：Ensemble-based ship weather multi-objective route optimization

本研究针对传统船舶气象航线规划方法依赖确定性天气输入、易导致次优决策的局限性，提出了一种集成集合天气预报、神经网络燃料消耗预测与灰狼优化器（GWO）的多目标优化框架。通过融合实时船舶性能数据与贝叶斯超参数调优，实现了在不确定海洋环境下燃料消耗、到港时间与航线平滑度的协同优化。结果表明，该方法在保证到港时间偏差小于30分钟的同时，显著提升了燃油效率与航行安全性，为复杂海况下的智能航线决策提供了可靠支持。

　　

在全球航运业面临减排压力与运营成本攀升的双重挑战下，船舶气象航线优化成为提升能效与安全性的关键手段。然而，传统航线规划方法多基于单一确定性天气预报，忽略了海洋环境固有的不确定性（如风、浪、流的动态变化），导致实际航行中常出现燃油浪费、到港延误或航行风险加剧等问题。尤其随着极端天气事件频发，如何在高不确定性环境中制定兼顾经济性、准时性与安全性的航线，成为航运业亟待突破的瓶颈。

为此，研究团队在《Journal of Industrial Information Integration》发表论文，提出一种融合集合天气预报与智能优化算法的船舶多目标航线规划框架。该研究首次将集合预报的概率特性引入航线优化过程，通过灰狼优化算法（Grey Wolf Optimizer, GWO）同步优化船舶航向角与速度剖面，并采用神经网络模型精准预测不同海况下的燃油消耗。研究覆盖四大典型航次（如跨大西洋与亚洲—中东航线），在应对天气不确定性方面表现出显著优势。

关键技术方法包括：

1. 1.
   集合天气预报集成：采用ECMWF（欧洲中期天气预报中心）等多源气象数据，通过自助采样法（Bootstrapping）生成50组天气情景，量化风、浪等参数的不确定性；
2. 2.
   燃油消耗预测模型：基于多层感知器（MLP）神经网络，以船舶速度、风速、波高等13类参数为输入，经贝叶斯超参数优化后，模型决定系数（R²）达0.9972；
3. 3.
   多目标优化框架：以灰狼优化器（GWO）为核心，同步最小化燃油消耗、到港时间偏差与航线曲率，并引入条件风险价值（Conditional Value-at-Risk, CVaR）策略控制极端风险；
4. 4.
   约束处理：嵌入航行安全性（如波高阈值≤6米）、操纵性（最大转向角30°）与水深限制等现实约束。

7.1. 燃油消耗预测模型开发

通过贝叶斯超参数优化得到双隐藏层神经网络（首层26神经元，次层3神经元），使用Tanh激活函数，在测试集上平均绝对误差（MAE）为0.5538 kg/min。模型显著提升了对复杂海况下燃油消耗的预测精度（图17-18）。

7.2. 优化设置与假设

航线空间被离散为网格单元，排除陆地与障碍物区域（图4-5）。设定船舶速度范围5–20节，最大转向角30°，并采用二进制可航行掩码确保路径可行性。

7.3. 集合策略对优化性能的影响

7.3.1. 均值策略结果

以集合平均天气参数为输入，优化后航线在航次1中燃油消耗降至73,577 kg，到港时间偏差仅10分钟（表5）。航线轨迹避开高压风浪区，体现对平均天气模式的适应性（图20）。GWO算法在300代内稳定收敛（图21），航段速度与转速分布均衡（图23-24）。

7.3.2. 最坏情况策略结果

以集合中最恶劣天气情景为优化目标，航次3燃油消耗升至505,308 kg（表7），但显著增强对抗极端天气的鲁棒性。

7.3.3. 风险感知策略结果

引入风险厌恶系数λ=1，平衡均值与方差目标。航次2燃油消耗为380,651 kg，较最坏情况策略节约3.6%，同时控制性能波动（表8）。

7.3.4. CVaR策略结果

聚焦尾部风险（α=95%），航次4燃油消耗为282,432 kg，在保证安全性的前提下接近均值策略性能（表9）。

7.4. 讨论

四种策略对比表明（图26）：均值策略适合低风险航区，最坏情况策略适用于高不确定性场景，而CVaR与风险感知策略在效率与鲁棒性间取得最佳平衡。航次3（最长航程）的CVaR策略燃油消耗为490,475 kg，较最坏情况策略降低3.0%，且到港时间偏差控制在26分钟内，验证了框架在长航线中的实用性。

8. 结论

本研究通过集成集合天气预报、机器学习与群体智能优化，构建了适用于不确定海洋环境的船舶航线规划框架。其核心创新在于：

1. 1.
   提出多策略优化机制，支持根据风险偏好定制航线；
2. 2.
   采用GWO算法高效处理高维非线性约束，优于传统图搜索算法；
3. 3.
   通过神经网络模型量化天气—燃油耦合关系，避免经验公式的局限性。
   该框架为船舶实时航迹优化提供了理论基础与工具支持，未来可结合动态耐波性约束与帕累托优化进一步拓展应用边界。